DATA INTELLIGENCE HUB - Für Geschäftskunden

ERLEBEN, WAS VERBINDET.
Christoph Schlueter Langdon
Autorenprofil

Christoph Schlueter Langdon

Chris is a professor in Data Science and Analytics; his doctorate involved Artificial Intelligence and Complex Adaptive Systems.
At the Telekom Data Intelligence Hub he is a development executive responsible for partner on-boarding, data innovation, and mobility & automotive.
Prior to joining Deutsche Telekom, he founded a business analytics startup, co-founded the Peter Drucker Customer Lab at Claremont Graduate University, and the Special Interest Group on Agent-based Systems of the Association for Information Systems (AIS) / “Wirtschaftsinformatik.” He began his career as a consultant with Accenture and later joined the faculty of the University of Southern California (USC) in Los Angeles. His research has been funded by Microsoft and Intel, among others; results have been published in leading publications, such as in journals of the Institute of Electrical and Electronics Engineers (IEEE), Information Systems Research and Communications of the ACM. Over the last two decades, Chris has become known for his success with data science and analytics for Fortune Global 100 clients in the US, Europe and China.

In the Interview with Margret Steinhaus "From California to Berlin - why I came to Telekom from Silicon Valley" on the 13th of September, 2018 he talks about how he came from Silicon Valley in California to a position in the Deutsche Telekom Group, what we in Germany can learn from the mentality of Silicon Valley and how he feels at T-Systems in the IoT environment.

Mr. Schlueter Langdon, you started via a LinkedIn campaign on 1 June 2018 at T-Systems in Berlin. Can you tell us your story?

Yes, 3 things came together: First, an interview with Tim Höttges on the TV station Bloomberg. He described IoT as Deutsche Telekom's growth area. While carriers in the US are more likely to rely on video and advertising, there are opportunities with IoT in Germany because of the strength of the German industry. And I am a data science and analytics professor and have been teaching IoT and Smart or Intelligent Products for years because it is the future. Secondly, I had to teach a new course on social media analytics in the summer. During research for the course, I came across a campaign ad on LinkedIn from Ingo Hofacker, the head of T-System’s IoT division. And since I wanted to go back to Germany for family reasons, I just clicked on the ad and sent a message.

Can you give us a little insight into your current area of responsibility?

Deutsche Telekom is investing heavily in its own IoT products. A key building block and platform is the Data Intelligence Hub, DIH for short, a data hub and data marketplace with an attached workshop for Analytics and Artificial Intelligence. Everyone says, "Data is the New Oil," but just like oil, it also takes extensive and time-consuming refining to be able to leverage the data assets with analytics. And this is where I am an expert and can help to get even faster and better. Industry needs to digitize and needs partners that are essentially neutral, secure and big. I know this from my many projects in the automotive industry. And this is exactly where the DIH fits. It's tailored to our customers' needs, it's infrastructure, it removes the complexity, cost and risk of data analytics, allowing customers to focus on digitizing their core business. On top they can even earn money with your own data via DIH.

What can we learn from the mentality of the Silicon Valley in Germany? And where are we one step ahead of the Valley?

The advantage of Silicon Valley in digitization today is based on intangibles, even the name is not on maps. In terms of the intangibles, the whole of Europe could also score points: From the flair of French fashion, from the elegance of Italian design to the top quality of German cars. The stuff for success stories exists. What's missing is speed with many managers, the digital economy is moving faster. Often no decision is made, one prefers to stick with the old, and if something is dared, then it is too little and not focused enough. Often everything is tried internally instead with outside talents and specialized partners. Digitization is about software layers, you can't play at all levels, you have to focus on one layer or niche, then copy or outsource the rest.

How do you like it at T-Systems?

Very good and not at all like a large corporation. There was a professional onboarding in both Ingo Hofacker's group with a Welcome Day and my team "The Datanistas." The dynamism, decisiveness and customer orientation here feel more like a start-up. In addition, there is a closeness with German industry and the strong, medium-sized “Mittelstand” firms and thus business opportunities, which do not exist in Silicon Valley.

