Beitrag von Oliver Kahle

𝗜𝗿𝗴𝗲𝗻𝗱𝘄𝗶𝗲 𝗰𝗼𝗼𝗹 𝗺𝗮𝗹 𝗵𝗶𝗻𝘁𝗲𝗿 𝗱𝗶𝗲 𝗞𝘂𝗹𝗶𝘀𝘀𝗲𝗻 𝗲𝗶𝗻𝗲𝘀 𝗧𝗼𝗼𝗹𝘀 𝘇𝘂 𝗯𝗹𝗶𝗰𝗸𝗲𝗻, 𝗱𝗮𝘀 𝗺𝗮𝗻 𝘀𝗲𝗹𝗯𝘀𝘁 𝗴𝗲𝗿𝗻𝗲 𝗻𝘂𝘁𝘇𝘁! Ich gebe zu ich nutze selbst North Data GmbH mittlerweile sehr gerne, für Recherchen. Nach der Aufnahme dieser Folge hatte ich aber von Natascha Priemel auch noch ein paar neue Use Cases gelernt. Daher war es für mich umso spannender einmal hinter die Kulissen blicken zu dürfen. Auf den ersten Blick klingt das Modell von North Data jetzt ehrlicherweise nicht sehr spannend: • Sammeln von Informationen aus Wirtschaftsauskünften • Geschäftsberichte einsehen • Beteiligungen und Kooperationen aufzeigen Aber wie das oft so ist wird mit ein bisschen Datenkompetenz, ein paar Algorithmen und einer guten Visualisierung, aus den "langweiligen" Daten eine manchmal ganz spannende Geschichte. Das heißt viele Daten und Informationen werden in einen sinnvollen Kontext gesetzt. Und das kann richtig Recherchearbeit sparen. Kleines Beispiel gefällig: Eine Arzt verschreibt sehr oft die gleichen Schienen oder Orthesen und schickt seine Patient*innen immer zum gleichen Sanitätshaus in der Nähe. Vielleicht deswegen weil ihm ein guter Teil genau dieses Unternehmens gehört. Das kann dann verdächtig sein. Das Ganze sieht man dann wenn man sehr tief recherchiert und Handelsregister wälzt. Oder ihn einfach auf auf North Data sucht. Dann sieht man direkt sehr zuverlässig seine Geschäftsbeziehungen. Kann also viel Recherche sparen und dadurch mehr verdächtige Fälle aufdecken. Aber es endet nicht damit in der Folge hörst du auch: • Wie einige Leute dieses Jahr ihren Urlaub hätten retten können? • Warum North Data investigative Journalisten bei ihrer Arbeit unterstützt • Wie das gratis Modell gerade Nataschas Arbeit ein bisschen schwerer macht • Was die weiteren Pläne für Features und Ausbau sind Wer Natascha und mir auf LinkedIn schon folgt, den überrascht vermutlich nicht, dass die Folge Spuren von Humor enthalten kann! So jetzt outet euch: Wer nutzt auch North Data? Und wie komme ich als Podcaster an einen Journalisten-account für die coolen Features?

