#14: KI-Tool ersetzt den Datenanalysten?!

0:00 SPEAKER_00: Ein klassisches Beispiel dafür, KI

0:02 SPEAKER_00: nicht alle Jobs wegnehmen wird.

0:06 SPEAKER_01: Ich kann fast schon Automatismus draus machen.

0:09 SPEAKER_01: Da finde ich dann solche Tools wie Julius oder auch wie Google Colab besser als ChatGPT.

0:13 SPEAKER_00: Nichts ist kostenlos im Leben, dass Google ganz klar sagt, wir lernen auf diesen Daten. Das heißt, ich muss mir auch überlegen, welche Daten ich da reingebe und welche nicht. Denn es wird eben auch immer besser. Das heißt also, es ist wieder die schlechteste Version dieses Tools, die sie geben wird ab heute.

0:30 SPEAKER_00: Schon ein wildes wildes Tool, wilde, würd

0:34 SPEAKER_00: ich sagen.

0:43 SPEAKER_01: Willkommen

0:44 SPEAKER_01: zu Episode 14

0:46 SPEAKER_01: vom Cointelligence

0:48 SPEAKER_01: Podcast, eurem KI Lernpodcast

0:50 SPEAKER_01: mit

0:51 SPEAKER_01: Moritz Heininger und mir Benjamin Wüstenhagen.

0:54 SPEAKER_01: Und heute geht's

0:56 SPEAKER_01: Data Analytics.

0:58 SPEAKER_00: Genau, Data Analytics mit KI ist wirklich 1 meiner absoluten Lieblingsthemen,

1:02 SPEAKER_00: weil Du auf einmal Sachen machen kannst, die Du vorher nie machen konntest, Daten analysieren kannst, die Du vorher nie analysieren konntest.

1:08 SPEAKER_00: Und das Ganze ist quasi wie son kleiner Dataanalyst,

1:12 SPEAKER_00: Junior Dataanalyst,

1:13 SPEAKER_00: immer in seiner eigenen Tasche hat. Und was alles geht, ist schon echt cool. Gibt's schon Menschen, die so was können? Nur vielleicht nicht. Es gibt son paar paar schlau Leute, die mit Python umgehen können, aus

1:23 SPEAKER_00: vielen Daten, unstrukturierten

1:25 SPEAKER_00: Daten Sachen machen können.

1:27 SPEAKER_00: Ja, wir sind leider dafür nicht smart genug, aber egal, weil wir haben jetzt Offengleichheit und

1:33 SPEAKER_00: die KI unterstützen uns dabei.

1:36 SPEAKER_01: Ja, ich hatte das erst vor wenigen Tagen unsere

1:38 SPEAKER_01: Daten Queen Katja

1:40 SPEAKER_01: im Urlaub.

1:41 SPEAKER_01: Ich musste dabei Daten analysieren und konnte mich daran pirschen.

1:46 SPEAKER_01: Erst mal konnte ich die Datenbank überhaupt verstehen.

1:49 SPEAKER_01: Wir nutzen sone NoSQL

1:51 SPEAKER_01: Mongo DB heißt das Ganze.

1:54 SPEAKER_01: Ich find's noch komplizierter als eine normale Datenbank,

1:57 SPEAKER_01: weil Du nicht so schöne Tabellen hast, sondern alles liegt irgendwo wild rum.

2:01 SPEAKER_01: Da hat mir ChatGPT geholfen, das zu verstehen.

2:03 SPEAKER_01: Und dann konnte ich mir die Rohdaten ziehen,

2:06 SPEAKER_01: in CSV Format exportieren

2:08 SPEAKER_01: und dann auch mit KI analysieren.

