1908 kommt ein Wiesbadener 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.

💶 „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.

📊 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.

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.

🌍 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.

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.

🎸 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.

📖 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.

⚓ 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.

💇 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 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.

🐇 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.

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).

🔧 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.

🏭 Die meisten Unternehmen bauen Dashboards, schauen drauf, und machen weiter wie vorher. Sebastian Nädtke nennt das freundlich "Stalking Analytics."

Sein Team hat stattdessen etwas gebaut, das direkt aus einer Fabrikhalle in Berlin-Adlershof kommt — und läuft heute bei Konzernkunden, die eigentlich schon Tableau, Power BI und den Rest im Einsatz haben.

In der aktuellen Episode von Masters of Data & AI erzählt er, wie aus einem Controlling-Nebenprojekt ein Qlik Elite Partner mit 20 Leuten wurde — komplett aus Versehen.

Ein paar Dinge, die hängengeblieben sind:

**Zur zufälligen Firmengründung:**

Sebastian wollte nie Sales machen, nie Beratung. Er hat Qlik intern bei einem Automobilzulieferer ausgerollt, Kunden und Lieferanten haben die Dashboards in der Fabrik gesehen und gefragt "wo habt ihr das gekauft?" Aus der Nachfrage wurde ein Geschäftsmodell, bevor irgendwer das geplant hatte.

**Zum eigentlichen Warum hinter Qlik:**

Kein Feature-Bingo — die kleinsten Teams sind bei Qlik gleichzeitig die produktivsten, sagt Sebastian. Die Reload-Geschwindigkeit macht Echtzeit-Use-Cases wie Maschinenüberwachung erst praktikabel.

**Zur These "Dashboards werden weniger wichtig":**

Nicht weil Daten weniger werden — Ad-hoc-Reporting per Prompt ist für wiederkehrende Probleme einfach ineffizient. Sebastians Wette: eine Schicht mit Unternehmenskontext und Kennzahlen, auf die Dashboards und Agenten gleichermaßen zugreifen.

**Zum teuersten Learning:**

Standard-Dashboards auf Standard-ERP-Systemen sollten sich "wie geschnitten Brot" verkaufen. Taten sie nicht — jedes ERP ist hart customized, egal was drauf steht. Genau daraus entstand Jahre später die Idee zur echten Business-Applikationsplattform.

**Zur Positionierung heute:**

Der Kunde soll gar nicht mehr fragen müssen, ob das Qlik oder Power BI ist. Er will nur wissen: Löst das mein Problem? Sebastian nennt das den Unterschied zwischen Vitamin-Tablette und Aspirin — und Aspirin ist, worauf Leitat mittlerweile zielt.

Wie seht ihr das — verschwinden klassische Dashboards zugunsten von Business-Apps und Agenten-Layern, oder bleibt das Dashboard einfach die Oberfläche, die sich nie ganz auflöst?

____LinkedIn Profile____

LinkedIn Profile von Sebastian Nädtke: https://www.linkedin.com/in/sebastian-n%C3%A4dtke-4a306a191

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch____

*Das Ziel* von Eliyahu Goldratt — ein Roman über einen Manager, der seinen Standort vor der Schließung retten muss. Realitätsnah statt trocken.

🎙️ Eine Data- & AI-Beratung mitten in der Weltfinanzkrise 2007 gründen und über fast zwei Jahrzehnte hinweg stabil im Markt etablieren? Jan Strackbein hat genau das getan. Als CEO von areto consulting gmbh zeigt er in dieser Episode, warum die besten Lektionen für krisenfeste Unternehmensführung nicht aus dem BWL-Lehrbuch stammen, sondern aus der Praxis als Einsatztaucher bei der DLRG.

Ein paar Dinge, die hängengeblieben sind:

Das Mindset des Einsatztauchers im C-Level:

Unter Wasser entscheidet absolute Ruhe über Leben und Tod. Wer gelernt hat, bei Nullsicht und extremem Druck den Fokus zu behalten, lässt sich auch von Markt-Turbulenzen oder geplatzten Deals nicht nervös machen. Jan erklärt, wie Vorbereitung, brutale Ruhe und Anpassungsfähigkeit die DNA von areto prägen.

Das 40-Prozent-Umsatz-Erlebnis:

Die härteste Krise der Firmengeschichte traf areto, als ein einziger Großkunde wegbrach und auf einen Schlag 40 % des gesamten Umsatzes fehlten. Statt in Panik zu verfallen, nutzte das Team den Schock für eine radikale Neuausrichtung: Heute sichert aktives Marketing das Business ab, und kein Kunde darf jemals wieder mehr als 10 % des Volumens ausmachen.

Die Lissabon-Strategie (Nearshore, das keines ist):

areto hat neben den klassischen deutschen Standorten auch ein Büro in Portugal. Was als strategischer Hebel für Ausschreibungen begann, entwickelte sich durch die vollständige Integration eines lokalen Tech-Unternehmens zu einem echten Kultur- und Innovations-Boost für die gesamte Gruppe.

Warum Dashboards sterben werden:

Technologie ist kein Geschäftsmodell, sondern ein Befähiger. Jan wirft einen Blick auf den aktuellen KI-Trend und erklärt, warum das klassische, starre Reporting ausgedient hat. Die Zukunft gehört dynamischen Datenplattformen (Snowflake, Databricks, Azure), die echten, operativen Mehrwert liefern, statt nur Daten stumpf zu verwalten.

Wie viel „Extremsport-Mentalität“ braucht ein moderner CEO, um ein Tech-Unternehmen sicher durch die ständigen Hypes und Krisen unserer Zeit zu manövrieren?

LinkedIn Profile von Jan Strackbein: https://www.linkedin.com/in/jan-strackbein-areto

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

Business Book

Das Café am Rande der Welt von John Strelecky. Keine klassische Business-Theorie, sondern ein Buch über den Sinn des Lebens, das Jan als Urlaubslektüre schätzt, weil es den Blick für das Wesentliche schärft und zur fundamentalen Selbstreflexion anregt.

🎙️ Inmitten des Lockdowns ein Deep-Tech-Unternehmen gründen, das heute sicherheitskritische Infrastrukturen automatisiert? Ferdinand Biere hat genau das getan. Als Gründer und CEO von Metis zeigt er, warum die Zukunft von Enterprise-KI nicht in den US-Clouds liegt, sondern in maximaler digitaler Souveränität.

Ein paar Dinge, die hängengeblieben sind:

Die harte Wahrheit über Open Source im Enterprise:

Qualität setzt sich im B2B-Umfeld selten von alleine durch. Geniale Open-Source-Modelle scheitern oft an den simpelsten Dingen wie einem fehlenden Bezahl-Button (Stripe) oder unvollständigen Enterprise-Features. Wer im Markt gewinnen will, muss die Brücke zwischen Technologie und kommerzieller Reife bauen.

Das Milliarden-Risiko in der Cloud:

Wer sensible Berichte für Gutachter oder Behörden automatisiert, steht vor einer harten Wand namens Datenschutz. Jedes Mal, wenn Daten über US-Schnittstellen laufen, entstehen rechtliche Abhängigkeiten. Die Lösung von Metis: Lokale Modelle, gehostet auf eigenen Servern, um die volle Datenhoheit zurückzuholen.

KI als digitaler Klempner:

Wir lassen Agenten autonom Code schreiben, aber wer räumt den Dreck im Hintergrund auf? Ferdinand vergleicht modernes Engineering mit Klempnerarbeit: Es braucht smarte Systeme, die Lücken schließen, Fehler abfangen und sicherstellen, dass die generierten Lösungen stabil laufen.

Vom Entwickler zum Unternehmer:

Die Reise vom CTO zum CEO ist ein massiver Mindset-Shift. Man muss lernen, das Produkt auch mal stehenzulassen und sich stattdessen radikal um das Go-to-Market zu kümmern. Ferdinand teilt seine Learnings aus der Gründungsphase und erklärt, wie ihn die Prinzipien des schnellen Iterierens aus dem legendären WirVsVirus-Hackathon bis heute prägen.

Ist der Wechsel von proprietären Cloud-Modellen hin zu lokalen On-Premise-Lösungen der einzig logische Schritt für europäische Unternehmen, oder unterschätzen wir die Betriebskosten eigener Infrastrukturen?

