#48 Menschzentrierter Dateneinsatz

Eliot Mannoia: Hallo und willkommen zu einer nächsten Folge von Mind/Machine. Heute freut es uns wirklich sehr, den Stefan Kreihsler bei uns zu haben, Head of Data Science at Upstream Mobility, Owner of the Competence Center für Data Science und KI, TEDx-Speaker und Hobby Trail Runner. Also wie würde man das in Deutsch sagen? Kommen wir dazu.

Manuela Machner: Grüß euch, ich bin Manuela Machner, KI-Spezialistin im Bereich Tourismus. Ich freue mich total, dass du da bist, Stefan. Wir haben schon festgestellt, wir haben gemeinsame Erfahrungen. Unser Podcast geht in Richtung Austausch, in Richtung neue Erfahrungen machen. Also wir sind jetzt nicht die Deep-Dive-Techniker, sondern wir wollen jeden mitnehmen und ein bisschen Einblick in die Entwicklungen von KI geben.

Ja, Stefan, jetzt erzähl einmal. Also es war ja cool, was der Eliot jetzt alles gesagt hat. Ich hab nicht alles verstanden, was du bist. Magst du vielleicht für so Menschen wie mich herunterbrechen, was deine Aufgaben sind oder was das bedeutet?

Stefan Kreihsler: Ja, vielen Dank, Eliot. Vielen Dank, Manuela. Schön, bei euch zu sein.

Freut mich sehr über die Einladung. Ja, ich bin bei Upstream Mobility. Wir sind ein Konzernunternehmen innerhalb der Wiener Stadtwerkegruppe, neben der Wien IT zweiter IT-Dienstleister. Unser Fokus war von der Gründung an das Entwickeln von Mobilitäts-Apps. Das heißt, uns beschäftigt sehr stark: Wie können Leute sich von A nach B bewegen und welche Digitalisierung unterstützt sie dabei?

Und ich bin für den Data-Science-Bereich bei Upstream Mobility verantwortlich und wir haben natürlich da sehr viele Fragestellungen mit Mobilitätsfokus, die wir in den letzten Jahren bearbeitet haben für unsere Kundinnen. Das war anfangs sehr stark im städtischen Umfeld, also jetzt nicht nur Kundinnen von den Mobilitäts-Apps, sondern auch Stadt Wien, diverse Magistrate, im Konzern, auch im Tourismus, wo wir im Vorgespräch drüber geredet haben.

Wir haben mit Wien Tourismus, Österreich Werbung auch Projekte gemacht. Und ja, unser tagtägliches Geschäft, kann man sagen, ist es, den Leuten dabei zu helfen, bessere Entscheidungen zu treffen. Und das machen wir, indem wir schauen, wie wir die Daten dafür nutzen können, diese aufbereiten, analysieren und dann so einsetzen, dass sie ihr Kerngeschäft besser steuern können.

Manuela Machner: Das heißt, wenn ich mir das so vorstellen kann, ihr liefert Entscheidungsgrundlagen für, keine Ahnung, Taktungen von den Wiener Linien oder solche Themen. Kann ich mir das so ungefähr vorstellen?

Stefan Kreihsler: Das wäre ein Beispiel, ja. Also das haben wir noch nicht mit ihnen bearbeitet, weil die Wiener Linien auch eine sehr starke eigene Data-Science-Einheit haben.

Aber natürlich, ja. Themen, die wir schon bearbeitet haben, war zum Beispiel mit der WiPark, unserem Garagenanbieter, die Auslastungsoptimierung. Weil man muss sich vorstellen, es gibt Kund:innen, die sind Dauerparker, und es gibt Tagesgäste, und ich möcht natürlich wissen, wann kommen wie viele Dauerparker und wie lang bleiben die?

Und demnach kann ich dann die Einlassgrenze so steuern, dass ich möglichst viele Kurzparker noch reinlassen kann, ohne dass einem Dauerparker der Platz dann fehlt. Und dafür haben wir ein Prognosemodell entwickelt, um diese Entscheidung besser, datenbasiert treffen zu können.

Manuela Machner: Ah, mit welchen Daten arbeitet ihr da?

Mobilitätsdaten, nehme ich an, oder? Oder einfach die klassischen Daten, also wenn die Leute reinfahren und Ticket ziehen?

Stefan Kreihsler: Ja, also zuerst mal ist immer wichtig, dass wir uns die Fragestellung ansehen. Weil wir möchten wissen, was ist die Herausforderung beim Kunden? Was ist das Thema, worum's dem grad geht?

Und für diese Fragestellung überlegen wir uns dann, welche Datenquellen wären denn hilfreich, um sich dem Thema zu nähern. Und in erster Linie haben die Kundinnen ja meistens sehr viele eigene Daten, die vielleicht noch gar nicht genutzt werden oder die halt mal gespeichert werden, aber nicht wirklich bearbeitet werden.

Und oftmals sind wir da so die erste Qualitätssicherung auch. Also wenn man Richtung Data Governance denkt, so Data-Lifecycle-Management, wie kann ich meine Daten sinnvoll nutzen? Wie kann ich schauen, dass die Qualität stimmt, dass ich auch richtige Aussagen auf diese Daten basieren kann? Da sind wir dann oft die erste Stelle oder eine der ersten Stellen, wo das passiert, dass man sich die Daten, die beim Kunden schon entstehen, hernimmt, dass wir Qualitätschecks machen, dass wir sie plausibilisieren, dass wir mit den Personen, die für die Systeme verantwortlich sind, reden und schauen, weil oftmals sind die nicht beschrieben, also im Sinne von erklärt, was steht da drinnen, welche Werte bedeuten was.

Das müssen wir alles einmal in Erfahrung bringen und dann wird das dokumentiert und dann kann man's für zukünftige Use Cases auch nutzen.