2:10 SPEAKER_00: Ja, und selbst wenn sie da gewesen wär, ist das ja irgendwie immer ein großes Thema. Also entweder ich arbeite in' kleinen Unternehmen und hab überhaupt keinen Dataanalyst, mit dem ich zusammenarbeiten kann

2:20 SPEAKER_00: Oder ich arbeite in' größeren Unternehmen

2:22 SPEAKER_00: und dann ist es natürlich eine sehr, sehr knappe Ressource

2:25 SPEAKER_00: und viele Dinge, die ich eigentlich analysieren könnte,

2:28 SPEAKER_00: werden nicht analysiert, weil einfach die Person oder die Personen, die dafür zuständig sind, eben keine Kapazität haben. Und jetzt haben wir eben die Möglichkeit,

2:37 SPEAKER_00: zumindest bis zu' gewissen Grenze

2:39 SPEAKER_00: auf einmal Daten zu analysieren und auch Ergebnisse daraus abzuleiten.

2:43 SPEAKER_00: Und da unterstützt uns die KI auch. Die kann nämlich nicht nur die die Daten verstehen und dann mit Python Code sozusagen verarbeiten,

2:50 SPEAKER_00: sondern die versteht auch, was bei rauskommt.

2:52 SPEAKER_00: Und wenn man eben den richtigen Kontext gibt, dann gibt man die KI sogar Handlungsempfehlungen

2:56 SPEAKER_00: auf Basis der Analysen, die durchgeführt werden. Und das ist schon relativ

3:00 SPEAKER_01: cool. Ich auch cool finde, dass ich das Gefühl habe, ich kann mich mit meiner Datenbank unterhalten. Das hört sich jetzt son bisschen schräg an. Ich kann natürlich mit normaler Sprache,

3:09 SPEAKER_01: die ich entweder tippe oder da reinspreche,

3:11 SPEAKER_01: sagen, hey, such mir mal das und das raus und wenn dann irgendwas rauskam,

3:15 SPEAKER_01: kann ich mal nachfragen und sagen, wie sieht's denn aus nur im Januar oder wie sieht's denn aus nur letztes Jahr oder nur für diese Kundengruppe oder nur für dieses Segment?

3:23 SPEAKER_01: Das hat mir auch mal geholfen.

3:25 SPEAKER_01: Wenn ich das mit' mit' Mitarbeiter machen würde, Data Analytics oder Data Analyst,

3:30 SPEAKER_01: hätte ich halt immer diese, ich bekomm eine Analyse zurück,

3:33 SPEAKER_01: stell eine Nachfrage,

3:35 SPEAKER_01: dauert ein Tag,

3:36 SPEAKER_01: na ja, es ist nicht ganz klar. Ich hab einfach immer wieder Verzögerungen drin und so bin ich viel schneller. Genau, vielleicht wollen wir uns das einmal anschauen, wie das Ganze funktioniert anhand von

3:46 SPEAKER_01: einem Beispiel und einem Tool. Es gibt nämlich ganz viele Beispiele und viele Tools. Ja. Ich schlag vor, wir nehmen Google Co Lab. Das ist sone Art Python Umgebung

3:56 SPEAKER_01: kostenlos

3:57 SPEAKER_01: im Netz

3:59 SPEAKER_01: mit wo auch sozusagen Google Gemini integriert ist.

4:02 SPEAKER_01: Und ich hab einfach mal unsere Podcastdaten als CSV runtergeladen, die wir von YouTube bekommen. Cool. Und da können wir jetzt ein paar Fragen stellen. Dann lass uns doch mal hier reinschauen.

4:12 SPEAKER_01: Dann lass uns doch mal auf Google Co Lab schauen, was wir so alles machen können. Google Co Lab ist ein kostenloses Tool von Google,

4:18 SPEAKER_01: das eine

4:20 SPEAKER_00: Umgebung, in der ich Python laufen lassen kann und wo auch Gemini integriert ist. Für alle, die nicht wissen, was Python ist, weil es auch nicht jedem ein Begriff ist. Python ist einfach eine Programmiersprache

4:30 SPEAKER_00: für Datenanalyse.

4:32 SPEAKER_00: Kann man, glaub ich, so vereinfacht

4:34 SPEAKER_00: sagen. Also man muss, wenn man Python bedient,

4:37 SPEAKER_00: bis vor Kurzem Python Code schreiben können.

