MY DATA IS BETTER THAN YOURS Archiv

Warum dauert der Aufbau eines einzigen Datenprodukts sechs Monate – und warum fängt man beim nächsten Anwendungsfall wieder von null an? Und wie misst man eigentlich, ob man den eigenen Daten trauen kann? Ales Zeman arbeitet seit über 25 Jahren bei Quest und ist seit über 30 Jahren im IT-Umfeld unterwegs. Seinen Uni-Abschluss hat er vor 30 Jahren in künstlicher Intelligenz gemacht – seine Diplomarbeit war ein Expertensystem, das man mit einem Prompt ansprechen konnte. Was damals fehlte, sagt er, war die Rechenleistung. In dieser Folge bringt er die Vendor-Seite in den Podcast: das Thema Trusted Data Products. Der Ausgangspunkt ist ein Satz, den Jonas Rashedi vorab bei ihm gefunden hat – ohne Business Intent funktionieren keine Datenprodukte. Ales Zeman bestätigt das und begründet es nüchtern: Wenn der Geschäftszweck nicht vorher bestimmt ist, bekommen die Projekte keine Unterstützung, keine Ergebnisse und keinen ROI. Was ein Datenprodukt überhaupt ist, erklärt er an einem Lego-Baukasten. Erst das Ziel, also das Modell, das gebaut werden soll. Dann die Bausteine, das sind die Daten, die irgendwo in der Firma liegen. Die Farben und Formen der Steine sind die Metadaten, der Kontext. Das Heft in der Schachtel ist die Bauanleitung, also das Datenmodell. Und am Ende landet das fertige Produkt in einem Marketplace, wo es beschrieben, verglichen und sogar geliked werden kann. Wie aufwendig das in der Praxis ist, zeigt ein Fall aus einer Versicherung. Ziel war, bei einem gemeldeten Vorfall zu erkennen, ob es sich um Betrug handelt. Allein die Abstimmung zwischen Fachabteilung, Datenabteilung und Analysten darüber, welche Daten dafür gebraucht werden, hat sechs Monate gedauert. Das Ergebnis waren 350 Excel-Sheets, aus denen ein Datenprodukt gebaut wurde. Danach kamen noch einmal zwei Monate für Governance, sensible Daten und Datenqualität dazu, plus einige Wochen bis zur Bereitstellung. Beteiligt waren Teams von fünf bis zehn Leuten aus verschiedenen Abteilungen. Und beim nächsten Vorfall fing man wieder von null an. Genau dagegen richtet sich der Ansatz einer automatisierten Data Product Factory. Die Reihenfolge bleibt aber dieselbe, und keinen Schritt darf man überspringen: erst Datenmodellierung, dann Datenkatalog, dann Datenqualität, dann Governance, dann Bereitstellung auf einem Marktplatz. Wer keinen Katalog hat, kann bestehende Datenbanken per Reverse Engineering ziehen und daraus die Modelle aufbauen. Vertrauenswürdigkeit wird gemessen, nicht behauptet. Der Trust Score setzt sich aus neun gewichtbaren Kriterien zusammen. Datenqualität kann mit 40 Prozent gewichtet werden, Governance mit 20 Prozent, dazu kommen Lineage, Modellierung, Likes, Nutzungshäufigkeit und Aktualität. Gefragt, woran es bei Kunden am häufigsten hakt, nennt Ales Zeman drei Punkte: Datenqualität wird nicht gemessen, Datenmodelle fehlen oder liegen nur als Excel-Sheet oder Visio vor, und SLAs zur Aktualität sind gar nicht erst definiert. Beim Modellieren mit KI zieht er eine klare Grenze. Ein LLM, das auf den eigenen Datenkatalog und auf Standardmodelle pro Industrie trainiert ist, baut das Datenmodell – nicht ChatGPT, das jedes Mal ein anderes Modell zurückgibt und halluzinieren kann. Außerdem im Gespräch: warum Kunde 360 das häufigste Datenprodukt in Unternehmen ist, warum Fraud Detection und Customer Churn die typischen KI-Use-Cases darüber sind, wie man eine solche Plattform vor einem CFO begründet, was für und was gegen zentrale Datenhaltung spricht, und warum Cloud und Cloud-Datenplattformen zwei bis drei Jahre später in Deutschland angekommen sind als in Nordamerika. Beim AI-Hype widerspricht er offen. Er würde das nicht Hype nennen, sondern eine Verschiebung, vergleichbar mit dem Internet oder dem Smartphone. Privat steuert er sein Zuhause über rund 80 Sensoren. Kurz vor der Aufnahme meldete sein Hub, dass das Schwimmbecken den Internetzugriff verloren hat. Sein Filmtitel fürs eigene Data-Game: Abkürzungen zahlen sich bei KI nicht aus.