Manuela Machner: Wie ist das in deiner Branche? Also bei mir im Tourismus sind Daten, ich mein, viele sagen, Daten sind Gold. Ich sehe das nicht ganz so, weil Gold bleibt im Wert erhalten.

Alte oder schlechte Daten verlieren meiner Meinung nach an Wert. Aber viele in meiner Branche sehen den Wert der Daten oft gar nicht. Also die Thematik, auch Gastronomie hat allein durch die Registrierkasse geniale Daten, weil wir in Wirklichkeit sagen können, wann kommen die Leute, was essen, was konsumieren die Leute?

Du könntest das in Relation setzen. Verkauft die eine Kellnerin mehr Bier als der andere? Oder das Wetter spielt eine Rolle und, und, und. Das Bewusstsein ist in meiner Branche jetzt oft nicht so da. Das ist das, womit ich auch so arbeite.

Stefan Kreihsler: Ja. Also wir haben heuer eine stadtwerkeweite Daten- und KI-Strategie mit den Konzernunternehmen erarbeitet.

Und ich muss sagen, ich bin froh, dass dieses Bewusstsein bis in die Geschäftsführungen vorhanden ist, Daten als Asset und als Ressource zu sehen. Und dementsprechend auch die Arbeit und die Ressourcen dahingehend auszurichten. Aber wie du sagst, Daten per se als Gold zu bezeichnen oder als Öl, wie man's auch oft hört, würd ich nicht sagen, weil wenn ich nix mit den Daten mach und sie einfach nur in einen Speicher leg und dort schön anhäufe, sind sie erst mal nur Ballast und Kosten. Und es steht und fällt damit, ob ich die Daten für etwas Sinnvolles einsetze in meinem Kerngeschäft. Und wenn ich die Daten nicht nutz, dann hab ich nix davon.

Eliot Mannoia: Das ist eigentlich ein toller Übergang zur nächsten Frage, die ich dich wirklich brennend fragen möchte. Ich war ja bei deinem TEDx-Talk dabei, das war super spannend auf der TU, wie man mit der Umsetzung einfach loslegt. Also was wären so für dich, für unsere Zuhörerinnen, praktische Tipps?

Wie kann man loslegen? Wie kann man umsetzen? Mit dem Ziel hast du ja vorher schon kurz angefangen. Was wären so für dich die Ratschläge?

Stefan Kreihsler: Ja, also grad auch, weil ihr ja ein KI-Podcast seid, das haben wir natürlich jetzt auch in den letzten ein, zwei Jahren erlebt, dass ganz viele Fachbereiche sich überlegen: Wie können wir KI bei uns einsetzen?

Und wir haben ab nächstem Jahr ein Competence Center für künstliche Intelligenz, um hier Know-how zentral aufzubauen und das den Fachbereichen zur Verfügung zu stellen und sie zu unterstützen und zu beraten, wie man für ihre Ideen welche Technologie am besten einsetzen kann. Und das ist ein ganz wichtiger Punkt, nämlich, ich muss wissen, was ist mein Ziel und was möchte ich erreichen.

Weil bei diesen Brainstormings kommt oft daher: Ich möcht ChatGPT einsetzen, um XY zu machen. Und das ist meiner Meinung nach falsch, schlicht und weg falsch, weil es geht nicht darum, eine Technologie einzusetzen und sich dann zu überlegen, was ich machen möcht, sondern ich muss zuerst wissen, was möcht ich machen, und dann kann ich mir überlegen, welche Technologie passt am besten zu meiner Problemstellung.

Und deshalb gehen wir mit den ganzen Leuten, mit denen wir sprechen, immer so zwei Schritte zurück und wir sagen: Was beschäftigt euch aktuell in eurem Bereich am meisten? Welche Herausforderungen habt ihr? Welche Ziele habt ihr für die nächsten ein, zwei Jahre definiert? Wohin seht ihr euren Bereich sich entwickeln?

Und dann im Zuge dessen Anforderungsmanagement, Anforderungsworkshop, Design-Thinking-Workshop machen, User-Experience-Design machen und wirklich von der Kundinnenperspektive heraus sagen: Was sind die Anforderungen, was sind die Ziele, was sind die Bedürfnisse, was sind die Pains? Und dann darauf aufbauend erst sich zu überlegen: Welche Technologien setz ich jetzt ein, um das zu adressieren?

Eliot Mannoia: Super. Und weil mich die Menschen wahnsinnig interessieren: Der Podcast ist ja KI und sehr stark auch der Mensch im Mittelpunkt. Also wie siehst du in diesem Prozess, ich mein, du hast UX und Design Thinking schon toll angesprochen, und den Benefit für den Endkunden. Welche Herausforderungen siehst du in dieser Journey von Konzeption bis zur Umsetzung, die Rolle vom Menschen?

Stefan Kreihsler: Ja, also die Menschen von Anfang an da einzubeziehen, damit steht und fällt der Nutzen und der Erfolg von dem Projekt. Ich kann ein Beispiel nennen: Wir haben diesen Ansatz mittlerweile bei uns im Team, wenn wir mit einem Bereich sprechen, dass wir uns dann tatsächlich vor Ort einmal zeigen lassen, was machen die und wie machen sie's.

Und wir beobachten, und die Personen machen ihre Aufgabe und sprechen dazu und erklären uns das. Also jeder ist ja stolz, wenn er über seine Arbeit berichten kann, und das kommt ja aus Umfragen oder sonstigen Interviews gar nicht raus, wenn dann gezeigt wird: "Und dann muss ich immer dahin klicken und das anlegen und das zipft mich irrsinnig an, weil das ist so mühsam."

Und diese Sachen sind Gold wert. Weil im Anforderungsmanagement, wenn jemand sich über Prozessschritte beschwert, dann sind das die Features, die du priorisierst, weil genau das ist die Arbeit, die sie am meisten behindert und einschränkt und wo eine digitale Unterstützung oder eine Verbesserung im Prozess den größten Mehrwert liefert.

