Masters of Data, BI & AI Archiv
44 Episoden
57 Minuten
Send us Fan Mail
2014 steht in einem der größten Verlagshäuser der Welt eine Frage im Raum, die kaum ein Unternehmen freiwillig stellt: Wollen wir bei Open Access überhaupt mitmachen? Damit kannibalisieren wir unser eigenes Geschäft. Bis dahin zahlten die Leser. Heute zahlen die, die veröffentlichen wollen.
Harald Greiner hat diese Transformation aus nächster Nähe erlebt: über zehn Jahre bei Holtzbrinck, einem globalen Medienkonzern mit über 14.000 Beschäftigten, als VP IT und de facto CIO mit mehr als 160 Mitarbeitenden und zweistelligem Millionenbudget. Davor hat er mit UP2GATE ein eigenes Startup mitgegründet. Heute ist er Fractional CIO bei F.ECTIVES und sitzt im Advisory Board von CIONET.
In der aktuellen Episode von Masters of Data, BI & AI erzählt er, warum digitale Transformation seit Jahren an denselben Dingen scheitert, was Unternehmen aus einem Geschäftsmodell-Flip lernen können und wie sich Vertrauen im Business wirklich aufbaut.
Ein paar Dinge, die hängengeblieben sind:
Zum Startup, das zu früh war:
UP2GATE startete zu viert und hatte am Ende rund 25 Leute. Die Plattform verband ERP-Systeme von Industrie und Großhändlern, zu einer Zeit, als SAP das selbst noch nicht konnte. Sein Fazit: Man war vom Hype her zu spät und technologisch zu früh. Es war die arbeitsreichste Zeit seines Lebens, und die Erfahrung, nach dem großen Siemens ein kleines Startup mitzubauen, möchte er nicht missen.
Zum Google-Rollout und den drei Erfolgsfaktoren:
2014 ging Holtzbrinck global auf Google, damals war Google Cloud in Deutschland noch klein und die Cloud galt als unsicher. Zwei deutsche Verlage verzögerten sich um fast ein Jahr, weil die Gespräche mit dem Betriebsrat so lange dauerten, obwohl man früh auf Einbindung geachtet hatte. Dann hörten die Mitarbeitenden von den anderen Verlagen, wie gut gemeinsames Arbeiten in der Cloud funktioniert, und wollten es auch. Seine Faktoren: klar kommunizieren, wohin es geht, und das immer wieder wiederholen. Die Führung früh mitnehmen, die Geschäftsführer gingen als Erste live. Und die Kritiker einbinden, denn auch von dort kommen wertvolle Impulse.
Zur Kannibalisierung des eigenen Geschäftsmodells:
Sein größter Lerneffekt aus Open Access: Wer sein Geschäftsmodell nicht selbst kannibalisiert, dem macht es ein Branchenfremder, wie Tesla, Airbnb oder Uber. Bei Macmillan Learning ging es weg von der nächsten Buchauflage hin zu E-Learning-Plattformen, entwickelt mit Mockups, die man gemeinsam mit Professoren und Studenten gebaut hat. Sein Rat: Vom Kunden her denken und keine Scheuklappen aufsetzen, auch wenn man ein Geschäft seit 10, 15 oder 20 Jahren so betreibt.
Zu KI und Europa:
Use Cases zu finden ist leicht, sie zu skalieren und Mehrwert zu heben ist deutlich schwerer. Trotzdem hält er KI für die größte Veränderung, die wir je gesehen haben, größer als Internet und Smartphone, und das Hauptproblem liege nicht bei der Technologie, sondern bei Menschen und Organisationen. Für Europa sieht er keine Erkenntnis-, sondern eine Umsetzungslücke. Chancen sieht er bei kleineren Modellen auf eigenen Daten, bei World Models und bei Industrial AI, wo Deutschland mit seinen Maschinendaten einen Vorsprung hat. Dazu mehr Zusammenarbeit mit europäischen KI-Startups und weniger Hürden in Einkaufsprozessen.
Zum Fractional-CIO-Modell:
Als F.ECTIVES vor zwei Jahren mit zwei Freunden aus der Community startete, gab es den Begriff in Deutschland kaum. Die Idee: ein Mandat, aber auch zwei oder drei parallel, weil sich gerade kleinere Unternehmen keinen Vollzeit-CIO leisten können. Der Vorteil sind Leute mit 30 Jahren Erfahrung, die Umsetzungen geführt haben und nicht nur Foliensätze liefern. Inzwischen nennt sich fast jeder, der vorher Interim im Profil stehen hatte, auf LinkedIn Fractional.
Zu Vertrauen im Vertrieb:
Die ersten fünf Minuten entscheiden: Entsteht Vertrauen oder Misstrauen? Skeptisch wird er, wenn im Meeting während der Vorstellungsrunde schon das Notebook aufgeklappt wird. Kaltakquise funktioniert kaum noch, er bekam zeitweise mindestens 50 Anfragen pro Woche. Besser: Events, eigene Beiträge auf LinkedIn mit klarer Haltung und Empfehlungen aus dem Netzwerk. In der CIONET-WhatsApp-Gruppe kommen auf konkrete Fragen oft innerhalb von 60 Minuten die ersten Antworten. Und: Zuhören ist eine Superpower.
Wie seht ihr das: Sollte man sein eigenes Geschäftsmodell lieber selbst kannibalisieren, bevor ein Branchenfremder es tut, oder wartet man besser, bis der Markt es erzwingt?
LinkedIn Profile
LinkedIn Profile von Harald Greiner: https://www.linkedin.com/in/haraldgreiner/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Buch
Im Grunde gut von Rutger Bregman: Harald nennt es kein klassisches Businessbuch, sondern eines für Privates und Berufliches. Die These: Menschen, gerade in Extremsituationen, reagieren positiver, als man denkt. Beispiele sind Kinder, die auf einer einsamen Insel strandeten und sich entgegen der Fiktion Strukturen gaben und zusammenarbeiteten, und der Zusammenhalt in England im Zweiten Weltkrieg. Ihn begeistern Bücher über den menschlichen Faktor, weil es in seiner Arbeit immer darum ging, Menschen auf der Reise mitzunehmen. Schon Dawinder Singh hat das Buch in Folge 43 empfohlen.
2014 steht in einem der größten Verlagshäuser der Welt eine Frage im Raum, die kaum ein Unternehmen freiwillig stellt: Wollen wir bei Open Access überhaupt mitmachen? Damit kannibalisieren wir unser eigenes Geschäft. Bis dahin zahlten die Leser. Heute zahlen die, die veröffentlichen wollen.
Harald Greiner hat diese Transformation aus nächster Nähe erlebt: über zehn Jahre bei Holtzbrinck, einem globalen Medienkonzern mit über 14.000 Beschäftigten, als VP IT und de facto CIO mit mehr als 160 Mitarbeitenden und zweistelligem Millionenbudget. Davor hat er mit UP2GATE ein eigenes Startup mitgegründet. Heute ist er Fractional CIO bei F.ECTIVES und sitzt im Advisory Board von CIONET.
In der aktuellen Episode von Masters of Data, BI & AI erzählt er, warum digitale Transformation seit Jahren an denselben Dingen scheitert, was Unternehmen aus einem Geschäftsmodell-Flip lernen können und wie sich Vertrauen im Business wirklich aufbaut.
Ein paar Dinge, die hängengeblieben sind:
Zum Startup, das zu früh war:
UP2GATE startete zu viert und hatte am Ende rund 25 Leute. Die Plattform verband ERP-Systeme von Industrie und Großhändlern, zu einer Zeit, als SAP das selbst noch nicht konnte. Sein Fazit: Man war vom Hype her zu spät und technologisch zu früh. Es war die arbeitsreichste Zeit seines Lebens, und die Erfahrung, nach dem großen Siemens ein kleines Startup mitzubauen, möchte er nicht missen.
Zum Google-Rollout und den drei Erfolgsfaktoren:
2014 ging Holtzbrinck global auf Google, damals war Google Cloud in Deutschland noch klein und die Cloud galt als unsicher. Zwei deutsche Verlage verzögerten sich um fast ein Jahr, weil die Gespräche mit dem Betriebsrat so lange dauerten, obwohl man früh auf Einbindung geachtet hatte. Dann hörten die Mitarbeitenden von den anderen Verlagen, wie gut gemeinsames Arbeiten in der Cloud funktioniert, und wollten es auch. Seine Faktoren: klar kommunizieren, wohin es geht, und das immer wieder wiederholen. Die Führung früh mitnehmen, die Geschäftsführer gingen als Erste live. Und die Kritiker einbinden, denn auch von dort kommen wertvolle Impulse.
Zur Kannibalisierung des eigenen Geschäftsmodells:
Sein größter Lerneffekt aus Open Access: Wer sein Geschäftsmodell nicht selbst kannibalisiert, dem macht es ein Branchenfremder, wie Tesla, Airbnb oder Uber. Bei Macmillan Learning ging es weg von der nächsten Buchauflage hin zu E-Learning-Plattformen, entwickelt mit Mockups, die man gemeinsam mit Professoren und Studenten gebaut hat. Sein Rat: Vom Kunden her denken und keine Scheuklappen aufsetzen, auch wenn man ein Geschäft seit 10, 15 oder 20 Jahren so betreibt.
Zu KI und Europa:
Use Cases zu finden ist leicht, sie zu skalieren und Mehrwert zu heben ist deutlich schwerer. Trotzdem hält er KI für die größte Veränderung, die wir je gesehen haben, größer als Internet und Smartphone, und das Hauptproblem liege nicht bei der Technologie, sondern bei Menschen und Organisationen. Für Europa sieht er keine Erkenntnis-, sondern eine Umsetzungslücke. Chancen sieht er bei kleineren Modellen auf eigenen Daten, bei World Models und bei Industrial AI, wo Deutschland mit seinen Maschinendaten einen Vorsprung hat. Dazu mehr Zusammenarbeit mit europäischen KI-Startups und weniger Hürden in Einkaufsprozessen.
Zum Fractional-CIO-Modell:
Als F.ECTIVES vor zwei Jahren mit zwei Freunden aus der Community startete, gab es den Begriff in Deutschland kaum. Die Idee: ein Mandat, aber auch zwei oder drei parallel, weil sich gerade kleinere Unternehmen keinen Vollzeit-CIO leisten können. Der Vorteil sind Leute mit 30 Jahren Erfahrung, die Umsetzungen geführt haben und nicht nur Foliensätze liefern. Inzwischen nennt sich fast jeder, der vorher Interim im Profil stehen hatte, auf LinkedIn Fractional.
Zu Vertrauen im Vertrieb:
Die ersten fünf Minuten entscheiden: Entsteht Vertrauen oder Misstrauen? Skeptisch wird er, wenn im Meeting während der Vorstellungsrunde schon das Notebook aufgeklappt wird. Kaltakquise funktioniert kaum noch, er bekam zeitweise mindestens 50 Anfragen pro Woche. Besser: Events, eigene Beiträge auf LinkedIn mit klarer Haltung und Empfehlungen aus dem Netzwerk. In der CIONET-WhatsApp-Gruppe kommen auf konkrete Fragen oft innerhalb von 60 Minuten die ersten Antworten. Und: Zuhören ist eine Superpower.
Wie seht ihr das: Sollte man sein eigenes Geschäftsmodell lieber selbst kannibalisieren, bevor ein Branchenfremder es tut, oder wartet man besser, bis der Markt es erzwingt?
LinkedIn Profile
LinkedIn Profile von Harald Greiner: https://www.linkedin.com/in/haraldgreiner/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Buch
Im Grunde gut von Rutger Bregman: Harald nennt es kein klassisches Businessbuch, sondern eines für Privates und Berufliches. Die These: Menschen, gerade in Extremsituationen, reagieren positiver, als man denkt. Beispiele sind Kinder, die auf einer einsamen Insel strandeten und sich entgegen der Fiktion Strukturen gaben und zusammenarbeiteten, und der Zusammenhalt in England im Zweiten Weltkrieg. Ihn begeistern Bücher über den menschlichen Faktor, weil es in seiner Arbeit immer darum ging, Menschen auf der Reise mitzunehmen. Schon Dawinder Singh hat das Buch in Folge 43 empfohlen.
58 Minuten
Send us Fan Mail
1908 kommt ein Unternehmer auf eine simple Idee: Putztücher nicht verkaufen, sondern vermieten, reinigen, zurückbringen, wieder vermieten. Ein Kreislaufmodell, mehr als 100 Jahre vor der Zeit. Heute versorgt Mewa rund 1,1 Millionen Menschen täglich mit Berufskleidung, in einer Branche, die man nicht sofort mit KI verbindet.
Dawinder Singh verantwortet dort Data, Analytics und KI. Kein klassischer Tech-Weg: Finance-Abschluss an der HHL Leipzig, Digital Transformation bei der Commerzbank und ein Fünf-Punkte-Mathe-Abi, mit dem er "eigentlich nichts am Hut haben sollte". Auf der data:unplugged in Münster hat er vor hunderten Peers gezeigt, wie man in einem Familienunternehmen mit knapp einer Milliarde Euro Umsatz eine Data Journey baut und was dabei schiefgehen kann.
In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus einem Friedhof gescheiterter Proofs of Concept ein Playbook wurde, warum er bei neuen Tools erst mal "Passt das bei uns rein?" fragt und weshalb ihn in der KI kaum noch etwas vom Hocker haut.
Ein paar Dinge, die hängengeblieben sind:
Zum PoC-Friedhof und dem Small Data Playbook:
Mewa hatte seinen eigenen PoC-Friedhof schon gebucht. Statt das Rad neu zu erfinden, hat das Team gefragt: Woran scheitern wir eigentlich jedes Mal? Meist am Zugang zu den Daten, an der Qualität und an der Skalierung. Dazu kamen Fragen, die analytisch nie lösbar waren ("ich kann nicht die Lottozahlen vorhersagen"). Das Ergebnis ist ein Discovery-Prozess, bevor ein Thema überverkauft wird, so standardisiert, dass ein Werkstudent ihn bis zum ersten Proof of Concept führen kann.
Zu Banking vs. Familienunternehmen:
Banking ist stark reguliert, quantitativ und voller Checks and Balances. Bei Mewa gibt es mehr Freiheit, und die schafft Geschwindigkeit, aber auch Verantwortung, weil er die Themen Ende zu Ende betrachten darf. Dazu kommt eine Eigentümerfamilie im Aufsichtsrat: kein Quartalsdenken, mehr Geduld, langfristiger Aufbau.
Zu Hype, Foundation und dem teuersten Fehler:
Heureka-Momente sind für ihn selten geworden, weil ständig das nächste "next big thing" angepriesen wird. Spannender findet er, dass Data Foundation und Governance gerade wichtiger werden, bevor Agenten im großen Stil losgelassen werden und der Überblick über Datenquellen, Pipelines und Ownership verloren geht. Seine Bedingung: Er macht es nur, wenn er es diesmal anders und richtiger machen darf. Der Rückblick fällt ehrlich aus: Data Integration hätte man früher angehen müssen, das tut immer noch weh.