KI diskriminiert nicht von selbst – sie wiederholt unsere Muster. Alex Ulbricht von Fujitsu hat über 400 Keynotes zu AI-Fairness gehalten. In dieser Folge geht es um den Amazon-Recruiting-Fall, um Crashtest-Dummies und Medikamentenforschung, um Fairness by Design und um den Disparate Impact Ratio, mit dem du Bias in einer einfachen Formel testen kannst. In dieser Folge erfährst du: Warum KI keine Vorurteile erfindet, sondern historische Muster reproduziert Was der Amazon-Recruiting-Fall von 2014 bis heute lehrt Wie ein Bias-Audit abläuft – und was Intersectional Bias bedeutet Warum Fairness von Anfang an ins Design gehört (wie Barrierefreiheit) Wie du mit dem Disparate Impact Ratio in einer Formel auf Bias testest Über den Gast: Alex Ulbricht ist seit über zwölf Jahren bei Fujitsu und war dort die jüngste Vertriebsleiterin im Datacenter-Sales. Heute ist sie Keynote-Speakerin zum Thema AI-Fairness und hat über 400 Vorträge gehalten. MY DATA IS BETTER THAN YOURS ist ein Projekt von BETTER THAN YOURS, der Marke für richtig gute Podcasts. Zum Linkedin Profil von Alex Ulbricht: https://www.linkedin.com/in/alex-ulbricht-data-driven-transformation/ Fujitsu: https://www.fujitsu.com Zum LinkedIn Profil von Jonas: https://www.linkedin.com/in/jonasrashedi/ Jonas' Bücher: https://www.amazon.de/stores/Jonas-Rashedi/author/B09FKCFYBM Mehr Folgen: https://podigee.com/my-data-is-better-than-yours Rund um Jonas: https://linktr.ee/jonas.rashedi Du möchtest gezielt Werbung im Podcast MY DATA IS BETTER THAN YOURS schalten? Zum Kontaktformular: https://2frg6t.share-eu1.hsforms.com/2ugV0DR-wTX-mVZrX6BWtxg

Über 90 % der KI-Piloten liefern keinen messbaren Mehrwert. In dieser Folge des Stammformats sitze ich mit Tim Wiegels zusammen, und wir sind uns bei der zentralen These schnell einig: 2026 entscheidet nicht das beste KI-Modell über Gewinner und Verlierer, sondern der, der seine Daten und Inhalte wirklich gut aufbereitet hat. Tims Vortragstitel bei Beyond the Dashboard fasst es zusammen: Deine KI ist nicht so gut wie deine Daten. Und bei den meisten ist sie das nicht. Wir sortieren das über ein Framework mit zwei Achsen. Auf der einen Daten- und Content-Verfügbarkeit, auf der anderen Prozess- und Workflow-Verständnis. Gewinner haben beides hoch und einen P&L-messbaren Impact, weil sie am Ende weniger Zeit für dasselbe Ergebnis brauchen. Die große Masse hat beides niedrig, und genau da kommen die über 90 % her. Dazwischen zwei typische Fallen: viel Content ohne Prozessverständnis, also große Data-Lakes, die nicht mit der Fachabteilung reden. Und viel Prozessverständnis ohne eigene Daten, also ChatGPT oder Copilot auf fremdem Wissen, mit dem du nur so gut bist wie der Wettbewerb, der gestern gestartet ist. Tim dreht die übliche Diagnose um: Das eigentliche Silo sitzt nicht in den Daten, sondern in den Köpfen. Zu viele Teams, die ihre eigenen Prozesse nicht sauber verstehen. KI macht diese Silos nur sichtbar, erfunden hat sie das Problem nicht. Wir landen beide bei derselben Empfehlung. Klein anfangen, auf guten Daten testen, eine Fehlerkultur zulassen, statt drei Jahre auf das perfekte Datenmodell zu warten. Der ehrlichste erste Use Case ist oft ein sauber gebauter Helpdesk-Chatbot, nach innen oder nach außen. Außerdem in den News der Woche: Der Agent-Ready-Data-Layer. Warum fast jede Datenbank einer sein kann, sobald das Gold-Silber-Bronze-Prinzip sitzt, und warum die großen Plattformen bei Real-Time-Anfragen an ihre Grenzen kommen. Der EU-AI-Act mit Stichtag 2. August und den ersten Pflichten. Warum Governance und Erklärbarkeit hier keine Compliance-Bremse sind, sondern die Eintrittskarte, um KI überhaupt sauber zu nutzen. Und warum es für den AI-Act dieselbe Dienstleistung geben müsste, die es beim Datenschutz mit dem externen DPO längst gibt. KI-Phishing, das laut der besprochenen Meldung stark zunimmt, und die Frage, wie verwundbar E-Mail-Agenten im eigenen Postfach eigentlich sind. Zum Schluss noch unsere laufende Wette zum Cost-Overrun und ein kurzer Blick auf Anthropics Net Revenue Retention. Tim & Jonas, Stammformat, Folge 334. Neue Folgen jeden Freitag.