Und wenn du das für sie löst, dann hast du natürlich automatisch die Menschen mit an Bord und die brennen dann dafür, wenn du ihre Aufgabe dadurch verbessern kannst.

Manuela Machner: Erlebst du's eigentlich auch? Also ich hab dann oft die Erfahrung, dass Prozesse möglichst umständlich, sag ich manchmal, gelöst werden.

Und manchmal braucht's weder KI noch irgendwas, sondern in Wirklichkeit einfach nur Tipps und Tricks, dass sie eigentlich gar nicht darauf hätten drücken müssen, sondern dass das viel schneller, einfacher gegangen wär. Also das hab ich in den kleineren Betrieben oft, die Situation, dass wir momentan ja alle unser Seelenheil über KI suchen

Eliot Mannoia: Ja.

Manuela Machner: und bei vielen Dingen das eigentlich gar nicht bräuchten, sondern manchmal ist es einfach nur eine Schulung von den Leuten, die Tools, die schon bestehen, einfach optimal zu nutzen.

Stefan Kreihsler: Ja. Analoge

Eliot Mannoia: Lösung.

Stefan Kreihsler: Genau, also du sprichst da eh ganz richtige Punkte an. Mit KI hab ich jetzt ein mächtiges Werkzeug, um die Unzulänglichkeit des Prozesses und der Technologie, die bisher in place war, also in Nutzung, zu retten, oder einen Workaround zu finden.

Zum Beispiel, wenn ich da jetzt an das Thema Wissensmanagement denke, das ist einer der verbreitetsten Use Cases. Ich hab hier eine Wissensbasis, das können X PDF-Dokumente sein, das kann ein Fünfhundert-Seiten-Dokument sein, das kann ein Confluence-Bereich sein, wo ganz viel dokumentiert wurde, das kann ein SharePoint-Bereich sein, wo ganz viel drin liegt.

Und die Leute wissen nicht mehr, wo sie die Information finden, weil die Suche funktioniert nicht. Die Intranetsuche funktioniert nicht. Ich find meine Informationen nicht. Ich find in meinen E-Mails die Informationen nicht. Es geht immer darum, die Leute bei ihrem Prozess zu unterstützen. Und jetzt hab ich mit KI ein Tool, wenn ich die Informationen einer generativen KI, einem Textmodell, richtig bereitstell, dass mir das dann auf Fragen antwortet und im besten Fall nichts erfindet, sondern die richtigen Informationen bereitstellt und referenziert, und ich steig dann in die Originaldokumente ein und seh dann genau, an welcher Stelle steht was.

Also das kann man machen und das wird auch gemacht, einfach weil es auf der Hand liegt. Aber nichtsdestotrotz, und das ist vielleicht dann längerfristig das Ziel, ist, sich den Prozess und die Technologie, auf die ich da jetzt diese Kirsche auf die Torte setz, mit der KI anzuschauen. Also passt das überhaupt, was ich darunter als Prozess und als Toolset definiert habe?

Und kann ich nicht dort durch Verbesserungen schon einmal das Ganze wesentlich schlanker und einfacher gestalten?

Eliot Mannoia: Super. Also mir gefällt der menschenzentrierte Ansatz von euch. Super. Wie siehst du nächstes Jahr mit dem AI Act, Transparenzpflicht, Nachvollziehbarkeit und solche Sachen?

Ist das für euch, wie viel Ungewissheit oder welche Herausforderungen bringt das? Oder wie siehst du das auf eure Innovation oder eure Arbeitsweise?

Stefan Kreihsler: Als Konzern sind wir es gewohnt, Richtlinien umzusetzen. Also es ist nichts anderes als die DSGVO-Richtlinie oder die NIS-2-Richtlinie, sichere Softwareentwicklung, Informationssicherheit.

Und der AI Act ist eine weitere Richtlinie, die im selben Stil von der EU gestaltet wurde. Das heißt, auch das werden wir implementieren, und die Spezifika, die der AI Act dann für Systeme mit KI-Komponenten hat, die werden bei uns sowohl im Softwarebeschaffungs- als auch im Softwareentwicklungsprozess einfach integriert werden.

Das ist bei uns ausgearbeitet, das ist auch in der KI-Governance berücksichtigt und das ist auf der Roadmap, das zu implementieren. Ich glaub, es ist wichtig, die Intention des AI Acts zu verstehen, er soll unterstützen, dass wir nach unseren Werten in Europa KI-Systeme einsetzen und gestalten.

Es kann für manche noch immer sehr stark in diese Überregulierung hineingehen, die sich dann dadurch deutlich beschränkt fühlen. Wir machen das Beste draus. Also ich bin grundsätzlicher Unterstützer von dem Ganzen und wir haben auch alle Tools, die wir vorbereiten, und die Prozesse, die wir vorbereiten, um das sauber implementieren zu können, dass wir wissen, was ist unsere Rolle. Und das bringen wir übrigens aus dem Competence Center und einer Community of Experts, die wir auch gegründet haben im Konzern, auch den ganzen anderen Stakeholdern bei, die damit nicht in ihrem Tagesgeschäft zu tun haben.

Also dass wir wissen, es gibt verschiedene Rollen, es gibt verschiedene Risikostufen, es gibt verschiedene Rechte und Pflichten, die ich je nachdem, wie hoch das Risiko in meinem System ist, einhalten muss. Aber wie gesagt, wir haben das schon bei DSGVO und NIS 2 gelernt und das ist einfach ein weiterer Baustein.

Eliot Mannoia: Super, sehr pragmatisch. Ja, super.

Wie schaut's mit digitalen Zwillingen, Stadt, Wiener Linien, Wien Energie, oder mit digitalen Schatten und solchen Sachen? Also ist das auch, ein sehr, ich sag mal, ehrgeiziges Projekt. Ist das überhaupt auch bei euch am Radar? Ist das was, an dem ihr arbeitet oder das ihr euch anschaut?