𝗚𝗹𝗮𝘂𝗯𝗲 𝗸𝗲𝗶𝗻𝗲𝗿 𝗦𝘁𝗮𝘁𝗶𝘀𝘁𝗶𝗸, 𝗱𝗶𝗲 𝗱𝘂 𝗻𝗶𝗰𝗵𝘁 𝘃𝗲𝗿𝘀𝘁𝗲𝗵𝘀𝘁. 📊 In unserer neuesten m.next Podcast-Folge tauchen wir tief in die Welt der Zahlen, Daten und Statistik ein. Im Gespräch mit Katharina Schüller geht es um den sinnvollen Umgang mit Künstlicher Intelligenz, mit Risiken und mit Unsicherheiten. Katharina Schüller 💬 Sie ist Gründerin und CEO von STAT-UP, einem Unternehmen, das führende Unternehmen und Ministerien bei der Entwicklung und Implementierung von Datenstrategien unterstützt. Sie ist auch Autorin mehrerer einflussreicher Bücher, darunter „Marketing Analytics“ und der Bestseller „Grüne fahren SUV und joggen macht unsterblich“. 𝗦𝗰𝗵𝘄𝗲𝗿𝗽𝘂𝗻𝗸𝘁𝗲 𝗱𝗲𝗿 𝗙𝗼𝗹𝗴𝗲: • 𝗦𝘁𝗮𝘁𝗶𝘀𝘁𝗶𝗸 𝘂𝗻𝗱 𝗶𝗵𝗿𝗲 𝗚𝗿𝗲𝗻𝘇𝗲𝗻: Katharina erklärt, was Statistik wirklich leisten kann und wo ihre Grenzen liegen. • 𝗥ü𝗰𝗸𝘀𝗰𝗵𝗹ü𝘀𝘀𝗲 𝗮𝘂𝘀 𝗗𝗮𝘁𝗲𝗻: Ermöglichen Daten aus der Vergangenheit Vorhersagen für die Zukunft? • 𝗦𝘁𝗮𝘁𝗶𝘀𝘁𝗶𝘀𝗰𝗵𝗲𝘀 𝗗𝗲𝗻𝗸𝗲𝗻: Wir erfahren, welche grundlegenden Kenntnisse notwendig sind, um Denkfehler zu vermeiden und Statistiken korrekt zu interpretieren. •𝗗𝗮𝘁𝗮 𝗟𝗶𝘁𝗲𝗿𝗮𝗰𝘆 𝗶𝗻 𝗨𝗻𝘁𝗲𝗿𝗻𝗲𝗵𝗺𝗲𝗻: Wie kann Datenkompetenz in Unternehmen aufgebaut werden und welche positiven Veränderungen können dadurch erreicht werden? • 𝗗𝗮𝘁𝗮 𝗟𝗶𝘁𝗲𝗿𝗮𝗰𝘆 𝗶𝗻 𝗨𝗻𝘁𝗲𝗿𝗻𝗲𝗵𝗺𝗲𝗻: Wir erhalten Prognosen, wie Künstliche Intelligenz die Welt der Statistik revolutionieren könnte. Interessiert? https://lnkd.in/eKvzYDCz Vielen Dank an Katharina Schueller, AEUStat für die wertvollen Einblicke #Statistik #Datenanalyse #AI #KI #mnext #marbet #podcast

37 Minuten und 40 Sekunden durfte ich mit Dr. Christian Krug über North Data GmbH sprechen. Es war das erste Mal, dass ich außerhalb meines privaten Umfeldes in einem Podcast sprechen und ein so wunderbares Unternehmen vertreten durfte. ❤️ Ich spreche mit Christian (oder Christian spricht mit mir 🤓) über die Möglichkeiten von North Data. Die Sicherheiten, die wir unseren Kunden geben können, aber gleichzeitig auch über die Möglichkeiten der Recherche, die ein jeder Mensch hat -auch ohne wirtschaftliches Know How. Wir ermöglichen durch unsere visuellen Darstellungen einen Einblick in wirtschaftliche Zusammenhänge, der bisher aufgrund der Komplexität der Zusammenhänge, vielen Menschen verwehrt blieb. Mein Ziel: Ich will, dass jeder weiß, dass es diese Möglichkeit gibt und welchen Mehrwert North Data uns allen bringen kann. Ganz ehrlich: Darum habe ich manchmal ein schlechtes Gewissen -weil ich für etwas, das mir so viel Spaß macht, auch noch bezahlt werde. 🤓✌️ Den Link zum Podcast findest Du unten im Kommentar. 🤗

Warum sind wir von der Bayesschen Statistik, welches auf echten generativen Verfahren basiert, so überzeugt, dass wir dies in Microsoft Excel in Ergänzung zur Monte-Carlo Simulationen umgesetzt haben? Egal bei welcher Fragestellung, die Vorgehensweise und die angewendeten Instrumente sind nahezu gleich und der Erkenntnisgewinn am höchsten: ➡️ Ausgangspunkt ist ein Vorwissen über die mögliche Verteilung eines Parameters oder der Grundgesamtheit und ordnen diesen Wahrscheinlichkeiten zu, P(H). ➡️ Sie sammeln Daten und überprüfen die möglichen Hypothesen auf die Kompatibilität mit dem datengerierenden Prozess P(D|H) ➡️ Mit dem Satz von Bayes können Sie die wahrscheinlichste Hypothese, welche mit den gemessenen Daten übereinstimmt, bestimmen, P(H|D). Die Bayessche Statistik nimmt die tatsächlich gemessenen Daten als Ankerpunkt. Das unterscheidet diese von der klassischen Statistik, welche den datengenerierenden Prozess (Likelihood) in den Mittelpunkt stellt und auf dieser Basis unterschiedliche Teststatistiken entworfen hat. Das ist mit der Bayesschen Statistik nicht erforderlich, da die oben beschriebenen 3 Punkte zur Anwendung kommen. Durch den Beizug von Vorwissen, können Expertenmeinungen - etwa bei der Absatzplanung - in Treibermodelle integriert und die Auswirkungen bei Vorliegen gemessener Daten konsistent abgeleitet werden. So können Sie bessere Entscheidungen treffen. Kurzum: die Bayessche Statistik kann mit MC FLO in Microsoft Excel für die #Unternehmensplanung, dem #Risikomanagement, der #forensischen #Finanzforschung u.v.m. ohne Kenntnis klassischer Verfahren der Statistik sofort produktiv eingesetzt werden. Unten unser mit MC FLO mitgeliefertes Beispiel, wie Sie anhand von Rechnungsdaten feststellen können, ob diese manipuliert wurden oder nicht. Der #Bayes-Faktor setzt die oben beschriebenen Punkte für unterschiedliche Hypothesen mit einer Excel-Formel um. Auf einen chi^2 Test können Sie daher verzichten. #montecarlosimulation #bayes #generativeverfahren #entscheidungen #microsoftexcel

