Masters of Data, BI & AI
Podcast fĂŒr Unternehmer und unternehmerischen Erfolg im Data, BI & KI Umfeld
Masters of Data, BI & AI
Frösche fangen im Datensee: Warum KI-Projekte scheitern | Konrad Sippel & Rocky Khan - #24
Use Left/Right to seek, Home/End to jump to start or end. Hold shift to jump forward or backward.
đž Wir haben ein tolles Labor eingerichtet. Wissenschaftler eingestellt. Beste Instrumente besorgt.
Und dann haben wir festgestellt: Wir haben gar keine Frösche. Die sind noch drauĂen im Teich.
Konrad Sippel hat den Content Lab bei der Deutsche Börse Group aufgebaut â eine der ersten Data Science Einheiten im Börsenbetrieb. 1 bis 1,5 Petabyte Daten tĂ€glich. Und trotzdem: Die gröĂte Erkenntnis war nicht der fancy Use Case, sondern das Fundament darunter.
Heute ist er CIOO bei valantic FSA und CEO bei Signalyst â einem Startup, das institutionelle Investmentsignale auf Basis bayesianischer Statistik fĂŒr den breiten Markt öffnet.
In der aktuellen Episode von Masters of Data & AI spricht er ĂŒber drei Karrierestationen, zwei Unternehmen gleichzeitig â und eine Lektion, die sich durch alles zieht.
Ein paar Dinge, die hÀngengeblieben sind:
Zur Datenfundament-Falle: Data Scientists, die 80 % ihrer Zeit mit Data Wrangling verbringen statt mit Data Science â 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 mĂŒssen zuerst gefangen werden.
Zu KI im Kapitalmarkt â damals vs. heute: 2016 war Machine Learning im Finanzbereich noch gefĂ€hrlich, datenschutzrechtlich verdĂ€chtig und organisatorisch unerwĂŒnscht. Heute fĂ€llt der Aktienkurs, wenn der CEO keine KI-Strategie hat. Dieselbe Technologie, komplett andere Welt.
Zu GAIA-X und kollaborativen Datenprojekten: GeldwĂ€sche erkennt man nicht innerhalb einer Bank â sondern ĂŒber alle Banken hinweg. Das Problem: Die Daten dĂŒrfen nicht geteilt werden. Konrad hat daran gearbeitet, genau dieses "Das geht nicht" als falsch zu beweisen. Gemeinsam gehostete Infrastrukturen mit hohen Sicherheitskonzepten â damals Pionierarbeit, heute RealitĂ€t.
Zum Startup-Fehler bei Signalyst: Produkt fertig. Erster Monetarisierungskanal nicht validiert. Zertifikate emittieren wollten sie â ging nicht. Neun Monate verloren. Die Lektion: Das Ende muss vom ersten Tag mitgedacht werden. Nicht "Modell lĂ€uft in der Cloud", sondern "Kunde kann hier sein Depot eröffnen."
Zu valantic FSA und der nĂ€chsten Phase: Gute Produkte, gute Kunden â aber zu viel Individualentwicklung, zu wenig Standardisierung. Konrads Mission: Operative Prozesse straffen, KI in die Applikationen integrieren, vom IntegrationsgeschĂ€ft Richtung skalierbarem ProduktgeschĂ€ft. Weniger ist mehr.
Wie seht ihr das â ist eine solide Dateninfrastruktur wirklich die Voraussetzung fĂŒr erfolgreiche KI, oder ĂŒberschĂ€tzen wir das Fundament und unterschĂ€tzen den Mut zum Experiment?
đïž Die ganze Episode jetzt auf Masters of Data, AI & BI â 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 â wie unser Gehirn Entscheidungen trifft und wie Einfluss wirklich funktioniert. Konrad hat es wĂ€hrend seines MBAs gelesen und es hat seine Sicht auf Business-Entscheidungen und GeschĂ€ftsmodelle grundlegend geprĂ€gt.
Es ist das Jahr 2020, damals stand die Welt still. Wir hatten Corona und da gab es einen Zoom-Call, wo wir ja ĂŒber Big Data Analytics, ĂŒber die Zukunft des Kapitalmarkts gesprochen hatten, und das waren keine Buzzwords, das war tatsĂ€chlich RealitĂ€t. Und dieser jemand ist heute dabei, live dabei an einem Freitag, Consat Sippel. Ich war damals bei Databricks gewesen. Consat war damals bei der Deutschen Börse und der hat auch damals dieses Thema Big Data Analytics, was damals doch eher so ein bisschen so in den Kinderschuhen steckte, salonfĂ€hig gemacht. Und Consat ist einer der wenigen Deutschsprachigen im Raum, der Finanzmarkt, Architektur, Infrastruktur, Big Data, Big Data Engineering, unternehmerisches Denken kombiniert. Und er lebt es auch, das steht nicht nur auf LinkedIn, er lebt es. Und heute ist er CIO bei der Valantik FSA, das ist ein sehr schnell wachsendes Fintech-Unternehmen. Und nebenbei hat er auch was gegrĂŒndet, nĂ€mlich die Firma Signalist. DarĂŒber werden wir heute auch noch ein bisschen was erfahren. Und ich bin der Rocky, ich bin euer Host von Masters of Data, BI und AI. Ich spreche hier jede Woche mit Thorcleaders, Data Enthusiasten ĂŒber den Impact von Data and AI. Happy Friday, Konrad. Schön, dass du heute dabei bist. Ja, Happy Friday, danke, dass ich da sein darf. Auf jeden Fall. Konrad, jetzt ist es ja lange her, dass wir mal auch. Ja, so lange ist es auch nicht her, wir hatten ja schon ein paar, ein, zwei GesprĂ€che gehabt, Briefings gehabt auch schon vor ein paar Wochen, aber es ist ja schon lange her seit der Börse. Und was ich ja immer wieder sehe bei dir auf deinem LinkedIn-Profil, du teilst ja auch einiges ĂŒber deine persönliche Passion, nĂ€mlich, du rennst gerne, du lĂ€ufst, du machst Trailrennen, und da sehe ich ja auch, dass du mal 10, 20 Kilometer, 1000 Höhenmeter lĂ€ufst. Wann weiĂt du denn beim Laufen, dass du richtig dosiert hast, also dieses GefĂŒhl, ja, wie machst du das dann auch in deiner Arbeit? Oh, das ist eine schwere Frage. Ich hatte jetzt gesagt, also laufen mache ich tatsĂ€chlich sehr gerne. Ich habe vor einem Jahr mein Knie operieren lassen, ja. Das heiĂt, du musst auch gerade ein bisschen gelernt, dass man es auch nicht ĂŒbertreiben darf, dass man ein bisschen vorsichtig sein muss. Und ich glaube, wenn man da mal ansetzt, also ich habe lange Zeit nur gearbeitet. Und irgendwann habe mir mal jemand gesagt, Junge, du musst auch mal an dich selber denken und sagen, was macht dir eigentlich SpaĂ? FrĂŒher bin ich mal gern gelaufen. Er sagte, ja, warum lĂ€ufst du denn nicht? Warum lĂ€ufst du denn nicht mehr? Und dann habe ich gesagt, ja, stimmt, warum mache ich das eigentlich nicht? Und dann habe ich nebenbei wieder angefangen und habe gemerkt, dass mich das dann auch im professionellen Leben tatsĂ€chlich mir hilft. Also es ist jetzt gerade so, dass ich gern gehe, gern oft einfach mittags nochmal eine Stunde raus und habe auch wirklich gute Ideen beim Lauf. Und von daher ist es, glaube ich, aber, was du ja angesprochen hast, wann wird es zu viel? Man muss, glaube ich, dann schon auf den Körper hören und auch schauen, dass man es nicht ĂŒbertreibt. Und das gilt fĂŒrs Arbeiten genauso. Also wenn man sozusagen das GefĂŒhl hat, das wird jetzt hier alles zu viel oder ich komme jetzt gar nicht mehr klar mit meinen Gedanken, dann ist es schon auch hilfreich. Ich mache jetzt mal eine Pause, da kommt dann das Laufen wieder rein, das ist super, geht nur mal eine Stunde raus, lĂ€uft durch den Park, dann geht es einem besser. Aber jetzt habe ich gesagt, ich bin vorsichtig. Morgen habe ich vor, zum ersten Mal ein Ultramarathon auszuprobieren. Also das ist dann vielleicht schon wieder weniger vorsichtig. Es ist ein Backyard-Ultra, das heiĂt, ich kann jederzeit aussteigen. Aber ich bin gespannt, wie das lĂ€uft und ich hoffe, ich bin vernĂŒnftig. Wow, nicht schlecht. Also finde ich super stark hier. Und du hast mich ja auch inspiriert. Wie du siehst, laufe ich ja auch gerade auf ein Laufband. Ich muss auch rufen, dass ich auf meine Schritte komme ĂŒber den ganzen Tag. Ich wĂŒrde gerne mal beginnen mit