Stefan Kreihsler: Ja, das Lustige ist ja, wie ich vor, wann war das jetzt, vor sieben Jahren auf dem 4GameChangers Festival war, hat ein Speaker über den digitalen Zwilling von einer Insel gesprochen, wie sie alle Daten auf der Insel in Echtzeit modelliert hatten und so auf Sachen draufgekommen sind, wie sie zum Beispiel die Beginnzeiten von den Schulen verändert haben, um die Müllabfuhr schneller zu machen, oder die Rettungsketten und die Ampelschaltungen und all das.

Und ich war so begeistert von dieser Keynote.

Eliot Mannoia: Das ist sehr schön, ja.

Stefan Kreihsler: Ja, das war für mich der ausschlaggebende Punkt, um in dieses Datenbusiness im öffentlichen Interesse einsteigen zu wollen. Und zum Glück habe ich einen Job, wo ich das jetzt auch auf der gestalterischen Seite machen kann.

Und ich muss sagen, dieser digitale Zwilling von einem System, und dann simuliere ich und so, es ist noch nicht so ausgeprägt, wie man sich das vielleicht vorstellen mag. Also es ist noch viel mehr basic in den tatsächlichen Anwendungsfällen und aufs Kerngeschäft bezogen. Ich hab auch, wie ich dann zu Upstream gekommen bin, die Idee gehabt: „Hey, das wär doch cool, wenn ich die ganze Stadt als digitalen Zwilling hätt."

Und du liest es auch immer wieder in den Strategiepapieren der Stadt Wien. Der digitale Zwilling der Stadt ist ein Ziel, das verfolgt wird. Ich glaub nur, es ist so groß und so breit, dass es zum einen schwierig ist: Wo fange ich an und wer finanziert das und wer hat die Verantwortung und was mache ich dann damit?

Und welche Maßnahmen kann ich dann damit treffen? Also es ist zum einen riesig groß und zum anderen sehr unkonkret. Und ich glaub, deshalb hat sich's noch nicht durchgesetzt, den digitalen Zwilling der Stadt zu machen. Was sich durchsetzt, ist zum Beispiel von einem Kraftwerk und allen Anlagen im Kraftwerk einen digitalen Zwilling zu haben, um dann zu schauen, wie dieses Kraftwerk funktioniert, und auch den Zustand zu messen und Predictive Maintenance, also so spezifischere Use Cases umzusetzen.

Eliot Mannoia: Ja, die Oberösterreichische Feuerwehr hat das angeblich für Feuerszenarios. Also wirklich die Feuerwehr in Oberösterreich, also ganz spezifisch wieder.

Stefan Kreihsler: Ja, und ich glaub auch hier muss man unterscheiden zwischen „Wir haben ein Innovationsprojekt, wo wir einen POC gemacht haben" und „Wir haben ein produktives System, das wir in unserer täglichen Arbeit nutzen."

Also wenn man solche Themen hört, dann ist das meiner Erfahrung nach oftmals ein Innovationsprojekt, das es nicht in die Produktion geschafft hat. Und das ist aber unser Ziel. Wir wollen jetzt nicht POCs produzieren, die man auf Veranstaltungen vermarkten kann, sondern wir wollen die Leute in ihrem Kerngeschäft unterstützen, und deshalb ist uns auch immer wichtig, das Thema Effort und Confidence bei den Projekten zu bewerten.

Nämlich zu schauen: Wie viel Aufwand müssen wir denn betreiben, um das in eine produktive Umgebung und einen produktiven Prozess zu bekommen? Und die Confidence: Wie sehr glauben wir daran, dass wir das in absehbarer Zeit auch realistisch schaffen können? Und wenn wir da nicht dran glauben, dann werden wir vielleicht was anderes vorher machen.

Manuela Machner: Ja, vielleicht, wenn man die vielen kleinen digitalen Zwillinge von den einzelnen Elementen haben wird, ist es irgendwann auch einfach oder realistisch, einen großen digitalen Zwilling zu erschaffen. Also weil allein, wie setzt du so Riesenprozesse auf, wie es die Stadt Wien machen würde? Also da bist du wieder bei der Zielvorstellung.

Was erreichst du damit? Ich glaub, dass es genial sein könnte. Also das glaub ich schon. Wenn du alles simulieren könntest, also nicht nur den öffentlichen Verkehr, sondern die Zusammenwirkungen von den unterschiedlichsten Dingen, und auf viele Dinge darauf kommst, aber wenn die einzelnen Dinge schon so komplex sind

Stefan Kreihsler: Ja.

Manuela Machner: dann musst du, glaub ich, zuerst einmal das Einzelne im Griff haben, bevor du das Große darstellst.

Stefan Kreihsler: Aber jetzt auch Richtung zum Beispiel, wenn wir über den öffentlichen Verkehr sprechen. Gibt's ja die Meinung, man kann alle möglichen Datenquellen jetzt wie Handydaten und Eventdaten nutzen, um das zu optimieren.

Und dann redet man mit den Leuten, die das tatsächlich schon seit Jahren machen, ohne diese Datenquellen, und die erklären dir einmal, wie das wirklich funktioniert. Und dann sagen die: „Das ist schön, dass du mir sagst, dass da viel los ist beim Ernst-Happel-Stadion, aber wir fahren auf voller Taktung und wir kriegen da keine U-Bahn mehr dazwischen."

Also die Info ist obsolet.

Manuela Machner: Ja, die Realität zwischen der Theorie. Also es ist eh nett, wir müssten mehr Takte fahren oder mehr Züge anhängen oder was auch immer, aber wenn dann der nicht um die Kurven kommt oder die Geschwindigkeit nicht erreicht oder der Bahnsteig einfach zu kurz ist, dass alle aussteigen können, das sind auch die Realprobleme dann dahinter.