Zu Shadow AI:
Bei rund 50 neuen Tools pro Monat würden Prüfprozesse allein die ganze Arbeit fressen. Deshalb gibt es eine Experimentierfläche mit den Compliance-Stakeholdern, und die Fachbereiche bekommen früh ihr "Spielzeug". Sein Leitsatz: Bevor ihr die Kreditkarte zückt, zücken wir sie. Shadow AI lässt sich nicht verteidigen wie im Fußball, man muss einfach dabei sein.
Zum idealen Stakeholder:
Er denkt immer vom Anwender aus: früh etwas hinstellen, das die Leute vielleicht gar nicht mögen, um das eigentliche Problem herauszukitzeln, und erst mit diesem Backing zum Entscheider gehen. Der ideale Stakeholder hat viel Geld, viel Geduld und viel Einfluss, und den gibt es nicht. Sein Liebling ist, wer das Thema wirklich verstehen und unter die Motorhaube schauen will.
Zum Recruiting:
Mewa holt gezielt Talente direkt von der Uni, als Werkstudenten und Master-Thesis-Schreibende. Fertige Spezialisten brauchen im komplexen Geschäftsmodell lange zum Ankommen, und im Rhein-Main-Gebiet konkurrieren BioNTech, Schott und Fraport um dieselben Leute. Ein Drittel bis die Hälfte des Teams kam so zusammen. Sein Pitch: Wenn du Data bei uns machst, wird es nicht schlimmer, dann kannst du es überall.
Wie seht ihr das: Ist ein standardisierter Discovery-Prozess der beste Schutz vor dem PoC-Friedhof, oder nimmt er Teams den Mut zum Experiment?
LinkedIn Profile
LinkedIn Profile von Dawinder Singh: https://www.linkedin.com/in/dawindersingh/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Buch
Im Grunde gut von Rutger Bregman: Das Buch hat Dawinder letztes Jahr von seinem Chef geschenkt bekommen und schon dreimal gelesen. Die These: Menschen sind nicht von Natur aus schlecht, sondern wollen im Kern das Gute, belegt mit Beispielen aus der Menschheitsgeschichte. Gerade in Rollen, in denen man viele überzeugen muss, hilft ihm der Perspektivwechsel: Hinter Widerstand steckt selten böse Absicht.
1908 kommt ein Unternehmer auf eine simple Idee: Putztücher nicht verkaufen, sondern vermieten, reinigen, zurückbringen, wieder vermieten. Ein Kreislaufmodell, mehr als 100 Jahre vor der Zeit. Heute versorgt Mewa rund 1,1 Millionen Menschen täglich mit Berufskleidung, in einer Branche, die man nicht sofort mit KI verbindet.
Dawinder Singh verantwortet dort Data, Analytics und KI. Kein klassischer Tech-Weg: Finance-Abschluss an der HHL Leipzig, Digital Transformation bei der Commerzbank und ein Fünf-Punkte-Mathe-Abi, mit dem er "eigentlich nichts am Hut haben sollte". Auf der data:unplugged in Münster hat er vor hunderten Peers gezeigt, wie man in einem Familienunternehmen mit knapp einer Milliarde Euro Umsatz eine Data Journey baut und was dabei schiefgehen kann.
In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus einem Friedhof gescheiterter Proofs of Concept ein Playbook wurde, warum er bei neuen Tools erst mal "Passt das bei uns rein?" fragt und weshalb ihn in der KI kaum noch etwas vom Hocker haut.
Ein paar Dinge, die hängengeblieben sind:
Zum PoC-Friedhof und dem Small Data Playbook:
Mewa hatte seinen eigenen PoC-Friedhof schon gebucht. Statt das Rad neu zu erfinden, hat das Team gefragt: Woran scheitern wir eigentlich jedes Mal? Meist am Zugang zu den Daten, an der Qualität und an der Skalierung. Dazu kamen Fragen, die analytisch nie lösbar waren ("ich kann nicht die Lottozahlen vorhersagen"). Das Ergebnis ist ein Discovery-Prozess, bevor ein Thema überverkauft wird, so standardisiert, dass ein Werkstudent ihn bis zum ersten Proof of Concept führen kann.
Zu Banking vs. Familienunternehmen:
Banking ist stark reguliert, quantitativ und voller Checks and Balances. Bei Mewa gibt es mehr Freiheit, und die schafft Geschwindigkeit, aber auch Verantwortung, weil er die Themen Ende zu Ende betrachten darf. Dazu kommt eine Eigentümerfamilie im Aufsichtsrat: kein Quartalsdenken, mehr Geduld, langfristiger Aufbau.
Zu Hype, Foundation und dem teuersten Fehler:
Heureka-Momente sind für ihn selten geworden, weil ständig das nächste "next big thing" angepriesen wird. Spannender findet er, dass Data Foundation und Governance gerade wichtiger werden, bevor Agenten im großen Stil losgelassen werden und der Überblick über Datenquellen, Pipelines und Ownership verloren geht. Seine Bedingung: Er macht es nur, wenn er es diesmal anders und richtiger machen darf. Der Rückblick fällt ehrlich aus: Data Integration hätte man früher angehen müssen, das tut immer noch weh.
Zu Shadow AI:
Bei rund 50 neuen Tools pro Monat würden Prüfprozesse allein die ganze Arbeit fressen. Deshalb gibt es eine Experimentierfläche mit den Compliance-Stakeholdern, und die Fachbereiche bekommen früh ihr "Spielzeug". Sein Leitsatz: Bevor ihr die Kreditkarte zückt, zücken wir sie. Shadow AI lässt sich nicht verteidigen wie im Fußball, man muss einfach dabei sein.
Zum idealen Stakeholder:
Er denkt immer vom Anwender aus: früh etwas hinstellen, das die Leute vielleicht gar nicht mögen, um das eigentliche Problem herauszukitzeln, und erst mit diesem Backing zum Entscheider gehen. Der ideale Stakeholder hat viel Geld, viel Geduld und viel Einfluss, und den gibt es nicht. Sein Liebling ist, wer das Thema wirklich verstehen und unter die Motorhaube schauen will.
Zum Recruiting:
Mewa holt gezielt Talente direkt von der Uni, als Werkstudenten und Master-Thesis-Schreibende. Fertige Spezialisten brauchen im komplexen Geschäftsmodell lange zum Ankommen, und im Rhein-Main-Gebiet konkurrieren BioNTech, Schott und Fraport um dieselben Leute. Ein Drittel bis die Hälfte des Teams kam so zusammen. Sein Pitch: Wenn du Data bei uns machst, wird es nicht schlimmer, dann kannst du es überall.
Wie seht ihr das: Ist ein standardisierter Discovery-Prozess der beste Schutz vor dem PoC-Friedhof, oder nimmt er Teams den Mut zum Experiment?
LinkedIn Profile
LinkedIn Profile von Dawinder Singh: https://www.linkedin.com/in/dawindersingh/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Buch
Im Grunde gut von Rutger Bregman: Das Buch hat Dawinder letztes Jahr von seinem Chef geschenkt bekommen und schon dreimal gelesen. Die These: Menschen sind nicht von Natur aus schlecht, sondern wollen im Kern das Gute, belegt mit Beispielen aus der Menschheitsgeschichte. Gerade in Rollen, in denen man viele überzeugen muss, hilft ihm der Perspektivwechsel: Hinter Widerstand steckt selten böse Absicht.
58 Minuten
Send us Fan Mail
„Sag einfach: Wir sind die erste Beratung der Welt mit Geld-zurück-Garantie." Das rät Alexander Thamm seinen Data Scientists, die Angst vor dem Vertrieb haben. Dahinter steckt ein ernstes Prinzip: Er definiert das Gewerk und bessert nach, bis es dem Kunden gefällt, oder der zahlt gar nicht.
Alexander Thamm hat 2012 in München Alexander Thamm [at] gegründet, angefangen als Freelancer mit BMW als erstem Kunden. Heute arbeiten dort über 500 Expertinnen und Experten, und das Team hat über 2.700 Datenprojekte abgeschlossen. Begonnen hat es mit einem verlorenen Erstauftrag und einem Büro, das schon gemietet war.
In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus einem Data-Science-Spezialisten ein strategischer Partner wurde, warum Risikoübernahme für ihn zum Geschäftsmodell gehört und warum er glaubt, dass Europa die KI-Transformation gerade verschläft.
Ein paar Dinge, die hängengeblieben sind:
Zum verlorenen Erstauftrag:
Ein kleiner Auftrag als Lieferant, dann eine größere Ausschreibung, und plötzlich wurde er rausgedrückt, weil der Konzern merkte, dass sich der Alex selbstständig gemacht hatte. Sein Fazit: BMW als erster Kunde war eine harte Schule, vor allem im Einkauf, aber genau deshalb konnte das Team später auch andere Großkunden gewinnen. Seinem jüngeren Ich würde er wenig raten: Man muss ein Stück in den Schmerz hinein, um die Erfahrung mitzunehmen.
Zum Wachstum aus eigener Kraft:
Bis etwa 300 bis 400 Leute ging es für ihn gut im Bootstrapping, mit Verdopplung alle zwei Jahre, rund 35 bis 40 Prozent pro Jahr. Das Problem im Beratungsgeschäft: Ein Großteil des Umsatzes muss jedes Jahr neu gewonnen werden. Ein Kunde meldete einmal von einem Jahr aufs nächste über 10 Millionen ab, etwa ein Fünftel des Geschäfts. Sich selbst sieht er nie als „echten Unternehmer", eher als Künstler. Plötzlich waren da ein paar hundert Leute, und es blieb keine Zeit mehr für Projekte. Wie beim Hausbau: Danach ist man schlauer und baut dreimal.
Zum Weg vom Data Scientist zum strategischen Partner:
Gestartet ist das Team mit „Data Science first". Die Prototypen reichten nicht: „mehr Piloten als die Lufthansa". Dazu kam der Frust, dass Strategieberatungen dem CEO Dinge über KI erzählten und sein Team es im Operativen ausbaden musste. Also lernten sie, auch schöne Slides zu machen und mit dem Vorstand zu reden. Heute reicht das teils bis zu Joint Ventures mit Kunden und Beteiligungen im Mittelstand: Skin in the game.
Zur Geld-zurück-Garantie:
Seine Frameworks, sagt er, sind nicht entstanden, weil eine gute Beratung eben Frameworks braucht, sondern weil sein Team das Risiko zu 100 % übernommen hat. Die Schule dahinter ist wieder BMW: Gewerk definieren, liefern, nachbessern. Rot statt Blau? Dann eben Rot. Heute nennt er das Risk-Sharing bis hin zur Garantie. Wer den Kunden nicht kennt, muss in Vorleistung gehen, bevor der Pitch überhaupt Sinn macht.
Zu Branchenexperten und Betriebsblindheit:
Branchenexperten verstehen die Domäne, sind laut Alexander aber oft genauso betriebsblind wie ihre Kunden. Seine Gegenfrage: Was passiert wirklich mit deinem Geschäft in fünf oder zehn Jahren? Wie wird der Hersteller von Kühlanlagen zum Service Provider? Wie kommt Vorwerk vom Thermomix zu „Netflix fürs Kochen"? Eine separate KI-Strategie neben Firmen- und Datenstrategie nennt er veralteten Bullshit, so wie einen Chief Internet Officer, der der Firma erklärt, dass das Internet wichtig ist.
Zu Europa und der verschlafenen Transformation:
Das Problem ist für ihn weniger die Technologie als eine Transformation, die wir „alle gemeinsam verschlafen". Seine Sorge: Dienstleistungen machen rund die Hälfte des deutschen BIP aus. Wenn Software und Agenten aus dem Ausland einen großen Teil davon übernehmen, erst billig, dann deutlich teurer, kommt Europa schwer wieder raus. Das Gegenmittel: KI nicht in Labs und Hubs parken, sondern wie das Internet in die DNA der Firmen bringen, mit einem demütigen Anspruch aufzuholen. Als Beispiel nennt er BMW, wo jeder Prozess KI-Unterstützung bekommen soll. Panikmache hat er satt und zeigt lieber Positives, etwa einen „Knight Rider für Yachten", mit dem man mit dem Schiff sprechen kann.
Wie seht ihr das: Gehört Skin in the game zur Beratung der Zukunft, oder ist die Geld-zurück-Garantie am Ende ein guter Vertriebsspruch?
LinkedIn Profile
LinkedIn Profile von Alexander Thamm: https://www.linkedin.com/in/alexanderthamm/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Bücher
Scaling Up von Verne Harnish: Alexander ist Fan der Scaling-Up-Logik. Unterschiedliche Unternehmensgrößen brauchen unterschiedliche Dinge, aber wer das nicht selbst durchlebt hat, macht es trotz Buch falsch, weil er es nicht spürt.
Dazu seine Klassiker für Gründer: Wie man Freunde gewinnt von Dale Carnegie, Think and Grow Rich von Napoleon Hill, The Art of the Start von Guy Kawasaki und The Lean Startup von Eric Ries. Bei Rich Dad Poor Dad von Robert Kiyosaki reicht ihm das Buch für das richtige Mindset, vom Live-Coaching in London war er weniger überzeugt.
„Sag einfach: Wir sind die erste Beratung der Welt mit Geld-zurück-Garantie." Das rät Alexander Thamm seinen Data Scientists, die Angst vor dem Vertrieb haben. Dahinter steckt ein ernstes Prinzip: Er definiert das Gewerk und bessert nach, bis es dem Kunden gefällt, oder der zahlt gar nicht.
Alexander Thamm hat 2012 in München Alexander Thamm [at] gegründet, angefangen als Freelancer mit BMW als erstem Kunden. Heute arbeiten dort über 500 Expertinnen und Experten, und das Team hat über 2.700 Datenprojekte abgeschlossen. Begonnen hat es mit einem verlorenen Erstauftrag und einem Büro, das schon gemietet war.
In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus einem Data-Science-Spezialisten ein strategischer Partner wurde, warum Risikoübernahme für ihn zum Geschäftsmodell gehört und warum er glaubt, dass Europa die KI-Transformation gerade verschläft.
Ein paar Dinge, die hängengeblieben sind:
Zum verlorenen Erstauftrag:
Ein kleiner Auftrag als Lieferant, dann eine größere Ausschreibung, und plötzlich wurde er rausgedrückt, weil der Konzern merkte, dass sich der Alex selbstständig gemacht hatte. Sein Fazit: BMW als erster Kunde war eine harte Schule, vor allem im Einkauf, aber genau deshalb konnte das Team später auch andere Großkunden gewinnen. Seinem jüngeren Ich würde er wenig raten: Man muss ein Stück in den Schmerz hinein, um die Erfahrung mitzunehmen.
Zum Wachstum aus eigener Kraft:
Bis etwa 300 bis 400 Leute ging es für ihn gut im Bootstrapping, mit Verdopplung alle zwei Jahre, rund 35 bis 40 Prozent pro Jahr. Das Problem im Beratungsgeschäft: Ein Großteil des Umsatzes muss jedes Jahr neu gewonnen werden. Ein Kunde meldete einmal von einem Jahr aufs nächste über 10 Millionen ab, etwa ein Fünftel des Geschäfts. Sich selbst sieht er nie als „echten Unternehmer", eher als Künstler. Plötzlich waren da ein paar hundert Leute, und es blieb keine Zeit mehr für Projekte. Wie beim Hausbau: Danach ist man schlauer und baut dreimal.