4:40 SPEAKER_00: Ist auch nicht ultrakomplex, kann man alles lernen, muss man aber heutzutage nicht mehr. Genau.

4:45 SPEAKER_01: Und ich kann hier hingehen, kann einfach meine Daten, ich hab mir hier 3 CSV

4:50 SPEAKER_01: Dateien schon runtergeladen von YouTube,

4:52 SPEAKER_00: bei Gemini hochladen. Das sind quasi Exports aus unserem YouTube Account. Genau.

4:57 SPEAKER_00: Anschaustatistiken

4:59 SPEAKER_00: und so weiter und so fort. Statistiken zu den einzelnen Videos.

5:02 SPEAKER_01: Genau, okay. Und jetzt wird's einfach hier reingeladen. Lad die einfach rein und mach nix, sag nur, lad hoch, dann denkt Gemini nach. Du hast ihm eigentlich nichts gesagt, außer die 3 Dateien gegeben. Richtig, hab da Nicht nicht mal irgendwie, analysier mal. Gar nix. Cool. Was sagt er jetzt? Er sagt dann happy to help und hier sind verschiedene Tasks, die er ausführen kann. Data loading, Data exploration,

5:22 SPEAKER_01: Data analysis

5:23 SPEAKER_00: und finish und dann sagen wir mal, mach das jetzt mal bitte. Also im Prinzip, was ein Datenanalyzer auch machen würde, der wird sich erst mal die Daten reinladen,

5:32 SPEAKER_00: dann würde er sie anschauen und dann wird er irgendwie seinen Task

5:37 SPEAKER_00: durchführen.

5:38 SPEAKER_00: Und jetzt sehen wir auf der rechten Seite, er macht seinen Plan.

5:41 SPEAKER_01: Er reitet erst mal vor und holt sich eine Weile rum.

5:44 SPEAKER_00: Und dann lädt er die Daten, dann analysiert er sie oder Exploration

5:48 SPEAKER_00: und Analysis. Okay, Exploration ist, glaube ich, was man immer macht, wenn man Daten erst mal anschaut, das zu verstehen. Was ist da überhaupt alles drin? Wie viele Zeilen und so weiter und so fort, von wann? Und dann entscheidet er quasi, welche Analysen er erfährt. Das haben wir ihm ja in dem Fall noch überhaupt gar nicht gesagt und

6:04 SPEAKER_00: macht am Ende wahrscheinlich eine Zusammenfassung. Also wir sehen hier, hier passiert

6:08 SPEAKER_00: einiges und ich würd sagen, wir schauen jetzt hier einfach mal in Ruhe

6:11 SPEAKER_00: zu, was er hier alles ohne unser Beisehen

6:15 SPEAKER_00: tut.

6:16 SPEAKER_00: Jetzt sehen wir hier irgendwie Standardabweichungen,

6:18 SPEAKER_00: Durchschnitte werden berechnet,

6:20 SPEAKER_00: die einzigen

6:21 SPEAKER_00: und

6:22 SPEAKER_00: so weiter und so fort. Das ist ein sehr komplexer Datensatz.

6:25 SPEAKER_00: Und ja, lassen wir ihn einfach mal laufen und gucken mal, was er so macht. Und dann schauen wir uns gleich mal das Ergebnis an, würd ich sagen.

6:32 SPEAKER_01: So machen wir's.

6:52 SPEAKER_00: Was er da alles für für Charts baut, für Korrelationen

6:56 SPEAKER_00: ausrechnet

6:57 SPEAKER_00: und so weiter und so fort. Also hoch, ohne dass wir irgendwas gesagt haben, ne. Wir haben einfach nur die Files rangedroppt und nicht mehr mit genauen Angaben, was wir natürlich, wenn wir jetzt in den nächsten Schritten weitergehen,

7:07 SPEAKER_00: machen würden. Aber allein hier schon mal, wir haben,

7:12 SPEAKER_00: die ihr uns erklärt,

7:14 SPEAKER_00: was wir daraus ableiten könnten.

7:16 SPEAKER_00: Schon

7:17 SPEAKER_00: ein wildes wildes Tool, wilde, würd

7:20 SPEAKER_00: ich sagen.