Stefan Kreihsler: Oder du kommst mit der Idee, Echtzeitdaten für Betriebsthemen einzusetzen, und hast dann das Erwachen. Die Prozesse sind dafür nicht ausgelegt. Also es gibt so viele Prozesse, die ineinander spielen, um den Betrieb sicherzustellen, und du kannst die nicht in Echtzeit steuern. Es gibt zwar kleine Schrauben, wo du in Echtzeit drehen kannst, aber das Kerngeschäft, das ist halt geplant und da hängen Dienstzeiten und Personaleinsatzplanung und alles Mögliche damit zusammen.

Manuela Machner: Ja, also da werden wir sicher noch das eine oder andere haben. Wobei ich jetzt sagen möchte, also ich bin jemand, die öffentlich fährt, und ich fahr sehr viel in Österreich. Also ich versuch fast alles öffentlich zu erreichen, mit ÖBB und Co.

Und ich sag, da gibt's doch ein bisschen Verbesserungspotenzial, teilweise durchaus auch in den geplanten Bereichen.

Also so ist es dann halt.

Stefan Kreihsler: Ja, also da bin ich absolut davon überzeugt, dass es überall noch ein bisschen Luft nach oben gibt. Aber viele Leute erzählen dann, wenn sie in anderen Ländern unterwegs waren, sie sind so froh, wieder in Österreich unterwegs zu sein mit dem öffentlichen Verkehr.

Und ja, der Vergleich macht dann doch manchmal glücklich, auch wenn man sagt, das sollte man nicht tun.

Eliot Mannoia: Also ich war zehn Jahre in London und ich musste, glaub ich, ein halbes Jahr eine Strecke fahren, wo ich vier U-Bahnen warten musste, bevor ich reingekommen bin. Also erste U-Bahn, eine Person, nächste U-Bahn, zweite Person, und dann nach vier U-Bahnen konnt ich endlich einsteigen.

Und die U-Bahnen in London sind ja ein bisschen gebogen auf den Seiten. Also war ich dann endlich drinnen, aber ich bin dann so gestanden.

Manuela Machner: Wenn du zu groß bist.

Eliot Mannoia: Na, das ist so gebogen. Also in Wien, das Netzwerk und alles, die Infrastruktur und ein Euro am Tag, also es ist wahrer Luxus. Wirklich toll.

Ja, und die Display-Matrix. Also manchmal, wie dieser Display, wo man sieht, der Zug kommt in fünf Minuten, ist ein besseres Gefühl, als wenn der Zug in einer Minute kommt, aber ich weiß nicht, wann er kommt. Also wie man auch Daten nutzen kann, um Gewissheit zu schaffen, wieder auf psychologischer Ebene, wie am Flughafen: Flug ist verspätet.

Ist er jetzt zehn Minuten verspätet und ich muss gleich zum Gate, oder es sind drei Stunden und ich kann meinen Laptop auspacken und ich kann was essen gehen. Also wie man Daten auch nutzen kann, um da wirklich auch auf psychologischer Ebene den Menschen ein bisschen zu helfen.

Stefan Kreihsler: Ja, also da sind wir auch, verschiedene Einheiten von Upstream Mobility arbeiten sehr eng mit dem Fahrgastinformationsbereich von den Wiener Linien zusammen und das ist ein cooles Team und die machen echt gute Arbeit.

Und ja, man braucht nicht glauben, dass die Leute gerne ihre Fahrgäste im Ungewissen lassen, wenn der Zug mal länger in einer Station steht. Also es geht wirklich darum, die Informationen so korrekt und so rasch wie möglich an die Kundinnen zu bringen, und da arbeiten viele tagtäglich dran, dass das auch gut gemacht wird.

Und natürlich, Verbesserungspotenzial ist immer vorhanden.

Eliot Mannoia: Ja, ich find, die österreichische Zeit ist viel akkurater als die britische Zeit.

Manuela Machner: Aber grad da können KI-Systeme oder zumindest Algorithmen helfen, weil Berechnungen, sag ich, sind sicher da ein wichtiger Faktor. Also es ist schon spannend, wenn du so Systeme tatsächlich nutzt, und die Ergebnisse.

Also Wiener Linien kann ich überhaupt nicht bewerten, weil dafür bin ich vielleicht zu wenig da. Also ich gehe einfach auf die U-Bahn-Station, steig in die nächste ein, die ich brauche. Das ist jetzt mein Vorteil, aber wenn du österreichweit unterwegs bist, merkst du schon, irgendwo kann man noch verbessern.

Aber eigentlich wollen wir nicht über die ÖBB oder so reden, aber ich glaube, da gibt's schon auch, einfach technisch gesehen, noch Verbesserungsmöglichkeiten.

Stefan Kreihsler: Ja, aber auf der Metaebene betrachtet: Die Informationen, die du jetzt als Kunde oder als Kundin in einer App oder auf einer Anzeige zur Verfügung gestellt bekommst, sind nur so akkurat wie die Daten, die ihnen zugrunde liegen.

Ja, also da sind wir wieder beim Kernthema.

Manuela Machner: Na ja, man kann aber schon Vordefinitionen machen, was macht Sinn, was macht nicht Sinn für den Kunden.

Und das ist, glaube ich, das, was du ja gesagt hast, was euch wichtig ist zu schauen, wie ist eigentlich das Bedürfnis des Kunden.

Und ich glaube, das ist dabei der wichtige Faktor. Und wenn da Probleme sind, dass du sagst, okay, du hast Informationsabläufe, die absolut sinnbefreit sind, oder Informationsmöglichkeiten nicht berücksichtigt, die sinnvoll wären.

Da frage ich mich manchmal, aber das hat jetzt nichts mit dem öffentlichen Verkehr zu tun, das haben wir in allen Anwendungen, wie viel auch wirklich mit den Kunden kommuniziert wird auf der Ebene.

Also wir haben ja die Grundproblematik oft, dass wir gerne Dinge so kommunizieren, egal ob's Daten oder was auch immer sind, die wir gerne kommunizieren möchten, wo wir unseren Fokus drauf legen, wo wir sagen, das ist das, was wir glauben, was wichtig ist.