Zum Weg vom Data Scientist zum strategischen Partner:
Gestartet ist das Team mit „Data Science first". Die Prototypen reichten nicht: „mehr Piloten als die Lufthansa". Dazu kam der Frust, dass Strategieberatungen dem CEO Dinge über KI erzählten und sein Team es im Operativen ausbaden musste. Also lernten sie, auch schöne Slides zu machen und mit dem Vorstand zu reden. Heute reicht das teils bis zu Joint Ventures mit Kunden und Beteiligungen im Mittelstand: Skin in the game.
Zur Geld-zurück-Garantie:
Seine Frameworks, sagt er, sind nicht entstanden, weil eine gute Beratung eben Frameworks braucht, sondern weil sein Team das Risiko zu 100 % übernommen hat. Die Schule dahinter ist wieder BMW: Gewerk definieren, liefern, nachbessern. Rot statt Blau? Dann eben Rot. Heute nennt er das Risk-Sharing bis hin zur Garantie. Wer den Kunden nicht kennt, muss in Vorleistung gehen, bevor der Pitch überhaupt Sinn macht.
Zu Branchenexperten und Betriebsblindheit:
Branchenexperten verstehen die Domäne, sind laut Alexander aber oft genauso betriebsblind wie ihre Kunden. Seine Gegenfrage: Was passiert wirklich mit deinem Geschäft in fünf oder zehn Jahren? Wie wird der Hersteller von Kühlanlagen zum Service Provider? Wie kommt Vorwerk vom Thermomix zu „Netflix fürs Kochen"? Eine separate KI-Strategie neben Firmen- und Datenstrategie nennt er veralteten Bullshit, so wie einen Chief Internet Officer, der der Firma erklärt, dass das Internet wichtig ist.
Zu Europa und der verschlafenen Transformation:
Das Problem ist für ihn weniger die Technologie als eine Transformation, die wir „alle gemeinsam verschlafen". Seine Sorge: Dienstleistungen machen rund die Hälfte des deutschen BIP aus. Wenn Software und Agenten aus dem Ausland einen großen Teil davon übernehmen, erst billig, dann deutlich teurer, kommt Europa schwer wieder raus. Das Gegenmittel: KI nicht in Labs und Hubs parken, sondern wie das Internet in die DNA der Firmen bringen, mit einem demütigen Anspruch aufzuholen. Als Beispiel nennt er BMW, wo jeder Prozess KI-Unterstützung bekommen soll. Panikmache hat er satt und zeigt lieber Positives, etwa einen „Knight Rider für Yachten", mit dem man mit dem Schiff sprechen kann.
Wie seht ihr das: Gehört Skin in the game zur Beratung der Zukunft, oder ist die Geld-zurück-Garantie am Ende ein guter Vertriebsspruch?
LinkedIn Profile
LinkedIn Profile von Alexander Thamm: https://www.linkedin.com/in/alexanderthamm/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Bücher
Scaling Up von Verne Harnish: Alexander ist Fan der Scaling-Up-Logik. Unterschiedliche Unternehmensgrößen brauchen unterschiedliche Dinge, aber wer das nicht selbst durchlebt hat, macht es trotz Buch falsch, weil er es nicht spürt.
Dazu seine Klassiker für Gründer: Wie man Freunde gewinnt von Dale Carnegie, Think and Grow Rich von Napoleon Hill, The Art of the Start von Guy Kawasaki und The Lean Startup von Eric Ries. Bei Rich Dad Poor Dad von Robert Kiyosaki reicht ihm das Buch für das richtige Mindset, vom Live-Coaching in London war er weniger überzeugt.
42 Minuten
Send us Fan Mail
Daten exportieren, per E-Mail verschicken, in Excel bearbeiten, ins nächste System hochladen. So beschreibt Dr. Melanie Sigl Prozesse, die ihr in Unternehmen begegnen. Excel ist dann nicht bloß ein Tool, sondern praktisch das Betriebssystem der Firma. Und darauf soll jetzt KI laufen.
Melanie ist Managing Consultant bei PRODATO, Teil der Dataciders-Gruppe, und leitet das Data-&-AI-Team mit Fokus auf KI. Parallel zur Praxis hat sie an der FAU Erlangen-Nürnberg über Transfer Learning auf multivariaten Zeitreihendaten promoviert — also darüber, wie sich gelerntes Wissen auf neue Daten übertragen lässt und wann genau das schiefgeht.
In der aktuellen Episode von Masters of Data, BI & AI spricht sie darüber, warum die Datengrundlage wichtiger ist als das nächste Modell, woran KI-Projekte nach der Pilotphase scheitern — und weshalb Unternehmen bei Junioren aus ihrer Sicht an der falschen Stelle sparen.
Ein paar Dinge, die hängengeblieben sind:
Zur KI, die den Datenkatalog nicht ersetzt: Eine Frage in natürlicher Sprache ersetzt nicht die Vorarbeit. Was bedeutet diese kryptische ERP-Spalte? Wie ist Umsatz definiert? Für brauchbare Antworten braucht das Modell diesen Kontext. Die früher ungeliebte Pflege von Datenkatalog und Kennzahlen wird damit wichtiger, nicht überflüssig.
Zum KI-Projekt, das die Pilotphase übersteht: Eine CSV-Datei für die Demo ist noch keine verlässliche Datenversorgung. Melanie nennt drei Bedingungen: einen rentablen Anwendungsfall, Daten und Prozesse, die auch im produktiven Betrieb funktionieren, und Rückhalt in Management und Belegschaft. Sonst baut man mit der neuen Lösung nur das nächste Silo.
Zum Fundament ohne Luxusausstattung: Eine gemeinsame Datenplattform, Governance und klare Abläufe helfen gegen das gewachsene Systemchaos. Aber Melanie fordert keinen „Maybach“ für jeden Anwendungsfall. Der Aufwand muss zum Nutzen passen. Klein anfangen, den Prozess einmal durchgängig zum Laufen bringen und anschließend gezielt erweitern.
Zum Recruiting mit Blick auf morgen: Melanies Einwand gegen das Sparen bei Junioren: Wer heute niemanden ausbildet, dem fehlen morgen erfahrene Kollegen. Gerade die Grundlagenarbeit vermittelt das Handwerk, mit dem sich Ergebnisse später beurteilen lassen. Agenten einzusetzen ist für sie kein Argument, die Entwicklung von Menschen aufzugeben.
Zur ehrlichen Antwort auf Microsoft Fabric: Eine Partnerschaft ist für Melanie kein Grund, jedem Kunden dieselbe Plattform zu empfehlen. Eine einzelne Pipeline rechtfertigt nicht automatisch Fabric. Entscheidend sind Anforderungen, Budget und die bestehende Systemlandschaft — inklusive der Kosten, die entstehen, wenn Daten zwischen Plattformen hin- und herkopiert werden.
Zum Unterschied zwischen perfekt und fertig: Am Lehrstuhl gab es zwei Arten von Abschlussarbeiten: perfekte und abgegebene. Für Melanie steckt darin auch eine Projektlektion: Zu komplex zu starten kann verhindern, überhaupt anzufangen. Erst das Geschäftsproblem und das messbare Ziel gemeinsam klären, dann klein umsetzen und mit Feedback besser werden.
Wie viel eurer Datenarbeit läuft noch über Excel — und an welcher Stelle wäre der größte Hebel für Veränderung?
️ Die ganze Episode jetzt auf Masters of Data, BI & AI — Link in den Kommentaren.
LinkedIn Profile
LinkedIn Profile von Dr. Melanie Sigl: https://www.linkedin.com/in/melanie-sigl/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Buch
Extreme Ownership — Melanie hat nach eigener Aussage nur wenige Businessbücher gelesen. Dieses empfiehlt sie für den Leadership-Bereich.
Daten exportieren, per E-Mail verschicken, in Excel bearbeiten, ins nächste System hochladen. So beschreibt Dr. Melanie Sigl Prozesse, die ihr in Unternehmen begegnen. Excel ist dann nicht bloß ein Tool, sondern praktisch das Betriebssystem der Firma. Und darauf soll jetzt KI laufen.
Melanie ist Managing Consultant bei PRODATO, Teil der Dataciders-Gruppe, und leitet das Data-&-AI-Team mit Fokus auf KI. Parallel zur Praxis hat sie an der FAU Erlangen-Nürnberg über Transfer Learning auf multivariaten Zeitreihendaten promoviert — also darüber, wie sich gelerntes Wissen auf neue Daten übertragen lässt und wann genau das schiefgeht.
In der aktuellen Episode von Masters of Data, BI & AI spricht sie darüber, warum die Datengrundlage wichtiger ist als das nächste Modell, woran KI-Projekte nach der Pilotphase scheitern — und weshalb Unternehmen bei Junioren aus ihrer Sicht an der falschen Stelle sparen.
Ein paar Dinge, die hängengeblieben sind:
Zur KI, die den Datenkatalog nicht ersetzt: Eine Frage in natürlicher Sprache ersetzt nicht die Vorarbeit. Was bedeutet diese kryptische ERP-Spalte? Wie ist Umsatz definiert? Für brauchbare Antworten braucht das Modell diesen Kontext. Die früher ungeliebte Pflege von Datenkatalog und Kennzahlen wird damit wichtiger, nicht überflüssig.
Zum KI-Projekt, das die Pilotphase übersteht: Eine CSV-Datei für die Demo ist noch keine verlässliche Datenversorgung. Melanie nennt drei Bedingungen: einen rentablen Anwendungsfall, Daten und Prozesse, die auch im produktiven Betrieb funktionieren, und Rückhalt in Management und Belegschaft. Sonst baut man mit der neuen Lösung nur das nächste Silo.
Zum Fundament ohne Luxusausstattung: Eine gemeinsame Datenplattform, Governance und klare Abläufe helfen gegen das gewachsene Systemchaos. Aber Melanie fordert keinen „Maybach“ für jeden Anwendungsfall. Der Aufwand muss zum Nutzen passen. Klein anfangen, den Prozess einmal durchgängig zum Laufen bringen und anschließend gezielt erweitern.
Zum Recruiting mit Blick auf morgen: Melanies Einwand gegen das Sparen bei Junioren: Wer heute niemanden ausbildet, dem fehlen morgen erfahrene Kollegen. Gerade die Grundlagenarbeit vermittelt das Handwerk, mit dem sich Ergebnisse später beurteilen lassen. Agenten einzusetzen ist für sie kein Argument, die Entwicklung von Menschen aufzugeben.
Zur ehrlichen Antwort auf Microsoft Fabric: Eine Partnerschaft ist für Melanie kein Grund, jedem Kunden dieselbe Plattform zu empfehlen. Eine einzelne Pipeline rechtfertigt nicht automatisch Fabric. Entscheidend sind Anforderungen, Budget und die bestehende Systemlandschaft — inklusive der Kosten, die entstehen, wenn Daten zwischen Plattformen hin- und herkopiert werden.
Zum Unterschied zwischen perfekt und fertig: Am Lehrstuhl gab es zwei Arten von Abschlussarbeiten: perfekte und abgegebene. Für Melanie steckt darin auch eine Projektlektion: Zu komplex zu starten kann verhindern, überhaupt anzufangen. Erst das Geschäftsproblem und das messbare Ziel gemeinsam klären, dann klein umsetzen und mit Feedback besser werden.
Wie viel eurer Datenarbeit läuft noch über Excel — und an welcher Stelle wäre der größte Hebel für Veränderung?
️ Die ganze Episode jetzt auf Masters of Data, BI & AI — Link in den Kommentaren.
LinkedIn Profile
LinkedIn Profile von Dr. Melanie Sigl: https://www.linkedin.com/in/melanie-sigl/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Buch
Extreme Ownership — Melanie hat nach eigener Aussage nur wenige Businessbücher gelesen. Dieses empfiehlt sie für den Leadership-Bereich.
47 Minuten
Send us Fan Mail
Eine Kollegin, zwölf Sprachen, ein bis anderthalb Tage Arbeit pro Auswertungsrunde. So lief die Analyse von Kundenfeedback bei Mazda: Daten aus dem CRM ziehen, übersetzen, klassifizieren, in Excel zusammenführen. Heute läuft das automatisierte Notebook in wenigen Minuten durch.
Thomas Fontaine ist Senior Manager Consumer Analytics bei Mazda Motor Europe. Davor hat er sieben Jahre bei der REWE Group gearbeitet — mit Millionen Kundentransaktionen und der Frage, welchen messbaren Mehrwert eine Analyse überhaupt liefert. Diese Perspektive hat er mit in die Automobilindustrie genommen.
In der aktuellen Episode erzählt er, wie Mazda gemeinsam mit Datasolut diesen Prozess auf Databricks automatisiert hat, warum neue Tools alte Prozessprobleme nicht automatisch lösen — und woran er gute Analytics-Leute erkennt.
Ein paar Dinge, die hängengeblieben sind:
Zum Mazda-Use-Case: Der Wunsch war zunächst eine Copilot-Lösung. Gebaut wurde stattdessen eine automatisierte Auswertung auf Databricks: Freitext übersetzen, klassifizieren und um eine Sentiment-Analyse ergänzen. Weil die Ergebnisse regelmäßig gespeichert werden, lassen sich Kundenmeinungen jetzt auch im Zeitverlauf vergleichen — etwas, das vorher nur schwer möglich war.
Zu den Details, die das Modell nicht kannte: In einigen Ländern nutzen die Callcenter interne Abkürzungen. Das Sprachmodell konnte damit nichts anfangen und machte daraus Unsinn. Die Lösung: Abkürzungen vor der Verarbeitung in verständlichen Text auflösen. Genau solche Details machen den regelmäßigen Austausch mit den Fachkollegen so wichtig.
Zum Blick aus dem Handel: Thomas beschreibt einen klaren Kontrast: Die Automobilindustrie hat sich lange nach innen optimiert — Supply Chain und Produktion. Im Handel stand stärker der Blick nach außen im Mittelpunkt: Märkte, Transaktionen, Kunden. Für Automotive sieht er noch viel Potenzial darin, den Kunden besser zu verstehen.
Eine Kollegin, zwölf Sprachen, ein bis anderthalb Tage Arbeit pro Auswertungsrunde. So lief die Analyse von Kundenfeedback bei Mazda: Daten aus dem CRM ziehen, übersetzen, klassifizieren, in Excel zusammenführen. Heute läuft das automatisierte Notebook in wenigen Minuten durch.
Thomas Fontaine ist Senior Manager Consumer Analytics bei Mazda Motor Europe. Davor hat er sieben Jahre bei der REWE Group gearbeitet — mit Millionen Kundentransaktionen und der Frage, welchen messbaren Mehrwert eine Analyse überhaupt liefert. Diese Perspektive hat er mit in die Automobilindustrie genommen.
In der aktuellen Episode erzählt er, wie Mazda gemeinsam mit Datasolut diesen Prozess auf Databricks automatisiert hat, warum neue Tools alte Prozessprobleme nicht automatisch lösen — und woran er gute Analytics-Leute erkennt.