der Deutschen Bank. NatĂŒrlich werden wir auch ĂŒber andere Stationen mal sprechen. Ăber die Deutsche Bank spreche ich nicht. Okay, da spreche ich lieber ĂŒber die deutsche Börse. Deutsche Bank, jetzt war ich danke, danke, Konrad, danke, Konrad. Das habe ich einen schönen Blopper gehabt, ja, aber den lassen wir stehen. Ich werde das nicht schau schneiden. Deutsche Börse meinte ich natĂŒrlich ĂŒber die deutsche Börse. Du hattest ja damals bei der Deutschen Börse, ja, oder warst Teil davon, das war ja 2016, das kann man ja auch bei dir auf LinkedIn ja sehen. Content Lab mit aufgebaut. Kannst du uns mal ein bisschen erzĂ€hlen? Was war der konkrete Schmerz, der dich angetrieben hat? Also was war damals Current State, wo du gesagt hast, ey Leute, das kann so nicht mehr stehen bleiben? Ja, das ist immer schön, wenn man so in dieser Welt spricht ĂŒber den Schmerz, weil ich glaube, was uns damals tatsĂ€chlich eher angetrieben hat, war die Opportunity und das GefĂŒhl, da passiert was in diesem Space. Du wirst dich erinnern, das ist auch so ein bisschen jetzt schon alt, aber dieses Data is the New Oil, ja, das war schon so ein Ding, wo man gesagt hat, Mensch, wir sitzen hier auf einem riesigen Datenschatz und irgendwie machen wir daraus vielleicht auch, was das Thema Analytics betrifft, nicht genug. Also es war sozusagen ein DatengeschĂ€ft, da war immer schon ein GeschĂ€ft in der Börse, da war ich ja auch vorher schon 16 Jahre mit beschĂ€ftigt. Aber dann zu sagen, machen wir eigentlich genug Analytics, nutzen wir diese neuartigen Sachen. Und auch das klingt jetzt heute schon wieder so ein bisschen komisch, zehn Jahre spĂ€ter, ja. Weil wenn wir jetzt heute ĂŒber KI sprechen, dann wissen wir natĂŒrlich LLM und ChatGPT und Claude und so weiter. Das war damals erstens ĂŒberhaupt nicht im Mainstream. Zweitens war es extrem mathematisch, technisch war halt Machine Learning. Und die Use Cases oder die Bereitschaft, AI zu adopt, war ĂŒberhaupt nicht da. Also wenn wir jetzt heute drĂŒber nachdenken und sagen, hey, hast du eine AI-Strategie als CEO, CTO und du sagst nein, dann, oh Gott, dann fĂ€llt der Reaktienkurs sofort. Damals war das gerade in der Finanzwelt eher so von AI nicht gefĂ€hrlich, was ist mit Datenschutz, was ist mit, also wo werden diese Daten gehostet und wo werden die verarbeitet? Und das war eher so ein bisschen, was sozusagen, aber, und zurĂŒckkommend, das war nicht unbedingt ein Pain, sondern das war eher sozusagen, dass wir gesagt haben, da ist eine Opportunity und wir mĂŒssen uns frĂŒhzeitig mit diesem Thema befassen und wir dĂŒrfen da nicht hinten rausfallen. Deshalb hat das, was wir, haben wir es auch Lab genannt, es war damals ja keine, also am Anfang, keine Business-Einheit, die jetzt irgendwie sofort Erlöse produzieren sollte oder Benefits, sondern es ging wirklich darum zu sagen, lasst uns diese Technologien erforschen, lasst uns quasi verstehen, was wir damit auch machen können, lasst uns die Vorurteile, die vielleicht dafĂŒr auch aktuell existieren, so ein bisschen ausrĂ€umen oder zumindest mal genauer eruieren. Und das war eigentlich das, was uns damals getrieben hatte, zu sagen, wir investieren jetzt mal, wir bauen eine Forschungsabteilung in Lab auf, um diese neuen Technologien uns mal anzuschauen. Das haben wir initial gemacht. Das ist dann erst spĂ€ter. Du hast am Anfang den Zoom-Call 2020 angesprochen. Es ist dann aus diesen Erkenntnissen, die wir in drei, vier Jahren Lab gewonnen haben, sind dann konkrete Umsetzungsprojekte geworden, sozusagen Data Lakes, Technologien, die wir dann reingebracht haben, um, und das war, glaube ich, auch eine der ersten Erkenntnisse, die wir hatten, ist zu sagen, bevor wir jetzt AI machen können, und wie gesagt, damals war AI eben hauptsĂ€chlich Machine Learning, nicht immer, bevor wir das ĂŒberhaupt machen können, mĂŒssen wir ĂŒberhaupt erstmal die Grundlagen, die Infrastruktur schaffen. Und wir haben damals viel den Begriff AI ready verwendet und gesagt, ist die Datengrundlage, die wir jetzt hier verwenden wollen. Also die Use Cases, die waren zum Teil, die sind schnell formuliert. Es ist schnell formuliert zu sagen, ich mĂŒsste gerne XY oder ich wĂŒrde gern besser verstehen, was mein Grundlich hier macht oder ich wĂŒrde gern das hier vorhersagen. Das ist gar nicht so schwer. Aber dann hinten raus zu sagen, was glaube ich denn dafĂŒr? In welchem Zustand mĂŒssen denn die Daten sein? Auch die Awareness bei den Nutzern zu schaffen, zu sagen, wenn du was vorhersagen willst, musst du es erstmal trainieren und du musst erstmal deine Trainingsdaten in einem ordentlichen Zustand haben. Du musst sie entsprechend gelabelt haben. Das war schon viel Pionierarbeit, die, glaube ich, heute auch immer noch notwendig ist. Und je dominanter AI gerade so im Mainstream wird, desto mehr wĂ€chst die Erwartungshaltung von zu sagen, hey, ich habe ein Problem, ich werfe da jetzt mal eben AI drauf und dann löst sie das fĂŒr mich. Aber die, ich glaube, dieses Grundsatzproblem, zu sagen, ich muss erstmal, ich muss meine Daten erstmal in den Zustand versetzen, dass ich darauf dann hinten raus die Benefits von AI sinnvoll nutzen kann. Das hat sich nicht wirklich verĂ€ndert. Aber das ist eigentlich jetzt im Nachhinein, wenn ich da ganz rĂŒckwirkend zurĂŒckblicke und sage, das ist wahrscheinlich das, wo der meiste Mehrwert entstanden ist durch dieses Lab, ist auf der Infrastruktur und auf der Dateninfrastruktur und auf der Data Operations Seite gar nicht so sehr auf den fancy Use Cases, die wir uns dann da am Anfang auf die Fahne geschrieben haben und wo wir auch in den ersten Jahren auch mit vielen ziemlich auf die Nase gefallen sind, weil das dann halt nicht so schnell ging oder die Benefits nicht da waren. Und auch da muss ich an die Zeit zurĂŒckerinnern, damals sind ja auch schon verschiedene, eher spezialisierte Consulting-Buden durch die Gegend gelaufen und haben allen die besten Benefits, die sie finden konnten, versprochen und sind dann hĂ€ufig auch gescheitert, sodass zumindest damals auch wirklich eine Skepsis da war, weil typischerweise jedes Mal, wenn wir irgendwo hingekommen sind, irgendwo schon mal ein Consultant da war und viel Geld genommen hat und nichts geliefert hat. Und dann war die Frage, warum soll das jetzt diesmal anders sein? Wie gesagt, ist heute eine andere Welt, aber ich wĂŒrde trotzdem immer noch jedem sagen, der sagt, hier, ich will KI nutzen. Sie sagen, okay, aber hast du eine Dateninfrastruktur und drunter, die dir ermöglicht, KI ordentlich zu nutzen. Du hast das erzĂ€hlt. Das ist letzten Endes auch eine der StoĂrichtungen, die ich jetzt bei der Valentic FSA mitbringe, um zu sagen, ja, ich bringe diese Erfahrung mit, ich habe das schon mal aufgebaut, lass uns das hier genauso machen und lass uns hier mittelfristig dann aus diesen Daten, aus den Tools, die jetzt möglich sind, aus den erweiterten Möglichkeiten, lasst uns daraus auch Wachstum ginnen. Dankeschön. Jetzt hast du das sehr schön zusammengefasst, du hast verschiedene Themen jetzt aufgegriffen. Ich muss jetzt ein paar Mal schwunzeln. NĂ€mlich an der einen Stelle, also frĂŒher wusste man ja noch nicht so genau, AI, was bringt das Ganze das doch eh, nur alles irgendwie Buzzword, fancy, braucht doch irgendwie keiner. Und