LinkedIn Profile von Ferdinand Biere: https://www.linkedin.com/in/ferdinandbiere/

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

Business Book

Principles von Ray Dalio & $100M Leads von Alex Hormozi. Zwei fundamentale Leitfäden, die Ferdinand tief geprägt haben, wenn es darum geht, ein Unternehmen durch radikale Wahrheit, klare Systeme und unbarmherzigen Fokus auf die Markt-Exekution aufzubauen.

🎙️ Vom globalen Großkonzern direkt in den Maschinenraum des deutschen Mittelstands: Tim Kappel und Dominik Brosa wissen genau, wie Daten- und KI-Strategien jenseits der Hochglanz-Sales-Pitches funktionieren.

In dieser Episode räumen die beiden mesakumo-Experten radikal mit den typischen KI-Mythen auf und zeigen, warum der Mittelstand keine Milliarden-Budgets braucht, sondern pragmatische Lösungen auf Augenhöhe.

Ein paar Dinge, die hängengeblieben sind:

Der größte Blind Spot im Mittelstand:

Viele CFOs und Geschäftsführer lassen sich von Tech-Buzzwords blenden und unterschätzen die eigene Datenqualität fundamental. Wer seine Stammdaten über Jahre vernachlässigt hat, dem hilft auch kein KI-Zauberstab. Erst kommt die solide Datenbasis, dann die künstliche Intelligenz – sonst skaliert man nur den Schaden statt des Nutzens.

Wirtschaftlichkeit jenseits von „20 Minuten Zeitersparnis“:

KI-Projekte scheitern oft am Controlling, weil theoretische Zeiteinsparungen von Mitarbeitern berechnet werden, die am Ende nie auf dem Konto der Firma landen. Echter Impact entsteht durch messbare Prozess- und Materialeffizienz, wie das Vermeiden von teurem Teile-Overhead in der Produktion.

Keine Angst vor Fehlern (Fail Fast real gelebt):

Der Markt verändert sich nicht mehr in Monaten, sondern in Wochen. Wer aus Angst vor dem unperfekten Use Case erstarrt, hat schon verloren. Lieber drei Monate mutig in die falsche Richtung laufen, schnell lernen, anpassen und iterieren, als auf das eine perfekte Konzept zu warten.

Die Kunst der Übersetzung auf Augenhöhe:

Erfolgreiche Projekte wie beim Referenzkunden Bauder zeigen: Es braucht kein starres Strategiepapier für die Schublade. Echte digitale Wirkung entsteht, wenn man das Management emotional mitnimmt und den Teams direkt einsatzbereite Best Practices, Styleguides und Schulungskonzepte an die Hand gibt.

Glaubst du, dass der deutsche Mittelstand bei KI aktuell zu zögerlich agiert, oder ist die Skepsis gegenüber den großen Werbeversprechen der Tech-Anbieter sogar gesund?

____LinkedIn Profile____

LinkedIn Profil von Tim Kappel: https://www.linkedin.com/in/tim-kappel-9b054560/

LinkedIn Profil von Dominik Brosa: https://www.linkedin.com/in/dominik-brosa/

LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Book____

Gedruckte KI-Bücher? Veralten viel zu schnell. Tim und Dominik bekennen sich in der Folge als echte „Kinder des Internets“. Statt dicker Wälzer nutzen sie dynamische Plattformen wie Medium und kuratierte Online-Quellen, um technologisch immer exakt am Puls der Zeit zu bleiben.

👟 110 Jahre Deichmann. 4.700 Filialen. 30 Länder. Und eine Datenplattform, die das alles zusammenhalten muss.

Kevin Haferkamp ist Head of Data Platform and Engineering bei Deichmann — und hat in den letzten Jahren eine Architektur in Produktion gebracht, die aus isolierten Systemen eine echte unternehmensweite Datenplattform gemacht hat. Deichmann ist mittlerweile offizielle Databricks Customer Story. Wer das kennt, weiß: Das ist kein Proof of Concept. Das ist echte Produktion.

In der aktuellen Episode von Masters of Data & AI spricht er über den Weg dorthin — und was als nächstes kommt.

Ein paar Dinge, die hängengeblieben sind:

**Zum Abschied von Snowflake:**

Nicht weil Snowflake schlecht ist — sondern weil Deichmann irgendwann gemerkt hat, dass sie immer weniger davon nutzen und immer mehr von Databricks. Zwei große Plattformen mit konkurrierenden Workloads macht keinen Sinn. Der letzte Use Case, der noch auf Snowflake lief, war ausgerechnet der Lake Base Use Case. Jetzt läuft alles auf Databricks. Und man ist happy.

**Zu Lake Base und dem PostgreSQL-Trick:**

SAP Emarsys braucht relationale Daten. Databricks ist kein relationales System. Die Lösung: eine PostgreSQL-Instanz, die Daten aus dem Lakehouse in Sekunden synchronisiert — statt wochenlanger Eigenentwicklung. Deichmann war Early Adopter, hat das Feature mitgeformt, und läuft heute damit europaweit.

**Zum Semantic Layer als eigentlichem KI-Hebel:**

Wenn der Semantic Layer nicht stimmt, bringt KI nichts. Kevin ist überzeugt: Datenmodellierung ist nicht tot — sie ist heute wichtiger als je zuvor. Wer jetzt ein sauberes semantisches Fundament baut, kann seinen Stakeholdern Ad-hoc-Analytics, KI-gestützte Auswertungen und Self-Service per Prompt ermöglichen. Das ist nur ein Prompt entfernt — aber nur wenn die Basis stimmt.

**Zu KI Use Cases bei Deichmann:**

Markdown Optimization läuft seit sechs Jahren und bespielt gerade die Top-Märkte mit Version 2.0. KI-Fotostudio für Produktgenerierung ohne aufwändige Shootings — bereits getestet. Logistik-Forecasting mit ML. Und ein Fußmessgerät im Store, das über die Jahre Daten gesammelt hat, die jetzt wirklich genutzt werden können. Fast fail als gelebte Kultur — nicht als Buzzword.

**Zur größten Lesson Learned:**

Technik ist beherrschbar. Menschen nicht immer. Die teuersten Fehler bei Deichmann waren keine Cluster-Crashe — sondern Kommunikation, die aneinander vorbeigegangen ist. Gute Absicht schützt nicht vor schlechter Wirkung.

____LinkedIn Profile____

LinkedIn Profile von Konrad Sippel: https://www.linkedin.com/in/kevin-haferkamp-09907ba0/

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch____

*Dungeon Thinking* von Dirk Lerner — keine klassische Managementliteratur, sondern eine fiktive Unternehmensgeschichte, die durch verschiedene Data-Challenges führt. Kevin liest es immer wieder, weil er sich darin wiedererkennt — und jedes Kapitel neue Reflexionspunkte liefert.

🐸 Wir haben ein tolles Labor eingerichtet. Wissenschaftler eingestellt. Beste Instrumente besorgt.

Und dann haben wir festgestellt: Wir haben gar keine Frösche. Die sind noch draußen im Teich.

Konrad Sippel hat den Content Lab bei der Deutsche Börse Group aufgebaut — eine der ersten Data Science Einheiten im Börsenbetrieb. 1 bis 1,5 Petabyte Daten täglich. Und trotzdem: Die größte Erkenntnis war nicht der fancy Use Case, sondern das Fundament darunter.

Heute ist er CIOO bei valantic FSA und CEO bei Signalyst — einem Startup, das institutionelle Investmentsignale auf Basis bayesianischer Statistik für den breiten Markt öffnet.

In der aktuellen Episode von Masters of Data & AI spricht er über drei Karrierestationen, zwei Unternehmen gleichzeitig — und eine Lektion, die sich durch alles zieht.

Ein paar Dinge, die hängengeblieben sind:

Zur Datenfundament-Falle: Data Scientists, die 80 % ihrer Zeit mit Data Wrangling verbringen statt mit Data Science — das ist kein Einzelfall, das ist der Normalzustand. Konrads Rat heute: Erst ein Jahr lang nur Data Engineers und Infrastruktur. Dann erst die Wissenschaftler ins Labor holen. Frösche müssen zuerst gefangen werden.

Zu KI im Kapitalmarkt — damals vs. heute: 2016 war Machine Learning im Finanzbereich noch gefährlich, datenschutzrechtlich verdächtig und organisatorisch unerwünscht. Heute fällt der Aktienkurs, wenn der CEO keine KI-Strategie hat. Dieselbe Technologie, komplett andere Welt.

