Lernen lernen: Die eine Eigenschaft, die alle erfolgreichen Data Scientists teilen | Prof. Dr. René Brunner & Rocky Khan - #23

📚 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.

Transcript

SPEAKER_00 0:09

Viele trinken ihren Kaffee mit Milch und Zucker. Ich trinke morgens meinen Chai Latte mit Agave und natürlich Milch oder Hafermilch. Und dann gibt es auch Menschen, die haben einen sehr erfolgreichen Podcast, einen Data Science Podcast im deutschsprachigen Raum mit über 20.000 Downloads und der hat diesen wunderbaren Titel Data Science mit Milch und Zucker. Der heutige Gast, was ihn sehr stark ausmacht, er kommt aus der Akademie. Er ist Professor und seinen Podcast hatte, da hatte ich ja eben gesagt, über 20.000 Downloads, aber er hat auch noch über 50.000 Menschen im Bereich Daten, Data Science beigebracht, wie man mit Daten umgeht. Und das ist nicht nur in einem Seminarraum für tolles Geld, sondern er hat es auch online zugänglich gemacht. Und was er auch gemacht hat, er hat auch eine Boutique Beratung gegründet, nämlich Data Mix mit Fokus auf Data Science. Das heißt, wir haben heute eine Kombination, nicht nur Theorie, sondern auch Praxiswissen, keine Folien, kein Reden, machen. Ich bin Rocky, Rocky Kahn. Ich bin der Host von Masters of Data, BI und AI. Und in meinem Podcast rede ich mit Thoughtleaders, mit Experten aus dem Data Ökosystem. Und heute sitze ich mit Professor Dr. René Bruder. René, schönen guten Morgen. Schön, dass du da bist.

SPEAKER_01 1:44

Guten Morgen, Rocky. Auch danke für die Einladung. Danke, dass ich dabei sein darf und mein Wissen teilen darf.

unknown 1:50

Absolut.

SPEAKER_01 1:50

Nochmal danke für die nette Einleitung und Vorstellung.

SPEAKER_00 1:55

Sehr gerne, sehr gerne, René. René, mich würde mal folgendes mal interessieren. Ich war ja auch mal bei der Firma Databricks gewesen und Databricks ist ja auch ein Spin-Off von der Universität Berkeley gewesen, von einer Uni und sowas ähnliches, jetzt vergleiche ich dich gerade mit Databricks, sowas ähnliches hast du ja auch gemacht. Du hast ja auch die Data Mix gegründet, während du ja auch gleichzeitig an der Hochschule unterrichtest. Kannst du uns mal sagen, welche Entscheidung war das damals denn wirklich bei dir gewesen? Einmal einerseits Sicherheitsnetzprofessur oder war es doch vielleicht oder war die Hochschule vielleicht doch der Beweis, dass du eine Community aufbauen kannst, bevor du ein Unternehmen baust? Kannst du mal erzählen mal deine Beweggründe für Datamix?

SPEAKER_01 2:38

Ja, gerne. Also auch nochmal witzig, dass du gerade Databricks erwähnst mit Berkeley. Das war auch noch von meiner Promotion damals, mit der ich zusammengearbeitet hatte mit Spark, war noch ganz neu vor, ich glaube, 15 Jahren, circa. Also da passt auch vielleicht der Bezug. Aber ansonsten, ja, die Motivation ist eigentlich immer gewesen, ein bisschen sich weiterzuentwickeln, Leuten zu helfen. Es war jetzt nicht so, ich muss jetzt irgendwann eine Firma machen oder ich muss da raus oder ich muss jetzt da an die Wissenschaft, sondern mir hat es immer bisher Spaß gemacht und Forschung hat Spaß gemacht und dann gemerkt, okay, ist ganz gut, läuft ganz gut, aber ja, man macht doch ein bisschen weit voraus, man ist nicht so eine Praxis und wollte einfach mal was hands-on machen, wie kann man die Leute, wie kann man denen helfen, wie kann man was entwickeln, was sie dann auch hier ist noch was erschaffen, also nicht nur vorausdenken, sondern wirklich was generieren und noch Impact, der ein bisschen näher ist beizutragen und da beides Spaß macht, habe ich jetzt so auch geschafft, beides zu vereinen, zum einen die Wissenschaft, ich unterrichte gerne, gebe gerne mein Wissen, weiter an der Hochschule mit 50 Prozent Professur und dann auch 50% Beratungsunternehmen in Unternehmen, die Praxis zu beraten, Online-Kurse, wie du schon gesagt hast, Podcasts, ein bisschen ein Swordleader zu sein oder mal Wissen weiterzugeben. Ich weiß es nicht, wie spannend, interessant alles ist. Ich hoffe, es hilft. Und es ergänzt sich ja auch. Also es ist so, es ist ja, Forschung ist jetzt nicht so, dass nur was gemacht wird, was nicht sinnvoll ist, sondern man ist einfach voraus. Ich hatte damals schon in meiner Promotion mit Grid-Systemen gearbeitet. Das wurden dann später die Cloud-Systeme. Wir hatten mit Peer-to-Peer-Systemen, Very Large Databases, gearbeitet, es wurde dann Big Data, also man ist dann schon voraus, hat die Kompetenz aufgebaut und kann es dann schnell umsetzen, so wie du schon gesagt hast, mit Databricks, Berkeley, Spark, es kannte damals noch keiner und später haben es dann viele eingesetzt. Und umgekehrt ist es ja auch so, wenn wir jetzt in der Uni sind, in der Hochschule, wir machen, also es sind private Hochschule, Makromedia-Hochschule und wir machen auch viele Praxisprojekte. Das heißt, die Studierenden sollen natürlich auch Bezug haben in die Industrie. Ich kann denen dann schon beibringen, was ist wichtig in der Industrie? Kontakte vermitteln, wir haben Praxisprojekte, Bachelorarbeiten an beiden Unternehmen, recht bekannte Unternehmen in Deutschland, die dann teilnehmen können. Also ist so ein Hand in Hand, das ist eigentlich eher so ein Kreislauf. Man bekommt Wissen, Theorie, bringt es in Unternehmen rein, kriegt wieder Praxiswissen, Erfahrung zum Umsetzen, gibt das wieder zurück an die Studierenden, an die Lernenden und hat dann sozusagen einen Kreislauf und in beide Welten machen ja Spaß.

