Gestern abend gab es noch zwei Mails von Kollegen aus dem Vertrieb. In den letzten Wochen hatten wir einige sogenannte Pre-Sales Termine: Gemeinsam haben wir Kunden besucht und dort unsere Leistungen im Bereich der Digitalisierung vorgestellt. Dazu gehört insbesondere auch das Durchspielen von Use Cases im Data Insight Lab. Die Kunden haben Interesse an unseren Leistungen. Das ist prima. Und es ist gut für sie. Aber das bedeutet auch, dass nun wieder eine intensive Arbeitsphase beginnt, in der ich Angebote erstelle.

Wenn ich morgens in unseren Firmenhauptsitz gehe, dann gehen ich immer am Fliegermodell vorbei (siehe Bilder). Der Firmenhauptsitz ist nicht direkt am Flughafen. Deshalb erinnert der Flieger immer dezent daran, wo wir herkommen und warum die Arbeit bei der Industry Solutions eben doch etwas aufregender ist als bei anderen IT-Beratungen. Wir fliegen! Und in Meeting-Räumen von uns sind Sitzgelegenheiten, die bereits geflogen sind.

 

Empfangsbereich der Lufthansa Industry Solutions am Firmenhauptsitz

Empfangsbereich der Lufthansa Industry Solutions am Firmenhauptsitz

Fliegermodell im Empfangsbereich

Fliegermodell im Empfangsbereich

Meetingraum mit Sitzen, die geflogen sind

Meetingraum mit Sitzen, die geflogen sind

Auch das gehört zum Alltag in IT-Beratungen: Angebote erstellen, sich im Wettbewerb mit anderen Konkurrenten in Ausschreibungen durchsetzen. Für datenlastige Projekte unter Einsatz eines Datenlabors ist der Typ von Leistungen schon etwas anders als bei den klassischen Beratungsleistungen. IT-Projekte können scheitern, wenn sie nicht gut geplant oder durchgeführt sind. Das ist dann unangenehm für alle Beteiligten. (Zur Klarstellung: Wir sind auch bei IT-Projekten natürlich stets erfolgreich…) Das Scheitern bei datenlastigen Projekten im Data Insight Lab kann aber vorkommen und ist sogar erwünscht.

Das „Scheitern“ in Data Insight Lab Projekten ist anders zu denken als bei klassischen IT-Projekten: Im Lab untersuchen wir Hypothesen und erstellen prädiktive Modelle. Wie genau können wir die Auslastung von Containerschiffen, Passagierflugzeugen, Reisebussen vorhersagen? Wie genau den Stromverbrauch in Haushalten? Welche Faktoren sind hier relevant?

Da ich spezifische Kundensituationen im Blog nicht erwähnen werde, hier ein dafür konstruiertes (aber durchaus realistisches) Beispiel: Ein Verlag hat mehrere Regionalzeitungen. Für die Online-Portale dieser Zeitungen vermarktet der Verlag die Werbeplätze selbst, und zwar ohne einen separaten Vermarkter (also ein Mittelmann zwischen Zeitung und Werbetreibenden). Man kenne doch die Leserschaft der Zeitungen und könne so genau die Werbung pro Besucher der Webseite auswählen, die für den Leser und den Werbetreibenden die beste ist. Im Data Lab untersuchen wir, ob man aufgrund des Leseverhaltens auch das Haushaltseinkommen abschätzen kann, um dann Werbung für eher höherwertige Produkte gezielt nur an Leser mit höherem Einkommen auszuspielen. Das lohnt sich finanziell für den Werbetreibenden und den Verlag. Aber das geht nicht. Das Leseverhalten in den vorliegenden Regionalzeitungen (in den Onlineportalen dazu) gibt dies nicht her. Erfolgreich gescheitert! Mit einer Datenlage wie bei den großen Werbeunternehmen Google und Facebook sieht das gewiss anders aus. Dafür haben wir in den Daten andere statistische Abhängigkeiten gefunden, für die wir nun kausale Modelle aus den Daten lernen und mit dem Verlag einen neuen Business Use Case dazu entwickeln.

Wir nennen dies „Fast Fail“. Viel öfter als Fast Fail haben wir aber noch immer das Gegenteil: Fast Wins. Aber trotzdem: Ist es nicht eine Idee, erfolgreiches Scheitern als Erfolg zu sehen, und zwar auch in anderen Bereichen? Zum erfolgreichen Scheitern muss man nämlich wirklich gut sein, damit man das Scheitern nicht auf die eigene Inkompetenz zurückführen muss, sondern auf Marktbedingungen oder eine Business Idee, deren Zeit doch noch nicht gekommen ist (im Falle von Startups), oder eben auf die Daten (im Falle von Data Science).