German original: https://www.linkedin.com/pulse/von-kalifornien-nach-berlin-warum-ich-aus-dem-valley-steinhaus/

Artikel von Christoph Schlueter Langdon

T-Systems als Pionier: Implementierung von IDS

IDSA hat ein Konzept entwickelt, mit dem Unternehmen Daten bündeln und gemeinsam nutzen können, um Wettbewerbsvorteile zu erzielen und gleichzeitig die Datensouveränität zu wahren. Der Telekom Data Intelligence Hub bietet eine erste kommerzielle Implementierung.

Mehr

Datenfabriken für Datenprodukte

Wenn 80 Prozent des Zeitbudgets mit der Aufbereitung statt der Analyse von Daten verbracht werden, scheint ein Fehler im System vorzuliegen. Ein Blick in die Vergangenheit könnte helfen: Henry Ford hat mit seinen Fabriken das Autogeschäft revolutioniert. Wie wäre es, wenn wir Datenfabriken bauen?

Mehr

Erfolg mit „Small Data“: Neue Forschung zu Ensemble Learning

Bei aller Aufmerksamkeit für Big Data ist es leicht, KI-Möglichkeiten mit kleinen oder unausgewogenen Stichproben – oder „Small Data“ – zu übersehen. Erfolg mit Small Data erfordert spezialisierte Analysen. Cloud-Trends wie Edge-Computing werden Möglichkeiten von Small Data weiter ausbauen.

Mehr

Behandelt Daten wie ein Produkt: Erfolg braucht Produkt Management

Bundeskanzlerin Merkel mahnt deutsche Unternehmen, das Wertschöpfungspotenzial von Daten auszuschöpfen oder sich einem bösen Erwachen auszusetzen. Aber wie kann man den Wechsel zu einem datenorientierten Unternehmen vollziehen? Ein erster guter Schritt wäre „Produkt Management“.

Mehr

Power Shift zu Daten: Die autofreie-Autofirma?

Einnahmen aus Automotive verlagern sich auf Mobilitätsdienste, und die Power- und der Profit – wird sich vom Fahrzeug – oder der Hardware – auf Daten verlagern: Die Wiederholung einer Geschichte, die in Rappaport & Halevi’s „The Computerless Computer Company“ (Harvard Business Review, 1991) vorhergesagt wurde?

Mehr

Space Race: Daten werden auch deine Nachbarschaft verändern

Planen Sie eine Wohnung zu mieten, ein Haus zu kaufen, ein Büro zu finden? Die Ankunft und der Erfolg von Robotaxis, Van-Pool-Shuttles und autonomen Fahrzeugen werden den Nutzen urbaner Räume – Straßen, Parkplätze – radikal verändern und ein Rennen zur Wiederverwendung auslösen.

Mehr

Flottenauslastung mit Heatmap Analytics

Es gibt viele Open-Source-Daten, z. B. wo Menschen leben und wie viele Autos registriert sind. Um den öffentlichen Verkehr zu optimieren, fehlen jedoch dynamische Daten, beispielsweise Daten zu tatsächlichen Personenbewegungen. Der Data Intelligence Hub kann hier helfen.

Mehr

Datapools für KI: Mehr von den richtigen Daten

Die richtigen Daten in der richtigen Menge sind der Schlüssel zum Erfolg mit KI. Doch nur wenige Unternehmen werden Daten in ausreichender Menge sammeln können. Bundeswirtschaftsminister Altmaier bringt es auf den Punkt: „Wir brauchen einen Datenpool für Europa“. Doch wie bündelt und teilt man Daten, ohne die Datensouveränität zu gefährden?

Mehr

Daten: Quantität oder Qualität?

Wir haben führende Daten Scientists gefragt: Wofür geben Sie den nächsten US-Dollar aus? Was ist wichtiger? Datenmenge oder -qualität?

Mehr

Schneller und sicherer Datenaustausch zwischen OEM und Supplier

Intelligente Mobilität kommt mehr und mehr zum Einsatz. Doch um diese Intelligenz zu schaffen, wird eine große Menge an Daten benötigt. Möchte man als OEM wettbewerbsfähig bleiben, müssen Daten effizient eingeholt, analysiert und genutzt werden. Aber wie bezieht man eigentlich die Daten?

Mehr