Vom Bilder-Archiv zum Fundament der Content-Wertschöpfung: Simon Putzer, Co-CEO von Sharedien, erklärt, wie modernes Digital Asset Management heute funktioniert. Am Beispiel von Otto, Tesa und Siemens geht es um multimodales Bild-Scoring, um Build vs. Buy im KI-Zeitalter und darum, warum ohne saubere Stammdaten kein Use-Case fliegt. In dieser Folge erfährst du: Wie Otto über 23 Mio. Assets multimodal und für unter 1 Cent pro Bild bewertet Was ein modernes DAM vom klassischen Bilder-Archiv unterscheidet Warum 'Stammdatenarmut' der eigentliche Engpass im Mittelstand ist Build vs. Buy: was man selbst baut und was man einkauft Wohin die Reise geht: vom DAM zur Knowledge Graph Content Value Chain Über den Gast: Simon Putzer ist Co-CEO von Sharedien und verantwortet Marketing, Vertrieb und die globale Go-to-Market-Strategie. Er ist seit über 25 Jahren im SaaS- und MarTech-Umfeld tätig, davon zehn Jahre bei Salesforce. MY DATA IS BETTER THAN YOURS ist ein Projekt von BETTER THAN YOURS, der Marke für richtig gute Podcasts. Zum Linkedin Profil von Simon Putzer: https://www.linkedin.com/in/sputzer/ Sharedien: https://www.sharedien.com Zum LinkedIn Profil von Jonas: https://www.linkedin.com/in/jonasrashedi/ Jonas' Bücher: https://www.amazon.de/stores/Jonas-Rashedi/author/B09FKCFYBM Mehr Folgen: https://podigee.com/my-data-is-better-than-yours Rund um Jonas: https://linktr.ee/jonas.rashedi

Ein Recommender, der auf einem Knowledge Graph läuft, betrieben auf zwei Servern für 250 und 50 Euro im Monat: Wie baut man so etwas, und wann bringt die Datenstruktur dahinter mehr als ein klassischer Data Stack? Stefan Neubig ist Head of Data Engineering und AI bei Outdooractive, einer der größten europäischen Outdoor-Tourismus-Plattformen. Parallel schreibt er an der TU München an einer Doktorarbeit über Empfehlungssysteme und wie man sie erklärbar macht. Genau an diesem Schnittpunkt aus Industrierealität und Forschung läuft das Gespräch mit Jonas Rashedi. Outdooractive hat zwei Seiten: eine B2C-App und ein Wanderportal für Nutzer, die Touren und Points of Interest suchen und planen, und ein B2B-Geschäft, in dem Destinationen ihre Inhalte einstellen und ihre Besucher lenken wollen, weg von überlaufenen Orten. Der Recommender muss deshalb mehrere Stakeholder gleichzeitig bedienen, und er soll seine Vorschläge auch erklären. Dahinter liegt ein Knowledge Graph. Stefan definiert ihn als Graph, der Daten verbindet und zusätzlich eine Semantik in Form einer Ontologie mitbringt, also ein Graphschema. Im Fall des Recommenders sind das rund 92 Millionen Knoten, etwa Touren, Points of Interest, Regionen und Nutzer, und ungefähr 140 Millionen explizite Kanten dazwischen. Auf diesem Graphen wird ein Graph Neural Network trainiert, einmal pro Woche, das die Wahrscheinlichkeit für neue Kanten berechnet, zum Beispiel: Wie wahrscheinlich interessiert sich dieser Nutzer für diese Tour? Der ehrlichste Moment der Folge ist ein Misserfolg. In einem Experiment zur Besucherlenkung hat der Recommender zuerst nicht funktioniert. Die Warnung „hier wird es voll" hat die Leute erst recht angezogen, Knappheit macht attraktiver. Erst als das Team die Empfehlung anders gerahmt und emotionale Nachteile benannt hat, kein Parkplatz, Stau, hat sich das Verhalten gedreht. Außerdem im Gespräch: warum Stefan im Elevator Pitch nicht finanziell argumentiert, sondern über neue Fähigkeiten, weil die Infrastruktur virtuell auf der vorhandenen Datenbank aufsetzt und kaum Mehrkosten erzeugt. Was mit einem klassischen Stack aus Snowflake, dbt und Looker plus einem Sprachmodell passiert wäre. Warum der Knowledge Graph die Basis für Agenten und MCP ist und wo eine reine API an ihre Grenzen stößt. Und wie Stefan zwischen akademischem Anspruch und Plattform-Realität aus der Not eine Tugend gemacht hat. Zum Schluss die beiden Standardfragen. Privat ist Stefan Kaffee-Liebhaber und würde am liebsten den Stromverbrauch seines Siebträgers auswerten, wenn die Zeit da wäre. Und als Filmtitel für sein Data-Game wählt er „Die Karte hinter der Karte": Die geografische Karte ist der Stolz von Outdooractive, der Knowledge Graph ist die Informationslandschaft dahinter.