heute ist ja wirklich ein Muss. Heute macht ja irgendwie jeder. Sogar der Pommesbud, der von der Pommesbude macht wahrscheinlich irgendwas auch mit keinem. Also du siehst, das ist ĂŒberall sehr instationĂ€r geworden. Und ich weiĂ noch ganz genau, damals gab es ein richtig geiles Slide, da stand so drauf: Marketing says it's AI, but we say it's just data science or it's just machine learning. Da gab es noch so diese schöne Folie. Ich wĂŒrde noch gerne mal kurz noch weiter hier auf der Börse mal bleiben. Du hast ja auch gesagt, also ihr habt ja das Fundament damals ja aufgebaut, Dateninfrastruktur, und das ist ja nach wie vor wie ein roter Faden, wenn ich mich mit anderen GĂ€sten unterhalte, sagen die auch immer. Das Hauptproblem ist immer, dass die Daten immer einfach, also kennst du, es ist immer noch das alte Problem, was es seit drei Dekaden, vier Dekaden gibt, garbage in, garbage out, da hat sich massiv noch nicht viel verĂ€ndert und das verstehen auch nicht immer so viele in Elfenbein. Und das andere Thema war, du hast ja ĂŒber Use Cases gesprochen. Ich weiĂ noch ganz genau, damals hatten wir, ich glaube, du warst ja auch dabei in den GesprĂ€ch, wo wir unseren Go-to-Market League damals von Digatrix noch reingeholt hatten. Ex Goldman Sachs, Junta, wir hatten ĂŒber verschiedene börsenspezifische Use Cases gesprochen. Ich habe auch nicht immer alles hundertprozentig verstanden, da war ĂŒber Scoofing, Schlag nicht tot, ĂŒber ganz bestimmte Themen im Kapitalmarkt. Könntest du vielleicht mal, wenn das machbar ist, ĂŒber ein paar Use Cases mal sprechen, wo du sagst, ey, Rocky, das hatten wir mal angedacht und das kam raus. Ja, ich kann dir jetzt nicht zu viel ĂŒber die Interner sagen, zumal ich ja auch gar nicht mehr da bin. Ich meine, ich glaube, was du eben gesagt hast, Boofing, also was ein Themenfeld war, und man muss ja auch da wieder sagen, damals hatten wir vor allen Dingen als Tool Machine Learning an der Hand. Was kann Machine Learning besonders gut? Pattern Recognition. Und wo brauche ich Pattern Recognition, ist, wenn ich versuche, Fraud zu erkennen, also Betrug. Und du hast natĂŒrlich an der Börse ein komplexes System und auch Leute, die MĂ€rkte manipulieren wollen und dann hast du als Börse eine gewisse Verantwortung, auch solche Manipulationen zu erkennen, zu unterbinden und so weiter. Und wenn man jetzt bestimmte Betrugspatterns kennt, dann kann man versuchen, die mit Machine Learning besser zu erkennen, als jetzt sagen wir mal mit einfach mit linearen Plumpensystemen und dann auch den potenziellen BetrĂŒgern einen Schritt voraus zu sein, vielleicht mit K. Da wurde sicherlich viel gemacht, da kann ich dir aber jetzt keine Informationen geben, wie viel davon jetzt tatsĂ€chlich live umgesetzt ist. Da mĂŒsstest du dir einen Ansprechpartner bei der Börse suchen, der da vielleicht drĂŒber sprechen kann. Aber auf der anderen Seite, was natĂŒrlich auch interessant ist, ist, und das ist auch unabhĂ€ngig von der Börse, grundsĂ€tzlich ja immer interessant ist zu sein, Customer Analytics, also kann ich etwas verstehen ĂŒber meine Kunden sozusagen Richtung Churn und so weiter. Da haben wir, und da muss man dann auch manchmal sich so ein bisschen mit der RealitĂ€t, mit der man, und also man muss so ein bisschen ein VerstĂ€ndnis dafĂŒr entwickeln, was habe ich eigentlich fĂŒr Daten. Und damals waren vor allen Dingen so Customer Churn, Customer Analytics Use Cases. Das war so, wo auf jeder Data Science-Konferenz drĂŒber gesprochen wurde, ich kann jetzt hier, ich weiĂ im B2C-GeschĂ€ft, wann muss ich jetzt dem Rocky den nĂ€chsten Voucher fĂŒr 5 Euro schicken, damit er mal wieder bei Uber Eats bestellt. Oder wie viel hundert Euro virtuelles Urlaubsgeld brauche ich bei Booking.com, um jetzt da den Account mal wieder zu aktivieren. Und das ist gut und das war Big Data natĂŒrlich, weil ich ein B2C-GeschĂ€ft typischerweise. Ich habe sehr, sehr viele Nutzer und ich weiĂ relativ wenig ĂŒber Ecoza. Was wir im Kapitalmarkt festgestellt haben an der Börse, ist ein bisschen umgedreht. Wir haben gar nicht so viele Teilnehmer an der Börse, jetzt im Vergleich zu einem B2C-GeschĂ€ft. Aber wir haben unfassbar viele Daten ĂŒber diesen einen Kunden. Und jetzt ist dann die Frage, das ist aber nicht das Gleiche. Das hilft mir jetzt nicht. Wenn ich da jetzt irgendwie komme und sage, diese Bank hat aber jetzt ein bisschen weniger gehandelt und diesen Insight teile ich dann mit einem Vertriebskollegen mit. Und dann sagt er, ja, das ist mir bewusst, das sehe ich auch. Wo ist da jetzt der groĂe Mehrwert? Und wenn ich sozusagen, wenn ich nicht die Masse der Kunden habe, dann fallen diese Channel-Use Cases und so weiter, die hatten wir am Anfang auch alle auf der Liste, die waren aber deutlich weniger interessant. Und dann kommt man in den dritten Punkt und sagen, okay, jetzt habe ich also wenige Kunden, verhĂ€ltnismĂ€Ăig wenige Kunden, ich will nicht sagen, dass da wenige Kunden sind, aber ich habe verhĂ€ltnismĂ€Ăig wenige Kunden, aber ich habe sehr, sehr viele Daten von diesen Kunden. Das heiĂt sozusagen, was kann ich damit machen? Das heiĂt, ich kann jetzt eigentlich dem Kunden helfen. Ich kann dem Kunden helfen, um zu sagen, ich habe anhand von deinen Daten und vielleicht auch anhand von Daten, die ich habe, weil ich das System betreibe und die du so in der Form nicht hast, kann ich dir irgendwelche Empfehlungen machen. Ich kann mir anschauen, welche Interaktionen, die du mit uns hast, funktionieren, welche funktionieren nicht. Ich kann, ich kann dir vielleicht Kostenanalysen machen und ich kann dir proaktiv sagen, wie du unser System noch besser nutzen kannst. Also ich bin jetzt bewusst generisch, weil ich da nicht in die Details gehen möchte, aber solche Sachen und das ist ja jetzt etwas, wo ich sage, wenn ich jetzt wieder auf meine aktuelle Welt schaue, das ist nicht anders. Wir haben auch bei der Valentic FSA nicht 10 Millionen Retail-Kunden, sondern wir haben Bankkunden. Die Kundenlandschaft sieht extrem Ă€hnlich aus wie die von der Börse. Und auch die Datenlandschaft, die wir haben, sieht Ă€hnlich aus. Das heiĂt, auch da ist jetzt die Frage, welche Mehrwerte, welche Analytics obendrauf auf die Software, die der Kunde von uns heute nutzt oder wenn du ĂŒber die Vergangenheit sprechen willst, ĂŒber die Handelsplattform, die der Kunde von uns nutzt, kann ich jetzt hier an den Start bringen, sodass ich einen Mehrwert leisten kann. Und immer auch mit der Frage, warum ich? Also sprich, warum habe ich eigentlich, habe ich irgendwo noch einen zusĂ€tzlichen Datenpunkt, den der Kunde so in der Form nicht hat. Und dann ist er manchmal die Frage, habe ich die Daten wirklich alle selber oder brauche ich Partner? Also ich glaube, eine Sache, die wir ja auch, wo ich auch viel mitgearbeitet habe, das war zu meiner Zeit bei der Börse, aber war quasi eigentlich auĂerhalb. Ich habe ja auch an dem Gaia X-Projekt mitgearbeitet, an dem Financial Big Data Cluster, den wir in Hessen aufgebaut haben, wo es auch zum Beispiel darum ging, GeldwĂ€schebekĂ€mpfung nicht innerhalb von einer einzelnen Bank zu machen, sondern in einem gemeinsamen Datensatz ĂŒber viele Banken, weil ein professioneller GeldwĂ€sche hat möglicherweise nicht nur ein Konto. Der hat im Zweifelsfall