7:21 SPEAKER_01: Das war vielleicht vor' Jahr noch nicht möglich. Jetzt ist es möglich und es wird eben auch immer besser. Das heißt also, es ist wieder die schlechteste Version dieses Tools

7:29 SPEAKER_00: Die ich's dir geben werde. Je geben wird ab heute. Genau, ab heute. Aber auch wenn das vielleicht alles jetzt ein bisschen komplex aussah und vielleicht so diese Co-Lab-Umgebung

7:39 SPEAKER_00: ein bisschen abschrecken

7:40 SPEAKER_00: kann,

7:42 SPEAKER_00: kann man selbst

7:43 SPEAKER_00: mit ChatGPT oder beispielsweise wenn man ein Claude nutzt, die meisten nutzen ChatGPT,

7:48 SPEAKER_00: sehr gut Daten analysieren.

7:50 SPEAKER_00: Gibt gewisse Grenzen bei ChatGPT,

7:52 SPEAKER_00: insbesondere was die Datenmenge angeht. Wenn ich ein riesengroßes Datenset

7:57 SPEAKER_00: habe, dann ist ChatGPT,

7:59 SPEAKER_00: ja, läuft in Probleme. Das merkt man dann aber auch sehr schnell. Für einfache Datensätze, kleinere Datensätze

8:05 SPEAKER_00: ist ChatGPT auch super. Dann sieht man quasi auch, wie wie der Python Code sozusagen im Fenster

8:11 SPEAKER_00: läuft, wenn ich dieses kleine Häkchen anmache

8:14 SPEAKER_00: und dieses

8:16 SPEAKER_01: Denken anzuzeigen. Welches Häkchen?

8:18 SPEAKER_00: Das ist im Fenster. Also wenn Du einfach die Daten rein rein pastest, dann

8:21 SPEAKER_00: dann hast Du immer son kleines Dropdown Häkchen.

8:24 SPEAKER_00: Da steht dann, auf Englisch steht da, glaube ich, Show Thinking. Dann sehe ich einfach, welcher Code läuft und

8:29 SPEAKER_00: ja, welchen Weg auch die KI geht,

8:33 SPEAKER_00: zum Ergebnis zu kommen, auch in was für Fehler sie vielleicht reinläuft. Das haben wir ganz kurz eben auch bei Google Codle App gesehen, dass

8:40 SPEAKER_00: die KI macht Fehler oder erkennt Fehler und merkt, hm, hier kommt mich nicht weiter. Ich brauch ein anderen Ansatz. Jetzt geh ich noch mal zurück und probier's noch mal mit dem neuen Ansatz, bis sie irgendwie zum Ziel kommt. Und das ist auch schon irgendwie relativ cool, würd ich sagen. Ich hab bei ChatGPT ja die Erfahrung gemacht, dass es super ist, wenn ich mal eine 1. Kleine Analyse machen will. Mhm. Wenn ich das aber mehrmals machen möchte, was weiß ich, jede Woche,

9:02 SPEAKER_01: dann ist es nicht so gut reproduzierbar.

9:04 SPEAKER_01: Da finde ich's dann besser, wenn ich sagen kann, ich hab den Python Code bekommen und ich kann es immer wieder reproduzieren,

9:10 SPEAKER_01: ich kann ein passenden Automatismus draus machen. Da finde ich dann solche Tools wie Julius oder auch wie Co-Lab besser als.

9:17 SPEAKER_00: Genau, Co-Lab ist super, haben wir ja grade angeschaut. Co-Lab ist kostenlos. Co-Lab hat son bisschen das Thema zumindest jetzt noch und deswegen ist es auch kostenlos, eine nichts ist kostenlos im Leben,

9:27 SPEAKER_00: dass Google ganz klar sagt, wir lernen auf diesen Daten. Ich muss mir genau überlegen, welche Daten ich da reingebe und welche nicht. Unsere YouTube Daten hat Google schon? Stimmt, a hat Google die schon und b wär's mir jetzt auch relativ egal, wenn Google

9:41 SPEAKER_00: unsere Viewing Data hätte.

