In den letzten Wochen und Monaten konnten Sie in unseren Blogeinträgen hoffentlich einiges Neues und Interessantes über die Welt der Zeitreihenvorhersagen lernen. In unserer Reihe “7 Fragen an …” wollen wir Ihnen nun einen Blick hinter unsere Kulissen gewähren und im Rahmen von Interviews mit Kollegen zeigen, wer eigentlich hinter der prognostica steckt.
Den Auftakt macht heute unser Chief Data Scientist, Dr. Thomas Christ.
1. Hallo Thomas, kurz und knapp: Was machst du bei der prognostica?
Ich arbeite in verschiedenen Data-Science-Projekten und übernehme dabei meist koordinative und konzeptionelle Aufgaben. Gerade beschäftige ich mich z. B. mit Anomalie-Erkennung in Sensordaten. Als Chief Data Scientist versuche ich die aktuellen methodischen Trends und Entwicklungen im Auge zu behalten und so das wissenschaftliche Profil von prognostica auszurichten und zu schärfen.
2. Was gefällt dir am meisten an deinem Job?
Am meisten gefällt mir, dass der Job sehr abwechslungsreich ist. In der Projektarbeit durchläuft man unterschiedliche Phasen, die alle für sich ziemlich spannend sind. Das beginnt schon bei der Kommunikation mit dem Kunden. Wenn ein neues Projekt startet, geht es oft darum, mit diesem gemeinsam den Use Case zu schärfen und auszuloten, welche Informationen und Ergebnisse ihm am besten helfen. Ist der Use Case definiert, geht es darum, die passende Methodik zu finden. Data Science lebt hier von Exploration, dem Spielen mit den vorliegenden Daten und deren Evaluation. Diese Phase erfordert einiges an Kreativität und macht so jedes Projekt interessant. Im Anschluss an diesen Schritt - und das ist auch ziemlich spannend - gilt es das Projekt zu operationalisieren und sich die Mechanismen zu überlegen, wie man das, was man geschaffen hat, in das operative Geschäft des Kunden überführen kann.
3. Was ist dein Lieblingsalgorithmus und warum?
Das ist gar nicht so einfach zu beantworten… Aktuell beschäftige ich mich mit Exponentieller Glättung mit Recurrent Neural Networks (ES-RNN), was ich ziemlich spannend finde. RNNs “erinnern” sich aufgrund ihres internen Speichers an wichtige Informationen von vorausgegangenen Beobachtungen und berücksichtigen diese in der Modellbildung. Das ist eine für Zeitreihenanalysen genauso interessante wie wichtige Eigenschaft.
4. Was hat dich zuletzt im Job vor Probleme gestellt und wie hast du das gelöst?
Natürlich gibt es immer wieder inhaltliche Schwierigkeiten, die herausfordernd sind und bei denen man eine intelligente Idee braucht, um sie lösen zu können. Gerade in großen Projektteams ist es aber oft die größte Herausforderung, für effiziente Kommunikationswege zu sorgen. Wenn die Kommunikation im Team nicht klappt, führt das zu Verzögerungen und früher oder später auch zu Frust in der Truppe.
Das Wichtigste in solchen Situationen ist, dass man offen und ehrlich miteinander darüber spricht, was gut und was vielleicht auch weniger gut läuft oder abgelaufen ist. Oft entpuppen sich die Probleme dann als reine Missverständnisse und lösen sich direkt in Luft auf.
5. Welche Eigenschaft eines Data Scientists ist deiner Meinung nach die wertvollste, um seinem Unternehmen erfolgreich weiterhelfen zu können?
Kreativität. Dabei ist natürlich auch wichtig, den Mut zu haben, Ansätze in Frage zu stellen und Lösungen frühzeitig auch wieder zu verwerfen.
Data Science kann man nicht planen. Sie lebt von der Exploration und Evaluation. Bei aller Kreativität ist es aber auch wichtig, den Fokus zu behalten und das Ziel nie aus den Augen zu verlieren.
6. Wie kann Data Science Unternehmen weiterhelfen?
Data Science kann neue Erkenntnisse generieren. In den Daten schlummert oft sehr viel Information, die intelligente Algorithmen zu Tage fördern können. Data Science kann aber noch mehr: Basierend auf den gewonnenen Erkenntnissen können Algorithmen Prognosen erstellen und so den Planungsprozess im Unternehmen unterstützen oder den Experten melden, wenn sich in Daten eine Anomalie zeigt. Dadurch lässt sich bspw. der Zustand von Maschinen effektiv und effizient monitoren. Data Science ermöglicht so einen höheren Automatisierungsgrad und damit verbundene Kosteneinsparungen im Unternehmen. So bleibt auch mehr Zeit für den Menschen, sich anderen, oft wesentlicheren Dingen zu widmen.
7. Was rätst du Unternehmen, die in Zukunft Data Science und Forecasting nutzen wollen?
Zunächst braucht man natürlich Daten. Das ist sozusagen die Grundvoraussetzung. Die Daten müssen im Idealfall schon ausreichend strukturiert und von brauchbarer Qualität sein. Aber dann: Einfach loslegen. Am besten kleine Use Cases abstecken und Schritt für Schritt diverse Dinge mit Hilfe von Data Science anpacken. Nicht unbedingt das Ziel haben, von vornherein das komplette große Schloss bauen zu wollen.
Thomas, vielen Dank für das Gespräch!
Du hast auch Lust, als Data Scientist bei prognostica zu arbeiten?
Infobox:
Exponentielle Glättung: Das Verfahren der exponentiellen Glättung ist ein bewährtes Verfahren zur Analyse und Prognose von Zeitreihen, welches Niveau-, Trend- und (multiple) Saisonkomponenten in Betracht ziehen kann. Hierbei werden weiter zurückliegende Zeitreihenwerte üblicherweise weniger stark gewichtet als die jüngere Historie.