Ein paar Dinge, die hängengeblieben sind:
Zum Mazda-Use-Case: Der Wunsch war zunächst eine Copilot-Lösung. Gebaut wurde stattdessen eine automatisierte Auswertung auf Databricks: Freitext übersetzen, klassifizieren und um eine Sentiment-Analyse ergänzen. Weil die Ergebnisse regelmäßig gespeichert werden, lassen sich Kundenmeinungen jetzt auch im Zeitverlauf vergleichen — etwas, das vorher nur schwer möglich war.
Zu den Details, die das Modell nicht kannte: In einigen Ländern nutzen die Callcenter interne Abkürzungen. Das Sprachmodell konnte damit nichts anfangen und machte daraus Unsinn. Die Lösung: Abkürzungen vor der Verarbeitung in verständlichen Text auflösen. Genau solche Details machen den regelmäßigen Austausch mit den Fachkollegen so wichtig.
Zum Blick aus dem Handel: Thomas beschreibt einen klaren Kontrast: Die Automobilindustrie hat sich lange nach innen optimiert — Supply Chain und Produktion. Im Handel stand stärker der Blick nach außen im Mittelpunkt: Märkte, Transaktionen, Kunden. Für Automotive sieht er noch viel Potenzial darin, den Kunden besser zu verstehen.
43 Minuten
Send us Fan Mail
The most powerful computers in the world run on open source. The internet runs on open source. And yet most companies still think "open source" means "cheap license fee" instead of strategic infrastructure.
Michael Berns spent seven years as Director AI at PwC Germany, recognised as a Leader in AI Services by Gartner and Forrester. Then he left, to become Head of AI at the Eclipse Foundation — the Brussels-based, vendor-neutral home for over 440 open source projects, including the IDE most developers have used at some point without ever thinking about who's behind it.
In the current episode of Masters of Data, BI & AI, he debunks the biggest myths about open source AI, tells the real story behind his move, and explains what European digital sovereignty actually looks like once you get past the slogan.
A few things that stuck with me:
On the three biggest myths about open source AI:
It doesn't mean free — many projects come with SLAs, quality gates, and years of paid development behind them. It doesn't mean less safe — an open codebase is inspectable by anyone, which is a stronger security posture than a black box, not a weaker one. And it doesn't mean nobody's accountable — when a project sits inside a real foundation, committers are named individuals, and Eclipse just introduced voluntary identity verification for contributors.
On why he actually left PwC:
No corporate spin here — becoming a father, Brexit, and what he candidly calls "a late midlife crisis" pushed him to rethink what he wanted his work to mean. He'd spent years volunteering on the side for causes like the UN World Food Programme. Eclipse Foundation offered him the chance to make that his actual job, not a side project.
On PanEval, the story Rocky specifically wanted to hear:
Michael brought Chinese BAAI technology into the European open source ecosystem to build PanEval — an EU AI Act-aligned, open source AI evaluation platform. Not a press release. A running project, and a concrete example of what building optionality actually looks like instead of just talking about sovereignty.
On the real data problem, even now:
Despite everything AI can do today, 60-70% of real implementation work is still spent finding, cleaning, and governing data. Department heads will tell you their data is perfect — until someone actually checks. His advice for consultants and vendors alike: do the full assessment first, manage expectations early, and get buy-in from the people who actually hold the data, not just the C-suite.
On where regulation could help or hurt open source AI:
The current OSI definition of open source AI is strict enough to disqualify roughly 99% of models on the market. Michael expects the field to move toward a graded system instead — matching transparency requirements to the sensitivity of the use case, healthcare needing far more disclosure than a low-stakes internal tool.
What's your take — does true open source AI require full training data transparency, or is a graded system the more realistic path forward?
LinkedIn Profile
LinkedIn Profile of Michael Berns: https://www.linkedin.com/in/aithoughtleader/
LinkedIn Profile of Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Book
The Five Dysfunctions of a Team by Patrick Lencioni — Michael still returns to it years later. His reasoning: the more senior you get, the more your real problems are people problems, not technical ones.
The most powerful computers in the world run on open source. The internet runs on open source. And yet most companies still think "open source" means "cheap license fee" instead of strategic infrastructure.
Michael Berns spent seven years as Director AI at PwC Germany, recognised as a Leader in AI Services by Gartner and Forrester. Then he left, to become Head of AI at the Eclipse Foundation — the Brussels-based, vendor-neutral home for over 440 open source projects, including the IDE most developers have used at some point without ever thinking about who's behind it.
In the current episode of Masters of Data, BI & AI, he debunks the biggest myths about open source AI, tells the real story behind his move, and explains what European digital sovereignty actually looks like once you get past the slogan.
A few things that stuck with me:
On the three biggest myths about open source AI:
It doesn't mean free — many projects come with SLAs, quality gates, and years of paid development behind them. It doesn't mean less safe — an open codebase is inspectable by anyone, which is a stronger security posture than a black box, not a weaker one. And it doesn't mean nobody's accountable — when a project sits inside a real foundation, committers are named individuals, and Eclipse just introduced voluntary identity verification for contributors.
On why he actually left PwC:
No corporate spin here — becoming a father, Brexit, and what he candidly calls "a late midlife crisis" pushed him to rethink what he wanted his work to mean. He'd spent years volunteering on the side for causes like the UN World Food Programme. Eclipse Foundation offered him the chance to make that his actual job, not a side project.
On PanEval, the story Rocky specifically wanted to hear:
Michael brought Chinese BAAI technology into the European open source ecosystem to build PanEval — an EU AI Act-aligned, open source AI evaluation platform. Not a press release. A running project, and a concrete example of what building optionality actually looks like instead of just talking about sovereignty.
On the real data problem, even now:
Despite everything AI can do today, 60-70% of real implementation work is still spent finding, cleaning, and governing data. Department heads will tell you their data is perfect — until someone actually checks. His advice for consultants and vendors alike: do the full assessment first, manage expectations early, and get buy-in from the people who actually hold the data, not just the C-suite.
On where regulation could help or hurt open source AI:
The current OSI definition of open source AI is strict enough to disqualify roughly 99% of models on the market. Michael expects the field to move toward a graded system instead — matching transparency requirements to the sensitivity of the use case, healthcare needing far more disclosure than a low-stakes internal tool.
What's your take — does true open source AI require full training data transparency, or is a graded system the more realistic path forward?
LinkedIn Profile
LinkedIn Profile of Michael Berns: https://www.linkedin.com/in/aithoughtleader/
LinkedIn Profile of Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Book
The Five Dysfunctions of a Team by Patrick Lencioni — Michael still returns to it years later. His reasoning: the more senior you get, the more your real problems are people problems, not technical ones.
50 Minuten
Send us Fan Mail
Fast 30 Jahre Data und AI, von innen erlebt. Promotion in Informatik. Professor. Elf Jahre Microsoft. Fünf Jahre AWS. Oracle, zweimal. Und heute: Drohnen aus dem Himmel holen.
Dr. Jürgen Wirtgen ist Regional Director DACH bei Dedrone by Axon — dem Unternehmen, das gerade den Counter-Drone-Markt neu definiert, mit über 300 % Umsatzwachstum. Und er hat unterwegs einmal bewusst seinen Beamtenstatus aufgegeben, weil Sicherheit nie das war, was ihn wirklich angetrieben hat.
"Dieses Mal ist wirklich alles anders" — diesen Satz hört man seit fast 20 Jahren in der Branche, bei jeder neuen Welle. Stimmt der Satz diesmal wirklich?
Ein paar Dinge, die hängengeblieben sind:
Zum eigentlichen Turning Point: Nicht Data an sich war neu. Um 2015/2016 kamen drei Dinge zusammen: Cloud Computing wurde erwachsen, Speicherkosten fielen radikal, und die großen Player nutzten plötzlich Rechenleistung und Datenmengen gemeinsam. Maschinelle Übersetzung wurde besser als menschliche. Bilderkennung wurde treffsicherer als Menschen. Das war der Bruch, nicht alter Wein in neuen Schläuchen.
Zu High-Impact Use Cases, die wirklich zählen: Nicht Rocket Science, sondern Fehlererkennung früh in der Produktionslinie — in der Automobilindustrie spart das massiv Ausschusskosten. Turbinenbetreiber, die keine Turbinen mehr verkaufen, sondern effizienteren Betrieb durch Datenanalyse. Und Jugendschutz in der Werbung: KI erkennt automatisch, wenn Zigarettenwerbung neben einem Kindergarten ausgespielt werden würde.
Zu Microsoft vs. AWS, aus echter Innenperspektive: Microsoft: strukturiert, prozessgetrieben, mit klaren Vorteilen, aber manchmal einengend. AWS: hemdsärmeliger, mehr Freiraum, wer einen fehlenden Prozess sieht, darf ihn selbst bauen. Beide kundenorientiert, aber komplett unterschiedliche Wege dorthin.
Zum Recruiting-Ansatz, der wirklich funktioniert: Über hundert Interviews bei Amazon geführt. Sein Trick: situationsbezogene Fragen, dann tiefer und tiefer bohren. Authentizität lässt sich nicht faken — wer ein Projekt wirklich erlebt hat, kennt die Details, auch wenn er die exakten KPIs vergessen hat. Wer nur Buzzwords liefert, verheddert sich irgendwann in Widersprüchen.
Zur Authentizitäts-Falle im KI-Zeitalter: Eine der besten Anekdoten der Episode: Eine LinkedIn-Nachricht mit dem versehentlich mitkopierten Prompt-Rest "soll ich das noch freundlicher formulieren?" wurde zum Running Gag in der Community. Sein Punkt dahinter, ganz ernst gemeint: Perfekt geschliffene, künstlich klingende Kommunikation zerstört Vertrauen schneller als ein authentischer Tippfehler.
Zum größten ungelösten Pain im DACH-Markt: Datensouveränität. Verteilte Daten zusammenführen, souveräne KI-Systeme aufbauen, denen man wirklich vertrauen kann. Sein Zehn-Jahres-Blick: souveräne Plattformen werden den gesamten Markt verändern, teilweise sogar in Kombination mit Quantencomputing für Modelltraining.
Wie seht ihr das — ist "dieses Mal ist wirklich alles anders" diesmal tatsächlich wahr, oder hören wir diesen Satz einfach alle paar Jahre erneut?
LinkedIn Profile
LinkedIn Profile von Dr. Jürgen Wirtgen: https://www.linkedin.com/in/jwirtgen/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Buch
Mindful Soldier von Ash Alexander-Cooper und Dr. Jessica K. Miller — kein klassisches Businessbuch, sondern eines über Resilienz: wie man aus Unsicherheit und Rückschlägen lernt und daraus echte Widerstandsfähigkeit aufbaut. Jürgen überträgt die Prinzipien direkt auf Business und Privatleben gleichermaßen.
Fast 30 Jahre Data und AI, von innen erlebt. Promotion in Informatik. Professor. Elf Jahre Microsoft. Fünf Jahre AWS. Oracle, zweimal. Und heute: Drohnen aus dem Himmel holen.
Dr. Jürgen Wirtgen ist Regional Director DACH bei Dedrone by Axon — dem Unternehmen, das gerade den Counter-Drone-Markt neu definiert, mit über 300 % Umsatzwachstum. Und er hat unterwegs einmal bewusst seinen Beamtenstatus aufgegeben, weil Sicherheit nie das war, was ihn wirklich angetrieben hat.
"Dieses Mal ist wirklich alles anders" — diesen Satz hört man seit fast 20 Jahren in der Branche, bei jeder neuen Welle. Stimmt der Satz diesmal wirklich?
Ein paar Dinge, die hängengeblieben sind:
Zum eigentlichen Turning Point: Nicht Data an sich war neu. Um 2015/2016 kamen drei Dinge zusammen: Cloud Computing wurde erwachsen, Speicherkosten fielen radikal, und die großen Player nutzten plötzlich Rechenleistung und Datenmengen gemeinsam. Maschinelle Übersetzung wurde besser als menschliche. Bilderkennung wurde treffsicherer als Menschen. Das war der Bruch, nicht alter Wein in neuen Schläuchen.
Zu High-Impact Use Cases, die wirklich zählen: Nicht Rocket Science, sondern Fehlererkennung früh in der Produktionslinie — in der Automobilindustrie spart das massiv Ausschusskosten. Turbinenbetreiber, die keine Turbinen mehr verkaufen, sondern effizienteren Betrieb durch Datenanalyse. Und Jugendschutz in der Werbung: KI erkennt automatisch, wenn Zigarettenwerbung neben einem Kindergarten ausgespielt werden würde.
Zu Microsoft vs. AWS, aus echter Innenperspektive: Microsoft: strukturiert, prozessgetrieben, mit klaren Vorteilen, aber manchmal einengend. AWS: hemdsärmeliger, mehr Freiraum, wer einen fehlenden Prozess sieht, darf ihn selbst bauen. Beide kundenorientiert, aber komplett unterschiedliche Wege dorthin.
Zum Recruiting-Ansatz, der wirklich funktioniert: Über hundert Interviews bei Amazon geführt. Sein Trick: situationsbezogene Fragen, dann tiefer und tiefer bohren. Authentizität lässt sich nicht faken — wer ein Projekt wirklich erlebt hat, kennt die Details, auch wenn er die exakten KPIs vergessen hat. Wer nur Buzzwords liefert, verheddert sich irgendwann in Widersprüchen.
Zur Authentizitäts-Falle im KI-Zeitalter: Eine der besten Anekdoten der Episode: Eine LinkedIn-Nachricht mit dem versehentlich mitkopierten Prompt-Rest "soll ich das noch freundlicher formulieren?" wurde zum Running Gag in der Community. Sein Punkt dahinter, ganz ernst gemeint: Perfekt geschliffene, künstlich klingende Kommunikation zerstört Vertrauen schneller als ein authentischer Tippfehler.
Zum größten ungelösten Pain im DACH-Markt: Datensouveränität. Verteilte Daten zusammenführen, souveräne KI-Systeme aufbauen, denen man wirklich vertrauen kann. Sein Zehn-Jahres-Blick: souveräne Plattformen werden den gesamten Markt verändern, teilweise sogar in Kombination mit Quantencomputing für Modelltraining.
Wie seht ihr das — ist "dieses Mal ist wirklich alles anders" diesmal tatsächlich wahr, oder hören wir diesen Satz einfach alle paar Jahre erneut?
LinkedIn Profile
LinkedIn Profile von Dr. Jürgen Wirtgen: https://www.linkedin.com/in/jwirtgen/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Buch
Mindful Soldier von Ash Alexander-Cooper und Dr. Jessica K. Miller — kein klassisches Businessbuch, sondern eines über Resilienz: wie man aus Unsicherheit und Rückschlägen lernt und daraus echte Widerstandsfähigkeit aufbaut. Jürgen überträgt die Prinzipien direkt auf Business und Privatleben gleichermaßen.