SPEAKER_00 5:27

Das ist das super stark. Was mir sehr aufgefallen ist jetzt gerade bei dir bei der Intro, du hast jetzt mehrfach gesagt, du brennst für die Sache, es macht dir mega Spaß, das, was du machst und auch in deinem Unternehmen. Wenn wir mal nochmal kurz auf die Data-Mix-Geschichte eingehen, kannst du uns vielleicht jetzt, ohne jetzt den Kundennamen zu nennen, mal sagen, was war denn so der Schmerz, den die Kunden damals hatten, wo du gemerkt hast, Mensch, das ist etwas, da muss ich jetzt mal helfen, weil ich habe das jetzt, keine Ahnung, in der Theorie ein paar Mal gelesen oder ich habe davon gehört. Also welchen Schmerz hatten denn deine ersten Kunden gehabt, die du mit Data Mix lösen konntest?

SPEAKER_01 6:05

Also wo ich es selbstständig gemacht hatte, die Probleme waren, dass Big Data neu aufgekommen ist. Also alle haben gehört, sie müssen jetzt Big Data machen. Data Science war ganz neu. Kunden, die haben dann, wie hat, wie man mitbekommen hat, zehn Data Scientists eingestellt, wussten noch gar nicht, was sie machen sollen. Es wurden einfach Projekte aufgesetzt. Die haben gesagt, wir haben jetzt hier dieses System gekauft für ein paar Millionen und jetzt muss was rauskommen. Wir wollen jetzt auch, wie alle anderen, coole Use Cases haben, Geld einsparen, neues Business generieren, aber keiner wusste so, in welche Richtung das geht, wie man vorangeht, wie man es aufsetzt, wer klein anzufangen, Prototypen aufzusetzen, nach Erstergebnisse zu skalieren und dann sich weiterentwickeln, nicht welch ein großes System hinzusetzen. Also das war der Merwert, das Big Data war ein Hype, vielleicht ähnlich wie KI, kann man sich momentan vorstellen, wer damals noch nicht dabei war. Alle wollten es machen, alle mussten es machen auf allen Konferenzen, aber keiner wusste irgendwie, wie genau. Und das Business war auch nicht unbedingt da, also der direkte Nutzen. Ähnlich momentan KI, jeder weiß, er muss es machen. Der Unterschied ist, dass jeder jetzt selber, also früher war es abstrakt, Big Data konnte jetzt nicht jeder mal ChatGPD nutzen und sehen, wow, das ist ja cool, was kann ich denn damit alles machen? Gab es da nichts, sondern es war noch theoretischer. Aber es ist ja sehr ähnlich. Also viele machen jetzt alle ihre AI-Projekte, Firmen, die wissen, sie müssen es machen. Aber man hört es jetzt auch öfter, es gibt genug Statistiken, dass jetzt so der Businesswert noch gar nicht da ist. Also dass es doch so ein bisschen Vorsicht eingrifft, okay, was bringt mir überhaupt KI im Unternehmen? Wie kann ich da überhaupt Mehrwert schaffen? Wie kann ich Kosten optimieren? Ich glaube, das ist so ein bisschen ein kleines Erwachen.

SPEAKER_00 7:41

Kannst du uns mal mitteilen, sagen, René, wo siehst du dein Unternehmen in den nächsten Jahren? Also du hast jetzt hast du auch selbst auch das Thema KI erwähnt, über KI werden wir uns ja auch noch in Kürze unterhalten. Aber gerade im Hinblick auf die KI-Entwicklung, wo oder wie muss sich Detamix verändern und wo siehst du ein Unternehmen in den nächsten Jahren?

SPEAKER_01 8:03

Es ist eine schwere Frage. Also ich sehe es eher flexibel. Also momentan gibt es viele Herausforderungen. Zum einen, wie du schon gesagt hast, mit KI, also es ändert sich wöchentlich fast. Also ich habe es letzte Woche wieder ein neues Tool gefunden, KI, wow, ist das cool. Es sind schon wieder, die alten Tools schon wieder obsolet, es ist ja wieder Claude, hat ja wieder einen neuen Algorithmus, wie wir jetzt sprechen, rausgebracht. Es soll ja so gut sein, dass es keiner nutzen darf, weil es so gefährlich ist. Also es ist wirklich, KI ändert sich wöchentlich, stündlich, neue Technologien. Also da muss man einfach flexibel sein, muss dabei sein, versuchen, die neuesten Tools selbst einzusetzen, bei den Kunden Themen zu optimieren. Wir machen auch Workshops bei großen Konzernen, um die KI vorzustellen. Jetzt nicht nur Architekturen aufzusetzen, komplexe, was Beratung ist, sondern auch normale Hands-on-Workshops, dass auch Mitarbeiter einfach die täglichen Tools, E-Mails schreiben, was kann man einsetzen, was kann man alles optimieren. Ich glaube, da ist momentan der Fokus, auch intern bei den Datamix, dass man einfach sehen, wie setzt man die Tools eins, was können wir verbessern, ist die eine Seite. Auf der anderen Seite hast du natürlich auch die geopolitischen Herausforderungen, dass wir momentan stark sind, da weiß man auch nicht, welche Richtung das geht, was ist heute, was ist morgen. Deswegen ist so die große Vorausplanung, drei bis fünf Jahren kann man noch nicht so absehen, sondern eher die Idee, flexibel bleiben, schnell anpassen, was kommt und dann darauf reagieren, versuchen ein bisschen zu agieren, vor allem in den KI-Tools da ein bisschen vorab zu bleiben, immer die neuesten Tools zu evaluieren, auch im Team, zu schauen, was ist da bei Kunden, sehe ich es auch so, also man muss sich verteilen, auch in der Hochschule haben wir natürlich große Herausforderungen mit KI, nicht nur Datamix, also die Studierenden, die es einsetzen, die Professoren, die es einsetzen müssen, Content generieren und und und. Und da sind wir auch, sagen wir mal, recht weit und wir haben auch solche, sagen wir mal, Kollaborationen, dass man sich gegenseitig hilft, welche Tools setzt ihr ein, was setze ich ein, wie kann man sich da gegenseitig verbessern und neue Workflows und Prozesse stellen. Und ich glaube, das ist einfach der Key, dass man jetzt schnell ist, die neuesten Tools hat, neuesten Prozesse, schnell Prozesse ändert, anpasst und verbessert.

SPEAKER_00 10:23

Danke. Jetzt hast du mir schön eine Brücke gebaut, auch zu einem Thema, was ich auch, wo ich auch gerne deine Perspektive verstehen würde, nämlich Tools. Du hast ja auch gesagt, ja, du kannst ja auch damals auch schon Databricks. Die große Frage ist, jetzt ändert sich ja ständig was. Was schon im stündlichen und täglichen Rhythmus kommt ja ständig immer was Neues raus. Und es gibt ja so viele verschiedene, auch neue Tools, so wie zum Beispiel auch MotherDuck, DAC-DB, Fabric wird jetzt sehr gerne auch verwendet, neben Databricks. Du hast ja auch gesagt, du arbeitest mit Kooperationen, man unterhält sich, aber wie kommst du denn genau auf die Tools? Also wie evaluierst du denn René für dich, wo du sagst, Mensch, das ist ein Tool, was ich gerne vielleicht mir mal näher anschauen würde und wie kommst du darauf genau, jetzt abgesehen von Kooperationen?