Und manchmal vergisst man auf der Reise eigentlich den Kunden tatsächlich.

Stefan Kreihsler: Ja, da haben die Wiener Linien tatsächlich was Cooles, die Öffi-Denkwerkstätte, wo Kundinnen immer zu Themen eingeladen werden und als Alphatester, Betatester agieren und direktes Feedback geben können.

Manuela Machner: Ja, und dann hast du die andere Seite am Tisch. Und ich glaube, das ist einfach das Wichtige, egal um welche Entwicklungen es in der Technik überhaupt geht.

Und gerade bei den schnellen Entwicklungen, die wir momentan auf der KI-Ebene erleben, warum ist ChatGPT so erfolgreich?

Weil's einfach zu verwenden ist, und die Leute, ob's gut oder schlecht ist, jetzt mal dahingestellt, aber die Leute das Gefühl haben, boah, es ist selbsterklärend, ich hab einen Nutzen draus und es funktioniert für mich. Mehr oder weniger.

Stefan Kreihsler: Das Thema hatte ich jetzt auch schon öfters.

Wenn ich Software gesehen hab, wo ich nicht wusste, wie ist denn die zu bedienen? Und dann erklärt mir jemand: „Na ja, du hast ja die Einschulung noch nicht gemacht und da brauchst du ja mal ein Tutorial und XY." Und dann frage ich mich im Hinterkopf: Wie viele Stunden Einschulung haben denn die Leute beim ersten iPhone gebraucht?

Oder als ChatGPT rausgekommen ist, wie viele Stunden Tutorials haben sich die Leute denn anschauen müssen, um das mal bedienen zu können?

Eliot Mannoia: Ja, da gibt's einen tollen Spruch: UX, also User Experience, ist wie ein Witz. Wenn du ihn erklären musst,

Manuela Machner: ist er nicht gut. Das ist gut.

Stefan Kreihsler: Ich lieb den Spruch, Eliot, ja.

Eliot Mannoia: Der ist cool.

Manuela Machner: Ich kannte ihn nicht, aber der ist echt gut.

Eliot Mannoia: Gute Analogie. Was ich dich auch fragen wollte: Wenn du nach Hause fährst und aus dem Fenster schaust, ich glaub, du wohnst ja außerhalb von Wien. Wenn du da im Zug aus dem Fenster rausschaust, von welchem Datenprojekt träumst du?

Was ist so, wo du denkst, wow, aufregend. Du könntest den besten Datensatz der Welt haben. Was wär das? Welches Projekt?

Stefan Kreihsler: Puh, also ich fahr ja auf der Südstrecke nach Haus, dann seh ich den Anninger und den Lindkogel und da träum ich eigentlich nur vom Trailrunning. Und während ich dann laufen gehe, dann verarbeite ich meine ganzen Gedanken vom Arbeitstag und komm oft auf Ideen, die mir untertags nicht gekommen sind.

Aber ich hab nicht dieses Allumfassende. Ich hab's vorhin gesagt. Also wie ich gekommen bin, hab ich geglaubt: Ich möchte die Mobilität der Stadt digital erfasst haben, um alle Entscheidungen und Maßnahmen darauf aufbauend treffen zu können. Das war mein Traum und der ist nicht in Erfüllung gegangen aus verschiedensten Gründen.

Und der größte Grund ist, weil der Bedarf einfach in dem Ausmaß den Aufwand, den ich reinstecken müsste, um das zu haben, nicht rechtfertigen würde. Und da sind wir bei einem ganz wichtigen Punkt, wo wir vorher über den Wert von Daten gesprochen haben. Daten sauber zur Verfügung zu haben und auch in einer Aktualität zur Verfügung zu haben, ist ein Aufwand und es sind Kosten.

Und ich muss mir schon überlegen, in welcher Granularität, Aktualität, Qualität möchte ich Daten für den Use Case zur Verfügung haben. Und das ist oftmals keine technische Anforderung, und das verwechseln die Leute. Das kommt nämlich als fachliche Anforderung. Weil wenn du dann mit deinem Fachbereich sprichst und der hat eine Aufgabe und du sagst: „Okay, aus diesem Prozess entstehen Daten.

Wir haben jetzt die Möglichkeit, das einmal am Tag als eine Aufgabe zu machen, dass wir die Daten von vierundzwanzig Stunden vom Quell- ins Zielsystem transferieren. Und wir haben die Möglichkeit, dass das auf Stundenwerte erfasst wird, oder wir haben das auf Minutenwerte, und wir haben die Möglichkeit, das auch in nahe Echtzeit-Anbindung zu machen.

Für was für eine Aufgabe nutzt du denn diese Daten? Was brauchst du denn für eine Granularität, Aktualität, Qualität?" Und dann fängt's erst an, spannend zu werden, weil dann kommt: Na ja, also wir brauchen das einmal im Jahr fürs Reporting und es reicht auf Monatsebene. Dann brauche ich mir nicht über eine Echtzeitanbindung Gedanken machen.

Also der Zweck heiligt die Mittel und darauf muss man immer wieder hinweisen.

Manuela Machner: Na ja, aber manchmal ist es ja auch so, oder? Wir haben ja vorher geredet, ich habe auch die Daten gehabt im Tourismus und hab die auch oft nur einmal im Jahr fürs Reporting gebraucht.

Eliot Mannoia: Ja.

Manuela Machner: Aber einfach, weil ich die Zeit nicht gehabt hab oder weil vielleicht auch der, wie soll man sagen, der Businessprozess dahinter nicht mit diesen Daten gearbeitet hat.

Also da sind ein bisschen beide Seiten. Wir brauchen sie vielleicht nicht so oft, weil wir die Datenverwendung auch nicht in unseren Businessprozess integriert haben. Das ist ja manchmal auch der Faktor.