KI ist nicht euer erstes Problem. Diesen Satz nimmt Nicolai Dwinger mit in fast jedes Gespräch mit Mitgliedsunternehmen der IHK Mittlerer Niederrhein. Bevor der Mittelstand über KI redet, fehlt vielerorts noch die Basis der Digitalisierung. Genau da fängt diese Folge an. Nicolai ist bei der IHK für Industrie, Innovation und Digitalisierung zuständig, davor war er unter anderem bei Bosch, bei Pixel Park in der Dotcom-Zeit und über zwölf Jahre in einem amerikanischen Konzern im Bereich Europe, Middle East, Africa. Die IHK Mittlerer Niederrhein betreut nach seiner Aussage rund 80.000 Mitgliedsunternehmen, vom Einzelgründer bis zum Industriebetrieb, und begleitet sie über den gesamten Lebenszyklus: Gründung, erste Mitarbeitende, Nachfolge. Sein Bild vom Mittelstand ist ehrlich unterschiedlich. Manche Unternehmen rechnen längst eigene Modelle und fragen gezielt nach Daten. Andere haben Prozesse und Datenkultur noch gar nicht aufgesetzt und hoffen, KI räume den Laden auf wie ein Saugroboter. Wenn KI der Aufhänger ist, um die Digitalisierung endlich anzugehen, findet Nicolai das gut. Nur ersetzt sie die Hausaufgaben nicht. Im Gespräch mit Jonas Rashedi geht es um die Basics, die vor jedem Tool kommen: nutzenorientiert vorgehen statt digitalisieren, weil digital besser klingt. Change Management voranstellen und den Menschen den Benefit erklären, gerade dort, wo die Angst vor Wegrationalisierung sitzt. Und Daten, die heute in proprietären Systemen liegen, per Mail wandern und in Excel enden, endlich durchgängig verfügbar zu machen. Dazu die größeren Linien: Warum Deutschland eher Tanker als Schnellboot ist, und warum das im LLM-Game kein Nachteil sein muss, weil man nicht der Erste sein muss. Warum Regulierung wie NIS2, Ökodesign-Verordnung und digitaler Produktpass Rückenwind für die Digitalisierung sein kann statt nur Last. Und warum digitale Souveränität und ein europäischer Techstack im Mittelstand ankommen, sobald die ersten großen Leuchttürme vorangehen. Ein starker Strang der Folge ist Bildung. Neue Inhalte brauchen laut Nicolai fast sechs Jahre, bis sie in einer Prüfungsordnung stehen. Sein Anlass, mit einem Bildungskampus für KI bei Auszubildenden ein Schnellboot danebenzusetzen. Warum das trägt, zeigen die Energie Scouts, bei denen Azubis mit offenem Blick durchs Unternehmen gehen und Einsparungen finden, die Fachabteilungen übersehen, und das Prinzip Reverse Mentoring: Der Azubi zeigt dem Betrieb, was mit KI geht. Zum Schluss die beiden Standardfragen. Privat wertet Nicolai eigene Daten aus, vom digitalen Journaling per Google Form über Fitness-Watcher bis zur Verwaltung seines Kampfsport-Clubs. Und als Filmtitel für sein Data-Game wählt er Moneyball: Entscheidungen aus Daten statt aus Bauchgefühl.