SPEAKER_01 11:16

Ja, drauf kommen, das ist meistens vom Hören sagen. Also wir haben ja, sind im Team bei Kunden, bei eigenen Teams, dass wir offen sind an der Uni, also man da recht weit vernetzt ist und dann die, sagen wir mal, Anführungszeichen guten Tools bekommt und dann ist es immer noch evolvieren. Also man kann jetzt nicht alle Tools wissen, wie du schon gesagt hast. Jetzt wieder gehört Bananas, irgendein Modell, wo Bilder generiert und das und da. Also es gibt recht viele und ich konzentriere mich halt auf diese, die bei mir, sagen wir mal, gut funktionieren, plus neue Tools, Komponenten setzt sich dann rein und ja, muss versuchen, die Übersicht zu behalten, auch dass man es ein bisschen aufsplitten in Teams, dass wir sagen, okay, einer nimmt vielleicht ChatGPT, andere Person nimmt dann Gemini und dann einfach mal Vergleicht später, was kann das gut, was kann das gut und dann verbessert. Und was denke ich auch noch wichtig ist, oder was ich sehe oder denke, ist, dass man auch Geld investieren muss. Also dass man sagt, okay, man nicht nur die Open Free Version nimmt, sondern auch die Enterprise-Version, auch schaut, dass es auch Daten nicht zum Training verwendet wird, dass es vielleicht auch gesichert ist, wenn wichtige Tools drin sind, die Entwicklungsthemen, dass halt der Code nicht ins Internet kommt, auch von Kunden ist halt wichtig. Ich glaube, da gibt es eine ganze Reihe von Komponenten und es ist wirklich ein flexibler Austausch, Up-to-Date bleiben. Es ändert sich auch wieder was, vielleicht die Anforderungen, Rechte, die Agreements, dass man wieder sagt, okay, hier ist vielleicht doch nicht mehr, ich glaube, Co-Pilot wollte jetzt noch wieder was ändern, dass sie vielleicht doch mit Coach trainieren dürfen. Da muss man da aufpassen, welche Pakete liegen da. Ist es nur Enterprise-Version, ist es Privat-Version? Also es ist wirklich ein Auswählen und auch Kommunikation, weil man selber alleine da nicht, glaube ich, nicht mehr hinterherkommt, sondern man muss dann wirklich im Team schauen, dass man Tools bekommt und die Besten dann rauskristallisiert und auch wieder, die vor dem Monat die besten wieder ablöst durch neuere, dass das wieder besser ist.

SPEAKER_00 13:22

Jetzt hast du gerade einige Tools ja auch genannt, also Co-Pilot Anthropic beispielsweise. Die kennt ja mittlerweile jeder. Gibt es so andere Tools, so versteckte Diamanten, so Hidden Gems, die so keiner kennt, aber wo du meinst, ey Rocky, da habe ich neulich mal was gehört oder was mitbekommen, kannte keiner, aber das ist echt so ein Tool, irgendwie so Watch Out for, irgendwie sowas. Also hast du da was, wenn du sagen würdest, das sind so Top 2 Tools, sind jetzt zwar nicht so super bekannt, aber die sollte man sich mal näher anschauen.

SPEAKER_01 13:56

Ja, ich habe jetzt ein Tool, was ich erst vor kurzem gesehen habe, ist Gamma-App, das ist ein ganz gutes Tool, um einfach PowerPoint zu erstellen oder Dokumente zu erstellen. Das hat jetzt wirklich super funktioniert, kann ich nur empfehlen, war jetzt vorher nicht so auf dem Radar besser als GPT oder als Copilot. Ansonsten ist Klassiker, ich weiß jetzt nicht, ob das bekannt ist oder nicht, ich verwende gerne auch Claude-Algorithmus mit dem Programmieren. Also es gibt ja auch Open Claw, was eingesetzt wird. Ich sehe es eher von Nicht-Programmieren, ich habe es auch ausprobiert. Als Programmierer ist es für mich fast ein bisschen umständlich, wenn ich irgendwas automatisieren will, dann automatisiere ich das gleich mit Python-Code, lasse mir das entwickeln, habe dann meine eigene Bibliothek, meine Kontrolle, weiß, was gemacht wird und ausgeführt. Wenn man jetzt kein Entwickler ist, dann kann es schon sinnvoll sein, dann vielleicht OpenClause zu verwenden. Ist es allerdings auch schon bekannter, aber das ist auch, in die Richtung wird es wahrscheinlich auch gehen, also dass da immer mehr automatisiert wird und auch die kompletten Prozesse dann end-to-end optimiert.

SPEAKER_00 15:05

Mich würde mal interessieren, jetzt genau, wenn wir jetzt mal wieder aus das Thema Data Science mal zurückgehen. Welche Trends siehst du denn in der Zukunft im Hinblick auf diesen Bereich Data Science?