Stefan Kreihsler: Am Ende des Tages ist es immer ein Kulturthema.

Manuela Machner: Absolut.

Stefan Kreihsler: Es fängt

Manuela Machner: Oder Prioritätenthema vielleicht.

Stefan Kreihsler: Ja, genau. Also es steht und fällt dann mit den Prioritäten und auch mit der Kultur. Hab ich ein Mindset etabliert, um stetig nach Verbesserungen in meinen Prozessen zu suchen und auch nach Möglichkeiten, um die Prozesse zu verbessern? Und dann werde ich immer wieder was finden, aber je größer eine Organisation, umso länger braucht so ein Prozess, weil halt so viel davon abhängt.

Und grad im öffentlichen Bereich ist das halt noch mal ernster zu nehmen, wenn's da um die Bevölkerung geht und um kritische Infrastruktur.

Manuela Machner: So im Kleinen ist der Prozess genauso lang, weil da kümmert sich keiner drum.

Eliot Mannoia: Die emotionale Intelligenz ist bei kleinen und großen Firmen wichtig.

Manuela Machner: Ja, genau. Bei den Kleinen bilden wir uns ja ein, oft als Firmenbesitzer, Geschäftsführer oder sonst was: Na, das hab ich eh im kleinen Finger. Also da brauch ich ja keine Datenbasis. Ich weiß ja, wann ich was bestellen muss oder wie viele Leute durchschnittlich kommen oder, oder, oder. Also da haben wir eher das Problem, dass wir uns, wie soll man sagen, manchmal ein bisschen selbst überschätzen als Menschen und sagen, na ja, das brauchen wir gar nicht.

Und auf der anderen Seite entweder die Priorität oder uns die Zeit nicht dafür nehmen, während es in den Großen einfach deswegen länger dauert, weil die Prozesse so groß sind, und bei den Kleinen, weil sich keiner kümmert oder es niemanden gibt, der das Verständnis dafür hat, muss man auch sagen.

Stefan Kreihsler: Ja.

Manuela Machner: Oder das Know-how dahinter.

Stefan Kreihsler: Da hilft uns aber auch die agile Vorgehensweise, weil unser Ziel ist es immer, möglichst rasch zu einem Thema dem Kunden etwas Angreifbares hinzustellen. Also im besten Fall hab ich nach einem zweiwöchigen Sprint einen ersten Prototypen, wo nur, also wirklich ganz Basis-Basis, die Funktionalität für ein Tool, für einen Prozess, was auch immer wir da jetzt grad angehen wollen, dasteht, so günstig und so schnell wie möglich, nur mal um eine Idee zu bekommen.

Und manchmal ist es auch gar noch nichts Funktionales, dann ist es nur ein UI-UX-Konzept mit Klick-Dummies, wo ich das Gefühl hab, ich arbeite in einer Applikation, aber es sind in Wahrheit nur Grafiken, die ein bisschen verbunden sind. Und sobald die Leute dann mit so was arbeiten, kannst du auch erkennen, über die Gespräche, entsteht da jetzt ein Mehrwert?

Also entsteht eine Begeisterung vor allem. Und wenn, wie du sagst, dann kommt: „Pff, na also, weiß ich eh." Dann ist es vielleicht nicht der richtige Use Case, in den ich meine Energie reinstecken sollte.

Eliot Mannoia: Ich unterrichte ja auf der FH St. Pölten auch Innovation, und was bei den Studentinnen, ich hab's grade wieder vor zwei Wochen gemacht, was sehr, sehr schwierig ist, und wir haben das auch mit Design Thinking gemacht, dass der Mensch, das hat jetzt nicht nur mit den Studenten zu tun, der Mensch so schnell zur Lösung geht.

Ohne das Bedürfnis richtig fertig zu evaluieren. Sondern man denkt gleich an eine Lösung.

Wie schafft ihr das in der Praxis? Das würd mich wirklich interessieren. Ich mein, du hast eh Design Thinking schon genannt, aber gibt's da irgendwelche spezifischen Techniken, die du nutzt, wo du sagst: „Na, warte, zurück zu den Five Whys", oder wie auch immer. Oder was sind so Methoden, wo du denkst, das hilft euch, um wirklich, beobachten hast du schon gesagt.

Stefan Kreihsler: Ja, genau.

Also es gibt viele Methoden. Wir haben da einen ganzen Koffer voll Methoden auch. Grad unsere UI-/UX-Designer mit Service-Design-Ausbildung sind da immer sehr unterstützend bei solchen Themen. Das Erste, was sich mal bewährt hat, ist, wenn wir ein Erstgespräch haben und wir wollen über eine Idee von einem Bereich sprechen, dann haben wir einen vordefinierten Fragebogen.

Das ist ein Online-Fragebogen, den wir erstellt haben, und das ist unser Gesprächsleitfaden. Das heißt, wir erfassen eine Idee schon einmal immer nach derselben Struktur. Wir wissen dann, wer ist der richtige Ansprechpartner? Was ist das Ziel? Wer ist die Zielgruppe? Wie erkennen wir im Nachhinein, ob wir erfolgreich waren?

Gibt's technische Vorgaben, Einschränkungen? Wie ist der Status quo aktuell? Und das sind alles Themen, die wir in einem zwanzig-, fünfundzwanzigminütigen Erstgespräch schon einmal erfasst haben. Und das ist sehr wertvoll im Vergleich zu: Ich lass die Leute mal reden, und die gehen entweder ganz High Level oder ganz ins Detail und erklären dir schon den kleinsten Prozessschritt.

Also das ist mal der erste Schritt. Und dann im zweiten, wie erwähnt, wir beobachten, wir schauen uns das genau an, wir brechen das auf, zum Beispiel mit einer Story Map, wo wir uns den Kernprozess anschauen und dann brechen wir das in kleinere Schritte runter. Und oftmals kommen ja so ganz detaillierte, wie wir's nennen, Edge Cases, also Anforderungen für Themen, die ganz selten vorkommen oder die ganz speziell sind.