KI-Projekte veralten oft, bevor sie überhaupt in Produktion gehen. Genau darum dreht sich diese Folge: um die Ökonomie hinter KI-Projekten und um die Frage, warum Cost Overrun bei KI keine Panne ist, sondern die Regel. Tim Wiegels und Jonas Rashedi melden sich nach langer Pause zurück. Beide haben in den Wochen davor sehr viel mit Claude und ChatGPT gearbeitet und probieren deshalb ein neues Format: drei News der Woche, jeweils mit Take, danach Thesen, Frameworks und zum Schluss eine Wette. Ein Bild trägt die Folge. Ein Berater der Big Four erzählt, er habe ein tolles Projekt durch, die Plattform für den Kunden sei 2027 fertig. Nur ist das eingesetzte Modell dann schon drei Jahre alt und die Möglichkeiten sind ein Vielfaches weiter. Wer ein KI-Projekt plant wie ein klassisches IT-Projekt mit Einmalkosten, plant an der Realität vorbei. Beide sind sich einig: Man steht bei dem Thema gefühlt jeden Monat wieder am Anfang. Die drei News: OpenAI und Anthropic gründen Enterprise-Joint-Ventures mit Private-Equity-Häusern im Rücken. Die Modelle kommen damit nicht nur über den klassischen Vertrieb ins Unternehmen, sondern durch die Hintertür der Investoren. Die Bitkom KI-Studie 2026 zeigt eine steigende KI-Nutzung, und jedes dritte Unternehmen reißt sein geplantes KI-Budget. Und Snowflake und Databricks positionieren sich als Steuerungsschicht für KI-Agenten, weil sie die Datengrundlage und die Abstraktionsschicht ohnehin schon liefern. Der Kern der Folge sind fünf Kostenfallen. Erstens Datenqualität: Niemand rechnet die Bereinigung ein, die schnell die Hälfte der Laufzeit frisst. Zweitens Inferenzkosten, die mit der Nutzung skalieren, während der Proof of Concept als Maßstab genommen wird. Drittens der Irrglaube, ein KI-Use-Case laufe ohne Reviewer, Audit-Trail und Eskalation. Viertens Vendor-Lock-in, der durch die neuen Joint Ventures operativ noch größer wird. Fünftens der Change-Schatten: Wenn Leute wegen KI gehen, tauchen Restrukturierungskosten im Business-Case auf, der Wissensverlust nicht. Zum Schluss die Wette auf die Bitkom-Studie 2027. Tim hält 45 Prozent Cost-Overrun-Quote für realistisch, Jonas hält mit 66 Prozent dagegen. Die Begründung: Allein der Wechsel auf ein neues Opus-Modell hat die Abfrage-Limits verändert, und niemand hat das eingeplant. Doppelgänger-Folge mit Tim Wiegels. Aufgenommen rund um die OMR.

Was passiert mit der Strategieberatung, wenn KI-Agenten in Tagen liefern, wofür klassische Beratung Monate braucht? Christian Underwood, Co-Founder & CEO von StrategyFrame.AI, hat sein eigenes Beratungsmodell nach dem Corona-Crash radikal umgebaut: heute 7 Personen plus ein Full-Agentic-AI-System – und mehr als 100 mittelständische Kunden, 5,5 Mio. EUR Umsatz. Wir sprechen über den Strategie-Prozess für den Mittelstand, die Architektur dahinter und warum die Hälfte aller Mittelständler bis heute keine geschriebene Strategie hat. Key Takeaways: Wie aus einer klassischen Beratung 7 Personen plus ein Full-Agentic-AI-System wurden – und das Geschäftsmodell auf 5,5 Mio. EUR Umsatz gewachsen ist Warum die Hälfte aller Mittelständler, die zu Christian kommen, bis heute keine geschriebene Strategie hat – manche bestehen seit über 200 Jahren Die drei Datenebenen von StrategyFrame.AI: Kundendaten, Benchmarking-Partner, Market Intelligence in 24 Stunden Warum Architektur wichtiger ist als das Modell – und warum Christian die Plattform permanent weiterentwickelt Geopolitik-Live-Feed: Wie das System Trump-Zoll-News gegen die Strategie eines Kunden mit USA-Fokus spiegelt Über den Gast: Christian Underwood ist Co-Founder und CEO von StrategyFrame.AI in Düsseldorf. Vor StrategyFrame war er 15+ Jahre in der Strategieberatung tätig, hält einen MBA der WHU, einen Magister der Universität Heidelberg und ein Postgraduate Diploma in Digital Business des EMERITUS-Programms (MIT Sloan + Columbia Business