SPEAKER_01 15:20

Ja, ich meine, in Zukunft ist durch die AI, wenn wir es heute von Zukunft sprechen, ist es wahrscheinlich schon wieder in einem Monat obsolet. Aber größere Trends oder was man sieht, auch in Data Science, also früher war ja, oder früher, also vor halbem Jahr vielleicht, war es so, Data Science war ja Machine Learning Modelle, Trainieren, Daten kommen rein, Deployment von den Modellen, Lifecycle, Monitoring, bis in die Modelle, ändern sich jetzt die Daten, ja, also die ganzen Model Lifecycle, was gemacht wurde, es war noch, war es Standard, würde ich einfach sagen, oder auch Data Science neue Use Cases erfinden. Es gab schon recht viel, es gab schon Standard noch ein bisschen anpassen, war schon ein bisschen alles etabliert, Data Engineering, Daten aufbereiten, war 80% der Arbeit oder 60 bis 80 Prozent Daten zu erhalten, zu bekommen. Das war der klassische. Jetzt hat sich einiges geändert. Also viele Data Scientists, die haben jetzt weniger Arbeit. Es geht jetzt alles momentan Richtung REC-Systeme, die die Firmen aufbauen wollen. Und das ist die erste Frage, okay, was machen Data Scientists? Die sitzen jetzt alle rum, haben nichts zu tun, sagt der Motto. Und im zweiten Blick ist es aber nicht so schlimm. Also es gibt ja Ähnlichkeiten von den Rack-Systemen, die Daten müssen noch aufbereitet werden, die OCR-Ekennung. Also ich denke mal, dass recht viele jetzt umstellen, umsteigen müssen, sollen, wollen auf die Rack-Systeme mit allen Schwierigkeiten, Vorteilen, da gibt es noch große Herausforderungen, es gibt diese Guardrails, dass man ein Golden Data Set hat, wie garantiert man, dass die Vorhersagen genau sind, dass keine Halluzinationen drin sind, dass das Junking richtig ist, dass die Qualität stimmt, dass man auch nochmal weitergehen kann in Unternehmen, also wenn jetzt große Unternehmen Chatbot machen, dann wollen jetzt nicht nur, dass irgendwas gesagt wird, sondern vielleicht auch noch, dass es positiv über das Produkt gesprochen wird. Man kann ja auch im Bereich, vielleicht auch ChatGPT geht oder die anderen Rec-Systeme oder halt Chats, dass man auch noch vielleicht Werbung reinmachen kann, okay, wenn das nicht funktioniert, dann schau mal das an oder wir haben hier noch ein anderes Produkt oder wir können das und das anbieten. Also ich glaube, da ist noch ein größeres Potenzial und das ist momentan die Richtung von Data Science. Es gibt zwar noch so ältere, ältere oder halt, da nennen wir es nicht ältere, hört sich ein bisschen blöd an. Es gibt noch die klassischen Systeme, Machine Learning, Recommendation Engine und so weiter, die funktionieren gut. Es gibt andere Systeme, die wurden jetzt komplett übernommen, die einfach billiger sind. Also Sentimentanalysen waren vorher recht teure Systeme aufgesetzt, aber mittlerweile durch die Chats recht einfach. Im Cent-Bereich kann man dann schon Sentimentanalysen machen von Dokumenten. Also es gibt Systeme, die laufen weiter, die kann man noch nicht mit LMMs gut bearbeiten. Es gibt Systeme, die wurden jetzt abgelöst, dann nennen wir mal die Data Science, die das umlernen oder sich weiterentwickeln in diese Systeme. Und das waren jetzt die aktuellen Trends, würde ich sagen, mit Data Science Richtung LMMs, REC-Systeme. Was dann in Zukunft kommen wird, das sind dann mehr in Richtung Agentensysteme, also dass dann komplette End-to-End-Pipelines aufgesetzt werden, wahrscheinlich eher so Richtung Open Claw, wie ich sehen würde, dass man ganze Workflows oder Prozessketten abbilden kann, also dass die AI noch mehr macht, also nicht nur einen Chat und antwortet, sondern richtige Arbeiten abnimmt. E-Mails beantwortet, Themen erstellt oder E-Mails kommen rein, es werden nochmal Dokumente gesucht, es wird angereichert, es wird dann schon Themen vorbereitet, E-Mail vielleicht automatisch weggesandt oder es wird nochmal ein Approval gemacht oder man kriegt dann auf eine Nachricht, WhatsApp, Slack und so weiter. Heute kamen die und die E-Mails rein oder letzte Woche soll ich die und die die beantworten. Tippe 1, ja, Tippe 2, das und so weiter. Also wirklich komplette Automatisierung, um noch mehr Zeit zu sparen. Also das sehe ich eher den Trend dann in Zukunft. Und da muss man natürlich jetzt vielleicht auch sagen, in welcher Perspektive die Trends sind. Wahrscheinlich meinst du die Trends für deutsche Firmen, was da gemacht wird? Ich denke mal, es gibt Unterschiede. Zum einen die großen Unternehmen, ChatGPT, Microsoft, Google, die werden natürlich auch viele neue Tools anwenden, auch Richtung Agentensysteme. Und da muss man immer noch schauen, okay, wie kann man die einsetzen in deutschen Unternehmen, wo bleiben dann, ich würde es nicht sagen, die Krümel, aber was bleibt da noch übrig, was man selber noch abdecken kann, also was die nicht machen können. Ich weiß jetzt nicht, ob es sinnvoll ist, wenn man sich selber einen eigenen Chat baut oder ob man wirklich sagt, geht weiter in die Prozesse rein, in die Optimierung, wo kann ich noch was Performance verbessern, wo kann ich Kosten senken, neue Businessfelder aufmachen, produktionseffizienter gestalten, was jetzt nicht einfach nur ein Chatbot ist. Oder auch die Entscheidungsebene sehe ich jetzt auch nochmal großes Potenzial Unternehmen, also auch ein bisschen mit Data Science. Es sind jetzt ja jedes Unternehmen, hat vielleicht tausende von Dashboards gebaut, hat Excel-Tabellen mit Analysen, die dann mit dem Management vorgestellt werden und dann macht Management Entscheidungen drauf. Aber wenn es jetzt tausend Tableau, Power BI, sonstige Click-Dashboards rumliegen, dann werden die oft gar nicht mehr angeschaut oder man weiß nicht, die Zahlen stimmen vielleicht nicht, manche sind outdated und so weiter. Das heißt, wenn da jetzt noch LMMs die Entscheidung unterstützen können, also dass sie jetzt sagen, nicht nur, wir haben hier einen Dashboard, sondern sagen, okay, die und die Daten sind da, wir müssen jetzt die Verkäufe erhöhen oder hier sind die Verkäufe eingebrochen, wir müssen das und das machen, weil ich habe noch die Daten gesehen, ich habe noch das gesehen, ich habe gesehen, Produktion ist irgendwas oder da ist eine Anomalie und es sagt das gleiche Management, lass uns diese Entscheidung machen wegen den Faktoren, dann ist da nochmal ein nächster Sprung, der dann da ist, nicht nur ein Chat, Dokumentation, internes Wiki zu schnell.

SPEAKER_00 21:23

Jetzt haben wir sehr viel René über Technologie gesprochen. Es gibt ja auch noch die andere Seite jemanden, der die Technologie ausführt, nämlich der Mensch dahinter. Und früher, wo die Welt noch in Ordnung war, da konnte man ja sehr klar ein Anforderungsprofil erstellen, was ja auch lange haltbar war, wie hey, du solltest SQL can. That were so the first anfolding on BI entwickers. When many guards, how the market was the thing about upskilling, reskilling, eighteen often, what would you say? What are the witch? Charaktereigenschaften oder Dinge, worauf man jetzt achten sollte, wenn man einen Data Scientist einstellt?