Und die Leute, die für ein Thema zuständig sind, die reden dann über solche Sachen mit einer Begeisterung, wo du glaubst: „Boah, das ist ja wirklich ein wichtiges Feature. Das muss ich unbedingt reinnehmen." Und dann kommst du halt drauf, na, das ist es nicht. Und deshalb ist unser Ansinnen auch, eben über diesen PoC zu gehen, also ganz schnell nur mal den Kernprozess hinzustellen.

Da funktioniert noch nicht viel, aber ich hab schon mal was zum Angreifen. Und dann im MVP, also im Minimum Viable Product, das ist so das Ding, das ich bauen kann, um's einmal in meinem Arbeitsalltag zu nutzen. Was ist das, was mir schon mal einen Mehrwert stiftet? Und da zielen wir auf so eine Achtzig-Prozent-Quote an Tätigkeiten, die dadurch unterstützt werden.

Weil Achtzig-Zwanzig-Regel: Oftmals kann ich achtzig Prozent der Aufgaben mit zwanzig Prozent Aufwand schon einmal gut umsetzen. Und für die letzten zwanzig Prozent, das sind alles so komplizierte oder so seltene Fälle, da muss ich richtig viel Arbeit reinstecken, um das digital und automatisiert abzubilden, dass es oftmals gar keinen Sinn macht.

Und auch mit diesem Mindset einfach in die Gespräche mit den Kundinnen zu gehen und ins Anforderungsmanagement, und die Leute halt mitzunehmen und zu sagen: „Hey, was ist denn wirklich das Wichtigste?" Und dann auch immer kritisch hinterfragen: „Wie lang brauchst du?" Und wenn dann eine Schnittstelle gefragt wird: „Okay, wie würdest du das ohne Schnittstelle machen?

Wie lang brauchst du, wenn du das ohne Schnittstelle machst? Wie schaut das genau aus?" Also wirklich tief reingehen, fragen, sich das erklären lassen. Und das ist eigentlich auch das Schöne. Also das ist wirklich für mich die Begeisterung. Wir sind diese Data-Science-Leute da im Team und wir haben diese technische und methodische Kompetenz, aber wir lernen so viele verschiedene Fachbereiche und ihr Kerngeschäft kennen.

Das ist richtig abwechslungsreich und immer wieder beeindruckend, was die Leute da machen, und ja, einfach interessant.

Eliot Mannoia: Kann ich dich fragen, weil du hast Pareto's Law, diese achtzig zwanzig. Aber in welchem Bezug hast du das gemeint zum MVP, dass achtzig Prozent von der Anforderung in diesen MVP gebaut ist? Oder wie hast du dieses achtzig...

Stefan Kreihsler: Ich hab gemeint, wenn jetzt ein Prozess durch ein Tool unterstützt werden soll, dann schauen wir uns an: Was sind alles Schritte in diesem Prozess? Und wir setzen aber nicht hundert Prozent dieser Prozessschritte im Tool um, sondern das Ziel ist, achtzig Prozent der Prozessschritte im Tool umzusetzen und zwanzig Prozent dem User zu überlassen, weil wir wissen, dass der Aufwand unverhältnismäßig höher wird, wenn wir das auch noch umsetzen und digitalisieren möchten.

Und das ist einmal

Manuela Machner: Du hättest mich nicht gern als User. Ich wär genau die gewesen. Ich wär einer dieser User, die du sicher verfluchst, die dann sagt: „Aber das muss das System können, weil ich hab euch gesagt, da hängt alles davon ab."

Stefan Kreihsler: Ja, ja. Wir haben auch solche Cheftester.

Also da kommen dann immer wieder Anforderungen, die vorher überhaupt nicht berücksichtigt waren. Und

Manuela Machner: Das kommt noch dazu, ja.

Stefan Kreihsler: Und auch das ist ein Vorteil von agilem Vorgehen und agilen Budgets: Der Kunde priorisiert und sagt, was ihm am wichtigsten ist, und das müssen sie sich dann ausmachen.

Und wir arbeiten die Anforderungen so ab, dass für den Kunden der meiste Mehrwert entsteht. Und das kann sich im Zeitverlauf ändern. Da sind wir flexibel.

Eliot Mannoia: Super. Ich glaub, das ist auch ein perfekter, wie sagt man jetzt, zum Ende kommender Ansatz. Also der Kunde priorisiert, ein agiler Weg von Arbeiten, um wirklich agil in kürzeren Sprints schon irgendwie Sachen zu erledigen und sich immer Feedback einzuholen.

Super spannend. Also wow, vielen Dank für deine Zeit, Stefan. Manuela, hast du noch Fragen?

Manuela Machner: Ja, nein. Weißt eh, ich bin so ein Typ, die bei den zwanzig Prozent dann nachfragt.

Stefan Kreihsler: Das könnte noch länger dauern.

Manuela Machner: Ja, genau. Das ist der Typ, wo sich das nicht rechnet, im Verhältnis so lange im Podcast zu bleiben.

Eliot Mannoia: Na super. Vielen, vielen Dank für deine Zeit, Stefan, einen Einblick zu bekommen von wirklich einem, der das in der Praxis so toll und auf so einer Skala umsetzt, für die Wiener Stadtwerke, und was du im Kern von Upstream Mobility da für so viele mögliche User, Userinnen, Kundinnen und Kunden machst.

Also sehr, sehr spannend. Wir bleiben auf jeden Fall dran, folgen dir weiter, um Updates und Stories und weitere TEDx-Talks und Neuigkeiten von dir zu erfahren. Vielen Dank, Stefan.

Stefan Kreihsler: Ja, vielen Dank auch euch für die Einladung. War ein extrem spannendes und cooles Gespräch.

Manuela Machner: Dann bis bald. Macht's gut.

Bis zur nächsten Folge. Alles Liebe. Ciao. Baba.