Zu GAIA-X und kollaborativen Datenprojekten: Geldwäsche erkennt man nicht innerhalb einer Bank — sondern über alle Banken hinweg. Das Problem: Die Daten dürfen nicht geteilt werden. Konrad hat daran gearbeitet, genau dieses "Das geht nicht" als falsch zu beweisen. Gemeinsam gehostete Infrastrukturen mit hohen Sicherheitskonzepten — damals Pionierarbeit, heute Realität.

Zum Startup-Fehler bei Signalyst: Produkt fertig. Erster Monetarisierungskanal nicht validiert. Zertifikate emittieren wollten sie — ging nicht. Neun Monate verloren. Die Lektion: Das Ende muss vom ersten Tag mitgedacht werden. Nicht "Modell läuft in der Cloud", sondern "Kunde kann hier sein Depot eröffnen."

Zu valantic FSA und der nächsten Phase: Gute Produkte, gute Kunden — aber zu viel Individualentwicklung, zu wenig Standardisierung. Konrads Mission: Operative Prozesse straffen, KI in die Applikationen integrieren, vom Integrationsgeschäft Richtung skalierbarem Produktgeschäft. Weniger ist mehr.

Wie seht ihr das — ist eine solide Dateninfrastruktur wirklich die Voraussetzung für erfolgreiche KI, oder überschätzen wir das Fundament und unterschätzen den Mut zum Experiment?

🎙️ Die ganze Episode jetzt auf Masters of Data, AI & BI — Link in den Kommentaren.

____LinkedIn Profile____

LinkedIn Profile von Konrad Sippel: https://www.linkedin.com/in/konrad-sippel/

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch____

Influence von Robert Cialdini — wie unser Gehirn Entscheidungen trifft und wie Einfluss wirklich funktioniert. Konrad hat es während seines MBAs gelesen und es hat seine Sicht auf Business-Entscheidungen und Geschäftsmodelle grundlegend geprägt.

📚 50.000 Menschen haben durch ihn Data Science gelernt. Nicht in teuren Seminaren — sondern online, zugänglich, direkt.

Prof. Dr. René Brunner ist Professor an der Macromedia University München, CEO von Datamics und Gastgeber von Deutschlands meistgehörtem Data Science Podcast. Er lebt in zwei Welten gleichzeitig — Hörsaal und Beratungsprojekt, Theorie und Produktion.

In der aktuellen Episode von Masters of Data & AI spricht er über die Zukunft von Data Science, was Unternehmen beim KI-Einstieg falsch machen — und warum eine einzige Eigenschaft über Karrieren entscheidet.

Ein paar Dinge, die hängengeblieben sind:

Zum Big Data Déjà-vu: Als Big Data aufkam, haben Unternehmen Millionen in Systeme investiert und zehn Data Scientists eingestellt — ohne zu wissen, was die eigentlich machen sollen. KI heute ist fast identisch. Jeder weiß, er muss es machen. Der direkte Businesswert? Noch unklar. Das Erwachen kommt.

Zur Zukunft von Data Science: Der klassische Data Scientist — Modelle trainieren, Lifecycle managen, Use Cases finden — wird seltener. Die Richtung geht klar zu LLM-basierten Systemen, RAG-Architekturen und End-to-End Agentenpipelines. Wer sich nicht anpasst, sitzt bald rum und hat nichts zu tun. Wer umsteigt, hat mehr Möglichkeiten als je zuvor.

Zum Wettbewerb aus Osteuropa: Nearshore-Anbieter drücken auf Preise und Kapazitäten — weltweit, nicht nur aus Osteuropa. René's Antwort: Qualität, Erfahrung, persönlicher Kontakt. Und kollaborieren statt konkurrieren. Operative Tätigkeiten können ausgelagert werden. Strategie und Erfahrung nicht.

Zur einen Eigenschaft: Nicht SQL. Nicht Python. Nicht Machine Learning. Die eine Eigenschaft, die René bei jedem sucht — ob Student, Junior oder Senior — ist Selbstmotivation zum Weiterlernen. Wer wartet, bis ihm jemand alles beibringt, ist im falschen Job. Der Markt verändert sich wöchentlich. Wer lernen lernt, bleibt immer relevant.

Zur Wirkung von Datamics: Ein Schüler macht einen Python-Kurs. Bekommt ein Praktikum am Uniklinikum München. Wird jetzt an der UC Berkeley promovieren. Ein Richter aus der Türkei zieht nach Deutschland, macht Kurse, startet eine neue Karriere. Das ist der eigentliche ROI.

Was denkt ihr — ist Selbstmotivation zum Lernen erlernbar, oder hat man sie einfach?

🎙️ Die ganze Episode jetzt auf Masters of Data, AI & BI — Link in den Kommentaren.

____LinkedIn Profile____

LinkedIn Profile von Prof. Dr. René Brunner: https://www.linkedin.com/in/renebrunner/

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch____

Business Adventures von John Brooks — zwölf klassische Business-Geschichten, von Bill Gates empfohlen. René schätzt es, weil es die Grundlagen von Business auf zeitlose Weise herunterbricht und zeigt, was man falsch machen kann — und was richtig.

🛠️ Vom Werkzeugmacher zum CEO eines globalen KI-Beratungsunternehmens — ohne Plan, ohne Roadmap. Nur eine erhobene Hand zur richtigen Zeit.

Klaus Aschauer hat Cosmo Consult von zwei Standorten und 70 Mitarbeitern zu über 50 Standorten, 1.500 Mitarbeitern und knapp 200 Millionen Umsatz weltweit aufgebaut. In der aktuellen Episode von Masters of Data & AI spricht er offen über 30 Jahre Unternehmertum, das Ende eines Geschäftsmodells — und was danach kommt.

Ein paar Dinge, die hängengeblieben sind:

Zum Thema Burnout und Leidenschaft: Klaus war in 25 Jahren an zwei Händen abzählbar morgens aufgestanden und hatte keinen Bock. Seine Erklärung: Wenn du für das brennst, was du tust, kannst du gar nicht ausbrennen. Kein Psychologe der Welt wird ihm das ausreden.

Zum Recruiting und der Kosmonaut-Kultur: Früher haben sie nur Menschen eingestellt, mit denen sie abends gerne ein Bier trinken würden. Diese Philosophie hat sich unbewusst durch die gesamte Organisation gezogen — und ist heute einer der Hauptgründe für den niedrigen Toxizitätsfaktor im Unternehmen. Skills kann man beibringen. Attitude nicht.

Zur Branchenfokussierung: Jeder Auftrag ist ein guter Auftrag — das stimmt nicht. Cosmo hat früh erkannt, dass Branchenexpertise den Sales Cycle verkürzt, die Implementierung beschleunigt und dem Kunden schneller echten Mehrwert bringt. Wer alles kann, kann nichts richtig.

Zum Ende von Time & Material: Klare Ansage: Das klassische Stundensatzmodell stirbt aus. Cosmo bewegt sich Richtung Subscription und Outcome-basierter Beratung. Nicht "ich habe heute sechs Tickets bearbeitet" — sondern "du hast gar keine Tickets mehr, dafür zahlst du eine monatliche Pauschale." Das ist die Zukunft.

Zu KI im Mittelstand: Der Neid ist riesig, der Schlüssel fehlt noch. Fast jeder Mittelständler weiß, dass er sich mit KI beschäftigen muss. Aber wie man anfängt — das ist die eigentliche Frage. Genau da sieht Cosmo die größte Chance.

Wie seht ihr das — ist Outcome-basierte Beratung die Zukunft, oder bleibt Time & Material in bestimmten Nischen noch lange relevant?

🎙️ Die ganze Episode jetzt auf Masters of Data, AI & BI — Link in den Kommentaren.

____LinkedIn Profile____

LinkedIn Profile von Klaus Aschauer: https://www.linkedin.com/in/klaus-aschauer/

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch____

Hit Refresh von Satya Nadella — wie Microsoft sich neu erfunden hat. Für Klaus eine echte Inspiration für Cosmos eigene Transformationswellen. Rocky empfiehlt ergänzend Amp It Up von Frank Slootman — die Story hinter Snowflakes Wachstum.

🐄 1990 gegründet. Kein Cloud, kein KI, kein LinkedIn.

Und trotzdem — oder genau deswegen — ist Opitz Consulting heute eine der beständigsten IT-Beratungen Deutschlands. Knapp 2/3 aller DAX-Konzerne als Kunden. Über 35 Jahre. Und ein Demeter-zertifizierter Bauernhof mit Scottish Highland Rindern auf dem Firmengelände.