9:44 SPEAKER_00: Auf der anderen Seite bei ChatGPT kann ich sie ausschalten, dass ich auf die Daten lernen. Natürlich sind die auch kurz in den USA. In der bezahlten Version. In der bezahlten Version, genau. Also da muss ich dann auch überlegen, möchte ich, das ist okay, wenn die Daten kurz in den USA sind.

9:57 SPEAKER_00: Bei Julius AI ist es so, ich kann und 1 meiner absoluten Lieblingstool kostet

10:03 SPEAKER_00: circa 40 Euro im Monat. Kann ich natürlich auch eben temporär nutzen. Wenn ich jetzt weiß, ich hab in dem Monat ein riesen Datenanalysenthema

10:10 SPEAKER_00: und brauch da Support, Sind die 40 Euro, glaube ich, gut investiertes Geld. Also ein echter Data Analyst

10:17 SPEAKER_00: kostet deutlich mehr. Und ULIUS ist halt eine... Die ganze Oberfläche ist sehr einfach gestaltet, aber mit' absoluten Fokus auf Datenanalyse.

10:25 SPEAKER_00: Ich kann gewisse Workflows

10:28 SPEAKER_00: angeben, also Schritte nacheinander erstellt werden. Zum Beispiel, ich jede Woche die gleiche Analyse für irgend einen Report mache, eben die Daten zusammenziehe,

10:36 SPEAKER_00: dann Analyse ABCD

10:37 SPEAKER_00: mache, daraus Charts erstelle und die Charts dann ein gewisses Design haben müssen und eine gewisse Einheitlichkeit,

10:43 SPEAKER_00: ist ULISS eher ein Tool dafür, was einfach ja sehr cool ist.

10:48 SPEAKER_01: Was mir noch geholfen hat, also als ich mich diesen Datenthemen genähert hab, da hatte ich einfach diese Rohdaten noch nicht, sondern ich hatte eine Mongo Daten Datenbank.

10:56 SPEAKER_01: Mhm. Die heißt so. Ja.

10:59 SPEAKER_01: Ist nicht ganz so intuitiv, wie man sich das vorstellt. Ich hab also keine einzelne Tabelle, sondern im Prinzip ganz viele kleine Dokumente, die wiederum über sogenannte Kollektionen miteinander verbunden sind. Ich hab das Ding nicht verstanden. Mhm. Was ich aber machen konnte, ich konnte mir die Schemata

11:13 SPEAKER_01: runterladen,

11:15 SPEAKER_01: hab die dann wiederum ChatGPT gegeben, hab ChatGPT gesagt,

11:18 SPEAKER_01: was ist ein das? Ja. Und hab dann so langsam verstanden, ah ja, das steht hier und das steht da und dann hab ich damit im Prinzip meine Queries gebaut

11:27 SPEAKER_01: und konnte mit diesen Queries zu den Rohdaten kommen, zu solchen CSVs.

11:32 SPEAKER_01: Kann ich auch als JSON oder sonst irgendwas exportieren

11:35 SPEAKER_01: und konnte dann im Co-Lab damit weiterarbeiten. Könnte ich wahrscheinlich genauso auch in in in Julius AI machen. Ja, genau. Also muss ein bisschen überlegen,

11:43 SPEAKER_00: wie oft man Daten analysiert und wie groß die Datensätze sind, die man analysiert. Vielleicht langt schon ChatGPT in der Plusversion.

11:52 SPEAKER_00: Vielleicht brauche ich eben New SRI oder eben Google Call App. Oder es gibt noch nix andere Tools, aber das sind so jetzt die Tools, glaube ich, die wir auch am meisten nutzen, die am spannendsten sind.