SPEAKER_01 22:10

Ja, also jetzt speziell für Data Science, ich mache mir es mal ein bisschen generischer. Also ich glaube auch Programmieren, Data Science war es ja vorher schon so. Also wenn jetzt jemand gedacht hat, er hat jetzt Python programmieren gelernt an der Uni, will jetzt Data Scientist werden oder woanders gelernt und jetzt nichts mehr dazulernen, dann war das eigentlich schon ein falscher Job. Man hat immer Probleme im IT-Umfeld, es gibt neue Tools, es gibt neue irgendwie eine Netzwerkkarte, man kann nicht alles lernen an der Uni, sondern man muss sich selber auch Sachen beibringen. Also man muss es lernen, lernen. Ich glaube, das war auch ein Mannheim, wenn du da warst, so eine Komponente, dass man einfach irgendwann lernen, lernen musste. Man konnte nie 100% von den Punkten erreichen, sondern man hat immer gewusst, okay, man muss versuchen, Maximum, aber konnte nie das Maximum erreichen. Und ich glaube, das war da wichtig und das ist auch noch in dem Umfeld umso wichtiger geworden. Wir hatten es auch versucht in der Hochschule, vielleicht ein paar Beispiele, dass die Studierenden einfach selber lernen sollen, dass sie Text lesen sollen und dann selber sich was beibringen. Also das war ein Konzept an der Hochschule. Das kam gar nicht so gut an. Also Studierenden haben lieber, dass die Professoren dann alles den Vorkaufen, Vorerklären und auch ausführen müssen. Und ich glaube, das ist so ein schwieriger Punkt, wo man wirklich sagen muss, hey, wenn ihr programmieren wollt, wenn ihr Data Science machen wollt, dann geht ihr jetzt nicht in Unternehmen und ihr lernt jetzt 1 plus 1 ist 2 und dann führt ihr das aus, die nächste Zeit. Nein, man muss sich selber recherchieren, vielleicht YouTube-Videos schauen, weiterbilden. Man muss selber schauen, wo kann ich mich weiterbilden, wie kann ich mich weiterbilden. Ist es auf Udemy, die du schon angesprochen hast, das war oder ist noch aktuell, aber es gibt vielleicht andere Tools mittlerweile, es gibt vielleicht Personal Assistant, es gibt AI, jetzt kann man auf ChatGPT schauen, dann muss man selber Claude zum Programmieren einsetzen, wo sind die Fehler beim Programmieren. Ich sehe dann auch, wenn jemand anfängt, Beginner, die machen schnelle Tools, innerhalb von zwei Tagen eine komplette Webseite, wirklich toll, und da nach einer Woche, ja, es läuft noch nicht, nach zwei Wochen, es gibt da noch Bugs und nach drei Wochen, ich kann nicht mehr. Ich gebe auf. Weil halt einfach das Testen dann noch wichtig ist. Ich glaube, das ist ein kompletter Mindshift und da muss man einfach dranbleiben, man muss flexibel sein, man muss sich austauschen, auch noch Kommunikationsskills. Aber das war vorher auch schon wichtig. Also ich weiß jetzt nicht, ob es sich jetzt nochmal geändert hat. Kommunikation war vorher wichtig, Weiterbildung war wichtig und ist vielleicht noch ein bisschen wichtiger geworden, aber war die letzten Jahre auch schon wichtiger.

SPEAKER_00 24:45

Also was raushörst, du sagst, es sind viele Dinge, die es auch vorher gab, wie ständiges Lernen oder Lernen lernen wollen, eine gewisse Neugierde, aber wahrscheinlich ist das jetzt gerade mit der rasanten KI-Entwicklung hat sich das wahrscheinlich verstärkt, dass das noch wichtiger geworden ist, genau diese Eigenschaften, dass man genau nach diesen Eigenschaften sucht. Gibt es noch auch andere Dinge? Also man sagt ja auch, emotionale Intelligenz ist ja etwas, was eine KI wahrscheinlich auch nicht schaffen wird. Wahrscheinlich nicht. Also dass dieses Thema Mensch, ja, emotionale Intelligenz. Oder auch neulich, das war der Clemens gewesen, mit dem hatte ich auch einen Podcast gemacht, der ist VP Data bei Bubble gewesen. Und der hat auch gesagt, okay, dieses um die Ecke denken, so dieses Out of the Box um die Ecke denken, das ist ja auch etwas, was ja auch bis jetzt noch eine KI ja nicht kann. Also die KI sind ja häufig auch so gebaut, gerade auf ChatGPT, dass die ja sehr auf Harmonie sind. Und ich habe das ja auch am Anfang gemerkt, wenn ich, wenn man so eine Antwort haben will, dann kommt ja häufig auch, ja, eigentlich hast du recht, so sollte man es machen. Dann sagst du, nee, ich meine es ja eigentlich anders. Und dann heißt es wieder, ja stimmt, so kann man es auch sehen. Also man bekommt nicht immer sofort eine ganz klare Schwarz-Weiß-Antwort, sondern es ist stark auf Harmonie. Das ist das, was mir zum Beispiel aufgefallen ist. Was würdest du denn sagen, aus deiner Perspektive? Und du unterrichtest ja auch an der Uni, wie nimmst du denn die Studis denn jetzt auch wahr jetzt im Hinblick auf der KI-Entwicklung, wo du sagen würdest, ja Rocky, ähm, ich sehe da schon vielleicht gewisse Ängste oder anders gesagt, ich hatte auch mal den Professor Herbert Patake gehabt, der hat mir gesagt, Rocky, was ich wahrnehme, ist, dass auch die Studenten jetzt mehr auf sichere Jobs suchen. Also das heißt, die wollen eher wieder Richtung staatliche Institutionen gehen. Siehst du da auch so einen gewissen Trendsen?

SPEAKER_01 26:49

Ja, also das liest man immer wieder, dass Richtung staatlichen Trend geht. Vielleicht kann man da auch wieder ein bisschen ausholen. Also ich habe auch schon vor zehn Jahren, weil du gefragt hast, was sind die Jobs der Zukunft, schon gelesen gehabt, es war ganz witzig. Job der Zukunft ist einfach Barkeeper, weil in Zukunft wollen die Leute wieder sozialen Kontakt haben, interagieren, nicht mehr alleine sein, dass das der Job der Zukunft ist. Kann was dran sein? Ich will jetzt auch nicht sagen, das ist das oder das ist der Job der Zukunft. Alle hatten nicht davon gesprochen. Die ersten, die arbeitslos sein werden, sind Taxifahrer. Es ist ganz anders gekommen. Momentan werden recht viele im Management entlassen. Hätte keiner daran gedacht. Deswegen kann es sich anders entwickeln. Und ich sage einfach, man muss flexibel bleiben, schauen, in welche Richtung entwickelt es sich auch hier wieder Lernen, Lernen, jetzt momentan umso wichtiger. Zukunftsangst ist jetzt eine blöde Situation für Studierende, die jetzt fertig sind, vor allem Entwickler. Vorher wurde versprochen, ja, ihr bekommt Job ohne Ende, sicherste Job überhaupt. Und jetzt drei Jahre später haben alle Juniors oft Probleme eingestellt zu werden. Das ist ein Thema. Auf der anderen Seite, Angst vor der Zukunft, was man ein bisschen langfristiger sieht, glaube ich, jetzt nicht. Man hat es ja auch das klassische Beispiel früher schon gesagt bei Big Data, alle gedacht, jetzt werden alle arbeitslos. Beispiel wurde das schon herangezogen mit den Webstühlen in England. Es wurden ja damals alle gedacht, es sind alle arbeitslos, wenn jetzt der Webstuhl, der automatische kommt und nicht mehr manuell gewebt wird. Und es kam dann ganz anders, es hat mehr Arbeitsplätze wurden dann geschaffen. Also halt nur im anderen Bereich. Ich glaube es auch nicht, dass deswegen die Arbeit wegfällt. Es gibt genug Probleme auf der Welt, wenn man schaut. Und ich sehe jetzt auch, Arbeit ist da, um Probleme zu lösen von den Menschen. Und wenn man sich die Welt anschaut, ich glaube, da gibt es momentan recht viele Probleme. Es ist auch wieder Richtung Mond, die Exploration. Also ich glaube, da gibt es noch genug Richtungen, wo noch gearbeitet werden kann. Deswegen sehe ich es da jetzt nicht. Kritisch kann natürlich immer wieder sein, dass es schwierige Phase gibt und man muss sich immer wieder weiterbilden und up-to-date bleiben.