In der aktuellen Episode von Masters of Data & AI spricht Rocky mit Rolf Scheuch — Mitgründer und Chief Strategy Officer von Opitz Consulting — über drei Jahrzehnte Wandel, Fehler und echten Unternehmergeist.

Ein paar Dinge, die hängengeblieben sind:

Zum Durchbruch 2003: Weg vom klassischen Codetippen, hin zu Frameworks und Templates — und damit zur automatisierten Code-Generierung in großem Maßstab. Das war der Moment, wo Opitz dem Markt einen Schritt voraus war. Mut zur Zukunft, ein halbes Jahr lang tief nachgedacht. Das war der echte Wendepunkt.

Zur größten Lessons Learned: Niederlassungen, die zu eigenständig wurden und auseinanderdrifteten — Synergien weg, Reibung drin. Und eine Schweizer Niederlassung, die sie wieder schließen mussten, weil der lokale Markt unterschätzt wurde. Unverblümt formuliert: „Das war Scheiße."

Zu KI und echtem Business Impact: Ein Automobilkunde wollte die Qualitätssicherung von Türen automatisieren. Tausende Audiodateien, neuronales Netz drauf — und plötzlich kann ein Lehrling mit den Ohren eines Meisters hören. Shopfloor-Kosten runter, Meisterstunden frei für anderes. Das ist KI mit echtem Hebel.

Zu Messen und Leads: Klare Ansage: Gartner-Konferenzen bringen keine Leads. Hannover Messe auch nicht mehr. Was funktioniert? Masterclasses. Wissen teilen. Relevanz zeigen. Der Rest kommt über Mundpropaganda und Partnernetzwerke — Oracle, AWS, Pyramid.

Zur Zukunft: Prozessuale KI wird die IT-Landschaft grundlegend verändern. Nicht als Chatbot-Spielzeug, sondern als System, das echte Transaktionen abschließt. Wer seine Kernprozesse darüber ansprechen kann, gewinnt. Alle anderen bleiben in der Dialogwüste stecken.

Und ja — die schönste Highland-Kuh Deutschlands 2018 hieß Robin. Und war Teil des Opitz-Portfolios.

____LinkedIn Profile____

LinkedIn Profile von Rolf Scheuch: https://www.linkedin.com/in/rolf-scheuch-6925a85b/

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Inspiration statt Businessbuch____

Kein Buch — Rolf informiert sich heute gezielt über das Internet und TED Talks. Fokus auf konkrete Fragen, akademische Quellen inklusive. Das Bücherregal mit 40 Titeln aus den 90ern steht noch — aber wird nicht mehr geöffnet.

🎯 Nicht jeder Hype wird zur Plattform. Aber manche Technologien verändern alles — wenn man früh genug hinschaut.

Benjamin Bohne war bei Cloudera, Hortonworks, Confluent und MongoDB. Hat mehrere IPOs miterlebt. Und hat dabei ein System entwickelt, mit dem er früh erkennt, welche Technologien wirklich gewinnen — und welche nur laut sind.

In der aktuellen Episode von Masters of Data & AI spricht er über Technologie-Instinkt, Unternehmenskultur und was einen echten Sales Champion ausmacht.

Ein paar Dinge, die hängengeblieben sind:

Zum Thema Technologie-Bewertung: Bauchgefühl alleine reicht nicht. Benjamin schaut auf vier Dimensionen: Marktadaption, Business Impact, Partnerlandschaft und Architektur. Und er warnt: Sustainability Software steht in jedem Geschäftsbericht — aber kaum ein Unternehmen macht damit wirklich Geld. Hype und Priorität sind zwei verschiedene Dinge.

Zu Hidden Champions gerade jetzt: Datentransformation bleibt massiv unterschätzt. Ohne sauberes Datenfundament keine funktionierende KI. Unternehmen wie dbt Labs wachsen genau deshalb. Und europäische KI-Unternehmen wie Mistral gewinnen gerade geopolitisch bedingt massiv an Relevanz — ein Shift, den viele noch unterschätzen.

Zur Unternehmenskultur: Ein tolles Produkt rettet keine schlechte Kultur. Benjamin hat das selbst erlebt — ist für eine gehypte Technologie in ein Unternehmen gegangen, hat seine Due Diligence nicht gemacht, und war nach einem halben Jahr wieder weg. Kultur ist kein Soft Skill. Es ist ein Entscheidungskriterium.

Zum idealen Sales Player: Empathie ist nicht verhandelbar. Wer nicht auf Menschen eingehen kann, wird keinen Champion aufbauen. Dazu kommen Business-Verständnis, Coachability, Accountability — und ein belastbares Netzwerk. Erfahrung hilft, ist aber nicht alles. Was zählt: Kann jemand einen Deal Review in echtem Detail durchgehen?

Das Netzwerk bleibt der entscheidende Informationsvorsprung. Was KI liefert, sieht jeder. Was dein Netzwerk weiß — das nicht.

Wie seht ihr das — ist Technologie-Instinkt erlernbar, oder hat man ihn einfach?

🎙️ Die ganze Episode jetzt auf Masters of Data, AI & BI — Link in den Kommentaren.

____LinkedIn Profile____

LinkedIn Profile von Benjamin Bohne: https://www.linkedin.com/in/benjamin-bohne-65132016/

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch____

Kein klassisches Businessbuch — Benjamin verlässt sich auf Fachliteratur, Open Source Communities und vor allem sein Netzwerk. Der beste Informationsvorsprung kommt nicht aus Büchern, sondern aus Gesprächen mit den richtigen Menschen.

🔐 Würdest du wirklich all deine Daten der KI geben — und darauf vertrauen, dass niemand mitlest?

Genau diese Frage hat sich Christof Fetzer gestellt. Und daraus wurde ein Unternehmen.

In der aktuellen Episode von Masters of Data & AI spreche ich mit einem der wenigen Menschen, die gleichzeitig Serial Entrepreneur und aktiver Wissenschaftler sind — über 130 publizierte Papers, drei gegründete Firmen, und eine Technologie, die Daten selbst während der Verarbeitung in der Cloud vollständig verschlüsselt.

Ein paar Dinge, die hängengeblieben sind:

Zum Thema Confidential Computing: Die verbreitete Fehlannahme ist, dass ein Klick auf „Confidential VM" beim Cloud Provider ausreicht. Tut es nicht. Der Provider kann sich trotzdem Zugriff verschaffen. Echter Schutz bedeutet, dass selbst ein erfolgreicher Angriff nur verschlüsselte Daten liefert — wertlos ohne den Schlüssel.

Zum Use Case Automobilzulieferer: Konkurrenten müssen für ein gemeinsames Produkt zusammenarbeiten — aber keiner will sein IP offenlegen. Mit Confidential Computing können alle Modelle gemeinsam berechnet werden, ohne dass ein Zulieferer die Daten des anderen sieht. Resultat: schnellere Time-to-Market, ohne Anwälte, ohne Datenlecks.

Zu KI und Security: KI generiert Code — aber Code mit Bugs. Als Verteidiger musst du alle Schwachstellen finden. Als Angreifer reicht eine. Verschlüsselung auf Hardwareebene schließt diese Lücke, weil selbst ein Backdoor im Code nur verschlüsselte Daten ausliefert.

Zu Wachstum ohne Sales: Keine aktive Vertriebsmannschaft, kein Outbound. Stattdessen: wissenschaftliche Publikationen, eine Community Edition mit mehreren tausend Nutzern, und Entwickler, die das Tool intern weiterempfehlen. Erst testen, dann kaufen — und dann zahlen die Produktivkunden die Weiterentwicklung.

Gartner prognostiziert: In den nächsten vier bis fünf Jahren wird Confidential Computing zum Standard. Wer jetzt noch wartet, holt das nicht mehr auf.

____LinkedIn Profile____

LinkedIn Profile von Christof Fetzer: https://www.linkedin.com/in/christof-fetzer/

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch____

The Innovator's Dilemma von Clayton M. Christensen

🎯 Nach über zwei Dekaden im Beratungsgeschäft hätte Sascha Schmitz einfach weitermachen können.

Stattdessen hat er sich für einen Neustart entschieden — als Chief Strategy Officer bei sumIT in der Schweiz. Ein kleineres Unternehmen, ein neuer Markt, und eine klare technologische Wette: Databricks.