12:02 SPEAKER_00: Und

12:03 SPEAKER_00: ja, generell musste ich mir, glaube ich, Gedanken machen,

12:06 SPEAKER_00: was hab ich eigentlich alles für Daten? Ne, ich hab, glaub ich, jedes Unternehmen hat so viel Daten, Ja. Auf die ich gar nicht unbedingt komme, was die Analyse angeht. Und eigentlich muss ich mir nur mal überlegen, wo, in welchen Systemen

12:20 SPEAKER_00: ich Daten, die ich über eine CSV Datei herunterladen kann. Und wenn ich drüber nachdenke, das ist meinem Google Analytics, vielleicht meine Google Ads, das sind meine Social Media Daten,

12:29 SPEAKER_00: vielleicht hab ich LinkedIn Daten, die ich exportieren kann oder irgend eine Community, Whatsapp Kanäle. CM Daten. CM Daten, genau. Da muss ich dann natürlich wieder ein bisschen vorsichtig sein wegen wegen wegen Nutzerdaten und Personendaten, dass die quasi vorher gecleaned werden. Aber ich hab eigentlich so viele Daten mittlerweile in so vielen verschiedenen Tools, die ich runterladen kann, die ich dann vielleicht noch ein bisschen anonymisiere oder cleane, je nachdem, was es für Daten sind. Und dann aus den Insights zu generieren, was ich eigentlich vorher alles, ja, gar nicht konnte. Und das ist schon ein kleiner Gamechanger.

13:01 SPEAKER_01: Siehst Du bei uns auch im Team? Ja, wir haben, klar, was Du vorhin sagtest, auch die Abhängigkeit von den Data Analysts.

13:07 SPEAKER_01: Wenn über uns jetzt Katja im Urlaub ist, hatten wir's gestern witzigerweise.

13:12 SPEAKER_01: Wir haben einmal die Woche Report mir in Slack, ne, wie viel neue Kunden und so weiter. Und die Kollegin, die das normalerweise macht,

13:19 SPEAKER_01: hat dann selber in der Datenbank geschaut. Das war sozusagen das 1. Mal, dass wir das rausgefunden haben, dass sie's selber angetraut hat, selber die Query geschrieben hat mithilfe von AI und selber diese diesen kleinen...

13:29 SPEAKER_01: Das Datum gefunden hat, wie viele neue Kunden wir gewonnen haben, was normalerweise über ein Dashboard von der Datenerlösin gekommen wäre. Also man sieht da richtig den Impact und ich glaub, viele, viele Menschen in vielen Positionen werden sich dem nähern und werden dann auch einfach besser werden in der Analyse.

13:45 SPEAKER_00: Und Katja muss nicht mehr ganz so viele Überstunden machen ab sofort. Das auch.

13:49 SPEAKER_01: Oder kann sich auf wirklich komplizierte Sachen konzentrieren.

13:52 SPEAKER_00: Ja, man kann dann einfach... Das ist ein klassisches Beispiel dafür,

13:55 SPEAKER_00: dass

13:56 SPEAKER_00: KI

13:57 SPEAKER_00: nicht alle Jobs wegnehmen wird, ne. Weil Du kannst ja theoretisch so viel mehr Sachen analysieren im Unternehmen, wenn Du die Kapazität dazu hättest. Ja. Aber kein Unternehmen hat unendlich viele Datenanalysen

14:08 SPEAKER_00: oder Analysten und kann jetzt eben durch diese Möglichkeit, dass die

14:13 SPEAKER_00: Fähigkeit, Data Analytics zu betreiben, demokratisiert wird, in die Teams gegeben werden kann, zumindest für die einfachen Aufgaben,

14:21 SPEAKER_00: ist natürlich schon superstark. Und genau, Cradia kann sich ab sofort auf die richtig Challenging

14:26 SPEAKER_00: Themen, die ganz besonders viel Spaß macht, konzentrieren. Und die einfachen Sachen können dann die Teams, die Marketingteams

14:31 SPEAKER_00: oder wer auch immer dann selbst umsetzen.

14:34 SPEAKER_01: So gut KI aber auch ist, auch da ist es wieder angezeigt, genauer hinzuschauen.