53 Minuten
Send us Fan Mail
Ein dunkler Gang, Konzertlicht, mehrere hundert Menschen. Der Vorhang geht hoch — nicht für eine Show, sondern für einen Vortrag über künstliche Intelligenz. Das ist Jan Christian Halfbrodts Alltag. Tagsüber treibt er als AI Enablement Manager die KI-Transformation von CEWE voran, Europas Marktführer für Fotoprodukte. Nachts spielt er Keyboard bei Mob Rules, einer Metalband, die durch zwölf Länder getourt ist und 2018 Platz 37 der deutschen Charts erreicht hat.
In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus einem zufällig gebauten Alexa Skill ein Gründungsmitglied des CEWE-KI-Inkubators wurde — und formuliert dabei einen Satz, den man selten von jemandem hört, der seinen Job eigentlich behalten will.
Ein paar Dinge, die hängengeblieben sind:
Zum eigentlichen Karriereweg: Kein Plan, sondern eine Kette von Zufällen. Startup, das nicht schnell genug an den Markt kam. IT-Beratung bei BTC, weil ein Berufsberater ihm zufällig über den Weg lief. Wechsel zu CW als Webentwickler. Und dann, 2018, ein Alexa Skill für einen Hackathon-Nebenprojekt, gebaut aus Langeweile — der ihn über Nacht zum einzigen internen Experten für Sprachsteuerung machte, genau als der KI-Inkubator gegründet wurde.
Zu den größten Fehlern bei KI-Einführung: KI als Selbstzweck einzuführen, weil alle es tun. Unsaubere oder unvollständige Datensätze. Sich blind auf die Ergebnisse verlassen, ohne den Menschen im Loop zu behalten. Und die Mitarbeitenden nicht mitzunehmen — Jan Christian erlebt das oft als reinen Stress: ein Tool wird hingestellt, plötzlich soll man produktiver sein und ist gleichzeitig dafür verantwortlich.
Zur eigentlichen KI-Kompetenz der Zukunft: Nicht die Technologie selbst, sondern die Transferleistung — verstehen, dass man mit KI und Agenten "denken" kann, wie mit einem neuen Werkzeug im Werkzeugkasten. Die meisten Menschen haben ein Problem, aber sehen den Weg dorthin nicht. Genau da setzt Enablement an.
Zur eigentlichen Zielsetzung seiner Rolle: Sein oberste Leitlinie, wörtlich: seinen eigenen Job abzuschaffen. Wenn jeder in der Lage ist, KI selbstständig sinnvoll einzusetzen, hat er seine Aufgabe erfüllt — und wird sich dann logischerweise dem nächsten Kapitel zuwenden.
Zur Unterscheidung privat vs. Unternehmen: Privat: jeden Trend mitnehmen, ausprobieren, Fehler machen, das kostet nur einen selbst etwas. Im Unternehmenskontext: bewusst langsamer, weil Kundendaten und Lizenzkosten eine ganz andere Verantwortung mit sich bringen. Kein Widerspruch zur Offenheit — nur ein anderer Risikoraum.
Wie seht ihr das — ist "sich selbst überflüssig machen" die richtige Zielsetzung für gute Führung, oder am Ende doch zu idealistisch für die meisten Organisationen?
LinkedIn Profile
LinkedIn Profile von Jan Christian Halfbrodt: https://www.linkedin.com/in/jan-christian-halfbrodt/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Buch
Storyseller von Ralph Stieber — ein Marketingbuch darüber, wie Marken wie Nike, Patagonia und Harley-Davidson zu echten "Friends" werden statt nur Anbietern. Jan Christian mag besonders den Gedanken: lieber eine klare Identität mit echten Fans, statt jedem gefallen zu wollen.
Ein dunkler Gang, Konzertlicht, mehrere hundert Menschen. Der Vorhang geht hoch — nicht für eine Show, sondern für einen Vortrag über künstliche Intelligenz. Das ist Jan Christian Halfbrodts Alltag. Tagsüber treibt er als AI Enablement Manager die KI-Transformation von CEWE voran, Europas Marktführer für Fotoprodukte. Nachts spielt er Keyboard bei Mob Rules, einer Metalband, die durch zwölf Länder getourt ist und 2018 Platz 37 der deutschen Charts erreicht hat.
In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus einem zufällig gebauten Alexa Skill ein Gründungsmitglied des CEWE-KI-Inkubators wurde — und formuliert dabei einen Satz, den man selten von jemandem hört, der seinen Job eigentlich behalten will.
Ein paar Dinge, die hängengeblieben sind:
Zum eigentlichen Karriereweg: Kein Plan, sondern eine Kette von Zufällen. Startup, das nicht schnell genug an den Markt kam. IT-Beratung bei BTC, weil ein Berufsberater ihm zufällig über den Weg lief. Wechsel zu CW als Webentwickler. Und dann, 2018, ein Alexa Skill für einen Hackathon-Nebenprojekt, gebaut aus Langeweile — der ihn über Nacht zum einzigen internen Experten für Sprachsteuerung machte, genau als der KI-Inkubator gegründet wurde.
Zu den größten Fehlern bei KI-Einführung: KI als Selbstzweck einzuführen, weil alle es tun. Unsaubere oder unvollständige Datensätze. Sich blind auf die Ergebnisse verlassen, ohne den Menschen im Loop zu behalten. Und die Mitarbeitenden nicht mitzunehmen — Jan Christian erlebt das oft als reinen Stress: ein Tool wird hingestellt, plötzlich soll man produktiver sein und ist gleichzeitig dafür verantwortlich.
Zur eigentlichen KI-Kompetenz der Zukunft: Nicht die Technologie selbst, sondern die Transferleistung — verstehen, dass man mit KI und Agenten "denken" kann, wie mit einem neuen Werkzeug im Werkzeugkasten. Die meisten Menschen haben ein Problem, aber sehen den Weg dorthin nicht. Genau da setzt Enablement an.
Zur eigentlichen Zielsetzung seiner Rolle: Sein oberste Leitlinie, wörtlich: seinen eigenen Job abzuschaffen. Wenn jeder in der Lage ist, KI selbstständig sinnvoll einzusetzen, hat er seine Aufgabe erfüllt — und wird sich dann logischerweise dem nächsten Kapitel zuwenden.
Zur Unterscheidung privat vs. Unternehmen: Privat: jeden Trend mitnehmen, ausprobieren, Fehler machen, das kostet nur einen selbst etwas. Im Unternehmenskontext: bewusst langsamer, weil Kundendaten und Lizenzkosten eine ganz andere Verantwortung mit sich bringen. Kein Widerspruch zur Offenheit — nur ein anderer Risikoraum.
Wie seht ihr das — ist "sich selbst überflüssig machen" die richtige Zielsetzung für gute Führung, oder am Ende doch zu idealistisch für die meisten Organisationen?
LinkedIn Profile
LinkedIn Profile von Jan Christian Halfbrodt: https://www.linkedin.com/in/jan-christian-halfbrodt/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Buch
Storyseller von Ralph Stieber — ein Marketingbuch darüber, wie Marken wie Nike, Patagonia und Harley-Davidson zu echten "Friends" werden statt nur Anbietern. Jan Christian mag besonders den Gedanken: lieber eine klare Identität mit echten Fans, statt jedem gefallen zu wollen.
44 Minuten
Send us Fan Mail
Gulrez Khan spent nearly two decades inside two of the most data-intensive companies on the planet — Microsoft and PayPal. Built experimentation infrastructure running on tens of millions of users. Drove a 35% increase in Gen AI adoption across PayPal's developer community. And then he sat down and wrote a children's book.
Not because the work got easier. Because he realized something most data professionals never fully accept: the hardest part of this job was never the math.
In the current episode of Masters of Data, BI & AI, he talks about why he wrote Drawing Data with Kids, what almost two decades at Microsoft and PayPal taught him about the gap between insight and action — and the five-part framework he now teaches for turning data into something people actually remember.
A few things that stuck with me:
On why the book had to exist: Gulrez grew up loving to write, but "get a job first" won out over creative ambition. Years later, homeschooling his three kids with his wife, he realized there was no book that taught data literacy the way he wished someone had taught him. So he wrote it — real memories with his own kids, turned into realistic fiction. The Snoring Graph chapter, based on his own sleep apnea, is now the one kids remember longest.
On the moment that made it real: An article he wrote for the Data Visualization Society, "Drawing Data With Kids," unexpectedly took off. That was the signal — not just him, but other people wanted this too. The Kickstarter and the book followed from there.
On the story behind his professional thesis: His father, in India, would text him in Hindi typed in English letters — autocorrect would mangle the words, and every time, his father would apologize below the message: "I'm 76 years old, please forgive me, I don't know how to use these devices." After his father passed away this past December, Gulrez ran an analysis on thousands of PayPal customer feedback entries and found the same pattern from elderly users again and again — people quietly explaining their age as an apology for not keeping up. That discovery became one of his most-shared internal stories, reaching even the CTO.
On the five-part storytelling framework: Start with a personal story. Build common ground. Use contrast. Lead with empathy, not sympathy. Close with a call to action, built together with the people who actually own the outcome. Not a "rule of three" — Gulrez insists you need all five to actually move a room.
On what AI can't replace: Gulrez's answer isn't storytelling in the abstract — it's the specific, personal, unrepeatable experience behind a story. AI can generate a technically competent narrative. It can't generate his father's WhatsApp messages, or the particular blend of a Bengali childhood and a life spent in American tech. That specificity is the actual differentiator, not "creativity" as a general skill.
On what should never change, even as AI evolves: The basics of learning how to learn matter more than any specific tool. Ask better questions about the data you're consuming. Learn to present with intent, not the default rainbow-colored chart your tool spits out. Use contrast deliberately — perception versus reality, side by side.
What do you think — is data storytelling a skill every data professional needs to build, or should organizations be doing more of the translation work themselves?
️ The full episode is live now on Masters of Data, BI & AI — link in the comments.
LinkedIn Profile
LinkedIn Profile of Gulrez Khan: https://www.linkedin.com/in/gulrezkhan-data/
LinkedIn Profile of Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Books
Effective Data Storytelling by Brent Dykes — Gulrez has been reading it and recommends it directly for anyone serious about the craft.
How I Built This, hosted by Guy Raz — not a book, a podcast, but one Gulrez credits for showing him how founders actually talk about the struggle behind their journeys.
The First 90 Days by Michael Watkins — his pick for anyone stepping into a new role or company, useful well beyond data careers.
Gulrez Khan spent nearly two decades inside two of the most data-intensive companies on the planet — Microsoft and PayPal. Built experimentation infrastructure running on tens of millions of users. Drove a 35% increase in Gen AI adoption across PayPal's developer community. And then he sat down and wrote a children's book.
Not because the work got easier. Because he realized something most data professionals never fully accept: the hardest part of this job was never the math.
In the current episode of Masters of Data, BI & AI, he talks about why he wrote Drawing Data with Kids, what almost two decades at Microsoft and PayPal taught him about the gap between insight and action — and the five-part framework he now teaches for turning data into something people actually remember.
A few things that stuck with me:
On why the book had to exist: Gulrez grew up loving to write, but "get a job first" won out over creative ambition. Years later, homeschooling his three kids with his wife, he realized there was no book that taught data literacy the way he wished someone had taught him. So he wrote it — real memories with his own kids, turned into realistic fiction. The Snoring Graph chapter, based on his own sleep apnea, is now the one kids remember longest.
On the moment that made it real: An article he wrote for the Data Visualization Society, "Drawing Data With Kids," unexpectedly took off. That was the signal — not just him, but other people wanted this too. The Kickstarter and the book followed from there.
On the story behind his professional thesis: His father, in India, would text him in Hindi typed in English letters — autocorrect would mangle the words, and every time, his father would apologize below the message: "I'm 76 years old, please forgive me, I don't know how to use these devices." After his father passed away this past December, Gulrez ran an analysis on thousands of PayPal customer feedback entries and found the same pattern from elderly users again and again — people quietly explaining their age as an apology for not keeping up. That discovery became one of his most-shared internal stories, reaching even the CTO.
On the five-part storytelling framework: Start with a personal story. Build common ground. Use contrast. Lead with empathy, not sympathy. Close with a call to action, built together with the people who actually own the outcome. Not a "rule of three" — Gulrez insists you need all five to actually move a room.
On what AI can't replace: Gulrez's answer isn't storytelling in the abstract — it's the specific, personal, unrepeatable experience behind a story. AI can generate a technically competent narrative. It can't generate his father's WhatsApp messages, or the particular blend of a Bengali childhood and a life spent in American tech. That specificity is the actual differentiator, not "creativity" as a general skill.
On what should never change, even as AI evolves: The basics of learning how to learn matter more than any specific tool. Ask better questions about the data you're consuming. Learn to present with intent, not the default rainbow-colored chart your tool spits out. Use contrast deliberately — perception versus reality, side by side.
What do you think — is data storytelling a skill every data professional needs to build, or should organizations be doing more of the translation work themselves?
️ The full episode is live now on Masters of Data, BI & AI — link in the comments.
LinkedIn Profile
LinkedIn Profile of Gulrez Khan: https://www.linkedin.com/in/gulrezkhan-data/
LinkedIn Profile of Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Books
Effective Data Storytelling by Brent Dykes — Gulrez has been reading it and recommends it directly for anyone serious about the craft.
How I Built This, hosted by Guy Raz — not a book, a podcast, but one Gulrez credits for showing him how founders actually talk about the struggle behind their journeys.
The First 90 Days by Michael Watkins — his pick for anyone stepping into a new role or company, useful well beyond data careers.
55 Minuten
Send us Fan Mail
Bechtle und Cancom sind zu Tankern geworden, sagt Marco Breier. Groß, bekannt — und für immer mehr Kunden einfach zu langsam.
Marco hat 2015 KOM4TEC gegründet und von Anfang an bewusst gegen die Bauchladen-Strategie entschieden, die den Markt prägt. Kein AWS, kein GCP, kein Dynamics, keine Telefonie. Nur Microsoft — M365, Power Platform, Azure, Copilot — und das richtig tief statt breit und flach.
In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus fast 20 Jahren IT-Verantwortung in der Fashion-Industrie eine fokussierte Agentur wurde, die heute genau das Gegenteil der Tanker sein will.
Ein paar Dinge, die hängengeblieben sind:
Zur Microsoft-Fokussierung: Kein reiner Technologie-Entscheid am Anfang. Marco und sein Mitgründer wurden Anfang der 2000er von einem charismatischen, Microsoft-lastigen Dienstleister inspiriert — nicht primär von der Software, sondern von der Person dahinter. Daraus wurde über die Jahre eine bewusste strategische Linie: Abhängigkeit ist grundsätzlich nicht klug, aber am Frontend zählt Fokus mehr als Flexibilität, weil man Menschen nicht alle sechs Monate auf eine neue Welt umschulen kann.
Zur Marktverteilung, aus eigener Erfahrung: Rund 70 % Microsoft-Fokus insgesamt, laut seiner eigenen Einschätzung eher Richtung 85 % im Mittelstand — weil kleinere interne IT-Teams schlicht keine Kapazität haben, mehrere Cloud-Ökosysteme gleichzeitig zu bespielen. Bei größeren Kunden sieht er das anders: Da gibt es die Power, sich bewusst breiter aufzustellen.