In der aktuellen Episode spricht er über den Wechsel, seine Strategie — und was echtes Vertrauen im Beratungsgeschäft wirklich bedeutet.

Ein paar Dinge, die hängengeblieben sind:

Zum Warum des Wechsels: Nicht Geld, nicht Titel — sondern Unternehmertum. Sascha wollte selbst gestalten, mit allen Risiken und allen Vorteilen. Summit bot ihm die größte unternehmerische Freiheit. Das war der ausschlaggebende Punkt.

Zur Technologiewette auf Databricks: Nicht weil es die einzig richtige Plattform ist — sondern weil man nur mit voller Überzeugung wirklich gutes Business Development machen kann. Und weil Plattformeinführungen in 90 % der Fälle Unternehmenstransformationen sind, keine reinen IT-Projekte.

Zum Trusted Advisor-Prinzip: Kunden kommen nach zehn Jahren wieder — wenn man ihnen wirklich geholfen hat. Nicht weil man der Günstigste war, sondern weil man das Problem gelöst hat. Vertrauen entsteht nicht durch Rechthaberei, sondern durch ehrliche Beratung auf Augenhöhe — und dann den Weg des Kunden konsequent mitzugehen.

Zur Führungsphilosophie: Intelligente Mitarbeiter einstellen und ihnen dann die Intelligenz verbieten — das ergibt keinen Sinn. Sascha setzt auf Stärken, nicht auf das Ausbügeln von Schwächen. Wer jemanden holt, der besser ist als man selbst, wächst. Wer ihn kleinhalten will, verliert beide.

Der Schweizer Markt für Databricks ist gerade offen. SumIT hat eine einzigartige Oracle-Expertise als Basis. Und Sascha hat 20 Jahre Financial Services im Gepäck. Die Kombination ist kein Zufall.

____LinkedIn Profile____

LinkedIn Profile von Sascha Schmitz: https://www.linkedin.com/in/sascha-schmitz-0747725b/

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Inspiration statt Businessbuch____

Kein Businessbuch — Sascha sagt, was ihn wirklich geprägt hat, war die Praxis. Kundensituationen über 20 Jahre. Fehler machen dürfen. Und daraus lernen.

Prodyna hat jeden großen Tech-Wandel seit 1999 überlebt.

David, Chief Strategy Officer, war zu Gast bei Rocky im Masters of Data Podcast — und hat erklärt, wie man sich nicht einmal, sondern mehrfach komplett neu erfinden musste.

Das Muster ist immer dasselbe: Externer Schock → erzwungene Transformation → neue Chance für alle, die schnell handeln.

Open Source nach Lehman Brothers. Cloud ab 2019. Und jetzt KI.

Ein paar Dinge, die hängengeblieben sind:

Zu „Jede Aufgabe sollte mit einem Prompt beginnen": Wer etwas tut, ohne KI einzusetzen, soll sich fragen: Warum eigentlich nicht? Klingt simpel — aber genau dieser Kulturwandel ist schwerer als jede technische Migration.

Zum Ende des Tagessatz-Denkens: KI entkoppelt Output von Köpfen. Prodyna bewegt sich gezielt Richtung outcome-basierter Delivery. Kunden, die noch in Tagen und Köpfen rechnen, werden das bald spüren.

Zur Code-Verifikation als neuem Engpass: KI produziert Code schneller als jeder Mensch. Die Lücke? Genug qualifizierte Menschen, die prüfen ob er sicher ist und das richtige Problem löst.

Die meisten KI-Projekte aus 2023 laufen heute nicht mehr. Wer diese Welle übersteht, behandelt KI als strategische Entscheidung — nicht als Demo.

Wie seht ihr das — ist outcome-basierte Abrechnung die Zukunft, oder denken Kunden noch zu sehr in Tagessätzen?

____LinkedIn Profile____

LinkedIn Profile von David: https://www.linkedin.com/in/david-wainwright-917ab476/

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Inspiration statt Businessbuch____

Kein Buch — David liest täglich FAZ und Handelsblatt. Geopolitik ist für ihn ein zentraler Input für jede Technologiestrategie.

🏪 What happens when hypergrowth meets heritage?

Fernando — Head of Engineering at C&A — has lived in two completely different tech worlds: IBM enterprise, scale-ups like Farfetch and HelloFresh, and now one of Europe's most iconic fashion brands with 1,300 stores.

In the latest episode of Masters of Data & AI, he unpacks the real story behind C&A's transformation.

A few things that stuck with me:

On operations as a hidden superpower: Traditional retailers have a discipline around tech ops that scale-ups often lack. Black Fridays at C&A? "The chillest ones I've had in years." That stability became the foundation for faster delivery, not an obstacle to it.

On software engineering as a team sport: No solo genius ships a platform transformation. Fernando looks for people who communicate with empathy, collaborate across functions, and keep the human factor front and centre — especially as AI enters the delivery pipeline.

On the lesson no book will teach you: Bring conviction, but stay genuinely open to what the organisation already knows. Transformation fails when it's done to people instead of with them.

On AI: C&A is already using Stable Diffusion for garment design and exploring agent swarms for merchandising and supply chain. The real opportunity isn't in the hype — it's in getting the data layer right first.

Does legacy infrastructure give traditional companies an underrated reliability edge — or does it always slow them down?

____LinkedIn Profile____

LinkedIn Profile of Fernando: https://www.linkedin.com/in/fernandoveiga/

LinkedIn Profile of Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Book____

Accelerate by Nicole Forsgren — science-backed, practical, and Fernando calls it transformational for how he thinks about engineering delivery.

Dr. Luca Fiaschi has earned the right to say that.

In the latest episode of Masters of Data & AI, I sat down with Luca Fiaschi, Partner at PyMC Labs and former Chief Data & AI Officer at Mistplay. Someone who has been both the enterprise buyer AND the boutique consultancy expert. That dual perspective is rare — and it makes for a very different kind of conversation.

A few things that stuck with me:

Pricing is the most powerful data problem there is. At Alibaba — 15% reduction in delivery time through route optimization. At HelloFresh — massive retention lift by splitting discounts across boxes instead of front-loading them. At Mistplay — revenue tripled in three years through dynamic pricing engines. The pattern? Whoever understands price elasticity with data, wins.

"$40 discount" vs. "10 free meals." Exact same offer. Completely different conversion rate. Because people don't love discounts — they love free things. That's behavioral data science in its purest form.

AI is eating software — but the timing matters. Luca sees two remaining competitive moats: exclusive data access and distribution networks. Features, UX, security compliance? Increasingly copyable. What used to buy you years of advantage now buys you maybe a few months.

What VP Data should actually be asking — but isn't. Not just "how trustworthy are your agents?" — that's table stakes. The real question is: "How can we rethink our entire business processes around AI?" The difference between automation and actual transformation.

What most people in data are dramatically underestimating: The pace. Exponential growth is nearly impossible for the human brain to intuitively grasp. Luca's mindset: if a problem seems unsolvable today — wait three weeks. Some new model is probably already solving it.

And what's left for humans in a world where AI writes the code, builds the models and runs the analysis?

Intent — knowing what you actually want. And taste — whether what comes out is good or just slop.

____LinkedIn Profile____

LinkedIn Profile of Dr. Luca Fiaschi: https://www.linkedin.com/in/lfiaschi/

LinkedIn Profile of Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch_______

Hard things - Ben Horrowitz.

🎯 Schuster, bleib bei deinen Leisten.
Klingt altmodisch. Funktioniert aber seit 25 Jahren.
In der neuesten Episode habe ich mich mit Matthias Dähling, Geschäftsführer von Anaxima, unterhalten, einem Hidden Champion im FSI-Beratungsmarkt, der sich tief auf SAS, Unternehmenssteuerung und Portfoliomanagement spezialisiert hat.

 Keine Breite. Dafür echte Tiefe.

Was mich an diesem Gespräch besonders mitgenommen hat:
Fokussierung ist eine Entscheidung — keine Einschränkung.

Anaxima arbeitet mit knapp 40 Mitarbeitern und lehnt bewusst Projekte ab, die nicht in den eigenen Domainfokus passen. Keine Brauerei heute, Banken morgen, Fertigung übermorgen. Diese Konsequenz ist seltener als man denkt — und sie zahlt sich aus.

Festpreise als Vertrauensbeweis.

