+++Unsere 21. Podcast-Episode: Data Science und Organisation+++ (English Version below) In unserer neuesten Podcast-Episode sprechen wir mit Dr. Carlotta Schatten, Engineer Manager bei Autoscout24, über spannende Aspekte im Bereich Data Science und Unternehmensorganisation. Wir diskutieren die Bedeutung von Data Science in Unternehmen, strukturelle Herausforderungen, Corporate Value, Data Drift und vieles mehr. Wir beleuchten zentrale organisatorische Faktoren, den Bedarf an Data Science, funktionale und technische Anforderungen sowie die Notwendigkeit von Flexibilität. Besonders interessant ist die enge Zusammenarbeit zwischen Product Managern und dem Data Science Team, die oft in Organisationen mit zentralisierten Data Teams eine Herausforderung darstellt. Wir erörtern, wie ein datengetriebenes Mindset in der gesamten Struktur verankert werden kann und welche Vorteile sich daraus ergeben. In zentralisierten Data Teams arbeiten Data Analysts, Data Engineers und Data Scientists mit unterschiedlichen Wissensschwerpunkten, die sich auf die Bedürfnisse interner Kunden spezialisiert haben. Wir erläutern die verschiedenen Rollen und Aufgaben dieser Teammitglieder im Podcast. Transparenz ist entscheidend, wenn es darum geht, komplexe Machine Learning Modelle und ihre Funktionsweise für interne User verständlich zu erklären. Wir betonen die Wichtigkeit, Abweichungen zwischen Trainingsdaten und realen Daten zu beachten und Experten hinzuzuziehen, wenn Probleme auftreten. Carlotta teilt auch Einblicke in die Automatisierung von Deployment-Prozessen und zeigt anhand von interessanten Beispielen, inwieweit dies möglich und sinnvoll ist. Zum Abschluss gibt es wertvolle Tipps für Anfänger im Data-Science-Bereich. Hol deine Kopfhörer raus und lass dich von dieser spannenden Episode inspirieren! +++++ English Version +++++ In our latest podcast episode, we discuss exciting aspects of Data Science and organizational structure with Dr. Carlotta Schatten, Engineering Manager at Autoscout24. We delve into the significance of Data Science in businesses, structural challenges, Corporate Value, Data Drift, and much more. We shed light on crucial organizational factors, the demand for Data Science, functional and technical requirements, and the need for flexibility. Of particular interest is the close collaboration between Product Managers and the Data Science Team, which often poses a challenge in organizations with centralized Data Teams. We explore how a data-driven mindset can be embedded throughout the structure and the benefits it brings. In centralized Data Teams, you'll find Data Analysts, Data Engineers, and Data Scientists with varying areas of expertise, specialized to cater to the needs of internal customers. We explain the different roles and responsibilities of these team members in the podcast. Transparency is key when it comes to making complex Machine Learning models and their operation understandable to users. We emphasize the importance of acknowledging discrepancies between training data and real data, and involving experts when issues arise. Carlotta also shares insights into the automation of deployment processes and illustrates to what extent this is possible and practical with intriguing examples. To wrap up, we offer valuable tips for beginners in the Data Science field. Grab your headphones and let this exciting episode inspire you!