School). Das Handelsblatt nennt ihn „den Mann, der mit seiner KI-Beratung Roland Berger und Co. herausfordert". MY DATA IS BETTER THAN YOURS ist ein Projekt von BETTER THAN YOURS, der Marke für richtig gute Podcasts. Zum Linkedin Profil von Christian Underwood: https://www.linkedin.com/in/christianunderwood/?locale=en StrategyFrame.AI: https://www.strategyframe.ai/ Zum LinkedIn Profil von Jonas: https://www.linkedin.com/in/jonasrashedi/ Jonas' Bücher: https://www.amazon.de/stores/Jonas-Rashedi/author/B09FKCFYBM Mehr Folgen: https://podigee.com/my-data-is-better-than-yours Rund um Jonas: https://linktr.ee/jonas.rashedi Du möchtest gezielt Werbung im Podcast MY DATA IS BETTER THAN YOURS schalten? Zum Kontaktformular: https://2frg6t.share-eu1.hsforms.com/2ugV0DR-wTX-mVZrX6BWtxg

Wo steht der deutsche Mittelstand 2026 wirklich beim Thema KI? Jonas Rashedi spricht mit Bernhard Steimel, Studienmacher und Beobachter beim Smarter Service Institut, über sein Reifegradmodell AI-Infused AI-First AI-Only, über die größten Parallelen zwischen Digitalisierung 2017 und KI 2026 – und warum People-First wichtiger ist als jedes Tool. Key Takeaways: Warum die Digitalisierungs-Gewinner von 2017 heute die KI-Gewinner sind Das Reifegrad-Modell AI-Infused AI-First AI-Only – und wie du es auf dein Unternehmen anwendest Warum Head of AI & Data im Mittelstand keine Luxus-Position ist, sondern Pflicht Wo die Low Hanging Fruits liegen – und warum sie im Front Office anfangen Was 500 Entscheider Bernhard Steimel in acht Jahren über digitale Reife verraten haben Über den Gast: Bernhard Steimel ist Studienmacher und Beobachter beim Smarter Service Institut. Seit 2017 hat er fünf Studien zur digitalen Transformation veröffentlicht und arbeitet mit einem Reifegradmodell, das über acht Jahre an mehreren Hundert Entscheider-Interviews kalibriert wurde. Sein Netzwerk umfasst rund 500 Entscheider, vorwiegend aus dem großen Mittelstand. MY DATA IS BETTER THAN YOURS ist ein Projekt von BETTER THAN YOURS, der Marke für richtig gute Podcasts. Zum Linkedin Profil von Bernhard Steimel: https://www.linkedin.com/in/steimel/ Smarter Service Institut: [TODO – Firma-URL bestätigen, z. B. https://www.smarter-service.com] Zum LinkedIn Profil von Jonas: https://www.linkedin.com/in/jonasrashedi/ Jonas' Bücher: https://www.amazon.de/stores/Jonas-Rashedi/author/B09FKCFYBM Mehr Folgen: https://podigee.com/my-data-is-better-than-yours Rund um Jonas: https://linktr.ee/jonas.rashedi Du möchtest gezielt Werbung im Podcast MY DATA IS BETTER THAN YOURS schalten? Zum Kontaktformular: https://2frg6t.share-eu1.hsforms.com/2ugV0DR-wTX-mVZrX6BWtxg

Markus Unger ist Inhaber von vit:bikes – dem Münchner Fahrradgeschäfts-Verbund mit über 30 Shops und 180.000 YouTube-Abonnenten. Wir sprechen darüber, wie er den Sprung vom Aushilfe-Job zu einer AI-nativen Organisation geschafft hat – und warum der Mittelstand schneller AI-nativ werden kann als jeder Konzern. Eine Folge über Speichengregale, Säge schärfen, Cost per Lead, das vit:bikes-Cockpit und die These, dass der CEO Data und AI selbst treiben muss. Key Takeaways: Warum 50 Prozent der Fahrradhändler in 3 Jahren nicht mehr existieren werden Wie ein Speichengregal der Wendepunkt für 30 Shops wurde Warum vit:bikes mit YouTube 10-12 Millionen Nutzer pro Jahr erreicht Wieso eine selbstgebaute App 100.000-Euro-Angebote von Software-Firmen ersetzt Warum der CEO Data und AI selbst treiben muss – und nicht die IT Über den Gast: Markus Unger ist Inhaber und Geschäftsführer von vit:bikes – einem der größten Fahrradgeschäfts-Verbünde im deutschsprachigen Raum mit über 30 Shops und 180.000 YouTube-Abonnenten. Bis 2030 will er auf 200 Shops skalieren – befeuert durch eine selbstentwickelte Software, das vit:bikes-Cockpit. Markus Unger auf LinkedIn: https://www.linkedin.com/in/markus-unger-vitbikes/ Jonas auf LinkedIn: https://www.linkedin.com/in/jonasrashedi/ Jonas' Bücher: https://www.amazon.de/stores/Jonas-Rashedi/author/B09FKCFYBM Mehr Folgen: https://podigee.com/my-data-is-better-than-yours Du möchtest selbst einmal Gast im Podcast sein? - https://jonas-rashedi.de/index.html#aktuelle-folge