Während der Markt fast ausschließlich auf Tagessätze setzt, bietet Anaxima in 8 von 10 Fällen Festpreise an. Nicht primär für die Marge — sondern weil es dem Kunden Sicherheit gibt. „Wir trauen uns, was wir anbieten — also trauen wir uns auch das Risiko eines Festpreises."

Domain Expertise schlägt Zertifikate.

Wenn eine große Beratung gegen Anaxima antritt, passiert oft das Gegenteil von dem, was man erwartet: Die Großen fragen an, ob Anaxima mitkommt — weil das Spezialwissen schlicht nicht am Markt zu finden ist.

Big Data Hype? Bewusst ausgesessen.

Während andere auf Data Lakes gesetzt haben, ist Anaxima bei seinen Kernthemen geblieben. Rückblickend: eine der besten Entscheidungen. Den Heuhaufen größer zu machen, hilft nicht dabei, die Nadel zu finden.

KI als Werkzeug — nicht als Heilsversprechen.

Matthias sieht KI realistisch: nützlich für Code-Transformation und Migration, aber noch überschätzt. In zwei, drei Jahren sieht die Welt wieder anders aus.
25 Jahre. Moderates Wachstum. Kaum Fluktuation. Mitarbeiter, die seit der Gründung dabei sind.
Manchmal ist die langweiligste Strategie die stärkste.

____LinkedIn Profile____

LinkedIn Profile of Matthias Dähling: https://www.linkedin.com/in/matthias-daehling/

LinkedIn Profile of Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch_______

Change durch COCREATION - Hans Werner Bormann, Marcus Benfer, Gabriela Bormann

🚢 "Your cargo. Our promise."

That's not just a slogan at Hapag-Lloyd — it's a philosophy that shapes how one of the world's oldest shipping companies is thinking about its most modern challenge: transformation at scale.

In the latest episode of Masters of Data & AI, I sat down with Moiz Khan, a Big Four audit veteran now driving digitization inside a 175-year-old industry. And the conversation went deep.

A few things that stuck with me:

On real-time data in shipping:
Hapag-Lloyd now operates 2 million smart containers with IoT sensors. The shift from manual gate logs to live container tracking isn't just a technology upgrade — it's a completely new decision-making infrastructure. For customers, for finance, for operations.

On the 80% on-time delivery target:
The industry average sits around 50%. Hapag-Lloyd's Strategy 2030 targets 80%. That's not incremental. That's a structural redesign — and the Gemini Alliance with Maersk is a big piece of how they're getting there.

On evaluating AI tools in a crowded market:
Moiz put it simply: 90%+ of AI products fail because they lack a proper value proposition. His framework? Use case first. Groundwork second. Technology third. Not the other way around.

On transformation patterns across industries:
There's always a 50/50 split — half want to change, half don't. The job isn't to force the future on people. It's to find the balance. "Too much transformation gets you stuck in proof of transformation. Too little, and you're out of business."

And his startup idea if he were to build in logistics today? Solving port storage optimization for reefer containers — one of the most expensive and under-automated problems in global supply chains.
This is the tension that makes shipping fascinating: 175 years of legacy, and the urgency of building something entirely new on top of it.

____LinkedIn Profile____

LinkedIn Profile of Moiz Khan: https://www.linkedin.com/in/moiz-khan-4b85251a/

LinkedIn Profile of Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business book_____

The first 90 days by Michael D. Watkins

Die meisten Unternehmen, die heute "KI-first" schreien, haben keine Ahnung, wie der Abstieg funktioniert. Sie wollen auf den Gipfel, aber sie haben keine Sicherung für den Weg zurück.

In der aktuellen Folge von Masters of Data war Herbert Pataky (Dataciders) zu Gast. Herbert ist seit 2001 in der Datenwelt unterwegs – und er betrachtet Data & AI nicht durch eine sterile Excel-Tabelle, sondern durch die Brille eines Alpinisten.

Was wir besprochen haben:

Das Governance-Paradox: Viele Firmen bauen KI-Systeme wie ein Gebäude – "einmal hinstellen, fertig". Herbert sagt: Das ist der falsche Ansatz. KI ist wie Bergsteigen. Den Gipfel erreichen ist der einfache Teil. Der "Abstieg" – also die kontinuierliche Wartung, Governance und Anpassung – ist das, was den Erfolg ausmacht. Wer das vergisst, stürzt ab.

Mut zur Transformation: Herbert erzählt, wie er mit massiver Höhenangst auf den Großglockner gestiegen ist. Ein mächtiges Bild für alle, die in der IT-Transformation stecken: Führung bedeutet nicht, keine Angst zu haben. Führung bedeutet, den ersten Schritt trotz zitternder Knie zu machen.

Data-Dreaming vs. Realität: Wir haben darüber gesprochen, warum viele Projekte scheitern – nicht an der GPU-Leistung, sondern an der fehlenden Bereitschaft, die internen Prozesse wirklich zu ändern.

Für alle, die in der Datenwelt arbeiten und wissen wollen, warum man für KI mehr als nur technische PS braucht: Hört euch diese Folge an.

____LinkedIn Profile____

LinkedIn Profil von Herbert Pataky: https://www.linkedin.com/in/herbert-pataky-6052b0124/

LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch_____

The One Thing von Gary W. Keller

16 Jahre. Zweistelliges Wachstum. Null Marketing. Die meisten Beratungen im Data- & KI-Sektor hören heute, dass sie von Tag eins an SEO, Ads und ein "Growth Playbook" brauchen. Katrin Heringer und Christopher Husmann von Heringer Consulting haben es 16 Jahre lang komplett anders gemacht: Technical Excellence und Word-of-Mouth.

In der aktuellen Folge von Masters of Data schauen wir uns an, wie ein Team aus über 100 Experten in Köln organisch wächst, ohne auf Kaltakquise angewiesen zu sein.

Wir sprechen über:

Den "Technical Founder" Mythos: Warum es funktioniert, erst 14 Jahre exzellente Arbeit zu liefern, bevor man das Marketing-Budget anfasst.

Wachstum mit Struktur: Warum der Shift von "Empfehlungsgeschäft" zu einer aktiven Marketing-Strategie kein Zeichen von Schwäche ist, sondern der notwendige nächste Schritt zum 200-Personen-Unternehmen.

Die Ausbildung als USP: Warum Heringer Consulting seit Jahren konsequent auf interne Ausbildung setzt – auch wenn man damit akademische Titel beim Einstieg als Trainee kurz ausblenden muss.

____LinkedIn Profile____

LinkedIn Profil von Catrin Heringer: https://www.linkedin.com/in/catrin-heringer-b188b1359/

LinkedIn Profil von Dr. Christopher Husmann: 

LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch_____

Catrin: 

Data Story von Nancy Duarte

Christopher:

Data Scientist is the sexiest job - Harvard Business Review.

In einer Branche, die sich alle 18 Monate neu erfindet, sind 30 Jahre Konstanz eine Ansage.

Thomas Schraeer hat mit saracus den Aufstieg und Fall von Technologien miterlebt, von denen viele heute nur noch aus Lehrbüchern wissen. Im aktuellen Podcast spricht er darüber, wie man ein IT-Unternehmen nicht nur aufbaut, sondern über drei Jahrzehnte krisenfest macht.

Die Key-Insights aus unserem Gespräch:

1. Sales ist Handarbeit: Während alle nach dem „magischen Funnel“ suchen, setzt Thomas auf die Kraft der Kaltakquise und echtes Cross-Selling. Ein Plädoyer für Disziplin statt Ablenkung.
2. Der globale Realitätscheck: Thomas ist viel im Nahen Osten unterwegs. Sein Urteil über den Standort Deutschland im Vergleich zu Dubai oder Saudi-Arabien ist ein Weckruf für jeden Cloud-Skeptiker.
3. Die Disruption der Giganten: Wir sehen gerade live, wie KI-Entwicklungen die Geschäftsmodelle von Giganten wie SAP und Salesforce ins Wanken bringen. Thomas erklärt, warum die Marktführer von heute morgen Geschichte sein könnten.

Mein Takeaway: Wer langfristig gewinnen will, darf nicht jedem Trend hinterherlaufen, muss aber mutig genug sein, das eigene Fundament in Frage zu stellen, wenn sich der Wind dreht.

Ein Gespräch voller Substanz für alle, die im Data-Business mehr wollen als nur den nächsten schnellen Lead.