Eine neue Podcastfolge ist online: Glaube keiner Statistik, die du nicht verstehst. Im Gespräch mit Katharina Schueller, AEUStat In dieser Folge geht es um Zahlen, Daten und Statistik, um menschliche und Künstliche Intelligenz und um den vernünftigen Umgang mit Risiken, Unsicherheiten, Mehrdeutigkeiten und Wahrscheinlichkeiten. Den meisten Menschen mangelt es an statistischer Bildung. Meist nutzen wir Statistiken, Umfragen, Studien, Grenzwerte und Prozentzahlen, ohne sie verstanden zu haben, um unser eigenes Weltbild zu bestätigen und unsere eigenen Aussagen zu untermauern. Was kann Statistik wirklich leisten und wo liegen ihre Grenzen? Lassen Daten aus der Vergangenheit wirklich Rückschlüsse auf Gegenwart und Zukunft zu? Welche Grundkenntnisse statistischen Denkens sind notwendig, um Denkfehler zu vermeiden, Statistiken korrekt zu interpretieren und unsere Entscheidungsprozesse zu unterstützen? Wie kann Datenkompetenz, also Data Literacy, in Unternehmen implementiert werden und welche Veränderungen würde dies bewirken? Wie können wir Kindern frühzeitig vermitteln, welche Rolle Daten und Statistik in unserer Welt spielen? Diese und viele weitere Fragen beantwortet Katharina Schüller im Gespräch mit Detlef Altenbeck, dem Leiter der Denkwerkstatt m.next. Sie gibt zudem eine Prognose zur Entwicklung der Künstlichen Intelligenz und erörtert, wie KI den Bereich der Statistik verändern könnte. Katharina Schüller beschreibt, was wir heute im Bereich Datenkompetenz und datengetriebenes Handeln besser können als KI und ob das so bleiben wird. Auch ob KI Führungskräfte in ihren Entscheidungen ersetzen könnte, inwiefern KI im Bereich Recruiting sinnvoll eingesetzt werden kann und was sie unter „Mathematik der Unsicherheit“ versteht, wird ebenfalls in dieser Folge beleuchtet. Katharina Schüller ist Wissenschaftlerin, Gründerin und CEO des Unternehmens STAT-UP, mit dem sie und ihr Team Unternehmen, Bundesministerien und Bundesämter bei der Entwicklung von Datenstrategien und datenbasierten Entscheidungsmodellen mithilfe von Statistik und Künstlicher Intelligenz unterstützen. Sie ist Autorin, Co-Autorin und Herausgeberin mehrerer Bücher, darunter „Marketing Analytics“, ein Standardwerk zur Datenanalyse im Marketing und der Spiegel-Bestseller „Grüne fahren SUV und joggen macht unsterblich. Über Risiken und Nebenwirkungen der Unstatistik“. Als Expertin für Data Science, Künstliche Intelligenz und Statistik gibt sie ihr Wissen auch in Vorträgen, im Fernsehen, im Radio und in anderen Medienkanälen weiter. Hier der Link: https://lnkd.in/eKvzYDCz Viel Spaß mit Statistik!