Zum Costliest-Mistake-Learning: Ein Charakter, der schon beim Onboarding nicht ins Team passte, wurde trotzdem gehalten — weil Skill über Bauchgefühl gestellt wurde und weil sie an Menschen lange festhalten, bevor sie sich trennen. Am Ende hat das Zeit und Geld gekostet. Sein Learning: Lieber früh klar sein, als lange hoffen.
Zu Storytelling im Vertrieb: Starke Pitches von Anfang an — weil sie selbst jahrelang Kunde waren, bevor sie Dienstleister wurden, und deshalb intuitiv die Sprache des Kunden sprachen. Was gefehlt hat: die eigentliche Abschlussqualität. Tolle Gespräche, aber niemand hat unterschrieben, bis sie lernten, aktiv nachzufassen und den Kunden zur Entscheidung zu führen, die er ohnehin treffen wollte.
Zur Perfektion in Präsentationen: Sein Learnings aus dem Public Speaking: Eine starke Botschaft entsteht, wenn nichts mehr weggenommen werden kann — nicht, wenn nichts mehr hinzugefügt werden könnte. Zu viele Folien, zu viele Fachbegriffe, zu viel Ökosystem-Show verwässern die eigentliche Aussage, statt sie zu stärken.
Wie seht ihr das — ist radikale Plattform-Fokussierung im Beratungsgeschäft eine kluge Nischenstrategie, oder ein Risiko in einem Markt, der zunehmend Multi-Cloud denkt?
LinkedIn Profile
LinkedIn Profile von Marco Breier: https://www.linkedin.com/in/marcobreier/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Buch
Extreme Ownership von Jocko Willink und Leif Babin — ein Ex-Navy-SEAL, der radikale Eigenverantwortung predigt, sowohl unternehmerisch als auch persönlich. Marco schätzt es für die Klarheit in Entscheidungen, selbst wenn die Gesamtlage noch unklar ist.
Bechtle und Cancom sind zu Tankern geworden, sagt Marco Breier. Groß, bekannt — und für immer mehr Kunden einfach zu langsam.
Marco hat 2015 KOM4TEC gegründet und von Anfang an bewusst gegen die Bauchladen-Strategie entschieden, die den Markt prägt. Kein AWS, kein GCP, kein Dynamics, keine Telefonie. Nur Microsoft — M365, Power Platform, Azure, Copilot — und das richtig tief statt breit und flach.
In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus fast 20 Jahren IT-Verantwortung in der Fashion-Industrie eine fokussierte Agentur wurde, die heute genau das Gegenteil der Tanker sein will.
Ein paar Dinge, die hängengeblieben sind:
Zur Microsoft-Fokussierung: Kein reiner Technologie-Entscheid am Anfang. Marco und sein Mitgründer wurden Anfang der 2000er von einem charismatischen, Microsoft-lastigen Dienstleister inspiriert — nicht primär von der Software, sondern von der Person dahinter. Daraus wurde über die Jahre eine bewusste strategische Linie: Abhängigkeit ist grundsätzlich nicht klug, aber am Frontend zählt Fokus mehr als Flexibilität, weil man Menschen nicht alle sechs Monate auf eine neue Welt umschulen kann.
Zur Marktverteilung, aus eigener Erfahrung: Rund 70 % Microsoft-Fokus insgesamt, laut seiner eigenen Einschätzung eher Richtung 85 % im Mittelstand — weil kleinere interne IT-Teams schlicht keine Kapazität haben, mehrere Cloud-Ökosysteme gleichzeitig zu bespielen. Bei größeren Kunden sieht er das anders: Da gibt es die Power, sich bewusst breiter aufzustellen.
Zum Costliest-Mistake-Learning: Ein Charakter, der schon beim Onboarding nicht ins Team passte, wurde trotzdem gehalten — weil Skill über Bauchgefühl gestellt wurde und weil sie an Menschen lange festhalten, bevor sie sich trennen. Am Ende hat das Zeit und Geld gekostet. Sein Learning: Lieber früh klar sein, als lange hoffen.
Zu Storytelling im Vertrieb: Starke Pitches von Anfang an — weil sie selbst jahrelang Kunde waren, bevor sie Dienstleister wurden, und deshalb intuitiv die Sprache des Kunden sprachen. Was gefehlt hat: die eigentliche Abschlussqualität. Tolle Gespräche, aber niemand hat unterschrieben, bis sie lernten, aktiv nachzufassen und den Kunden zur Entscheidung zu führen, die er ohnehin treffen wollte.
Zur Perfektion in Präsentationen: Sein Learnings aus dem Public Speaking: Eine starke Botschaft entsteht, wenn nichts mehr weggenommen werden kann — nicht, wenn nichts mehr hinzugefügt werden könnte. Zu viele Folien, zu viele Fachbegriffe, zu viel Ökosystem-Show verwässern die eigentliche Aussage, statt sie zu stärken.
Wie seht ihr das — ist radikale Plattform-Fokussierung im Beratungsgeschäft eine kluge Nischenstrategie, oder ein Risiko in einem Markt, der zunehmend Multi-Cloud denkt?
LinkedIn Profile
LinkedIn Profile von Marco Breier: https://www.linkedin.com/in/marcobreier/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Buch
Extreme Ownership von Jocko Willink und Leif Babin — ein Ex-Navy-SEAL, der radikale Eigenverantwortung predigt, sowohl unternehmerisch als auch persönlich. Marco schätzt es für die Klarheit in Entscheidungen, selbst wenn die Gesamtlage noch unklar ist.
42 Minuten
Send us Fan Mail
Ein befreundeter Friseursalon-Besitzer ruft Timo Wille an und sagt: Ich muss dir mal was zeigen. Per Screensharing präsentiert er eine App, die er komplett allein gebaut hat — Kunden machen ein Foto, wählen eine Frisur aus, sehen sofort, wie es aussehen würde. DSGVO-konform, mit Lösch- und E-Mail-Funktion. Kein CIO, kein IT-Team. Nur ein Geschäftsführer, der abends nach Feierabend programmiert.
Timo Wille hat Obungi mit seinem Bruder und einem Kindheitsfreund gegründet — der Name stammt aus einem Luganda-Wörterbuch und bedeutet eigentlich "Quantität", auch wenn sie Kunden marketingtechnisch gerne erzählen, es hieße "Qualität". Heute knapp 100 Mitarbeitende, komplett Microsoft-fokussiert, Managed Partner, Partner of the Year 2024.
In der aktuellen Episode von Masters of Data, BI & AI spricht er über den Ursprung dieses ungewöhnlichen Firmennamens, warum sie sich bewusst gegen Multi-Cloud entschieden haben — und wie KI plötzlich Leute zu App-Buildern macht, die vorher nie eine Zeile Code geschrieben haben.
Ein paar Dinge, die hängengeblieben sind:
Zur Namensgeschichte: Kein durchdachtes Brainstorming, keine teure Agentur. Timos Bruder brauchte für eine Universitätsarbeit in Holland einen Firmennamen, ein Wörterbuch lag auf dem Tisch, das Wort klang gut. Vor zwei Jahren fand kaum ein Kunde durch Googlen heraus, was Obungi wirklich bedeutet. Heute reicht eine kurze KI-Suche.
Zur Microsoft-Fokussierung: Kein Trend-Hopping, sondern Kalkül. Bei ihrer Größe ist es unmöglich, gleichzeitig Snowflake-, Databricks- und Fabric-Experten vorzuhalten. Also volle Konzentration auf eine Plattform, dafür wirklich tief. Zehn Jahre ganz ohne direkten Microsoft-Kontakt, bis früher Cloud-Einsatz bei Kunden sie auf Microsofts Radar brachte.
Zum Friseur-Beispiel als Symptombild: Was vor 20 Jahren undenkbar gewesen wäre — ein Geschäftsführer ohne tiefes Coding-Wissen, der abends eine vollwertige, datenschutzkonforme App baut. Timo sieht darin den eigentlichen Wendepunkt: Tools wie Lovable liefern schnelle, funktionierende Prototypen. Aber sobald es um Enterprise-Readiness, Security und Governance geht, kommt am Ende doch der Anruf bei den Experten.
Zur veränderten Kundenerwartung: Früher wollten Kunden einfach nur, dass die Zahlen im Report stimmen. Heute kommt die KI-Anforderung praktisch immer schon von Anfang an mit in den Neukundenworkshop. Nicht mehr die Ausnahme, sondern die Grundannahme.
Zur bewussten Nicht-Vertikalisierung: Während viele Marktbegleiter sich auf einzelne Branchen spezialisieren, geht Obungi den anderen Weg: Daten gibt es überall, also arbeiten sie branchenübergreifend in der ganzen DACH-Region. Das Fachwissen kommt ohnehin meist vom Kunden selbst — die beste Lösung entsteht im Projektteam gemeinsam mit ihm.
Wie seht ihr das — ist branchenübergreifende Flexibilität heute ein echter Vorteil, oder verlieren generalistische Beratungen langfristig gegen die Spezialisten?
LinkedIn Profile
LinkedIn Profile von Timo Wille: https://www.linkedin.com/in/timo-wille/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Buch
Kein einzelnes Buch diesmal — Timo sagt ehrlich, es sind meistens die Bücher, die er zuletzt gelesen hat. Mit dem Wachstum von Obungi liest er heute vermehrt zu Themen wie Self-Management und Marketing, obwohl ihn technische Themen nach wie vor am meisten faszinieren.
Ein befreundeter Friseursalon-Besitzer ruft Timo Wille an und sagt: Ich muss dir mal was zeigen. Per Screensharing präsentiert er eine App, die er komplett allein gebaut hat — Kunden machen ein Foto, wählen eine Frisur aus, sehen sofort, wie es aussehen würde. DSGVO-konform, mit Lösch- und E-Mail-Funktion. Kein CIO, kein IT-Team. Nur ein Geschäftsführer, der abends nach Feierabend programmiert.
Timo Wille hat Obungi mit seinem Bruder und einem Kindheitsfreund gegründet — der Name stammt aus einem Luganda-Wörterbuch und bedeutet eigentlich "Quantität", auch wenn sie Kunden marketingtechnisch gerne erzählen, es hieße "Qualität". Heute knapp 100 Mitarbeitende, komplett Microsoft-fokussiert, Managed Partner, Partner of the Year 2024.
In der aktuellen Episode von Masters of Data, BI & AI spricht er über den Ursprung dieses ungewöhnlichen Firmennamens, warum sie sich bewusst gegen Multi-Cloud entschieden haben — und wie KI plötzlich Leute zu App-Buildern macht, die vorher nie eine Zeile Code geschrieben haben.
Ein paar Dinge, die hängengeblieben sind:
Zur Namensgeschichte: Kein durchdachtes Brainstorming, keine teure Agentur. Timos Bruder brauchte für eine Universitätsarbeit in Holland einen Firmennamen, ein Wörterbuch lag auf dem Tisch, das Wort klang gut. Vor zwei Jahren fand kaum ein Kunde durch Googlen heraus, was Obungi wirklich bedeutet. Heute reicht eine kurze KI-Suche.
Zur Microsoft-Fokussierung: Kein Trend-Hopping, sondern Kalkül. Bei ihrer Größe ist es unmöglich, gleichzeitig Snowflake-, Databricks- und Fabric-Experten vorzuhalten. Also volle Konzentration auf eine Plattform, dafür wirklich tief. Zehn Jahre ganz ohne direkten Microsoft-Kontakt, bis früher Cloud-Einsatz bei Kunden sie auf Microsofts Radar brachte.
Zum Friseur-Beispiel als Symptombild: Was vor 20 Jahren undenkbar gewesen wäre — ein Geschäftsführer ohne tiefes Coding-Wissen, der abends eine vollwertige, datenschutzkonforme App baut. Timo sieht darin den eigentlichen Wendepunkt: Tools wie Lovable liefern schnelle, funktionierende Prototypen. Aber sobald es um Enterprise-Readiness, Security und Governance geht, kommt am Ende doch der Anruf bei den Experten.
Zur veränderten Kundenerwartung: Früher wollten Kunden einfach nur, dass die Zahlen im Report stimmen. Heute kommt die KI-Anforderung praktisch immer schon von Anfang an mit in den Neukundenworkshop. Nicht mehr die Ausnahme, sondern die Grundannahme.
Zur bewussten Nicht-Vertikalisierung: Während viele Marktbegleiter sich auf einzelne Branchen spezialisieren, geht Obungi den anderen Weg: Daten gibt es überall, also arbeiten sie branchenübergreifend in der ganzen DACH-Region. Das Fachwissen kommt ohnehin meist vom Kunden selbst — die beste Lösung entsteht im Projektteam gemeinsam mit ihm.
Wie seht ihr das — ist branchenübergreifende Flexibilität heute ein echter Vorteil, oder verlieren generalistische Beratungen langfristig gegen die Spezialisten?
LinkedIn Profile
LinkedIn Profile von Timo Wille: https://www.linkedin.com/in/timo-wille/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Buch
Kein einzelnes Buch diesmal — Timo sagt ehrlich, es sind meistens die Bücher, die er zuletzt gelesen hat. Mit dem Wachstum von Obungi liest er heute vermehrt zu Themen wie Self-Management und Marketing, obwohl ihn technische Themen nach wie vor am meisten faszinieren.
50 Minuten
Send us Fan Mail
Ein Kunde von Prof. Dr. Florian Offergelt lässt seine E-Mail-KI absichtlich 25 bis 30 Minuten warten, bevor sie antwortet. Und in jede zweite oder dritte Mail wird bewusst ein Rechtschreibfehler eingebaut.
Nicht aus Versehen. Aus Kalkül. Zu perfekt, zu schnell, zu steril — und Menschen merken sofort, dass da eine Maschine antwortet. Ein Tippfehler macht die KI menschlicher, und genau das schafft Vertrauen.
Florian ist Wirtschaftspsychologe, Unternehmer und Forscher zu Knowledge Hiding — dem bewussten Zurückhalten von Wissen in Organisationen. Er hat quantics plus zu dritt gegründet, mit zwei weiteren Wirtschaftspsychologen aus der Wissenschaft, und bringt seit über zehn Jahren das zusammen, woran viele Professoren scheitern: Theorie tatsächlich auf die Straße zu bringen.
In der aktuellen Episode von Masters of Data, BI & AI spricht er über den teuersten blinden Fleck vieler Unternehmen — und warum digitale Wissenszwillinge mehr können, als die meisten erwarten.
Ein paar Dinge, die hängengeblieben sind:
Zum eigentlichen Preis von Knowledge Hiding:
Eine Studie aus 2014 beziffert den wirtschaftlichen Schaden für die Fortune 500 auf 40 Milliarden Dollar pro Jahr — und Florian vermutet, die Zahl ist heute höher. Organisationen mit 1.000+ Mitarbeitenden verlieren jährlich Millionenbeträge durch schlechtes Wissensmanagement. Bei kleineren Unternehmen wird es proportional oft sogar schlimmer, weil das Wissen einzelner Personen dort noch schwerer zu ersetzen ist.