____LinkedIn Profile____

LinkedIn Profil von Thomas Schraeer: https://www.linkedin.com/in/thomas-schraeer-a6937478/

LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch_____

Amp it up von Frank Slootman

Zeit gegen Geld ist tot: Warum die KI das klassische Consulting-Modell beerdigt.

In einer Welt, in der KI-Agenten Dashboards in Sekunden bauen und Code-Strukturen auf Knopfdruck optimieren, wird eine Metrik zur tödlichen Falle: Der Stundensatz.

Wer heute noch „Zeit“ verkauft, verliert morgen gegen die Effizienz der Algorithmen.

Dennis Hofstetter (Gründer der Datenpioniere) hat das schon vor drei Jahren verstanden. Mit über 80 erfolgreichen Einführungen hat er ein Modell skaliert, das in der BI-Welt oft als „unmöglich“ gilt: Unternehmensweite Festpreise.

Warum dieses Modell für jeden Data- & BI-Consultant die Zukunft ist:

1. Vom „Spezialisten“ zum „Pionier“: Wer nur Anforderungen abarbeitet, ist austauschbar. Dennis positioniert sein Team als Pioniere, die neue Wege ebnen. Das Ziel ist nicht das Dashboard, sondern die unternehmerische Wirkung.
2. Microsoft Fabric als Wachstumsmotor: Dennis ist radikal ehrlich: Reine Visualisierung wird zur Commodity. Er hat sein gesamtes Modell auf Datenplattformen (Fabric) umgestellt, bevor der Markt überhaupt danach gefragt hat.
3. Vertrieb auf der Straße: Während andere in Studien lesen, holt Dennis seine Insights aus echten Verkaufsgesprächen. Sein Fazit: Kunden wollen keine Beraterstunden – sie wollen Sicherheit und skalierbare Systeme.

Der „Operator“ Takeaway: Wenn die KI die Umsetzung beschleunigt, darf die Abrechnung nicht an der Zeit hängen. Der Wert liegt im System-Design und in der Architektur, nicht in der Klick-Dauer.

Dennis liefert die Blaupause, wie man eine Data-Boutique von 0 auf 20 Mitarbeiter skaliert, ohne sich im „Hamsterrad der Stunden“ zu verlieren.

____LinkedIn Profile____

LinkedIn Profil von Dennis Hoffstaedte: https://www.linkedin.com/in/dennishoffstaedte/

LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch_____

Hoffnung ist keine Strategie von Christian Underwood

Wenn du im Data Business arbeitest, kennst du das: Der Kunde will KI, hat aber keine saubere Datenbasis. Er will "Hype", braucht aber eigentlich "Fundament".

Dr. Ralf Belusa (BORA, ex-Hapag-Lloyd) ist ein System-Denker. In dieser Folge haben wir das Thema Business-Transformation seziert – weit weg vom üblichen Marketing-Sprech.

Warum diese Folge für jedes Daten Unternehmen, Data Beratungen und Thought Leader im Data Ökosystem Pflicht ist:

Das Stammzellen-Prinzip für Teams: Ralf sucht beim Hiring nicht nach "Zahnrädern" für statische Prozesse, sondern nach "Stammzellen". Menschen, die in der Lage sind, sich in einem volatilen Tech-Stack ständig neu zu differenzieren. Ein Gamechanger für den Fachkräftemangel im Consulting.

KI ist keine Software, sondern Evolution: Wir vergleichen die aktuelle Welle oft mit der Einführung von SaaS. Ralf geht tiefer: Er vergleicht es mit dem Buchdruck. Für uns Consultants bedeutet das: Wir verkaufen keine Tools, wir begleiten einen zivilisatorischen Shift in der Art, wie Unternehmen "denken".

Hacking the Legacy-Mindset: Ralf erklärt, wie man die Brücke zwischen Astrophysik-Logik und konservativem Business schlägt. Es geht um Mustererkennung. Wer die universellen Muster in Daten versteht, kann jedes System optimieren – egal ob Logistik-Riese oder Tech-Boutique.

Der "Operator" Takeaway: Hört auf, für den nächsten Go-Live zu bauen. Fangt an, "Enkelfähigkeit" in eure Datenmodelle zu bringen. Systeme müssen so gebaut sein, dass sie auch in 10 Jahren noch atmen können.

Ralf liefert die Blaupause für ein Mindset, das Consulting von "Dienstleistung" zu "Echtem System-Design" hebt.

____LinkedIn Profile____

LinkedIn Profil von Dr. Ralf Belusa: https://www.linkedin.com/in/ralfbelusa/

LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch_____

Artificial Integrity: The Paths to Leading AI Toward a Human-Centered Future von Hamilton Mann

Der Igel gewinnt immer: Kausalität statt Korrelation

Warum ist „Hase und Igel“ nach 8 Jahren in einem mörderischen Marktumfeld profitabler denn je, während andere KI-Startups bei der ersten Korrektur verbrennen?

Jan Schoenmakers hat eine Antwort, die vielen „Growth-Hacker“ nicht schmecken wird: Ehrliches Handwerk.

In der neuen Folge von Masters of Data räumt Jan mit dem KI-Hype auf. Er zeigt, warum sie bei Hase und Igel Dinge anders machen – und warum das genau der Grund für ihren Erfolg ist.

Die Key Takeaways für Entrepreneure und Leader:

• Explainable AI vs. Blackbox: Wer Entscheidungen auf Vorstandsebene treffen will, braucht keine Korrelationen, sondern Kausalitäten. Wenn du nicht erklären kannst, warum die KI das sagt, ist sie wertlos.
• Product-Led Growth ist kein Mythos: Bis 2023 gab es bei Jan fast keinen aktiven Vertrieb. Warum? Weil das Produkt Probleme löst, die so schmerzhaft sind, dass die Kunden von selbst kommen.
• Antifragilität statt Guru-Status: Jan baut kein „Guru-Business“, das ohne ihn kollabiert. Er baut ein System. Wer sich unersetzbar macht, baut sich ein Gefängnis, kein Unternehmen.
• Resilienz ist eine Superkraft: Durch Corona, Rezessionen und Hypes hindurch profitabel zu wachsen, ist das wahre Zeugnis eines „Operators“.

Jan beweist: Man muss kein linientreuer Adjutant sein, um im Tech-Sektor zu gewinnen. Man muss ein Gestalter sein, der die Regeln des Spiels besser versteht als der Rest.

Hört rein, wenn ihr wissen wollt, wie man echte KI-Substanz baut, ohne sich im Marketing-Rauschen zu verlieren.

____LinkedIn Profile____

LinkedIn Profil von Jan Schoenmakers: https://www.linkedin.com/in/janschoenmakers/

LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch_____

Antifragile von Dr. Nassim Taleb

Substanz statt bunte Bildchen: Patricks Einstellungskriterien

Schluss mit den „bunten Bildchen“. In der neuesten Folge spricht Patrick Benoit Klartext darüber, warum wir im Data-Umfeld eine Rückkehr zum echten Handwerk brauchen.

Patrick war Sales Leader bei verschiedenen renommierten Data & BI Unternehmen: Databricks, Qlik, MapR, Oracle.

Was wir aus dem Gespräch mitgenommen haben:

• Attitude schlägt Lebenslauf: Warum die innere Einstellung eines „Operators“ schwerer wiegt als jede Zertifizierung.
• Präzision als Filter: Wer seinen Case nicht bis ins Detail „hoch und runter deklinieren“ kann, hat ihn nicht durchdrungen.
• Wert statt Überredung: Echter Vertrieb bedeutet, den eigenen Mehrwert so präzise zu kennen, dass Manipulation überflüssig wird.

Patrick zeigt uns, wie man den Blick für das Wesentliche schärft – weg von der Show, hin zum echten Business Value.

____LinkedIn Profile____

LinkedIn Profil von Patrick Benoit: https://www.linkedin.com/in/patrick-benoit-3719032/

LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch_____

Tools of Titans von Tim Ferriss

Im Silicon Valley wirst du belächelt, wenn du von einem „Lifestyle Business“ sprichst. Dort gilt: Wer nicht skaliert, um zu verkaufen, hat keine Ambition.

Aber Artur König sieht das anders. In unserer neuesten Folge von „Masters of Data“ bricht er mit dem typischen Gründer-Hype.

Wer ist Artur? Artur ist „Universalnerd“, Segler und lebt im Herzen von Köln. Wenn er nicht gerade als Power BI Fanboy, Buchautor oder TDWI-Expert die Datenwelt umkrempelt, findet man ihn analog in der Natur. Er ist kein Theoretiker – er ist spezialisiert auf pragmatische Lösungen im Microsoft-Umfeld und lebt für die Architektur, nicht für die Akten.