SPEAKER_00 28:56

Jous, du hast jetzt mehrfach gesagt, dieses Thema Weiterbildung, also dass man selbst auch weil sich weiterbilden möchte und ich sag, okay, ich kann jetzt alles. Jetzt abgesehen von dieser Neugierde oder von dem ständigen Lernen, was würdest du sagen, ist so ein absolutes Kriterium oder Eigenschaft, die jeder Studierende haben sollte, aktuell.

SPEAKER_01 29:18

Ja, wie schon gesagt, also ich glaube so Selbstmotivation, Lernen, Zuversicht und ja, nicht nur das machen, was gesagt wird, sondern halt auch nochmal so vielleicht 110% so machen. Also der Markt ist einfach, sagen wir mal, nicht schwierig, aber wenn man sich reinhängt, dann klappt das auch. Wenn man es halt nur sagt, man macht das Minimum und vom Minimum nochmal die Hälfte, dann kann es halt schon schwierig werden. Also da muss sich schon reinhängen, muss auch ein bisschen Spaß dabei sein. Auch selber was programmieren. Also nicht nur Theorie lernen, sondern hands-on, früh anfangen. Erfahrung ist jetzt wichtig und das merkt man halt auch, wie gesagt, beim Chatbot, man kann Claude recht schnell was bauen lassen, aber dann fliegt es einem hinten um die Ohren vielleicht. Also man braucht jetzt zwei Tage zum Entwickeln, vorher hat man vielleicht zehn Tage braucht, um was zu entwickeln und zwei Tage zum Testen, heutzutage zwei Tage zum Entwickeln und vielleicht fünf Tage zum Testen. Und je mehr man Erfahrung hat, desto besser kann man auch testen, kann die Eingaben besser machen, hat die Fehler schon mal gesehen und ist dann einfach effizienter, also so früh wie möglich anfangen. Und es macht es ja auch viel leichter. Also, wo ich damals angefangen hatte, in Mannheim Ciao zu lernen, da haben wir erstmal zwei Jahre gelernt und dann mal ein Projekt gemacht und da war es noch richtig schwierig, da konnte man noch nicht anfangen heutzutage. Und dann haben wir mal vielleicht so ein kleines Hello World-Programm oder ein Game mal gemacht in einem großen Team. Das war dann schon der Hit. Und heutzutage macht man das mit AI-Tools in zwei Stunden und kann richtig coole Sachen machen, kann sich selber Projekte machen, selber automatisieren. Also man hat ganz andere Möglichkeiten, die jetzt meiner Meinung nach viel mehr Spaß machen als früher, wo man erstmal jahrelang die Theorie büffeln musste, bis man was machen konnte. Und jetzt kann man da schon recht coole Sachen machen mit, was weiß ich, einem Satelliten, letztes Geschauft, so eine Anleitung könnte man machen, selber einen Satellitenschüssel machen mit ChatGPT, würde alles aufsetzen, neue Projekte selber automatisiert, Finanzanalysen kann man sich selber machen. Natürlich mit Vorsicht natürlich, aber man kann es machen. Also ich nur mal zu zeigen, welche Bereiche gibt es und was man alles kann alles automatisieren. Wo ist mein Spaßbereich oder wo ist mein Punkt? Mein Sohn hat jetzt auch mal Mindstorm ausprobiert, kann man recht viel machen, auch mit Machine Learning und dass man da weitergehen, will jetzt eine Kamera machen, nochmal auch mit dem Raspberry Pi experimentiert und kann dann alles drauf basteln. Und da gibt es ganz viele Use Cases mit Bilderkennung, mit ja, eigentlich unendlich, die Möglichkeiten sind jetzt viel größer, die hat man damals noch nicht und kann jetzt einfach ein Raspberry Pi 100 Euro Board drauf und kann loslegen. Es gibt auch solche Tests, wo man spielen kann, in Sensoren, Distanzmesser, Uhrzeit, Temperatur. Also Bastelset einfach im Internet kann man bestellen. Vielleicht 200 Euro und kann loslegen, unbegrenzt. Also ich glaube, da gibt es viele Probleme zu lösen. Nur anfangen und machen.

SPEAKER_00 32:21

Du musst gerade auch ein paar Mal schmunzeln, du hast ja auch schon zweimal gesagt und die Mannheim ist ja auch das, was uns verbindet. Das war, glaube ich, die Vorlesung vom Tilo damals gewesen, Wirtschaftsinchromatik und ich weiß noch bis heute, das war wirklich so mit Hello World. Das war so der erste Code, den ich auch damals geschrieben hatte. Aber ich würde mal gerne mal auf diesen einen Punkt nochmal zurückgehen, mit dem 110%, was du sagst. Heute reicht es nicht nur aus, nur das zu machen, was so Basis ist, sondern muss irgendwie die Extra meine. Ich weiß noch, damals bei uns an der Uni Mannheimer hat man immer gesagt, du musst viele Auslandserfahrungen haben, viele Praktika machen. Das war ja so der Klassiker. Was würdest du heute sagen in Bezug auf 110% oder 150%? Was müssten denn jetzt für die sehr wenigen Jobs, die es noch für die Juniors gibt, wie müssten das Profil aussehen für ihn?