Der Kopf raucht, die Augen sind müde, und es scheint, als würde die Arbeit nie enden. Welche Aufgabe in der Immobilienverwaltung raubt die meiste Zeit und kann gleichzeitig unfassbar unbefriedigend sein? 👉 Datenanalyse und das Erstellen aussagekräftiger Berichte! Man sitzt am Schreibtisch, umgeben von Akten und Tabellen voller Zahlen. Das Ziel, ein Fazit aus all den Zahlen und Fakten zu ziehen. Genau in diesen Momenten fühle ich mich manchmal, als wäre ich in einem “Bermudadreieck der Daten” gefangen 😅 und ich frage mich: all diese Informationen, was sagen sie mir eigentlich? Die Rettung der Neuzeit: KI-gestützte Tools. Laut Statistischem Bundesamt nutzt etwa jedes achte Unternehmen bereits KI. 32 % setzen diese Tools zur Automatisierung oder als Entscheidungsgrundlage ein. Das ist jedoch noch wenig im Vergleich zu den zahlreichen Anwendungsfeldern, die KI in der Immobilienverwaltung bietet. 💡 Automatisierte Datenverarbeitung reduziert sowohl manuelle Arbeit als auch Fehler. Es spart Zeit, denn KI analysiert und interpretiert Daten in Echtzeit. Vorhersagemodelle verwandeln alten Daten in wertvolle Schätze für zukünftige Trends. Daten werden durch intelligente Tools klar und beeindruckend visualisiert, und KI entlarvt frühzeitig Abweichungen, bevor sie zu großen Problemen werden. Ungewöhnliche Muster und Anomalien werden sofort erkannt und können direkt behoben werden. KI bietet nicht nur Zeitersparnis und Effizienz, sondern auch die Möglichkeit, fundierte Entscheidungen zu treffen und Probleme proaktiv zu lösen. Nutzt du bereits KI-gestützte Tools in der Immobilienverwaltung? #datenanalyse #immobilienverwaltung #KI #technologie

"Und was macht Ihr zwei jetzt eigentlich?" Diese Frage hat uns die letzten Wochen berechtigterweise das ein oder andere Mal erreicht. Soviel vorab: Wie Ihr an unseren künstlerischen Fähigkeiten erkennen könnt, eine Marketing-Agentur sind wir nicht. Was wir aber tun: Wir steigen mit Dir und für Dich in den Ring um alles aus deinen Daten rauszuholen, damit Du dich deinem Business widmen kannst.   👩🏫 Kurz und knapp erklärt: Aus den unzähligen Daten eines Unternehmens entwickeln wir mit Dir Datenmodelle, anhand derer dynamische Dashboards oder auch statische Berichte erstellt werden. Die Daten können der Entscheidungsfindung, Performance-Beurteilung, Fehlerreduktion, Simulation und vielem Mehr dienen. Das machen wir überwiegend mit der Data Analytics Plattform Qlik, die unserer Meinung nach bessere Variante zum immer noch vorherrschenden Excel-Wahnsinn. PS: Alle in diesem Beitrag enthaltenen Fotos wurden nicht mit einer KI erstellt.

Zahlen, Daten, Fakten. 😴 Stinklangweilig! Das dachte ich bis heute. Und dann haben wir heute die liebe Sophia Heitzler von Lexware im Rahmen des #CreativeLeadership-Circles zu Gast im Inspiration Lunch erlebt. Sie hatte ganz viele Beispiele dabei, wie man mit Daten kreative Geschichten erzählen kann. Am meisten fasziniert hat mich dabei die Bandbreite an Möglichkeiten: 🗣️ Daten können helfen, einer (Kunden-)Gruppe, die keine große Lobby hat, Sichtbarkeit zu verschaffen (Beispiel: Während der Energiekrise wurden die Sorgen der Selbständigen in den öffentlichen Debatten vergessen und anhand von Umfragedaten adressiert) 💪🏼 Daten könnten einzelnen (Kunden-)Gruppen in Sachen „Reality-Check“ einen Richtwert bieten, um sich besser einzuordnen zu können (z.B. in Sachen Honorare, Preise etc.) 🧲 Daten können die Vorteile eines Produktes oder einer Lösung offensichtlich machen (z.B. x Stunden mehr Freizeit, x % effizienter arbeiten …) 🤯 Überraschende Daten können einen guten Aufhänger für Social Media-Content liefern (Beispiel: 16 % der KMUs nutzen regelmäßig das Fax) 🏃🏼♂️➡️ Daten in Relation gesetzt, können lustige Bilder erzeugen und helfen, große Zahlen besser zu verstehen (Beispiel: 132.000 Lohnabrechnungen – Wären diese Lohnscheine alle gedruckt und aneinandergereiht worden, hätte die Papierschlange mit 39,2 km fast Marathonlänge) 💡Daten können eine Argumentationsgrundlage für Ideen oder Initiativen sein, indem sie durch Umfragen oder Benchmarks aus anderen Branchen faktisch das Vorhaben untermauern Daten können verdammt viel. Mehr als ich dachte! Vielen Dank, liebe Sophia, dass du allen Teilnehmenden Lust auf Daten gemacht hast. Deine Begeisterung steckt an und macht Lust darauf, im eigenen Unternehmen Daten aufzuspüren und neue Zusammenhänge zu schaffen. Um es in deinen Worten zu sagen: Daten + Kreativität = Magie 🪄