Jonas Deichmann hat 120 Ironman in 120 Tagen absolviert – mehr als jeder Mensch vor ihm. Die Sportmedizin hat gesagt: körperlich unmöglich. In dieser Folge spreche ich mit ihm darüber, welche Daten im Extremsport wirklich zählen, wann Algorithmen wie der Wearable versagen und was CDOs, Datenteams und Führungskräfte vom Mindset eines Weltrekordlers lernen können. Key Takeaways: Warum Jonas Deichmanns Wearable ihm jeden Tag '0% Erholung' gesagt hätte – und warum das irrelevant war Die 2 Datenpunkte, die über 120 Tage wirklich über Erfolg und Verletzung entschieden haben (Spoiler: nicht Watt, nicht VO2max) Wie sich sein Ruhepuls während des Projekts von 37 auf 70 erhöhte – und der Maximalpuls von 190 auf 115 fiel Warum klassische Trainingspläne und Tour-de-France-Algorithmen für so ein Projekt scheitern mussten Wie Deichmann Gewohnheiten designt – und wie Vertriebs-Teams genau dasselbe Prinzip nutzen können Warum der Kopf entscheidet, wann die Erschöpfung kommt – und was das für langfristige High-Performance heißt Über den Gast: Jonas Deichmann ist Extremsportler, Abenteurer und Keynote-Speaker. Er hat die Welt mit dem Rad umrundet, die Fahrrad-Weltrekorde für alle Kontinente gebrochen und in 120 Tagen 120 Ironman-Distanzen absolviert – Weltrekord. Seine Netflix-Doku 'Das Limit bin ich' zeigt das Projekt. MY DATA IS BETTER THAN YOURS ist ein Projekt von BETTER THAN YOURS, der Marke für richtig gute Podcasts. Zum LinkedIn Profil von Jonas Deichmann: https://www.linkedin.com/in/jonas-deichmann-93103189/ Netflix-Doku über Jonas Deichmann: 'Das Limit bin ich' Zum LinkedIn Profil von Jonas Rashedi: https://www.linkedin.com/in/jonasrashedi/ Mehr Folgen: https://podigee.com/my-data-is-better-than-yours Rund um Jonas: https://linktr.ee/jonas.rashedi Du möchtest gezielt Werbung im Podcast MY DATA IS BETTER THAN YOURS schalten? Zum Kontaktformular: https://2frg6t.share-eu1.hsforms.com/2ugV0DR-wTX-mVZrX6BWtxg

Carlos Riebeling war Geschäftsführer bei Bitburger, vorher CDO und Geschäftsführer bei MyDays und Jochen Schweizer, davor Praktikant bei Westwing in der Rocket-Zeit. 15 Jahre Datenhandwerk. Jetzt gründet er eine D2C men's skincare performance brand – alleine. Wir sprechen über den 7-Tage-Weihnachtsflip im E-Commerce, über Print-Mailings mit zweistelligen Millionen-Umsätzen und über die Frage, warum AI nicht das Tool ist, sondern das Multiplikator-Sparring für alles, was du schon kannst. Key Takeaways: Warum 15 Jahre Daten-Methodik der echte AI-Hebel sind – und nicht das Tool Der 7-Tage-Weihnachtsflip: wie MyDays jedes Jahr exakt am selben Tag von 70% Frauen auf 70% Männer kippte Print-Mailings mit Geo-Personalisierung – zweistelliger Millionen-Umsatz zu Weihnachten Mittelstand-Assessment: Wie du in zwei Gesprächen erkennst, ob echte Transformationsbereitschaft da ist Warum IT/Data/AI ein Business-Enabler ist – nicht ein Infrastruktur-Thema Typing Mind, Claude & Nanobanana: Carlos' konkreter AI-Werkzeugkasten fuer den Marken-Aufbau Die Rechnung, die alles ändert: Ein Single-Founder mit dem Wissensstand von 20 bis 100 Kollegen Über den Gast: Carlos Riebeling ist Gründer von 60kollektiv, einer D2C men's skincare performance brand. Davor war er Geschäftsführer bei der Bitburger-Gruppe, CDO und Geschäftsführer bei MyDays und Jochen Schweizer und Praktikant bei Westwing in der Rocket-Internet-Ära. Bachelor in Münster, Master in England, Abschlussarbeit mit der NASA. Heute 39, Vater einer Tochter, lebt in Düsseldorf. MY DATA IS BETTER THAN YOURS ist ein Projekt von BETTER THAN YOURS, der Marke für richtig gute Podcasts. Zum LinkedIn Profil von Carlos: https://www.linkedin.com/in/carlos-anthony-yniguez/ 60kollektiv: https://www.linkedin.com/company/60kollektiv/ Zum LinkedIn Profil von Jonas: https://www.linkedin.com/in/jonasrashedi/ Jonas' Bücher: https://www.amazon.de/stores/Jonas-Rashedi/author/B09FKCFYBM Mehr Folgen: https://podigee.com/my-data-is-better-than-yours Rund um Jonas: https://linktr.ee/jonas.rashedi Du möchtest gezielt Werbung im Podcast MY DATA IS BETTER THAN YOURS schalten? Zum Kontaktformular: https://2frg6t.share-eu1.hsforms.com/2ugV0DR-wTX-mVZrX6BWtxg