SPEAKER_01 33:08

Ja, also das, was du schon angesprochen hast, die Auslandserfahrung ist meiner Meinung nach immer noch sehr wichtig. Also ich war ja dann auch in Frankreich gelebt, deutschfundsführtes Doppeldiplom gemacht, da nochmal ein Master in Nizza gemacht, habe da fast drei Jahre dann gelebt, danach habe ich dann promoviert in Barcelona, da vier Jahre gelebt, dort nochmal einen Auslandsaufenthalt für einen europäischen Doktortitel in Cardiff University in England gemacht. Da erlebt man dann schon was, bildet sich weiter, muss natürlich nicht jeder so viel machen, aber es hilft natürlich immer noch. Oder wenn man jetzt einfach sagt, es gibt vielleicht China ist in AI weiter, kann es sich mal anschauen, wie wird da alles gemacht, kriegt neue Impulse, geht in die USA oder geht in andere Länder. Also es hilft, ist ja auch Lernen zu lernen, also ein anderes Land zu gehen, ist schwierig, man lernt sich selber kennen, hat neue Herausforderungen, lernt Probleme zu lösen, ist auf jeden Fall gut, also kann ich nur weiterempfehlen. Und da ist man jetzt dann auch ein bisschen weg vielleicht von dem KI, also auch nicht nur KI, wo du schon gesagt hast, es sind auch diese andere Skills, Soft Skills vielleicht gefordert, wenn KI die Fuckskills macht, dann ist es auch nochmal wichtig, das Ganze zu machen. Also es ist einfach, ich sehe es eher Ausland zu gehen, lernen zu lernen. Das gleiche ist jetzt mit, wenn man ein Praktikum macht. Also auch da viele Praktikas gemacht, Ferienjobs, auch schon eine Schule nebenher gearbeitet, auch Fließbänder zusammengeschraubt, sie war in Irland, so eine Art Kentucky Fried Chicken mitgeholfen, ausgeholfen und es geht es nicht darum, irgendwie zu arbeiten, nur, sondern halt auch um Erfahrung zu sammeln. Also nicht nur Hard Skills, die kann man wahrscheinlich durch KI lernen, sondern einfach, wie läuft es ab in den Firmen, was kann man da lernen, was sieht man da, was ist wichtig, was ist vielleicht nicht wichtig. Das sind dann die anderen Soft Skills einfach mal.

SPEAKER_00 35:08

Ja, spannend zu sehen, dass sich vieles gar nicht so viel verändert hat. Also du hast jetzt sehr oft erwähnt, Auslandserfahrung mal eine andere Perspektive einzunehmen, zu verstehen, okay, was machen eigentlich die anderen, wie sieht es da denn aus? Das ist ja auch mal aus sich hinaus wachsen, ist ja auch eine gewisse Überwindung, als wenn man jetzt nur in Deutschland bleibt oder sagt, okay, ich gehe jetzt mal in einen ganz anderen Kultur, das heißt einen ganz anderen Kulturraum rein. Mich würde jetzt mal ein anderes Thema interessieren. Wir haben jetzt ja auch am Anfang über dein Unternehmertum gesprochen, über Trends, Entwicklungen im Data Science, auch über Charaktereigenschaften. Mich würde nochmal mal dieses Thema mal interessieren. René, Positionierung, Differenzierung. Also dieser Markt, der Data Science Markt, der ist ja nach wie vor ein starker Wachstumsmarkt, je nachdem, welche Studie man sich anschaut, immer noch zweistelliges Wachstum. Wie differenziert sich denn heute eine Data Mix gegenüber anderen Wettbewerbern? Und gerade auch auf den stark wachsenden Anbietern aus Osteuropa, die ja Kampfpreise anbieten. Wie positioniert ihr euch da, René?

SPEAKER_01 36:19

Ja, also ich würde das, klar, es gibt jetzt, wie du sagst, aus Osteuropa stark wachsenden Konkurrenz. Man kann es auch weltweit sehen. Also es ist ja nicht nur so, dass die Firmen wird auch viel ausgelagert, also klar, es gibt Konkurrenz von Osteuropa, es wird auch ausgelagert, Kostendruck ist da, Inflation und und und. Ich sehe jetzt nicht nur Osteuropa, auch Nordafrika, Ägypten wird ausgelagert, Tunesien, Marokko sind Länder, Indien, ist ja sowieso ein klassisches IT-Land, wo ausgelagert wird, dass es komplett weltweit in dem es ausgelagert wird. Und wie differenziert man sich da? Also zum einen ist es natürlich, der Kundenkontakt braucht persönlichen Kontakt, um Ideen zu generieren, um Vertrauen aufzubauen, um Kompetenz zu zeigen. Wenn es Remote-Arbeit ist, vielleicht Nearshore oder komplett weiter weg, dann kann man irgendwann sagen, okay, vielleicht kann es eine KI auch schon machen, du hast zwar niedrige Kosten, aber es kommt vielleicht in dem Bereich ran. Und wir sagen einfach, wir bieten Qualität, Erfahrung, fokussiert auf europäischen oder deutschsprachigen Raum, versuchen dann da Qualität zu bieten. Und wir sagen jetzt auch nicht, ey, wir sind jetzt, sagen wir mal, uns oder die, sondern wir arbeiten auch zusammen. Also wir sind komplett integriert in die Systeme. Wir haben meistens auch mit Osteuropa komplett internationale Teams arbeiten wir. Auch da ist es nochmal wichtig, wie gesagt, dass Auslandsaufenthalte helfen da natürlich und sind da komplett integriert. Jeder hat seine Position. Wenn es jetzt irgendwie operative Tätigkeiten gibt, dann wird es meist vielleicht bei Niedrigkostländern dann ausgeführt. Wenn es jetzt strategische Themen gibt mit Erfahrung, dann ist es eher auf unserer Seite auch Feedback, das man reinbringen kann oder dass man die noch ein bisschen anleitet oder auch sagt ja, okay, hier sind vielleicht Juniors, die haben noch nicht die Erfahrung, nee, macht das lieber anders. Also ich glaube, das ist jetzt nicht entweder oder, sondern man findet dann seine Nische und arbeitet dann meistens auch zusammen.

SPEAKER_00 38:34

Und wir haben ja auch heute auch viel über das Thema Lernen gesprochen, ständiges Lernen. Was ist so deine Lessons learned, Idee, wo du sagst, wie hätte ich in der Vergangenheit diese eine Entscheidung getroffen, vielleicht wäre Detamix heute ein ganz anderes Unternehmen.

