Anmeldung Registrierung
Auto Hell Dunkel
Erweiterte Suche
  1. Startseite
  2. Podcasts
  3. Masters of Data, BI & AI Podcast

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.
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.
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.
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.
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.
In Podcasts werben
Schalte jetzt Werbung in Podcasts.

Über diesen Podcast

Podcast für Unternehmer und unternehmerischen Erfolg im Data, BI & KI Umfeld
Podcast melden

„Masters of Data, BI & AI“

Worum geht es? Danach fragen wir noch nach dem Grund.

Abonnenten

Teilen

Mein Archiv

Deine Privatkopie der Folgen, die du nicht verlieren willst.

Podcast-Folgen verschwinden. Feeds werden auf die letzten Episoden gekürzt, Hoster räumen alte Dateien ab, Formate wechseln den Anbieter und lassen ihr Archiv zurück. Mit „Mein Archiv“ sichert podcast.de die Folgen deiner Podcasts für dich — angefangen bei den ältesten, denn die sind zuerst weg.

  • Deine gesicherten Folgen bleiben hörbar, auch wenn das Original offline geht.
  • Auch Folgen, die im heutigen Feed gar nicht mehr stehen — podcast.de kennt sie noch.
  • Herunterladen bleibt möglich, solange die Folge beim Podcaster liegt. Der zählt seine Abrufe wie bisher.
Startet bald

Sei beim Start von Mein Archiv dabei

Mein Archiv ist fast fertig. Trag dich ein, dann bekommst du eine E-Mail, sobald es losgeht – und bist von Anfang an dabei. Wir schreiben dir nur zum Start, keine Werbung, keine Weitergabe deiner Daten.

Du bekommst zuerst eine Bestätigungsmail. Abmelden geht jederzeit. Datenschutz