Wie eine durchtrennte Glasfaser meine Leidenschaft für Daten weckte

Manche Menschen kommen über ein Studium zu ihrem Thema, andere über einen bestimmten Job. Bei mir war es eine Mischung aus beidem, plus ein bisschen Sturheit. Wenn ich heute mit Analytics und KI arbeite, dann führt eine ziemlich gerade Linie zurück zu einem Schreibtisch im Master Service Management Center der Deutschen Telekom in Bonn. Das ist die Geschichte, wie alles angefangen hat.

Störungen, Ursachen und der ewige Wettlauf gegen die Zeit

Mein Arbeitsalltag auf dem Telekom Campus drehte sich um eine simple Frage. Was ist kaputt, und warum? Ich habe Störungen analysiert, Ursachen ermittelt und Probleme nach Möglichkeit direkt aus der Ferne behoben. Wenn das nicht ging, habe ich mich mit den Technikern im Außendienst koordiniert, damit sie vor Ort eingreifen konnten. Manche Dinge lassen sich eben nicht remote reparieren. Ein durchtrennter Lichtwellenleiter zum Beispiel lässt sich nicht über die Tastatur flicken, sondern nur sehr mühselig mit Spleißgerät und Geduld.

Der Job hatte seinen eigenen Rhythmus, und der Anspruch in unserer Abteilung war stets hoch. Es ging nicht nur darum, Störungen zu beheben, wenn sie auftraten. Das eigentliche Ziel war ein anderes. Wir wollten Muster in den Störungen erkennen und Probleme lösen, bevor sie überhaupt beim Kunden ankommen. Denn niemand mag es, wenn das Internet ausfällt oder nicht die Leistung bringt, die er erwartet. Reaktiv zu sein war Pflicht. Proaktiv zu sein war der Anspruch.

Eine Idee aus dem Hörsaal

Parallel zur Arbeit steckte ich mitten im Studium. Dort lernte ich den Umgang mit Python, und genau da fiel bei mir der Groschen. Wir saßen auf einem Berg von Daten. Messdaten von den Endgeräten bei den Kunden, Tag für Tag, in Mengen, die man sich kaum vorstellen kann. Und der größte Teil davon lag einfach da.

Mein Gedanke war simpel. Warum nutzen wir diese Daten nicht, um automatisch Auffälligkeiten in den Messwerten zu erkennen? Eine Art Frühwarnsystem, das anschlägt, bevor etwas wirklich kaputtgeht. Genau das, was unser Abteilungsziel eigentlich verlangte, nur eben datengetrieben statt aus dem Bauch heraus.

Also fing ich an. Ich las mich in die Möglichkeiten ein und schrieb E-Mails. Viele E-Mails. An wirklich jeden bei der Telekom, der irgendwie etwas damit zu tun haben könnte. Wer schon einmal versucht hat, in einem Konzern etwas abteilungsübergreifend zu organisieren, weiß, wovon ich rede. Das ist keine triviale Übung. Aber irgendwann landete ich bei der richtigen Adresse, der BI-Abteilung, die ebenfalls auf dem Telekom Campus saß.

Vom Bauchgefühl zum offiziellen Projekt

Nach einigem Hin und Her war es tatsächlich so weit. Aus einer Idee wurde ein offizielles Projekt. Meine Vision war es, auf Basis der Messdaten, die wir von den Endgeräten beim Kunden erhielten, Vorhersagen zu treffen. Konkret ging es um die Wahrscheinlichkeit, mit der eine Baugruppe in naher Zukunft ausfallen würde. Predictive Maintenance, lange bevor das Wort in jeder zweiten Präsentation auftauchte.

Das muss 2015 gewesen sein. Mein Ansatz war, ein Perzeptron zu trainieren, also eine binäre Klassifikation auf Basis linearer Trends. Heute klingt das fast niedlich, aber damals hatte ich das in einem Buch gelesen, und es erschien mir als ein vernünftiger erster Schritt. Vor allem war es zugänglich, und ich verstand, was dahintersteckte.

Man muss sich den Kontext vor Augen führen. Zu diesem Zeitpunkt haben sich die allerwenigsten Menschen in meinem Umfeld mit Supervised und Unsupervised Learning beschäftigt. Das war etwas Besonderes, fast exotisch, und die Erfahrungsbasis war entsprechend dünn. Es gab keine fertigen Pipelines, keine Tutorials an jeder Ecke, keine Kollegen im Nachbarbüro, die das schon dreimal gemacht hatten. Man hat sich vieles selbst erarbeitet, und genau das hatte einen ganz eigenen Reiz.

Wenn nicht die Technik bremst, sondern die Organisation

Am Ende konnten wir leider nur einen Proof of Concept umsetzen. Nicht, weil die Idee nicht trug oder die Technik nicht funktionierte, sondern wegen firmeninterner Politik.

Das Problem war so banal wie typisch. Die Messdaten gehörten einer anderen Abteilung. Sie lagen dort bereits in einem Hadoop-Cluster, aufbereitet und verfügbar. Aber Zugriff wollte man uns nicht gewähren. Aus ihrer Perspektive war es schlicht nicht unsere Aufgabe, das zu tun. Damit war die Tür zu, bevor wir richtig durch sie hindurchgehen konnten.

Schade? Definitiv. Aber so läuft es manchmal im Konzern. Die Daten sind da, der Use Case ist da, die Motivation ist da, und trotzdem entscheidet am Ende eine Zuständigkeitsfrage. Diese Erfahrung war auf ihre Art genauso lehrreich wie der technische Teil. Daten zu nutzen ist nicht nur ein technisches Problem. Es ist mindestens genauso ein organisatorisches.

Was geblieben ist

Trotz des abrupten Endes habe ich aus diesem Projekt etwas mitgenommen, das mich bis heute begleitet. Ich habe ein Gespür dafür entwickelt, welche Macht in Daten steckt, wenn man sie richtig einsetzt, um Verbesserungen in einem Unternehmen voranzutreiben.

Genau das hat meine Leidenschaft geweckt. Es hat mich motiviert, weiterzumachen, dranzubleiben und tiefer einzusteigen, und letztlich bin ich deshalb dort gelandet, wo ich heute stehe.

Heute helfe ich Unternehmen dabei, mehr aus ihren Daten zu machen. Genau das ist es, was mir so unheimlich viel Spaß bereitet. Es gibt kaum etwas Befriedigenderes, als mit anzusehen, wie ein Unternehmen den Schritt schafft und aus seinen Daten echte Mehrwerte entstehen lässt. Der Moment, in dem aus rohen Zahlen plötzlich eine Entscheidung, eine Verbesserung oder ein konkreter Nutzen wird, fasziniert mich heute noch genauso wie damals an meinem Schreibtisch in Bonn.

Das Schöne daran ist, dass es mir noch immer genau so viel Spaß macht wie damals, als alles neu war. In diesem Bereich lernt man nie aus. Und gerade die aktuellen Entwicklungen zeigen mit beeindruckender Geschwindigkeit, wie sich Techniken und Methoden weiterentwickeln. Was 2015 ein mutiges Perzeptron war, ist heute fast ein Fußnotenthema, und morgen sieht die Welt schon wieder anders aus.

Vielleicht ist das die eigentliche Lektion aus dieser Geschichte. Es lohnt sich, neugierig zu bleiben. Und manchmal beginnt eine ganze Laufbahn mit einer einzigen Frage an einem ganz normalen Arbeitstag. Wir haben doch all diese Daten, warum nutzen wir sie nicht?