SPEAKER_01 38:50

Ja klar, wenn ich es nicht gegründet hätte, dann wird es nicht geben. Nee, aber ansonsten ist es, ich sagte jetzt nicht, hätte ich eine andere Entscheidung oder irgendwie wäre es dann doch besser gewesen. Es gibt vielleicht immer Entscheidungen. Ich glaube, das ist, man kann nie alles richtig machen und so wie es Datamix steht, ist es ganz gut. Ich glaube, die Entscheidungen waren jetzt nicht schlecht und ich glaube, Fokus war auch so, einfach jetzt nicht irgendwie zu sagen, ja, ich will jetzt Datamix gründen und so und so viel Steigerung und Umsatz und Personen und Mitarbeiter, sondern ist eigentlich eher so entstanden, dass man Leuten helfen will, auch mit Udemy-Kurse kam einer Kollege gesehen, dass man Feuer gut macht, kam aufhin zu, hey, hier ist doch Udemy, willst du da nicht, wer doch was für dich, oder? Und gedacht, klar, lass uns das nicht aufprobieren. Viele andere, die hatten gesagt, ja, Udemy, da gibt es dann Kurse weg für 100 Euro, kannst doch viel mehr Geld rausmachen, muss auch viel teurer sein, exklusiv. Nee, vielleicht den Leuten helfen und das ist nicht kostenlos auf YouTube, das würde ich nicht, aber wenn man Leute helfen kann und dass halt noch ein Wert da ist, dass eine kleine Bezahlung wenigstens da ist und ich glaube, das war erfolgreich. Also ich bin super zufrieden, jetzt nicht finanziell war es okay, sagen wir mal. Auch so Mehrwert, dass mir Leuten geholfen hat, hoch. Und auch Beispiele, also waren auch von der Schule von Bekannten, Kindern, Sohn war in der Schule 13. Klasse, hat dann Judimikurse Python gelernt, hat dann ein Praktikum bekommen an dem Uniklinikum in München, deswegen schon direkt in der Schule und ist jetzt in Berkeley angenommen zum Studieren und macht jetzt sein PhD. Das sind dann Erfolgsgeschichten. Und wenn man das hört, dann sagt man sich, okay, wenn das irgendwie, warum soll man sich da jetzt über die Preise ein bisschen hoch oder runter, dann hat es ein bisschen mehr Erfüllung. Man kann natürlich jetzt nicht kostenlos machen, aber es ist eher so der Bewegron, dass man einfach versucht, Leuten zu helfen, auch die internen Mitarbeiter, wir haben am Anfang mit vielen Studierenden gearbeitet, machen wir immer noch. Und einfach die Mitarbeiter weiterzubilden, auszubilden, auch mehr Wert zu bieten. Und das ist eigentlich so das Ziel und deswegen bin ich jetzt auch nicht, darauf bin ich froh, stolz, glücklich, sagen wir mal. Und ich habe jetzt nicht, hätte ich lieber die Entscheidung, dann hätte man da irgendwie, wäre es dann Umsatz mal, was weiß ich was. Das ist eigentlich nicht das Ziel.

SPEAKER_00 41:11

Ich meine, das war hatte ich ein bisschen so ein Gänsehaut-Feeling gerade hier, was du eben gerade erzählt hast, mit dem Kollegen, da mit dem jungen, mit dem jungen Kollegen, der jetzt auf an der Universität Berkeley angenommen wurde. Das ist natürlich auch sehr erfüllend, wenn man sowas dann im Nachhinein erfährt, wie du einen Karrierefahrt, einen Lebensweg geprägt hast.

SPEAKER_01 41:33

Ja, das ist unterschiedliche Lebenswege. Also ich hatte auch eine Anfrage von einem, das von Türkei nach Deutschland gezogen, da war Richter in der Türkei, wollte jetzt ein neues Leben anfangen, hat dann die Udemy-Kurse gemacht, um dann eine neue Karriere zu machen. Also es gibt so vielseitig und helfen und das ist einfach, macht Spaß. Und das war auch der Podcast, also dass ich gesagt habe, okay, jetzt haben wir viele Udemy-Kurse, Python programmieren, aber wie sieht es in der echten Welt aus? Da haben wir viele junge Leute oder Quereinsteiger, die jetzt das lernen. Aber wenn die ins Unternehmen gehen, dann sind sie erstmal überschlagen, habe ich dann auch öfter gesehen. Die kommen dann hin, weißt du, die haben sie gar keine Daten, das sind nicht die Kackel-Daten, alles perfekte Welt, sondern wir müssen erstmal die Daten bekommen und haben gedacht, okay, eigentlich bringt es noch nicht so viel, macht auch keine Kurse, nicht so viel Sinn, sondern man braucht dann einen Podcast, dann denen angefangen und einfach zu sagen, okay, so ist es Birding-Industrie, wenn ihr jetzt anfangt, habt ihr schon mal gehört, was wird gesprochen, was sind die Probleme, wie macht man das, war dann damals noch der Podcast. Und so ging es halt immer weiter, wo ein Problem war, dann versucht zu helfen und was zu machen.

SPEAKER_00 42:35

Das finde ich mal interessant, kann es auch sein, dass die Studierenden oder diejenigen, die deinen Kurs gebucht haben, dass die dann später zu einer Firma gegangen sind und dann auch gesagt haben, Mensch, den René, den nehmen wir, da nehmen wir jetzt ja auch mal die Beratungsleistung mal von Datamix. Kam das auch schon vor?

SPEAKER_01 42:52

Ja, das kam auch schon vor. Es war auch schon das Jugendliche oder das von einem Kontinent kommt, ja, lass uns mal in unserer Firma Coaching machen, auch ein größeres deutsches Unternehmen. Und mein Sohn hat einen Kurs bei dir gemacht. Der hat gesagt, der war ganz gut und ist dann so aufmerksam geworden.

SPEAKER_00 43:10

Das ist sehr stark. Das ist sehr stark. Super. Mich würde mal abschließend noch eine Sache interessieren. Die stelle ich immer. Und diesmal jetzt nicht ein wissenschaftliches Data Science-Buch, sondern eher ein Businessbuch. Welches Businessbuch hat dich am meisten inspiriert, Renee?

SPEAKER_01 43:26

Boah, da gibt es schon einige. Ich habe jetzt dieses Business Adventures gelesen. Ist einfach nochmal gut, um die Basics runterzubrechen. Also einfach zu sehen, okay, ist ein ganz altes Buch, ist auch von Bill Gates empfohlen. Oder kommen nochmal alte, grundlegende Business Cases. Man einfach sieht, was kann man falsch machen, was kann man richtig machen. Das finde ich da schon nochmal ganz gut. Ansonsten gibt es natürlich einige andere, aber das ist, denke ich mal, einfach so grundlegend.

SPEAKER_00 44:01

Alles klar. René, dann auch erstmal vielen Dank, dass du da warst. Danke auch für deine Perspektive, deine Einblicke. Hier nicht nur rund um Data Mix, sondern auch um das Thema Data Science. Und liebe Zuhörer, wenn ihr auch Lust habt, mal auf einen anderen Podcast zu hören, vielleicht mit Milch und Zucker neben eurem Kaffee oder Chai Latte, kann ich euch auch den Podcast vom René sehr empfehlen. Rene, vielen Dank. Danke, dass du da warst.

SPEAKER_02 44:28

Danke, Rucky. Danke für die Einladung. Hat mich gefreut. Free Audio Post Production.com