eher viele Konten. Und den Pattern, dass da GeldwĂ€sche betrieben wird, den erkennst du tendenziell eher erst, wenn du dessen AktivitĂ€t ĂŒber alle Banken siehst. Du hast aber ein datentechnischen Problem, dass die Banken die Daten ja nicht teilen dĂŒrfen. Und da haben wir angefangen zu sagen, wie können wir denn hier mit der neuen Technologie, die jetzt kommt, die können wir mit Federated Machine Learning an die Sachen rangehen? Wie können wir mit gemeinsam gehosteten Dateninfrastrukturen, mit hohen Sicherheitskonzepten da dran gehen? Wie können wir den Datenschutz mitnehmen und auf den Gesetzgeber, was das Thema Banking Secrecy betrifft, um dann da Lösungen zu bauen? Und das hat halt total SpaĂ gemacht, dann an solchen Sachen zu arbeiten. Wo dir jeder sagt, das geht nicht. Und dann sagst du, nee, geht nicht, gibt es nicht. Also gerade bei der Technologie tut man sich wirklich keinen Gefallen und schon gar nicht, wenn man in einem Podcast spricht, der dann aufgenommen hat und veröffentlicht wird, ist, wenn man irgendwo sagt, das geht nicht oder das wird nie gehen. Das sind so die Dinge, die schlecht agen. Und dann eben an der Ecke zu arbeiten und zu sagen, ich möchte einer von den Leuten sein, die daran arbeiten, diese Geht-Nicht-Statements zu, als falsch zu beweisen. Das macht SpaĂ. Ist aber natĂŒrlich auch so, dass man manchmal und dass man manchmal dann auch zum falschen Zeitpunkt versucht, das zu lösen und die Technologie ist einfach noch nicht da. Und ich glaube, ich frage mich manchmal, wie der Job wĂ€re, den ich damals 2016 angefangen habe, wenn wir die Tools gehabt hĂ€tten, die heute verfĂŒgbar sind. Und auch die Akzeptanz bei den Nutzern, die heute da ist versus damals. Da waren wieder viele verschiedene Punkte dabei, was mir sehr gefallen hat, ist geht es nicht, gibt es nicht, das ist ja auch wieder dieser Punkt Richtung Impact schaffen. Zu zeigen, wie, hey, es geht wirklich, Leute, ihr wisst nur nicht wie. Und eine Sache, da muss ich auch kurz spunzeln, dass ein anderer Gast war bei mir auch vor kurzem, da der Luka Fiaski, eben als VP Data Science von HelloFresh. Und da hatten wir damals tatsĂ€chlich, da hatte ich ja ein bisschen gesponzelt, wo du erzĂ€hlt hast, Rocky im B2C bereich. Here, nehm mal den Coupon. Und HelloFresh arbeitet ja sehr stark danach. Ich denke, das ist auch ein No-Brainer, weil all die Rezepte, die du ja siehst, wenn du dich da einloggst, sitzt, wenn du jetzt HelloFresh jetzt benutzt, das ist ja auch nicht mehr, das ist ja auch nicht zufĂ€llig. Das ist ja ganz klar, warum da bestimmte Dinge gezeigt werden. Before we jetzt gleich zu Valantik gehen und auch zu Signalist, du hast ja auf Valantik heute jetzt zweimal schon erwĂ€hnt, das kommt auch noch, da werde ich auch gerne was erfahren möchten, ne, Konvat. Aber kurz noch einen Punkt, was ich sehr spannend fand. Also wenn man mal dein LinkedIn-Profil sieht, sieht man auch, dass du ja bei Tri, dass du auch was mit Trifactor zu tun hattest, ja. Alteryx Tri-Factor und da steht hier ein Observer. Kannst, und ich weiĂ natĂŒrlich, du hast mir auch gesagt, was du da gemacht hast, aber kannst du uns mal trotzdem nochmal mitteilen, gerade wenn es darum geht, neue Technologien zu evaluieren, ja, wie kommst du darauf? Also gehst du da auf Messen und mach da auch mal bitte gerne auch den Bogen, was der Hintergrund war, dass du gesagt hast, ey, Tri-Factor scheint ja eine sehr spannende Technologie zu sein, wo wir auch, was wir uns auch gerne mal nĂ€her anschauen mĂŒssen? Ja, also ich am Anfang von dieser Phase mit dem Lab hat man sich natĂŒrlich, also und es war sozusagen gleichzeitig ist in der Börse Venture Fund etabliert worden, dass man also auch Minderheitsbeteiligungen an bestimmten Ventures gemacht hat. Da gab es damals eine strategische Ausrichtung, es gab verschiedene Felder und weil wir ja dieses Feld da sind, Als strategisches Wachstumsfelder identifiziert hatten, war natĂŒrlich auch interessant, Beteiligungen im Datenbereich anzuschauen. Ich habe damals verschiedene Trips unternommen, also mehr so Scouting-Trips. Ich war viel im Silicon Valley unterwegs damals, habe wirklich in Hinterhöfen und in so diesen typischen, sag ich mal, Start-up-Offices, in Mountain View und Co. viele, viele GrĂŒnder besucht, um zu versuchen zu verstehen, wo sind da möglicherweise Technologien, die uns da jetzt unterstĂŒtzen oder helfen könnten oder wo wir einfach auch lernen können und wollen. Und Tri Factor, die waren schon einen Schritt weiter als jetzt unbedingt das Hinterzimmer irgendwo off-Grid. Aber der Use Case oder die Value Proposition, dieses Data Wrangling, wie der Adam Wilson das immer nennt, das war zu dem Zeitpunkt etwas, was ein, und jetzt habe ich tatsĂ€chlich einen Pain point, wolltest du am Anfang Pain Points von mir hören. Ich glaube, ich habe ja schon gesagt, die Daten sind nicht AI-ready, die Daten sind in einem zum Teil schlechten Zustand, die Daten sind schwer zusammenzufĂŒhren. Das hatten wir, das haben wir tatsĂ€chlich in den ersten Tagen von einem Data Lab ganz, ganz intensiv gespĂŒrt. Und wir hatten immer diese Wahrnehmung zu sagen, dass eigentlich die Data Scientists, die wir eingestellt haben, zu 80% mit Data Wrangling beschĂ€ftigt sind und nur zu 20% tatsĂ€chlich Data Science machen. Das kannst du auch in jedem Artikel ĂŒberall lesen. Ich sage nur, ich kann das aus der Praxis auch bestĂ€tigen. Das war bei uns auch so. Und das ist natĂŒrlich keine optimale Nutzung dieser Ressourcen. Und dann entsteht eigentlich auch der Eindruck bei den Kunden, es dauert alles lĂ€nger, als es dauern mĂŒsste, weil du eigentlich sehr viel Zeit damit verbringst, die Daten von deinem Kunden erstmal aufzurohren. Und Kunde, sage ich jetzt, das waren die internen Kunden, die wir aus dem Lathaus bedient haben. Und als wir bei Tri Factor waren, gut, das war genau das. Und das hat ja jeder schon mal erlebt damals, der versucht hat, zwei Daten in Excel, DatensĂ€tze in Excel zusammenzubringen. Das eine war amerikanisches Datenformat, das andere war das. Und dann sind plötzlich die da, ich habe vorhin vor einer halben Stunde habe ich eine Rechnung von einem amerikanischen Anbieter hier fĂŒr die Signal-List einsortiert und habe die nicht gefunden, weil die wieder nicht am 10. MĂ€rz, sondern am 3. Oktober einsortiert war. Also diese Probleme, die existieren ja weiterhin. Und das war so, dass immer der Killer-Use Case den Trifactor gezeigt hat, der gesagt hat, hier, unser System erkennt quasi automatisch das Datum und bringt das zusammen oder zeigt dir, was damals auch total cool war, war halt einfach zu sagen, ich habe meine Daten und ich kriege so eine kleine Summary oben. Das macht mittlerweile jedes Data-Tools, hat Databricks wahrscheinlich mittlerweile auch drin, aber das war damals halt neu und der Use Case hat uns ĂŒberzeugt und wir haben quasi auf der einen Seite, wir haben es auch genutzt, also wir haben das Tool eingekauft, um das, um quasi Daten zu integrieren in unsere Datenplattform. Und wir haben auf der anderen Seite gesagt, ich glaube, dieses Problem haben nicht nur wir. Und also wir kaufen den Painpoint, wir kaufen die Value Proposition. Und dann wurde da dann ĂŒber den Venture Fund ein Investment gemacht und Teil von dem Investment war, dass wir