Sein ultimativer Test: „Wenn mir heute jemand 10 Millionen Euro zahlen würde, nur damit ich vom Markt verschwinde – was würde ich am nächsten Tag tun?“

Die Antwort? Genau dasselbe wie jetzt. Nur vielleicht etwas entspannter.

Warum dieser „Anti-Exit“-Ansatz für ihn der einzig logische ist:

• Vision erfüllt: Erfolg bedeutet für ihn nicht die Größe des Büros, sondern die Freiheit, genau die Projekte zu wählen, die ihn begeistern.
• Der Bullshit-Filter: Artur bleibt bewusst an der Basis. Er will nicht nur verwalten; er will „machen“. Nur so behält man den Durchblick, ob technische Lösungen wirklich pragmatische sind oder nur heiße Luft.
• Autonomie statt Politik: Er tauscht das Hamsterrad der Skalierung gegen ein stressfreies, kundenorientiertes Umfeld ein.

Unternehmertum ist für Artur das Werkzeug, um als Segler und Nerd ein selbstbestimmtes Leben zu führen – ohne den Zwang, das nächste „Unicorn“ jagen zu müssen.

Ist ein „Lifestyle Business“ wirklich ein Mangel an Ambition? Oder ist es die höchste Form des Erfolgs, wenn das Ziel nicht mehr das „Danach“ ist, sondern das „Jetzt“?

Hört euch die ganze Folge an und erfahrt, warum Artur den Exit-Wahn ignoriert.

____LinkedIn Profile____

LinkedIn Profil von Artur König: https://www.linkedin.com/in/datakoenigartur/

LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch_____

https://longhaulleader.com/ von Chris Ducker

Kurz vor Weihnachten mal was anderes: Kein Zoom, sondern live in Köln getroffen – mit Glühwein-Stimmung und richtig guter Energie. 🎄
Benedikt Stienen, CEO von TAOD (The Art of Data), ehemaliger Profi-Leichtathlet (mehrfacher Deutscher Meister im Diskuswerfen) und seit 2024 CEO, hat mir erzählt, wie man Disziplin aus dem Sport in ein schnell wachsendes Data-Unternehmen überträgt.
In dieser besonderen In-Person-Folge #4 von Masters of Data, BI & AI teilt er offen:

• Den Wechsel vom Leistungssport (mit 25) ins Data-Consulting und wie Zufälle + Mut seine Karriere geprägt haben
• TAODs Wachstum von 5 auf 70 Mitarbeiter bei ca. 40 % jährlich – durch Technologieoffenheit (Databricks, Snowflake, Azure, GenAI) und eine Kultur, die Fehler erlaubt
• Die größte Herausforderung: Prozesse, die nicht mitwachsen – und wie sie jetzt mit Sales-Transformation (von Marketing-Fokus zu aktivem Outreach & Conversion) skalieren
• Recruiting-Strategie: Junge Talente anziehen, coachen und fördern – mit Fokus auf Neugier, Intelligenz und Eigenverantwortung
• Was er beim Neustart anders machen würde: Früher die Positionierung schärfen und Nischen mutiger besetzen

Eine Stunde echte Gespräche vor Ort – voller praktischer Insights für alle, die ihr Data-Business nachhaltig wachsen lassen wollen.

____LinkedIn Profile____

LinkedIn Profil von Benedikt Stienen: https://www.linkedin.com/in/benedikt-stienen/

LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch_____

„No Rules Rules“ von Reed Hastings (Netflix) – perfekt für starke Unternehmenskultur

Aus einer Unternehmerfamilie kommend, hat Boris Fischmann 2017 NoseDat gegründet – nach 20 Jahren als Consultant in BI und ERP-Teams. 

Warum der Name? Weil sie die "Spürnase" für Daten-Insights sein wollen. 

In Folge #3 von Masters of Data, BI & AI teilt er offen: 

• Warum er nach Jahren als Angestellter den Schritt zum Unternehmer gewagt hat (und was die Familie damit zu tun hat) 
• Seine Mission: Unternehmen zu datengetriebenen Firmen transformieren – mit Fokus auf Management, Reporting, Analytics, Planung und KI 
• Was Erfolg für ihn bedeutet: Kontinuierliches, organisches Wachstum (von 5 auf 40 Mitarbeiter) und ein gutes Umfeld für Kunden und Team 
• Die größten Rückschläge: Kunden-Insolvenzen, eine Fehlbesetzung im Vertrieb (die ein Jahr gekostet hat) und Prozesse, die nicht mitgewachsen sind 
• Was er beim Neustart anders machen würde: Früher stärker auf ein ideales Kundenprofil fokussieren, statt jeden Auftrag zu nehmen 
• Wichtige Eigenschaften für Verkäufer: Fachliche Tiefe, regelmäßige Kundenbesuche und die Fähigkeit, Ineffizienzen (wie Excel-Chaos) aufzudecken 
• Wann er Support geholt hat: Als Leads ineffizient wurden und Bestandskunden vernachlässigt 
• Sein Akquise-Ansatz: Von Agenturen über Telemarketing bis zu Empfehlungen – wobei Empfehlungen am besten funktionieren 
• Wie er den richtigen Verkäufer gefunden hat: Durch einen strukturierten Prozess mit Videos, Aufgaben und Roleplay (von 100 Bewerbern auf 10 Qualitäts-Kandidaten runter

Eine Stunde voller ehrlicher Einblicke in den Alltag eines BI-Unternehmers – inklusive Buchempfehlung für effektives Verkaufen. Wer wissen will, wie man Ineffizienzen vermeidet und nachhaltig wächst → Reinhören!

____LinkedIn Profile____

LinkedIn Profil von Boris Fischmann: https://www.linkedin.com/in/borisfischmann/

LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch_____

GAP Selling von Keenan

"Die meisten Berater werden mit KI ein böses Erwachen erleben.“
– Dürsin Kurt, CEO & Co-Founder DATA THINX GmbH.

In der neuen Folge von „Masters of Data, BI & AI“ spricht Dürsin völlig offen darüber, warum:

• er noch nie ein Business-Buch gelesen hat (und trotzdem ein Analytics-Unternehmen führt, das sich auf Microsoft Fabric & Co. spezialisiert hat)
• er als Kind schon gefragt hat: „Gibt es eine Ordnung darin, wie sich Blätter im Wind bewegen?“ 
• und genau dieser Drang nach Ordnung ihn bis heute antreibt
  ehrliches, direktes Feedback bei ihm oft als „soziale Inkompetenz“ missverstanden wird 
• er lieber nach Werten statt starren Prinzipien lebt
• er zu lange an Mitarbeitern festgehalten hat, weil er ihr Potenzial gesehen hat (und was er daraus gelernt hat)
• KI + das neue Zeitalter des Wissens die Spreu vom Weizen trennen wird 
• und warum Neugier + Transferwissen wichtiger werden als jede PowerPoint-Folie 
• ein echter Managed Service + Team-First-Mentalität Consulting endlich aus der Body-Leasing-Falle befreit

60 Minuten rohe Ehrlichkeit, die einen entweder beruhigt – oder wachrüttelt.
Wer wissen will, was das „Feuer“ ist, das gute Berater von reinen Folienkriegern unterscheidet → reinhören.

____LinkedIn Profile____

LinkedIn Profil von Dürsin Kurt: https://www.linkedin.com/in/d%C3%BCrsin-kurt/

LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch_____

Dürsin liest keine Business Bücher 🙂
Daher eine private Buchempfehlung: Terry Pratchett – Die „Scheibenwelt“-Romane

Welche Zutaten benötigst du für unternehmerischen Erfolg im Beratungsgeschäft?

In dieser ersten Folge sprechen Werner und ich über strategische Entscheidungen für ein profitables Beratungsunternehmen. 

Über diese Fragen diskutieren wir: 

• Verkaufen Berater Time and Material oder Wirkung?
• Was ist strategisch sinnvoller: Tagessatz vs. Paketpreis?
• Welchen Wert haben Partnerschaften für meinen Erfolg?

____LinkedIn Profile____

LinkedIn Profil von Werner Decker: https://www.linkedin.com/in/wernerdecker/

LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch_____

Business Buchempfehlung von Werner: 80/20 Sales and Marketing von Perry Marshall