Eine große Aufgabe im #MarketIntelligence aber auch im #DataScience ist das Forecasting. 📈 Die einfachste Methode dafür ist vermutlich die Regression. Wir nehmen eine Zeitreihe, ermitteln die Gleichung und setzen die Gerade in die Zukunft fort. > Ist jetzt etwas einfacher dargestellt 😁 aber so ähnlich ist das auch mit scikit-learn Den Punkt, den ich jetzt hier übersprungen habe, ist die Datenbeschaffung (das scheint bei vielen Personen und Unternehmen ja oftmals der Fall zu sein 😅 "Daten? Jaja, die haben wir schon") Natürlich gibt es hervorragende, öffentliche Datenquellen, die wir für Abschätzungen nutzen können. Diese sind dann aber meist nur allgemein gültig und beziehen sich nicht wirklich auf die eigene Lage bzw. Situation. Und hier kommt ein für mich sehr wichtiger Faktor mit ins Spiel: ✨ ANNAHMEN TREFFEN UND VALIDIEREN ✨ In der Regel wissen wir nicht, wie hoch das Umsatzpotential für ein gewisses Produkt in einem gewissen Markt, in einem gewissen Land sind. Woher auch? Aber was wir machen können, sind Annahmen zu treffen. Wichtig hierbei ist, dass die Grundannahmen so belastbar sind, dass man die folgenden darauf aufbauen können. Vielleicht gibt es eine offizielle Zahl, von einem Vorprodukt, auf die man sich berufen kann? Solche Abschätzungen werden auch "Fermi-Problem" oder "Fermi-Frage" genannt. Werden die Abschätzungen dadurch genauer? 🤷♂️ Vermutlich nicht Lassen sich dadurch Daten erzeugen? 🤷♂️ Nicht wirklich Der Vorteil liegt darin, als das die Grundannahme validiert werden kann und die restlichen Annahmen sich in einer Kette zu dieser befinden. Dadurch lässt sich ein besseres Vertrauen zu der Schätzung aufbauen, da die Annahmen begründbar sind (und weniger aus der Luft gegriffen). Wie gehst du vor, bei Abschätzungen, wo die Datenlage nicht sonderlich dicht ist?

🚀 Sitzen Eure Daten noch ungenutzt rum? Wenn ja, könnte Eure Firma eine große Chance verpassen! Viele Unternehmen sammeln seit Jahren Daten: Verkaufszahlen, Sensordaten, Nutzungsmetriken. Doch oft bleibt das Potenzial dieser Datenschätze ungenutzt. 😔 🗝️Der Schlüssel: KI bzw. LLMs (große Sprachmodelle) Die Zeiten, in denen man stundenlang SQL-Queries schreiben musste, um brauchbare Erkenntnisse aus Daten zu ziehen, sind vorbei. Dank leistungsstarker, erschwinglicher KI können wir Daten schnell in wertvolle Informationen umwandeln: ➡️ ETL-Prozesse (Extract, Transform, Load) lassen sich mit LLMs ergänzen oder erweitern. ➡️ Vorhersagen und Analysen, die früher viel Aufwand und Expertise erforderten, sind jetzt mit deutlich weniger Kosten und Nutzern erreichbar. Aber Vorsicht: 👉 Einfach „irgendwie“ eine LLM-Anwendung aufsetzen kann kontraproduktiv sein – schlechte Datenqualität, hohe API-Kosten und unklare Ergebnisse drohen. Es braucht spezifische Expertise. Erfolgreiche KI-Anwendungen erfordern: ✅ Optimierte Prompt-Strategien (Prompt Flows oder Agenten Systeme) ✅ Sorgfältige Auswahl und Vergleich von Parametern und Modellen ✅ Monitoring, Logging und sogar Unit Testing für LLM-Outputs Fazit: Richtig umgesetzt, können LLMs Eure Daten transformieren und neue Geschäftsfelder eröffnen. Aber die Kunst liegt im Wie. Es lohnt sich, in die Expertise zu investieren. 🌟 👉 Was sind Eure Erfahrungen mit KI und Daten? Nutzt Ihr bereits LLMs in Euren Datenpipelines?