einen Board-Observer stellen durften. Und da habe ich dann, ich glaube auch nicht ganz vom Anfang, aber nach einer Zeit habe ich diese Position ĂŒbernommen und durfte dann da einmal im Vierteljahr an den Boardmeetings teilnehmen, habe die Informationen bekommen, habe verstanden, wie da die Wettbewerbssituation ist, wie die Use Cases sind und auch wie ein Vertriebsprozess in dieser Datenwelt lĂ€uft. Also ich habe da wahnsinnig viel gelernt. Ich fand es auch spannend. Die anderen Investoren waren auch sehr namhaft, waren auch sehr interessante Personen mit dabei, von denen man auch viel lernen konnte. Also das war fĂŒr mich natĂŒrlich spannend, aber auch fĂŒr das Unternehmen spannend. Das ist ja auch so ein bisschen der eine Teil von dem, was du, was du aus der, was du aus so einem Investment mitnehmen willst, neben der Tatsache. Aber was daraus geworden ist, wie gesagt, da musst du dann wieder jemanden aus der Börse fragen. Da sage ich jetzt nichts weit dazu. Danke fĂŒr die AufklĂ€rung, Konrad. Mich wĂŒrde mal eine Sache interessieren. Du hast jetzt ja ganz klar gesagt, Trifactor war in der Lage, ein Problem zu lösen. Und da gibt es ja etliche Studien von Gartner, Forster, Schlagmischtun, dass Data Scientisten eigentlich 80, 90 Prozent, teilweise heute ja noch eher mit dem Aufbau eines Datenfundaments beschĂ€ftigt sind, mit der Dateninfrastruktur und eigentlich wenig Data Science waren, sondern eher damit hier Daten von A nach B, Data Piping, all das Ganze gedönst. Kennen wir, ja. Also du hast ein Problem gesehen, was die lösen können. Mich wĂŒrde noch weiter interessieren, was waren noch Kriterien oder Faktoren, wo du gesagt hast, Mensch, darauf lege ich auch Wert. Also wo auch viele Leute ja gucken, ist zum Beispiel, ist das GrĂŒnderteam noch aktiv dabei? Das ist ja Klassiker, ja? Wie groĂ ist der Thumb-Markt? Wettbewerbssituation, Product, Market Fit, da gibt es ja so viele Kriterien oder Cashflow, Run Rate, Schlag Mich Tod, you name it. Was waren denn noch weitere Kriterien, upgesehen from the problem, was CryFash Law nutzen konnte, was wurde fast noch wertgelegt? Ja, ich bin da ja nicht alleine. The Venture Fund hat seine Kriterien, die kann ich dir jetzt nicht, die kann ich dir nicht offenlegen. Da gibt es einfach, alle die Kriterien, die du genannt hast, sind in irgendeiner Form relevant. Und dann gibt es ein Framework, wo man sagt, da gibt es einen Sweet Spot, wo wir unterwegs sein sollen. NatĂŒrlich, am Ende des Tages ist es auch Valuation und Preis immer ein Thema. Du musst das ja am Ende auch bezahlen und glauben, dass dann der Return noch kommt. Aber ich wĂŒrde noch sagen, ich glaube, was uns damals schon ĂŒberzeugt hat, war, dass es eine sinnvolle Vertriebsstrategie gab. Das war, weiĂ nicht, ob das war damals schon so, dass Tri-Factor als White Label auch in der Google Cloud-Plattform integriert war. Und Google war auch ein Investor. Das sind schon nur zwei starke Bedingungen. Und Google Data Prep hieĂ das, das war quasi ein kompletter White Label, aber da lag einfach zu 100% Tri-Factor hinten dran. Und das ist sozusagen, ja, fĂŒr uns war das ja auch ein bisschen ein neues Feld. Das heiĂt, wir hĂ€tten jetzt vielleicht auch gar nicht unbedingt die KapazitĂ€ten gehabt, da jetzt deep under the hood zu sagen, ja, die Technologie ist top oder nicht, aber halt zu sagen, wenn Google sich entscheidet, sowas nicht selber zu bauen mit den KapazitĂ€ten, die die haben, sondern die sagen, da ist eine Third Party, die wir nicht zu 100% besitzen. Denn Tech ist aber so gut, dass wir das nicht nachbauen und nicht besser bauen können. Also so ein bisschen nicht. Ich vereinfache das jetzt ein bisschen. Aber das ist natĂŒrlich dann fĂŒr uns als, sagen wir mal, Non-Tech, sondern wir kamen ja eher aus dem Use Case raus. Und die letzte Frage ist natĂŒrlich auch, kann ich als Investor was zum Unternehmen beitragen? Also sprich, kann ich selber dadurch, als ich Investor bin, was beitragen, was dem Unternehmen hilft, zu wachsen, wovon ich dann ja als Investor wieder profitiere. Und das war dann eben genau der Punkt. TriVactor war eine Technologie-Company, wir waren stark oder ein starker Player in einem Vertical. Das heiĂt, sozeit kann ich auch durch meine PrĂ€senz, durch mein Investment, durch meine Nutzung und auch durch mein Netzwerk beitragen, diese Technologie in dem Finance-Vertical, in dem wir nun mal sind, besser zu platzieren. Das war zumindest damals so ein bisschen die GrĂŒnde, warum das jetzt hier an der Stelle gut gepasst hat. Vielen Dank. Danke dir, Konrad. Jetzt wĂŒrde ich langsam mal zu zum anderen Thema mal rĂŒberschwenken. Bis jetzt haben wir ja mehr so gesprochen, viel ĂŒber die Börse. Wir haben jetzt ĂŒber Tri-Factor gesprochen, wie evaluiert man neue Technologien, Probleme, wenn man jetzt Big Data Data Analytics jetzt salonfĂ€hig machen wollen. Und bis dato warst du jetzt eher, Konrad, der Unternehmer im Unternehmen, mehr so der Angestellte. Und irgendwann hast du ja mal den Beschluss gefasst in deinem Leben, ich grĂŒnde jetzt mal mein eigenes Unternehmen. Kannst du mal abholen, was war so dieser Triggerpunkt gewesen und was war so die Opportunity, die du oder das Problem, was du lösen wolltest, genau? Ja, also ich wĂŒrde gar nicht sein, dass ich der Unternehmer im Unternehmen war. Ich glaube, vor zehn Jahren hĂ€tte ich dir gesagt, nee, ich grĂŒnde nie was. Also ich hĂ€tte mir nicht, ich hĂ€tte mir nicht vorstellen können, aber du kommst natĂŒrlich schon an einen Punkt, wo du Ideen hast oder Dinge verĂ€ndern musst oder einfach gegen, wir haben vorhin gesagt, nichts ist unmöglich, das stimmt auch, aber manches ist extrem schwer. Oder du grennst gegen BĂ€nde oder triffst auf Strukturen und bestimmte Dinge sind auch einfach langsamer. Und ein groĂes Unternehmen, was 10.000, 15.000 Mitarbeiter hat, hat Grenzen, Dinge mĂŒssen langsamer passieren, Dinge mĂŒssen vorsichtiger passieren. Und es ist auch so, dass Data-GeschĂ€ft ist ein tolles GeschĂ€ft, aber es ist lĂ€ngst nicht das einzige GeschĂ€ft. Du kannst nicht im Data-GeschĂ€ft Risiken nehmen, die dann das andere GeschĂ€ft beeinflussen. Also es gibt viele GrĂŒnde, warum dann auch gute Ideen, die du gerne umsetzen wĂŒrdest, vielleicht nicht funktionieren. Noch gute GrĂŒnde, also gar nicht zu sagen, die sind alle blöd und die haben meine Ideen nicht verfolgt, sondern es gibt gute GrĂŒnde, warum manche Dinge einfach nicht passieren können und langsamer passieren. Und das kommt dann, das lag dann einem irgendwann und irgendwann sagt man, nee, jetzt kann ja immer sagen, ich wĂŒrde es anders machen, jetzt mache ich es halt mal anders. Und war dann fĂŒr mich auch so vom Zeitpunkt, vom dem Moment, wo ich im Leben war, einfach gesagt, ja, ich probiere das jetzt mal. Und ich habe natĂŒrlich, und ich glaube, das ist auch wichtig, du brauchst immer auch die richtige Idee. Also ich habe vorher schon, ich habe immer viele Ideen gehabt, aber ich habe, und da muss man sozusagen eine gute Idee haben, muss auch das GefĂŒhl haben, habe ich das richtige Team, also habe ich die richtigen Leute. Also das, was wir bei Signalist machen, das ist ja ein statistisches, ein komplexes, statistisches, hochgradig modernes mathematisches Modell, das wir auf die FinanzmĂ€rkte anwenden. Ganz haben