KI-Hype trifft Realität: 750.000 Unternehmen in NRW – aber nur die wenigsten nutzen KI strategisch. Dr. Christian Temath, Geschäftsführer von KI.NRW, erklärt, warum die Gewinner heute schon aufgestellt sind, welche Rolle Kultur und Commitment spielen und warum „be bold" wichtiger ist als jeder ROI-Case. Key Takeaways: Warum die meisten Unternehmen KI falsch herum angehen – und wie du es besser machst Placebo-KI vs. echte Transformation: Der Unterschied zwischen Copilot-Lizenz und strategischem Mehrwert Der Miele-Fall: Wie ein Backofen mit Kamera gegen Deckungsbeitrag gestartet und zum Datenschatz wurde KI Act und Regulierung: Warum selbst Juristen uneins sind – und wie du trotzdem ins Tun kommst Was der deutsche Mittelstand dem Silicon Valley wirklich entgegensetzen kann Über den Gast: Dr. Christian Temath ist Geschäftsführer der Kompetenzplattform KI.NRW am Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS in Sankt Augustin. Vor seiner Zeit bei KI.NRW war er acht Jahre in der Strategieberatung bei McKinsey und hat anschließend bei HRS tief in den Datenthemen eines global agierenden Tech-Unternehmens gearbeitet. Heute begleitet er das KI-Ökosystem in NRW – von Startups bis zum Mittelstand. MY DATA IS BETTER THAN YOURS ist ein Projekt von BETTER THAN YOURS, der Marke für richtig gute Podcasts. Du möchtest gezielt Werbung im Podcast MY DATA IS BETTER THAN YOURS schalten? Zum Kontaktformular: https://2frg6t.share-eu1.hsforms.com/2ugV0DR-wTX-mVZrX6BWtxg Zum Linkedin Profil von Christian: https://www.linkedin.com/in/christiantemath/ Zur Homepage von KI.NRW: https://www.ki.nrw/ Zum Linkedin Profil von Jonas: https://www.linkedin.com/in/jonasrashedi/ Jonas' Bücher: https://www.amazon.de/stores/Jonas-Rashedi/author/B09FKCFYBM Alle Folgen: https://my-data-is-better-than-yours.podigee.io/

Wie baut man ein Unternehmen, das komplett auf Individualisierung basiert – und skaliert es trotzdem? In dieser Folge spricht Jonas Rashedi mit Till Brunecker, Gründer und CEO von Edeltravel, über den Weg von Google Ads in Mexiko hin zu einer datengetriebenen Luxusreise-Agentur. CRM, Kundendaten und die Frage: Wie wird Wissen skalierbar? In dieser Folge erfährst du: Warum Luxus über Service definiert wird – nicht über Hardware oder Ausstattung Wie Edeltravel Kundenpräferenzen systematisch erfasst und nutzt Warum Standard-CRM-Systeme bei hochindividuellen Geschäftsmodellen scheitern Was passiert, wenn implizites Kundenwissen nicht rechtzeitig digitalisiert wird Wie fast zwei Vollzeitstellen für die Datenbereinigung den Unterschied gemacht haben Über den Gast: Till Brunecker ist CEO und Gründer von Edeltravel, einem Luxusreiseveranstalter mit mehreren Standorten. Seit über 15 Jahren ist er Unternehmer in der Reisebranche – von Destination Management in Mexiko bis zur eigenen Luxusreise-Agentur in Deutschland. Links: Till auf LinkedIn: https://www.linkedin.com/in/till-brunecker-8b2124b9/ Edeltravel: https://edel.travel/ Jonas auf LinkedIn: https://www.linkedin.com/in/jonasrashedi/ Jonas' Bücher: https://www.amazon.de/stores/Jonas-Rashedi/author/B09FKCFYBM Mehr Folgen: https://podigee.com/my-data-is-better-than-yours Du möchtest gezielt Werbung im Podcast MY DATA IS BETTER THAN YOURS schalten? Zum Kontaktformular: https://2frg6t.share-eu1.hsforms.com/2ugV0DR-wTX-mVZrX6BWtxg