Zum digitalen Werksleiter:
Bei einem Kunden aus der Fleischverarbeitung mit mehreren Werken baut Florians Team gerade einen digitalen Zwilling für den Werksleiter. Der Auslöser: 70 bis 80 % der Maschinenausfälle sind schlicht Fehlbedienung, keine echten technischen Defekte. Der digitale Zwilling hilft den Leuten an der Linie, Maschinen selbst wieder zum Laufen zu bringen — das spart mehrere Stunden pro Woche und beschleunigt jeden neuen Werksaufbau, weil Fehler nicht mehrfach gemacht werden müssen.
Zur eigentlichen Positionierung gegen McKinsey & Co.:
Nicht Talent, sondern Tagessätze. quantics plus arbeitet bewusst mit dem Mittelstand und Hidden Champions, wo McKinsey nach drei Tagen das Budget aufgebraucht hat. Und sie sagen bewusst Nein zu Projekten, die nicht in ihre Kernexpertise fallen oder ihnen schlicht keinen Spaß machen. Sein Lieblingssatz dazu, den er bei einem Kunden an der Wand gesehen hat: Wer immer Ja sagt, macht Umsatz. Wer auch mal Nein sagt, macht Gewinn.
Zur Frage, ob KI Wissensmanagement überflüssig macht:
Florians Gegenfrage: Wenn die KI wirklich alles über eure internen Prozesse wüsste, hättet ihr vermutlich ein Datenleck. KI ist stark im expliziten, niedergeschriebenen Wissen. Spannend wird es erst beim impliziten Wissen — Entscheidungsheuristiken, Kontextwissen, Erfahrung. Und Wissensmanagement bleibt am Ende vor allem ein Führungsthema, keine reine Tool-Frage.
Zur Zukunft der Arbeit:
Verantwortung wird noch lange menschlich bleiben — nicht weil KI es nicht könnte, sondern weil jemand die Konsequenzen tragen muss, positiv wie negativ. Florians Rat an junge Berufseinsteiger: Verantwortung suchen, nicht meiden. Wer sich davor drückt, macht sich in einer KI-Welt am ehesten überflüssig.
Wie seht ihr das — braucht gute KI wirklich ein bisschen kalkulierte Unvollkommenheit, um menschlich zu wirken, oder ist das am Ende doch nur ein netter Trick?
LinkedIn Profile:
LinkedIn Profile von Florian Offergelt: https://www.linkedin.com/in/florianoffergelt/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Bücher
Thinking, Fast and Slow von Daniel Kahneman — Florians Erklärung dazu: Es hilft extrem zu verstehen, wie Menschen wirklich ticken, inklusive Verlustaversion und der Prospect Theory, die Kahneman gemeinsam mit Amos Tversky entwickelt hat.
Never Eat Alone von Keith Ferrazzi — die Kernidee: Egal was du machst, umgib dich mit Menschen und baue dein Netzwerk aktiv auf.
Ein Kunde von Prof. Dr. Florian Offergelt lässt seine E-Mail-KI absichtlich 25 bis 30 Minuten warten, bevor sie antwortet. Und in jede zweite oder dritte Mail wird bewusst ein Rechtschreibfehler eingebaut.
Nicht aus Versehen. Aus Kalkül. Zu perfekt, zu schnell, zu steril — und Menschen merken sofort, dass da eine Maschine antwortet. Ein Tippfehler macht die KI menschlicher, und genau das schafft Vertrauen.
Florian ist Wirtschaftspsychologe, Unternehmer und Forscher zu Knowledge Hiding — dem bewussten Zurückhalten von Wissen in Organisationen. Er hat quantics plus zu dritt gegründet, mit zwei weiteren Wirtschaftspsychologen aus der Wissenschaft, und bringt seit über zehn Jahren das zusammen, woran viele Professoren scheitern: Theorie tatsächlich auf die Straße zu bringen.
In der aktuellen Episode von Masters of Data, BI & AI spricht er über den teuersten blinden Fleck vieler Unternehmen — und warum digitale Wissenszwillinge mehr können, als die meisten erwarten.
Ein paar Dinge, die hängengeblieben sind:
Zum eigentlichen Preis von Knowledge Hiding:
Eine Studie aus 2014 beziffert den wirtschaftlichen Schaden für die Fortune 500 auf 40 Milliarden Dollar pro Jahr — und Florian vermutet, die Zahl ist heute höher. Organisationen mit 1.000+ Mitarbeitenden verlieren jährlich Millionenbeträge durch schlechtes Wissensmanagement. Bei kleineren Unternehmen wird es proportional oft sogar schlimmer, weil das Wissen einzelner Personen dort noch schwerer zu ersetzen ist.
Zum digitalen Werksleiter:
Bei einem Kunden aus der Fleischverarbeitung mit mehreren Werken baut Florians Team gerade einen digitalen Zwilling für den Werksleiter. Der Auslöser: 70 bis 80 % der Maschinenausfälle sind schlicht Fehlbedienung, keine echten technischen Defekte. Der digitale Zwilling hilft den Leuten an der Linie, Maschinen selbst wieder zum Laufen zu bringen — das spart mehrere Stunden pro Woche und beschleunigt jeden neuen Werksaufbau, weil Fehler nicht mehrfach gemacht werden müssen.
Zur eigentlichen Positionierung gegen McKinsey & Co.:
Nicht Talent, sondern Tagessätze. quantics plus arbeitet bewusst mit dem Mittelstand und Hidden Champions, wo McKinsey nach drei Tagen das Budget aufgebraucht hat. Und sie sagen bewusst Nein zu Projekten, die nicht in ihre Kernexpertise fallen oder ihnen schlicht keinen Spaß machen. Sein Lieblingssatz dazu, den er bei einem Kunden an der Wand gesehen hat: Wer immer Ja sagt, macht Umsatz. Wer auch mal Nein sagt, macht Gewinn.
Zur Frage, ob KI Wissensmanagement überflüssig macht:
Florians Gegenfrage: Wenn die KI wirklich alles über eure internen Prozesse wüsste, hättet ihr vermutlich ein Datenleck. KI ist stark im expliziten, niedergeschriebenen Wissen. Spannend wird es erst beim impliziten Wissen — Entscheidungsheuristiken, Kontextwissen, Erfahrung. Und Wissensmanagement bleibt am Ende vor allem ein Führungsthema, keine reine Tool-Frage.
Zur Zukunft der Arbeit:
Verantwortung wird noch lange menschlich bleiben — nicht weil KI es nicht könnte, sondern weil jemand die Konsequenzen tragen muss, positiv wie negativ. Florians Rat an junge Berufseinsteiger: Verantwortung suchen, nicht meiden. Wer sich davor drückt, macht sich in einer KI-Welt am ehesten überflüssig.
Wie seht ihr das — braucht gute KI wirklich ein bisschen kalkulierte Unvollkommenheit, um menschlich zu wirken, oder ist das am Ende doch nur ein netter Trick?
LinkedIn Profile:
LinkedIn Profile von Florian Offergelt: https://www.linkedin.com/in/florianoffergelt/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Bücher
Thinking, Fast and Slow von Daniel Kahneman — Florians Erklärung dazu: Es hilft extrem zu verstehen, wie Menschen wirklich ticken, inklusive Verlustaversion und der Prospect Theory, die Kahneman gemeinsam mit Amos Tversky entwickelt hat.
Never Eat Alone von Keith Ferrazzi — die Kernidee: Egal was du machst, umgib dich mit Menschen und baue dein Netzwerk aktiv auf.
38 Minuten
Send us Fan Mail
Biophysiker. Promoviert an der Humboldt Uni Berlin. Und dann Data Architect bei Peek & Cloppenburg, bevor er eine Datenagentur mit dem denkbar kuriosesten Namen gründet: Friendly White Rabbit.
Thomas Handorf hat mit "9FWR" über 70 Kunden und 170 Projekte betreut. Seine These, die auch Rocky sofort gepackt hat: Die meisten Unternehmen scheitern nicht an Technologie — sondern daran, dass sie nie gelernt haben, Daten wirklich zu denken.
In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus einem Alice-im-Wunderland-Testprojekt ein Agenturname wurde, warum er sein Team bewusst klein gehalten hat — und warum er seine eigene, funktionierende Firma trotzdem aufgegeben hat.
Ein paar Dinge, die hängengeblieben sind:
Zum eigentlichen Data Thinking: Nicht jedes Problem ist ein Technologieproblem. Bevor bei 9FWR überhaupt implementiert wird, läuft der Kunde durch eine Data Thinking Canvas — inspiriert von Lean Startup und Business Model Canvas. Erst verstehen, was das Geschäftsmodell wirklich braucht. Dann bauen.
Zum Recruiting und Bullshit Bingo: Thomas screent Lebensläufe gezielt gegen leere Buzzwords — sein eigener Begriff dafür: Bullshit Bingo. Wer im Interview konkrete Knackpunkte und echte Beispiele nennen kann, statt nur Schlagworte zu droppen, überzeugt. Am Ende entscheidet ein praktischer Test: einen kompletten, vereinfachten Data Stack pragmatisch aufsetzen. Nicht ob man alles schon kennt, sondern wie schnell man das Prinzip dahinter erfasst.
Zum Wachstum ohne Wachstumszwang: 9FWR ist bewusst nie stark skaliert. Word of Mouth funktioniert am besten, weil zufriedene Kunden ohne Preisdiskussion weiterempfehlen. Freelancer-Plattformen halfen, LinkedIn Content Marketing weniger. Das ständige Hoch und Runter zwischen kurzen Trackingprojekten und großen Kundenprojekten wie mobile.de machte einen klassischen skalierbaren Funnel schwierig — und am Ende war das auch okay so.
Zur Entscheidung, die eigene Firma aufzugeben: 9FWR lief nicht schlecht — im Gegenteil, 2025 war wirtschaftlich wieder ein gutes Jahr. Trotzdem ist Thomas mit seinem Team in die Gateway Group gewechselt, die Reisemarken wie kurz-mal-weg.de und kurzurlaub.de betreibt und zu HomeToGo gehört. Der Grund: ein echtes Greenfield-Projekt, kaum Legacy, viel Kapital, ein Team, das komplett neue Systeme bauen will. Nicht jede Chance kommt zweimal.
Zu KI, die tatsächlich einen Unterschied macht: Vor ein bis zwei Jahren hieß KI: SQL-Snippets generieren lassen. Heute bauen Thomas und sein Team bei Gateway einen internen Agenten mit vollem Zugriff auf ein sauber modelliertes Data Warehouse — inklusive Tests, Dokumentation und Kontext aus Confluence. Das Ergebnis: präzise Antworten zum aktuellen Stand, statt Rohdaten-Rätselraten. Der Unterschied zu vor zwei Jahren ist laut Thomas nicht graduell, sondern fundamental.
Wie seht ihr das — ist die eigentliche Hürde bei KI und Daten wirklich das Mindset, oder unterschätzen wir doch, wie viel technisches Fundament dafür nötig ist?
LinkedIn Profile
LinkedIn Profile von Thomas Handorf: https://www.linkedin.com/in/thomashandorf/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Inspiration statt Businessbuch
Kein klassisches Buch — Thomas liest lieber Artikel, Reports und Posts. Sein größter methodischer Einfluss bleibt Lean Startup und Business Model Canvas, die direkt in die Data Thinking Canvas von 9FWR eingeflossen sind.
Biophysiker. Promoviert an der Humboldt Uni Berlin. Und dann Data Architect bei Peek & Cloppenburg, bevor er eine Datenagentur mit dem denkbar kuriosesten Namen gründet: Friendly White Rabbit.
Thomas Handorf hat mit "9FWR" über 70 Kunden und 170 Projekte betreut. Seine These, die auch Rocky sofort gepackt hat: Die meisten Unternehmen scheitern nicht an Technologie — sondern daran, dass sie nie gelernt haben, Daten wirklich zu denken.
In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus einem Alice-im-Wunderland-Testprojekt ein Agenturname wurde, warum er sein Team bewusst klein gehalten hat — und warum er seine eigene, funktionierende Firma trotzdem aufgegeben hat.
Ein paar Dinge, die hängengeblieben sind:
Zum eigentlichen Data Thinking: Nicht jedes Problem ist ein Technologieproblem. Bevor bei 9FWR überhaupt implementiert wird, läuft der Kunde durch eine Data Thinking Canvas — inspiriert von Lean Startup und Business Model Canvas. Erst verstehen, was das Geschäftsmodell wirklich braucht. Dann bauen.
Zum Recruiting und Bullshit Bingo: Thomas screent Lebensläufe gezielt gegen leere Buzzwords — sein eigener Begriff dafür: Bullshit Bingo. Wer im Interview konkrete Knackpunkte und echte Beispiele nennen kann, statt nur Schlagworte zu droppen, überzeugt. Am Ende entscheidet ein praktischer Test: einen kompletten, vereinfachten Data Stack pragmatisch aufsetzen. Nicht ob man alles schon kennt, sondern wie schnell man das Prinzip dahinter erfasst.
Zum Wachstum ohne Wachstumszwang: 9FWR ist bewusst nie stark skaliert. Word of Mouth funktioniert am besten, weil zufriedene Kunden ohne Preisdiskussion weiterempfehlen. Freelancer-Plattformen halfen, LinkedIn Content Marketing weniger. Das ständige Hoch und Runter zwischen kurzen Trackingprojekten und großen Kundenprojekten wie mobile.de machte einen klassischen skalierbaren Funnel schwierig — und am Ende war das auch okay so.
Zur Entscheidung, die eigene Firma aufzugeben: 9FWR lief nicht schlecht — im Gegenteil, 2025 war wirtschaftlich wieder ein gutes Jahr. Trotzdem ist Thomas mit seinem Team in die Gateway Group gewechselt, die Reisemarken wie kurz-mal-weg.de und kurzurlaub.de betreibt und zu HomeToGo gehört. Der Grund: ein echtes Greenfield-Projekt, kaum Legacy, viel Kapital, ein Team, das komplett neue Systeme bauen will. Nicht jede Chance kommt zweimal.
Zu KI, die tatsächlich einen Unterschied macht: Vor ein bis zwei Jahren hieß KI: SQL-Snippets generieren lassen. Heute bauen Thomas und sein Team bei Gateway einen internen Agenten mit vollem Zugriff auf ein sauber modelliertes Data Warehouse — inklusive Tests, Dokumentation und Kontext aus Confluence. Das Ergebnis: präzise Antworten zum aktuellen Stand, statt Rohdaten-Rätselraten. Der Unterschied zu vor zwei Jahren ist laut Thomas nicht graduell, sondern fundamental.
Wie seht ihr das — ist die eigentliche Hürde bei KI und Daten wirklich das Mindset, oder unterschätzen wir doch, wie viel technisches Fundament dafür nötig ist?
LinkedIn Profile
LinkedIn Profile von Thomas Handorf: https://www.linkedin.com/in/thomashandorf/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Inspiration statt Businessbuch
Kein klassisches Buch — Thomas liest lieber Artikel, Reports und Posts. Sein größter methodischer Einfluss bleibt Lean Startup und Business Model Canvas, die direkt in die Data Thinking Canvas von 9FWR eingeflossen sind.