wir Mathe studiert, weil ich meine, ich könnte das nicht, ich finde die Idee super, ich finde das Modell super, aber ich könnte das nicht umsetzen. Das heiĂt, ich brauche, ich habe auch den MitgrĂŒnder, den Tassilo Zimmermann gebraucht, Dr. Tassilo Zimmermann, ist wichtig, der Doktortitel in Physik hat und der eben genau, also erstens die quantitative Kompetenz mitbringt und zweitens 20 Jahre im Risikomanagement gearbeitet hat und den ich persönlich kenne, wo ich sage, das passt auch mit uns, ja, dann sozusagen zu sagen, hey, da ist jemand, der kann mir die Modelle bauen. Und ich habe gesagt, ich traue mir zu, die Dateninfrastruktur dahin zu stellen und die Grundlagen. Und wir haben das Netzwerk und wir haben das Wissen, ĂŒber wie man Investmentstrategien auch monetarisiert, wie man Daten im Investmentbereich monetarisiert. Wir zwei zusammen mit unserem dritten GrĂŒnder, dem Holger Wullenberg, der eben unser Chef frĂŒher war in der Börse, ehemaliger McKinsey Partner Deutsche Bank kennt, der auch das nötige Netzwerk mitbringt und uns da auch die nötige Guidance und SenioritĂ€t geben kann. Und diese Kombination mit dem Holger quasi als Advisor und dem Tassido als hier der Produktguy und ich mache die Technologie, das hat einfach gepasst. Und das ist so der Moment, wie ich sage, okay, jetzt kann ich grĂŒnden. Und natĂŒrlich haben wir, jetzt haben wir das richtige Team, haben wir die richtige Ausgangsbasis. Wir haben aus den vielen Jahren, die wir gerade im Investmentbereich mit ETFs, mit Daten gearbeitet haben, das ist ja so ein bisschen meine Zeit vor dem Data Lab, die wir jetzt nicht auch noch zu Recht nicht auch noch begriffen, aber ich komme ja eigentlich aus dem Index, aus dem ETF-Feld. Was macht man? Wenn man jetzt noch einen Index-Provider grĂŒnden, da gibt es schon so viele und der Wettbewerb wird eigentlich auch immer hĂ€rter. Ich sage, nee, eigentlich, und auch im ETF-Feld gibt es ja auch unfassbar viele ETFs, wenn du das heute schaust. Eigentlich, wenn ich mit Leuten spreche, auch Investoren, also auch Retail-Investoren oder High Network Individuals, ist es mittlerweile, man liest mal in jeder Zeitung von FAZ bis Bild-Zeitung, kannst du lesen, wir mĂŒssen ETFs kaufen. Das hat ja auch jeder verstanden. Aber was mich immer wieder gefragt werde, weil ich ja so im Freundeskreis dann auch der Börsentyp bin, ich weiĂ ja, was man investiert und so, ne, ich weiĂ ja auch, wo morgen schon der Kurs steht, alles das, ja. Das stimmt natĂŒrlich alles nicht. Aber sie wollen mich immer fragen, jetzt habe ich geguckt und ich will ja die 10.000 Euro fĂŒr das frisch geborene Kind, die ich vom Onkel bekommen habe, die will ich anlegen. Aber jetzt habe ich geguckt, ETFs, ja, aber da sind ja, da kriege ich ja 5000 StĂŒck zurĂŒck. Welchen soll ich denn dann nehmen? Und was ist denn, wenn die MĂ€rkte fallen? Ist dann das Geld weg? Also da diese Angst ist auch natĂŒrlich immer noch da. Und das ist ja gerade in Deutschland so, dass ganz, ganz, ganz viel Geld nicht investiert wird aus Angst davor, es zu verlieren. Und da geht dann sehr, sehr viel Rendite verloren. Deshalb haben wir uns gehabt, eigentlich brauchen die Leute nicht noch ein ETF und nicht noch ein Index, sondern die brauchen Hilfe dabei, welchen ETF wann kaufen, wie kann ich das Risiko reduzieren. Und sozusagen aus dieser Sorge oder aus diesem Use Case raus, mit dem Tassilo, der die Möglichkeit hat, diese statistischen Modelle zu rechnen, haben wir ein Modell entwickelt, was letzten Endes eigentlich einfach immer in einen ETF investiert fĂŒr einen bestimmten Markt, ganz langweilig. Was auch by the way, immer sonst meine Empfehlung an die Leute ist zu sagen, hey, wenn ihr langfristig unterwegs seid, kauft einen breit gestreuten ETF und denkt nicht drĂŒber nach und freut euch in 20 Jahren, dass das ordentlich gestiegen ist. Aber das ist ja nicht so einfach. Dann sagen Leute, naja, was ist denn, wenn ich in fĂŒnf Jahren an das Geld dran muss? Und wenn dann gerade eine groĂe Wirtschaftskrise ist. Deshalb haben wir jetzt hier einen Algorithmus entwickelt, der im Grunde genommen einfach nur basierend auf den real beobachteten Renditen, also hochwertigen, verifizierten, guten Daten, nicht irgendwelche SchĂ€tzungen, keine Twitter, sonst was, sondern echte Daten, aus denen basierend ableitet, wann befinde ich mich wirklich in einem BĂ€renmarkt und muss aussteigen. Und wann kann ich wieder einsteigen, wenn dieser BĂ€renmarkt vorbei ist, um ein bisschen ein risikorreduzierteres Portfolio zu haben. Aber eigentlich ist es nichts anderes als ein ETF. Und die Value Proposition ist, investier das bei uns. Und dann kannst du, dann wĂ€hlen wir ein ETF fĂŒr dich aus und wir kĂŒmmern uns darum, basierend auf unserem statistischen Modell, dass wir versuchen, die groĂen Krisen fĂŒr dich nicht mitzugehen und den Drawdown, also den maximalen Verlust, den du jetzt dich erleidest, dann auch mit dieser Methode zu begrenzen. Das ist, muss man auch immer ehrlich dazu sagen, so, auch wir haben keine Kristallkugel. Auch das bedeutet jetzt nicht, dass wir das immer richtig hinbekommen. Das Modell macht natĂŒrlich auch Fehler, aber wir haben da schon sehr viel Zeit reingesteckt in die Mathematik, um das so zu kalibrieren, dass das aus unserer Sicht sehr, sehr gut funktioniert. Und diese Value-Proposition haben wir jetzt letzten Endes als in einer Vermögensverwaltungslösung, die wir mit einem Haftungsdachpartner zusammen umsetzen, umgesetzt. Das Ganze ist, und da bin ich sehr stolz drauf, technisch vollautomatisiert, das lĂ€uft komplett in der Cloud, völlig skalierbar und kostet uns dann tatsĂ€chlich verhĂ€ltnismĂ€Ăig wenig Geld dafĂŒr, dass wir da eine aus meiner Sicht doch durchaus sehr sophistizierte Dienstleistung anbieten können. Und da, deshalb passt das fĂŒr mich so gut, da flieĂt meine komplette Erfahrung rein. Die Erfahrung aus dem Entwickeln von Finanzprodukten, aus dem Umgang mit ETFs, aus dem Aufbau von Dateninfrastrukturen, aus der Nutzung von Cloud. Also das kommt, das flieĂt da eigentlich alles rein und erlaubt mir jetzt auch, weil es eben vollautomatisch funktioniert, das jetzt einfach laufen zu lassen und nebenbei noch einen weiteren Job zu machen, wo ich mich auf andere Weise auch verwirklichen kann. Aber nebenbei eben einfach da mal was hingestellt. Und wie das so ist mit Vermögensverwaltungsgeschichten, Backtests sind immer gut hinzubekommen. The proof is in the pudding, sagt der Brita. Also man muss natĂŒrlich dann auch beweisen, dass die Strategie auch fortlaufend funktioniert. Und das tun wir jetzt. Also da lĂ€uft Geld dagegen, wir können das zeigen, was wir in Performance generieren. Und genau, das ist letzten Endes C Signal, sorry, bis hierhin. Finde ich super spannend. Also wir hatten ja damals bei Databricks und auch viele Tech-Unternehmen, wenn du in Mountain View warst, kennst ja diesen Spruch, Teamwork makes the dream work. Ja, und du kannst es natĂŒrlich deine Kollegen, alles Ex-Börse und dann natĂŒrlich auch nochmal ex-Bain, ex-McKinsey, da kann man, denke ich, nicht sehr viel falsch machen. Und was ich sehr smart fand natĂŒrlich, dass du auch als Schuster deinen Leisten treu geblieben bist. Du hast jetzt nicht wieder was komplett anderes gemacht, was gar nicht deinem Naturell oder