14:39 SPEAKER_01: Aufpassen, dass es keine Halluzinationen gibt, aufzupassen,

14:43 SPEAKER_00: dass einfach kein Quatsch ausgewertet wird. Ja, und am Ende gehe ich, glaube ich, auch hier wieder genauso vor, wie wenn ich mit' echten Junior Adlater Analyst arbeiten würde. Ja. Ich würde mir zuerst immer mal, wenn ich son CSV Datensatz runtergezogen hab, in welchem System auch immer, die Daten anschauen, ein Gefühl für die Daten zu bekommen. Ja. Ne, dass ich erst mal selbst versteh, was ist da eigentlich drin? Was sind die verschiedenen Spalten?

15:06 SPEAKER_00: Weil wenn ich da kein Gefühl für die Daten hab, dann kann ich auch die Ergebnisse nicht verstehen. Ist bei dir. Das ist Nummer 1. Nummer 2, ich guck, ob die Daten sauber sind oder ob ich vielleicht schon irgend ein Cleaning machen kann. Nummer 3 ist, ich guck, ob die Columns, also die einzelnen Spalten klar

15:20 SPEAKER_00: erklärt sind. Weil wenn ich die dann einfach in die KI reingebe, muss die KI auch verstehen, was in jeder einzelnen Spalte drin ist. Und wenn das nicht der Fall ist, muss ich entweder die Spalten umbenennen oder muss der KI gemeinsam mit dem Datensatz eine Erklärung geben, was ist eigentlich in jeder Spalte drin? Ja. Ne, und aber so so einfach ich es machen kann, also je einfacher ich es machen kann für die KI, desto besser ist das Ergebnis am Ende. Genauso ist es, wie wenn ich mit' Mensch arbeiten würde. Je einfacher ich die Aufgabe vorbereiten kann für die Person,

15:49 SPEAKER_00: desto weniger Fehler wird die Person machen und desto besser ist am Ende mein Endergebnis. Ja.

15:55 SPEAKER_01: Ne? Und auch ich als Anwender bekomm da ein besseres Verständnis,

15:59 SPEAKER_01: was ich eigentlich für Daten brauche, dass ich vielleicht Identifier benötige, die ich in verschiedenen Datensätzen habe, damit ich die Daten auch miteinander verbinden kann.

16:07 SPEAKER_01: Aber was bringt es mir, wenn ich beispielsweise Daten aus dem CRM habe, Daten aus dem anderen System, aber es gibt keinerlei Verbindung zwischen den Daten, weil es einfach

16:15 SPEAKER_01: beispielsweise eine User ID nicht gibt, die in beiden Systemen vorhanden wäre. Wie immer, wenn ich KI nutze,

16:21 SPEAKER_00: Hirn einschalten und nicht einfach alles von der KI abgeben und dann das Ergebnis blind verstehen.

16:26 SPEAKER_00: Nur wenn ich die Daten selbst verstehe, verstehe, was es für Outlier gibt, auch die ich eventuell rausnehmen muss, ja so was muss ich ja alles wissen. Ja, klar.

16:34 SPEAKER_00: Nur dann komme ich zu' guten Ergebnis.

16:36 SPEAKER_00: Also nicht einfach alles direkt blind annehmen, was man da bekommt.

16:41 SPEAKER_00: Hinterfragen,

16:42 SPEAKER_00: auch mal wirklich sagen,

16:44 SPEAKER_00: wenn ein Fehler und es kommen Fehler immer wieder vor, zu sagen, liebe KI, das ist doch falsch, weil hast Du an x y gedacht?

16:51 SPEAKER_00: Und ganz oft

16:53 SPEAKER_00: versteht dann die KI, stimmt, das hab ich falsch gemacht, ich mach's noch mal neu

16:57 SPEAKER_00: und lässt dann wieder den Python Code laufen und passt die Analyse noch mal an und gibt dir dann das Ergebnis raus, was was richtig ist. Also diesen Austausch, diesen Hin und Zurück, bis man an dem richtigen Ergebnis ist, der ist einfach wichtig.