43 Minuten
Send us Fan Mail
67% der Entscheider im DACH-Raum glauben, der aktuelle KI-Investitionsboom endet vor 2030. Nicht weil KI nicht funktioniert — sondern weil viele Unternehmen es nicht schaffen, echten Value zu erzielen.
Laurenz Kirchner hat diese Zahl selbst mitverfasst. Er ist Co-Autor der Studie des Handelsblatt Research Institute zu KI in europäischen Unternehmen, war Architekt, bevor er zu McKinsey ging, hat eine Firma mit aufgebaut, die heute Teil von valantic ist, und führt dort seit Jahren die Data & AI Practice.
In der aktuellen Episode von Masters of Data, BI & AI spricht er über die Studie, echte Führung im KI-Zeitalter — und warum Souveränität nicht dasselbe ist wie Autarkie.
Ein paar Dinge, die hängengeblieben sind:
Zur eigentlichen Bedeutung der 67%:
Nicht "der Boom endet." Sondern: Zwei Drittel der Befragten sagen ehrlich, dass sie es selbst nicht schaffen, echten Value zu generieren — deshalb erwarten sie, dass Investitionen irgendwann eingedämmt werden. Eine wichtige Unterscheidung, die in der Schlagzeile oft verloren geht.
Zum wichtigsten Erfolgsfaktor laut Studie:
Data Foundation schlägt alles andere. Laurenz' eigener Satz dazu: Daten sind nicht alles, aber ohne Daten ist alles nichts. Direkt danach folgt Zusammenarbeit über IT und Business Units hinweg — und Enablement der Mitarbeiter, und zwar auf zwei Ebenen: Breitensport (alle wissen, was erlaubt ist) und Spitzensport (Leute lernen, sich selbst kleine Agenten zu bauen).
Zur neuen Führungsrolle:
82% der Entscheider erwarten, dass Führungskräfte künftig weniger Entscheider sind und mehr Prüfinstanzen über KI-Systeme. Praktisch heißt das: Ein Kollege von Laurenz führt heute zehn Mitarbeiter — und hat drei feste Termine pro Woche für seine Agenten. Genauso wie Mitarbeitergespräche, nur eben mit KI.
Zu Souveränität vs. Autarkie:
Die Debatte verwechselt beides ständig, sagt Laurenz. Autarkie heißt Abschottung. Souveränität heißt, bewusst zu entscheiden, welche Abhängigkeiten man eingeht — und einen Plan B zu haben, falls man ihn braucht. Europa hat nicht viele Alternativen zu US-Frontier-Modellen, aber durchaus welche, etwa Mistral, gerade für Kunden mit hohen Anforderungen an Datensouveränität.
Zum größten Fehler von KI-Nachzüglern:
Nicht anfangen. Zu viel Grübeln, zu viel Warten auf das nächste, bessere Modell. Laurenz' Analogie: Er hat vier Marathons gelaufen. Man schafft das nicht im ersten Training — aber ohne zu starten, schafft man es nie. Bei valantic arbeiten sie fast dogmatisch in sechswöchigen "Impact Investments": erst Potenzial identifizieren, dann schnell iterieren, immer mit einem klaren Ziel für das Ende der sechs Wochen.
Wie seht ihr das — ist die größte Hürde bei KI-Adoption wirklich die Technologie, oder ehrlich gesagt einfach die eigene Entscheidungsfreude?
Hier geht es zur Studie:
https://www.valantic.com/de/presse/studie-von-valantic-und-hri-zu-ki-und-digitaler-souveraenitaet/
LinkedIn Profile
LinkedIn Profil von Laurenz Kirchner: https://www.linkedin.com/in/laurenz-kirchner/
LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Bücher
The Innovator's Dilemma von Clayton Christensen — Laurenz' Kernbotschaft daraus: keine Angst vor Kannibalisierung. Wer sich selbst nicht kannibalisiert, wird von jemand anderem kannibalisiert.
Third Millennium Thinking von Saul Perlmutter, John Campbell und Robert MacCoun — ein Plädoyer dafür, wissenschaftlich seriös mit Daten und Fakten umzugehen, und zu verstehen, wie sie Entscheidungen beeinflussen (oder eben nicht).
67% der Entscheider im DACH-Raum glauben, der aktuelle KI-Investitionsboom endet vor 2030. Nicht weil KI nicht funktioniert — sondern weil viele Unternehmen es nicht schaffen, echten Value zu erzielen.
Laurenz Kirchner hat diese Zahl selbst mitverfasst. Er ist Co-Autor der Studie des Handelsblatt Research Institute zu KI in europäischen Unternehmen, war Architekt, bevor er zu McKinsey ging, hat eine Firma mit aufgebaut, die heute Teil von valantic ist, und führt dort seit Jahren die Data & AI Practice.
In der aktuellen Episode von Masters of Data, BI & AI spricht er über die Studie, echte Führung im KI-Zeitalter — und warum Souveränität nicht dasselbe ist wie Autarkie.
Ein paar Dinge, die hängengeblieben sind:
Zur eigentlichen Bedeutung der 67%:
Nicht "der Boom endet." Sondern: Zwei Drittel der Befragten sagen ehrlich, dass sie es selbst nicht schaffen, echten Value zu generieren — deshalb erwarten sie, dass Investitionen irgendwann eingedämmt werden. Eine wichtige Unterscheidung, die in der Schlagzeile oft verloren geht.
Zum wichtigsten Erfolgsfaktor laut Studie:
Data Foundation schlägt alles andere. Laurenz' eigener Satz dazu: Daten sind nicht alles, aber ohne Daten ist alles nichts. Direkt danach folgt Zusammenarbeit über IT und Business Units hinweg — und Enablement der Mitarbeiter, und zwar auf zwei Ebenen: Breitensport (alle wissen, was erlaubt ist) und Spitzensport (Leute lernen, sich selbst kleine Agenten zu bauen).
Zur neuen Führungsrolle:
82% der Entscheider erwarten, dass Führungskräfte künftig weniger Entscheider sind und mehr Prüfinstanzen über KI-Systeme. Praktisch heißt das: Ein Kollege von Laurenz führt heute zehn Mitarbeiter — und hat drei feste Termine pro Woche für seine Agenten. Genauso wie Mitarbeitergespräche, nur eben mit KI.
Zu Souveränität vs. Autarkie:
Die Debatte verwechselt beides ständig, sagt Laurenz. Autarkie heißt Abschottung. Souveränität heißt, bewusst zu entscheiden, welche Abhängigkeiten man eingeht — und einen Plan B zu haben, falls man ihn braucht. Europa hat nicht viele Alternativen zu US-Frontier-Modellen, aber durchaus welche, etwa Mistral, gerade für Kunden mit hohen Anforderungen an Datensouveränität.
Zum größten Fehler von KI-Nachzüglern:
Nicht anfangen. Zu viel Grübeln, zu viel Warten auf das nächste, bessere Modell. Laurenz' Analogie: Er hat vier Marathons gelaufen. Man schafft das nicht im ersten Training — aber ohne zu starten, schafft man es nie. Bei valantic arbeiten sie fast dogmatisch in sechswöchigen "Impact Investments": erst Potenzial identifizieren, dann schnell iterieren, immer mit einem klaren Ziel für das Ende der sechs Wochen.
Wie seht ihr das — ist die größte Hürde bei KI-Adoption wirklich die Technologie, oder ehrlich gesagt einfach die eigene Entscheidungsfreude?
Hier geht es zur Studie:
https://www.valantic.com/de/presse/studie-von-valantic-und-hri-zu-ki-und-digitaler-souveraenitaet/
LinkedIn Profile
LinkedIn Profil von Laurenz Kirchner: https://www.linkedin.com/in/laurenz-kirchner/
LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Business Bücher
The Innovator's Dilemma von Clayton Christensen — Laurenz' Kernbotschaft daraus: keine Angst vor Kannibalisierung. Wer sich selbst nicht kannibalisiert, wird von jemand anderem kannibalisiert.
Third Millennium Thinking von Saul Perlmutter, John Campbell und Robert MacCoun — ein Plädoyer dafür, wissenschaftlich seriös mit Daten und Fakten umzugehen, und zu verstehen, wie sie Entscheidungen beeinflussen (oder eben nicht).
33 Minuten
Send us Fan Mail
Was ist der Unterschied zwischen einem SAP-Berater und einem SAP-Unternehmer? Der eine löst das Problem des Kunden. Der andere erkennt, dass das Problem vielleicht ein Produkt ist.
Sebastian Uhlig hat beides getan — 20 Jahre im Ökosystem, PwC, IBM, Inhouse-Experte bei Rio Tinto, dann Gründer. Heute führt er Nextlytics als Co-CEO und baut mit Nextables ein lizenzierbares Softwareprodukt, das einen Fehler in praktisch jeder modernen Datenplattform behebt.
In der aktuellen Episode von Masters of Data, BI & AI spricht er über 25 Jahre SAP BW, warum Datasphere und Business Data Cloud interoperabler klingen als sie sich anfühlen — und wo genau jede Plattform beim Thema Dateneditieren scheitert.
Ein paar Dinge, die hängengeblieben sind:
Zur eigentlichen Lücke:
SAP Business Data Cloud, Databricks, Snowflake, Fabric — alle brillant im Lesen, Modellieren und Auswerten von Daten. Aber sobald man eine Spalte ergänzen, eine Korrektur vornehmen oder eine Hierarchie pflegen will, gibt es im typischen Datenplattform-Stack keine Lösung. Man exportiert nach Excel, ändert dort, und irgendwann läuft nachts ein Ladeprozess auf einen Fehler.
Zum Nextables-Ansatz:
Die Ownership über Daten direkt an den Fachbereich geben — mit einem Excel-ähnlichen, geführten Interface, das Stammdatenhilfe und Validierung mitbringt. Der originale Record lebt dann auf der Plattform selbst, nirgends sonst. Für die IT heißt das: kein nächtlicher Fehler mehr, weil Daten bereits geprüft sind, bevor sie geschrieben werden.
Zum idealen Kundenprofil:
Nur zwei Kriterien zählen wirklich — ein großer Konzern, wo Data Governance und Audit Logs echten Wert bedeuten, und mindestens eine Datenplattform im Einsatz. Wenn "Fixed Source" zu teuer oder zu langsam ist, ist Nextables die "Second Best Practice" — pragmatisch, aber ehrlich benannt als das, was es ist.
Zur Partnerwahl bei Databricks, Remio und Starburst:
Kein Zufall, sondern eine Mischung aus interner Methodologie und Marktbeobachtung. Remio hat eine Lücke geschlossen, die Databricks nicht abdecken konnte — ein On-Prem-Lakehouse. Governance-Anforderungen aus Europa spielen dabei zunehmend eine Rolle, die vor drei Jahren noch kaum präsent war.
Zum Wandel im Recruiting:
KI verändert, wen Nextlytics einstellt. Weniger Leute, die "am System schrauben" — mehr Architekten und Senioren, die technologisch fit genug sind, um selbst zu beurteilen, welcher Weg der richtige ist.
Wie seht ihr das — ist eine spezialisierte Dateneditier-Lösung wie Nextables eine clevere Nische, oder ein Zeichen dafür, dass die großen Datenplattformen an dieser Stelle einfach noch nachliefern müssen?
LinkedIn Profile
LinkedIn Profile von Sebastian Uhlig: https://www.linkedin.com/in/sebastian-uhlig-data-enthusiast/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Empfehlung statt Businessbuch
How I AI, gehostet von Claire Vo — ein englischsprachiger Podcast, den Sebastian empfiehlt, weil er auf der Höhe der Zeit bleibt, ohne unkritisch zu sein, und sowohl für Entwickler als auch Marketer relevante Perspektiven bietet.
Was ist der Unterschied zwischen einem SAP-Berater und einem SAP-Unternehmer? Der eine löst das Problem des Kunden. Der andere erkennt, dass das Problem vielleicht ein Produkt ist.
Sebastian Uhlig hat beides getan — 20 Jahre im Ökosystem, PwC, IBM, Inhouse-Experte bei Rio Tinto, dann Gründer. Heute führt er Nextlytics als Co-CEO und baut mit Nextables ein lizenzierbares Softwareprodukt, das einen Fehler in praktisch jeder modernen Datenplattform behebt.
In der aktuellen Episode von Masters of Data, BI & AI spricht er über 25 Jahre SAP BW, warum Datasphere und Business Data Cloud interoperabler klingen als sie sich anfühlen — und wo genau jede Plattform beim Thema Dateneditieren scheitert.
Ein paar Dinge, die hängengeblieben sind:
Zur eigentlichen Lücke:
SAP Business Data Cloud, Databricks, Snowflake, Fabric — alle brillant im Lesen, Modellieren und Auswerten von Daten. Aber sobald man eine Spalte ergänzen, eine Korrektur vornehmen oder eine Hierarchie pflegen will, gibt es im typischen Datenplattform-Stack keine Lösung. Man exportiert nach Excel, ändert dort, und irgendwann läuft nachts ein Ladeprozess auf einen Fehler.
Zum Nextables-Ansatz:
Die Ownership über Daten direkt an den Fachbereich geben — mit einem Excel-ähnlichen, geführten Interface, das Stammdatenhilfe und Validierung mitbringt. Der originale Record lebt dann auf der Plattform selbst, nirgends sonst. Für die IT heißt das: kein nächtlicher Fehler mehr, weil Daten bereits geprüft sind, bevor sie geschrieben werden.
Zum idealen Kundenprofil:
Nur zwei Kriterien zählen wirklich — ein großer Konzern, wo Data Governance und Audit Logs echten Wert bedeuten, und mindestens eine Datenplattform im Einsatz. Wenn "Fixed Source" zu teuer oder zu langsam ist, ist Nextables die "Second Best Practice" — pragmatisch, aber ehrlich benannt als das, was es ist.
Zur Partnerwahl bei Databricks, Remio und Starburst:
Kein Zufall, sondern eine Mischung aus interner Methodologie und Marktbeobachtung. Remio hat eine Lücke geschlossen, die Databricks nicht abdecken konnte — ein On-Prem-Lakehouse. Governance-Anforderungen aus Europa spielen dabei zunehmend eine Rolle, die vor drei Jahren noch kaum präsent war.
Zum Wandel im Recruiting:
KI verändert, wen Nextlytics einstellt. Weniger Leute, die "am System schrauben" — mehr Architekten und Senioren, die technologisch fit genug sind, um selbst zu beurteilen, welcher Weg der richtige ist.
Wie seht ihr das — ist eine spezialisierte Dateneditier-Lösung wie Nextables eine clevere Nische, oder ein Zeichen dafür, dass die großen Datenplattformen an dieser Stelle einfach noch nachliefern müssen?
LinkedIn Profile
LinkedIn Profile von Sebastian Uhlig: https://www.linkedin.com/in/sebastian-uhlig-data-enthusiast/
LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/
Empfehlung statt Businessbuch
How I AI, gehostet von Claire Vo — ein englischsprachiger Podcast, den Sebastian empfiehlt, weil er auf der Höhe der Zeit bleibt, ohne unkritisch zu sein, und sowohl für Entwickler als auch Marketer relevante Perspektiven bietet.