Data entspricht. Und auch sehr spitz positioniert, finde ich super stark, was du, was du gemacht hast. Ich bereue es nur, wir hĂ€tten vielleicht mal auch mal reden mĂŒssen, ĂŒber welchen ETF ich jetzt fĂŒr meine Tochter Alina jetzt vielleicht hĂ€tte anlegen sollen, aber ich bin da sehr klassisch unterwegs. Ich habe da den Fatsy All World und den MSCI World genommen, also so ganz klassisch, was halt jeder macht, sehr konservativ, wo man eigentlich, hoffe ich mal, nichts falsch machen kann. Komm, Rat. Ich sehe du nichts, super, da kann man nichts falsch machen. Ich habe ja gesagt, breit gestreute ETF und in 20 Jahren drauf gucken und in fĂŒnf Jahren nicht Panik bekommen, wenn es mal nach unten geht. Und wenn du das natĂŒrlich noch absichern möchtest, ich kenne da eine vollautomatisierte Vermögensarbeit, die das Geld fĂŒr deine Tochter auch gerne anlegt. Ehrlich, ja, okay, gut zu wissen. Ich glaube, ich kenne die Mitteilung auf. Super, danke dir, Konrad. Jetzt hast du auch mehrere HĂŒte auf. Du bist ja jetzt ja nach wie vor bei Signalist ja unterwegs, aber gleichzeitig, das hast du ja heute auch schon zwei oder drei Mal erzĂ€hlt, hast du ja noch einen weiteren Auftrag, nĂ€mlich bei der Valantik. Kannst du uns da mal ein bisschen mal so erzĂ€hlen? Wie kam es jetzt dazu? Also, was ist da jetzt deine genaue Mission, Auftrag? Und du bist ja wahrscheinlich auch eingestellt worden, um was zu verĂ€ndern. Du hast uns ja auch einen kleinen Cliffhanger gegeben. Vielleicht holst du uns da mal ein bisschen mal ab. Ja klar, also die Valantik FSA ist ein Softwareentwickler, also auch da bin ich jetzt nicht allzu weit weg von meinen alten Leistungen, weil die Software, die entwickelt wird, ist Handelssoftware und Finanztransaktionssoftware. Das ist sozusagen zwei wesentliche Schwerpunkte. Das eine sind Handelssysteme, vor allen Dingen im Fixed-Income-Bereich. Das heiĂt, wir liefern unsere Kunden eine Software, wo dann tatsĂ€chlich der Trader davor sitzt und die Trades ausfĂŒhrt. Wir verknĂŒpfen diese Software mit den MĂ€rkten. Also das ist sozusagen sehr datengetrieben, sehr technisch, auch wieder hochverfĂŒgbar, niedriglatent, also hat sehr viele Ăhnlichkeiten mit der Börse. Auf der anderen Seite haben wir eine Low-Code-No-Code-Plattform, die im Konom insbesondere fĂŒr hochfrequente und vielzahlige Transaktionen ausgelegt ist. Also alles, was irgendwie mit Transaktionen zu tun hat, wo Daten oder eine Transaktion als Datenpunkt quasi durch einen Prozess geschoben wird und ein Enrichment stattfindet. Also auch das ist natĂŒrlich einfach ein Datenthema auch und VerfĂŒgbarkeits- und Geschwindigkeitsthema. Die Plattform kann man eigentlich fĂŒr alles benutzen im Finanzbereich, was irgendwie mit Transaktionen zu tun hat. Wird viel im Payments-Bereich eingesetzt zum Beispiel. Also sowas wie Payment Hubs, auch jetzt in letzter Zeit Sachen, die jetzt, die jeder schon mal irgendwie gesehen hat, dass man jetzt, wenn man eine Ăberweisung macht, plötzlich der Name ĂŒberprĂŒft werden muss. Das sind so kleine Module, die dann in diesem Payment-Transfer da mitlaufen. Das sind Dinge, die man auf unserer Plattform bauen kann, die wir auch auf der Plattform gebaut haben. Und so das ganze Transaction Management, was wir dann fĂŒr Banken so als fertige Module anbieten können. Das ist ein total spannendes GeschĂ€ft. Die meiner gute Produkte, die auch nachgefragt werden, gute Kunden, woran ich vor allen Dingen arbeiten werde, ist, das Ganze jetzt auch, was die Effizienz betrifft, nochmal auf ein neues Level zu geben. Also zu sagen, wir haben ein sehr diverses Produktportfolio, da ist noch ein bisschen Raum fĂŒr Standardisierung, wir können an den operativen Prozessen. Ich habe ja neben dann spĂ€ter, als wir nicht mehr im Lab waren, sondern dann mehr in die operative IT gegangen sind mit dem Data Science-Thema, wir haben ja aus Basis der Datenstruktur, die wir geschaffen haben, dann auch viel Prozessoptimierung gemacht und Prozessautomatisierung. Und vieles von dem Know-how möchte ich mitbringen und jetzt bei der Valentik einfach mittelfristig die Technologie, gerade die ProzessablĂ€ufe des Operations, was wir haben, nochmal in die nĂ€chste neue Phase zu ziehen. Und da ist natĂŒrlich dann auch wieder das Thema, wie können wir KI benutzen und zwar sowohl auf der internen Prozesse, also wie können wir unseren Software-Entwicklungsprozess effizienter machen, wie können wir die Betriebsprozesse, das Monitoring, alle diese Dinge effizienter machen. Und auf der anderen Seite auch, wie können wir wieder KI-Komponenten in die Applikationen integrieren, die wir, da hatten wir vorhin schon ein bisschen drĂŒber gesprochen und da sage ich, da ist der Unterschied zwischen Börse damals und Valentic FSA heute gar nicht so groĂ, weil ich dieselben Fragestellungen habe und zu sagen, wie kann ich die Daten, die Informationen, die ich habe, nutzen, um sie meinen Kunden an der Stelle zur VerfĂŒgung zu stellen. Auf der anderen Seite, ich bin jetzt sechs Monate da, lerne ich auch noch brutal viel. Weil ich habe jetzt frĂŒher auf der Börseseite gearbeitet, das heiĂt sozusagen der Plattform. Jetzt bin ich viel mehr unterwegs auf der Kundenseite im Sinne von, jetzt habe ich eine Software, die mit der Börse sich verbindet. Und dann merkt man schon auch, man versteht viel von Börse, aber vieles von dem, was ich jetzt heute weiĂ, hĂ€tte ich gern damals mal gewusst, weil mir das auch wieder geholfen hĂ€tte, vielleicht bestimmte Dinge anders zu sehen. Von daher ist das jetzt fĂŒr mich auch wieder. Auch wenn ich nicht weit weg von der alten WirkenstĂ€tte gegangen bin, auch wieder ein neuer Learning-Prozess. Und es ist auch spannend. Es ist auch spannend, bestehende Prozesse anzuschauen und auch zu sehen, was funktioniert und vielleicht was, und dann sind wir wieder bei den Pain Points, was funktioniert vielleicht auch nicht so gut. Und wie kann man dann mit der Erfahrung, die man vielleicht von anderswo mit reinbringt, auch an diese Pain Points nochmal neue Impulse geben, neue Ideen einsteuern, um dann auch wieder Wachstum zu treiben. Und beziehungsweise, ich glaube, wenn man sich die Valentec FSA so anschied, das Wachstum auf der Kundenseite ist durchaus da. Da kommen regelmĂ€Ăig neue Kunden mit dazu. Und wie kriegt man das hin, dass man jetzt wirklich mehr Kunden, deutlich mehr Kunden mit den gleichen Produkten bedient, ohne dass die operativen AufwĂ€nde im gleichen MaĂe steigen, sodass sich dann tatsĂ€chlich stĂ€rker in ein SARS-artiges oder ProduktgeschĂ€ft komme, wo ich weniger IntegrationsaufwĂ€nde habe, weniger One-off-Revenues, mehr Recurring Revenues, das sind Themen, die wir jetzt als neues Management-Team bei der Valentic FSA uns auf die Fahnen geschrieben haben und jetzt angehen. Also was ich sehr viel rausstelle, ich sehe ja sehr viele Patterns aus dem SARS-Bereich, mehr ARR, ja, mehr Standardisierung und natĂŒrlich auch, wo du sagtest, auch in die Produktisierung bedeutet ja auch dann deutlich auch mehr ProfitabilitĂ€t, wenn du Standards hast. Also das ist so das, was ich alles raushaue. Klingt auf jeden Fall super. Ist challenging in dem Bereich, muss man auch sagen, weil Banken sind sehr individuell, gerade so Payment-Systeme, Core-Banking-Systeme, auch die Trading-Setups