17:09 SPEAKER_01: Was ich dann noch spannend finde, egal in welchem Moment ich arbeite,

17:12 SPEAKER_01: kann auch dann die, wenn ich ein schönen Chart bekomme,

17:16 SPEAKER_01: das zurückspielen und sagen, hey, beschreib mir doch mal, was Du da siehst.

17:20 SPEAKER_01: Ja. Was sind die Implikationen?

17:22 SPEAKER_01: Was sind vielleicht empfohlene Handlungen?

17:25 SPEAKER_01: Und die kann ich wiederum nutzen,

17:27 SPEAKER_01: das zurück ins Team zu kommunizieren.

17:28 SPEAKER_00: Und grade bei dem Thema empfohlene Handlungen, wenn die KI,

17:32 SPEAKER_00: je genauer die KI versteht,

17:34 SPEAKER_00: was es fürn Datensatz geht und zusätzlich noch Kontext zu dir und deinem Unternehmen, deiner Aufgabe hat,

17:42 SPEAKER_00: desto besser sind am Ende die Handlungsempfehlungen, die

17:45 SPEAKER_00: die Du bekommst. Ja. Also in unserem Beispiel haben wir eigentlich haben wir keinen Kontext gegeben, nur weil wir kurz zeigen wollten, was es ist.

17:51 SPEAKER_00: Und

18:11 SPEAKER_00: Podcast, was die Inhalte sind und so weiter. Das heißt, es könnte nur wiederum relativ generisches Feedback geben. Hätten wir jetzt mitgegeben, hier sind die Daten, sind unsere YouTube Watch Daten, wir sind der Coin Intelligence Podcast.

18:23 SPEAKER_00: Unser Ziel ist es, Leuten beizubringen, wie KI funktioniert und KI im Leben und im Alltag anzuwenden.

18:29 SPEAKER_00: Das sind die Views. So haben sich die Sachen entwickelt. Was hast Du für Handlungsempfehlungen

18:32 SPEAKER_00: für uns? Dann könnte man quasi den Kontext oder würde die KI den Kontext über uns mit den Daten verbinden und viel bessere Empfehlungen geben am Ende. Das blöde ist, mit den Handlungsempfehlungen müssen wir doch noch was tun. Das müssen wir uns einmal der KI nicht überlassen.

18:46 SPEAKER_00: Übernächste Folge kommen wir zum Thema KI Agenten und

18:50 SPEAKER_00: vielleicht können dann die eine oder andere Handlungsempfehlung auch von einem KI Agenten umgesetzt werden. Ich muss gar nichts mehr machen. Die sagt nur, was mein Agent machen soll. Genau, aber ich glaube, bis wir zum Thema Agenten kommen, haben wir nächste Woche noch eine spannende Folge. Und Automation.

19:05 SPEAKER_00: Genau, Automation

19:07 SPEAKER_00: oder Automatisierung,

19:08 SPEAKER_00: was ist eigentlich das richtige deutsche Wort? Das ist das Problem, wir reden die ganze Zeit nur Englisch für lernendes Deutsch. Automations.

19:14 SPEAKER_01: Schreibt gerne

19:16 SPEAKER_00: in die Kommentare unter, was das richtige deutsche Wort ist, Automations oder Automatisierung.

19:21 SPEAKER_00: Auf jeden Fall wird das das Thema für die nächste Woche sein, weil zwischen Automatisierung

19:25 SPEAKER_00: und KI Agenten,

19:27 SPEAKER_00: die ja auch irgendwie autonom sind, gibt's doch noch mal ein großen Unterschied.

19:30 SPEAKER_00: Und nächste Woche ist der Fokus auf den

19:34 SPEAKER_00: Automations.

19:35 SPEAKER_00: Und

19:36 SPEAKER_00: ja, damit sind wir am Ende der heutigen Folge angekommen.

19:40 SPEAKER_00: Vielen Dank.

19:41 SPEAKER_01: Vielen Dank. Vergesst nicht zu kommentieren,

19:44 SPEAKER_01: gerne zu liken,

19:45 SPEAKER_01: sprecht über uns, empfehlt uns weiter und bleibt dran. Bis bald.