sind sehr individuell. Also wir reden hier nicht ĂŒber einen Spotify-Service, sage ich mal, wo ein User hingeht und sagt, ich halte meine Kreditkarte dagegen, sondern das ist schon, das ist komplexe Software, die muss komplex integriert werden. Aber genau was du sagst, sozusagen halt auch dieses individuelle GeschĂ€ft kann man, glaube ich, mit den neuen Technologien, mit den AnsĂ€tzen auch noch stĂ€rker in eine Standardisierung, Produktisierung ziehen. Und am Ende, ja, ARR ist King, das ist das Ziel. Absolut. Ich wĂŒrde noch gerne auf ein, zwei abschlieĂende Fragen, Themen nochmal eingehen. Und zwar, du hast eben gerade gesagt, ich lerne brutal viel. Wenn du mal so rĂŒckblickst auf deine Karriere, Konsert, was war so so eine Lessons learned oder dein gröĂter Fehler, was du hĂ€ttest, was du vielleicht heute anders machen wĂŒrdest, wenn du nochmal die Chance hĂ€ttest? Also, das ist ein gröĂter Fehler. Also, es sind so viele Fehler passiert, wir haben sowas auch wieder so viele Learnings entstanden. Ich glaube, eine Sache, die ich anders machen wĂŒrde, ist, ich glaube, wir haben damals, und diesen Fehler haben wahrscheinlich ganz viele, als wir das Data Lab aufgebaut haben, hĂ€tten wir wahrscheinlich, bevor wir den ersten Data Scientist ĂŒberhaupt geheuert haben, erstmal ein Jahr lang nur mit den Data Engineers an der Grundlage und an der Plattform arbeiten sollen. Also das, was ich dir eben gesagt habe, dass wir erstmal AI ready werden mĂŒssen. Also wir haben, ich habe so ein bisschen die Analogie, wir haben ein tolles neues Labor eingerichtet. Wir haben Wissenschaftler eingestellt, die standen dann da in nagelneuen Kitteln mit den besten Instrumenten und haben das Kalpell rausgeholt und haben gesagt, wo ist der Frosch, den ich aufschneiden kann? Und dann haben wir festgestellt, wir haben ja gar keine Frosche, die sind alle noch drauĂen im Teich. Und dann haben wir gesagt, wir haben aber auch keine Leute mit Netzen, also haben wir Netze gekauft, haben sie den Data Scientists in die Hand gegeben und haben gesagt, bitte bringt eure eigenen Gummistiefel mit und geht in den Teich und sammelt euch die Frosche ein. Und das hat uns, und nochmal zurĂŒckgehend, da hatten wir mehrfach jetzt besprochen, der Gesamtkontext war eher skeptisch. Das heiĂt sozusagen, das ist sozusagen das eine Thema. Das zweite Thema ist, dass wir, weil wir in Lab waren und gesagt haben, wir mĂŒssen ja zeigen, dass Data Science richtig, richtig geil ist, dass wir uns richtig anspruchsvolle Use Cases ausgesucht haben am Anfang, die richtig lange gedauert haben. Statt lieber erstmal ein paar Low-Hanging Fruits zu machen, Zeug, wo vielleicht am Ende gar kein Machine Learning drin ist, sondern wo du einfach nur, weil du diese DatenkapazitĂ€t hast, schnell einen Mehrwert generieren kannst, so um die Akzeptanz zu steigern. Und es hĂ€tte uns viele TĂŒren frĂŒher geöffnet und schneller geöffnet, wenn wir frĂŒher einfach mal gesagt hĂ€tten, guck mal, wir haben das gemacht und drei Monate spĂ€ter habt ihr hier den Benefit gehabt. Und da haben wir manche Sachen liegen lassen, weil wir gesagt haben, das ist uns nicht sciencey genug. Und wir machen lieber was VerrĂŒcktes. Und zum Teil, ohne Details nennen zu können, sind die Dinge, die wir als allerersten Use Case hatten, sind, da war ich schon gar nicht mehr bei der Börse, sind fĂŒnf, sechs Jahre spĂ€ter eingefĂŒhrt worden. Das ist sozusagen, und wenn ich noch einen sagen darf, vielleicht mehr aktuell aus dem Startup raus, sehr gerne. Ich glaube, es hat, wir haben mit dem Startup angefangen und wir haben uns reingeschmissen in die Technologien und die Produktentwicklung und so weiter. Und wir haben lange, lange Zeit nicht so wirklich darĂŒber nachgedacht, was ist eigentlich der beste Monetarisierungskanal. Und als wir dann sozusagen mit dem Produkt fertig waren, haben wir unsere erste Annahme, die wir hatten, die wir aber nie validiert haben, wollten wir umsetzen, haben festgestellt, ups, das funktioniert ja so gar nicht. Wir wollten ursprĂŒnglich Zertifikate emittieren und das hat aus verschiedenen GrĂŒnden nicht geklappt. Wir haben jetzt am Ende ĂŒber viele Umwege eine fĂŒr uns viel bessere Lösung gefunden, nĂ€mlich dass wir das ĂŒber ein Haftungsdach als Vermögensverwaltungsservice anbieten. Aber da hĂ€tte ĂŒberhaupt nichts dagegen gesprochen, damit am Tag 1 schon anzufangen, das rauszufinden. Und dann wĂ€ren wir mit Sicherheit sechs Monate, wenn nicht neun Monate frĂŒher mit dem Produkt am Markt gewesen. Und ohne dass irgendwas schlechter gewesen wĂ€re, sondern einfach nur durch eine Parallelisierung dieser Dinge, weil es dauert lange. Du musst Sachen eruieren, du musst hast auch regulatorische Dinge, die dauern. Also das hĂ€tte man, da hĂ€tte man, das hĂ€tte man ganz anders machen können, wenn man einfach gesagt hĂ€tte, hey, ich muss das bis zum Ende denken und sagen, das Ende ist nicht, mein Modell steht und lĂ€uft und schnurrt in der Cloud, sondern das Ende ist, ich kann dem Kunden einen Link schicken und sagen, hier kannst du dein Depot eröffnen oder hier kannst du das Produkt kaufen. Das wĂŒrde ich. Das ist so ein neuer, das ist so mein GrĂŒndungslearning. Viele andere auch, aber das ist sicherlich ein wichtiges, was wir hatten. Da danke dir fĂŒr den RĂŒckblick oder fĂŒr die sehr offenen Worte. Konrad, ich habe diese Analogie, diese Metapher sehr geliebt mit den Fröschen. Das hat mir sehr gefallen. Noch abschlieĂend eine Frage noch, Konrad. Welches Businessbuch hat dich denn am meisten inspiriert? Ich habe wĂ€hrend meinem MBA The Power of Influence gelesen. Ich weiĂ gar nicht, ich muss nur mal schauen, wer das eigentlich geschrieben hat. Aber das fand ich wahnsinnig spannend, einfach zu verstehen, wie einfach auch unser Hirn letzten Endes Einfluss auf unsere Entscheidungen nimmt und wie man das auch nutzen kann, um Businessentscheidungen zu treffen und GeschĂ€ftsmodelle zu gestalten. Du meinst nicht zufĂ€llig, nicht auseinander vorbeireden, weil ich bin auch ein groĂer Fan von Robert Cialdini. Influence the Psychology of Persuas. Meinst du das vielleicht? Ja, das meine ich, ja. Sorry, ich nenne es mal Power of Influence, genau. Habe ich mir fast gedacht, ja, das ist ein richtig geiles Buch. Ich liebe das. Das ist ein richtig geiles Buch. Der zeigt dir auch immer diese typischen Technik und Tricks, die manche Leute benutzten, um zu manipulieren. Ich habe das auch neulich auf der Zeil gesehen, die, ich weiĂ nicht, ob es so in seiner indischen Sekte, die dann so Rosen verteilen, ja, dass dieses Thema ReziprozitĂ€t, also der hat das schon richtig gut gemacht. Nee, kenne ich. Auf jeden Fall ein sehr gutes Buch. Konrad, auf jeden Fall vielen, vielen Dank, dass du heute da warst, dass wir heute ein sehr schönes GesprĂ€ch hatten, dass du mal deine Einblicke, deine Erfahrungen mit uns teilen konntest. Und liebes Publikum, wenn ihr vielleicht die eine oder andere Nachfrage habt, den Konrad Sippel, den findet ihr auch gleich. Ich werde das dann einblenden auf LinkedIn. Und ich kann mir vorstellen, Konrad wird auch sicherlich auch nochmal die ein oder andere Frage beantworten, wenn da was kommt. Ich sehe Konrad nichts ab. Dann auf jeden Fall nochmal ganz lieben Dank, Konrad, und Happy Friday. Free Audio Post Production.com