Warum die meisten an Data Thinking scheitern | Thomas Handorf & Rocky Khan - #32

🐇 Biophysiker. Promoviert an der Humboldt Uni Berlin. Und dann Data Architect bei Peek & Cloppenburg, bevor er eine Datenagentur mit dem denkbar kuriosesten Namen gründet: Friendly White Rabbit.

Thomas Handorf hat mit "9FWR" über 70 Kunden und 170 Projekte betreut. Seine These, die auch Rocky sofort gepackt hat: Die meisten Unternehmen scheitern nicht an Technologie — sondern daran, dass sie nie gelernt haben, Daten wirklich zu denken.

In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus einem Alice-im-Wunderland-Testprojekt ein Agenturname wurde, warum er sein Team bewusst klein gehalten hat — und warum er seine eigene, funktionierende Firma trotzdem aufgegeben hat.

Ein paar Dinge, die hängengeblieben sind:

Zum eigentlichen Data Thinking: Nicht jedes Problem ist ein Technologieproblem. Bevor bei 9FWR überhaupt implementiert wird, läuft der Kunde durch eine Data Thinking Canvas — inspiriert von Lean Startup und Business Model Canvas. Erst verstehen, was das Geschäftsmodell wirklich braucht. Dann bauen.

Zum Recruiting und Bullshit Bingo: Thomas screent Lebensläufe gezielt gegen leere Buzzwords — sein eigener Begriff dafür: Bullshit Bingo. Wer im Interview konkrete Knackpunkte und echte Beispiele nennen kann, statt nur Schlagworte zu droppen, überzeugt. Am Ende entscheidet ein praktischer Test: einen kompletten, vereinfachten Data Stack pragmatisch aufsetzen. Nicht ob man alles schon kennt, sondern wie schnell man das Prinzip dahinter erfasst.

Zum Wachstum ohne Wachstumszwang: 9FWR ist bewusst nie stark skaliert. Word of Mouth funktioniert am besten, weil zufriedene Kunden ohne Preisdiskussion weiterempfehlen. Freelancer-Plattformen halfen, LinkedIn Content Marketing weniger. Das ständige Hoch und Runter zwischen kurzen Trackingprojekten und großen Kundenprojekten wie mobile.de machte einen klassischen skalierbaren Funnel schwierig — und am Ende war das auch okay so.

Zur Entscheidung, die eigene Firma aufzugeben: 9FWR lief nicht schlecht — im Gegenteil, 2025 war wirtschaftlich wieder ein gutes Jahr. Trotzdem ist Thomas mit seinem Team in die Gateway Group gewechselt, die Reisemarken wie kurz-mal-weg.de und kurzurlaub.de betreibt und zu HomeToGo gehört. Der Grund: ein echtes Greenfield-Projekt, kaum Legacy, viel Kapital, ein Team, das komplett neue Systeme bauen will. Nicht jede Chance kommt zweimal.

Zu KI, die tatsächlich einen Unterschied macht: Vor ein bis zwei Jahren hieß KI: SQL-Snippets generieren lassen. Heute bauen Thomas und sein Team bei Gateway einen internen Agenten mit vollem Zugriff auf ein sauber modelliertes Data Warehouse — inklusive Tests, Dokumentation und Kontext aus Confluence. Das Ergebnis: präzise Antworten zum aktuellen Stand, statt Rohdaten-Rätselraten. Der Unterschied zu vor zwei Jahren ist laut Thomas nicht graduell, sondern fundamental.

Wie seht ihr das — ist die eigentliche Hürde bei KI und Daten wirklich das Mindset, oder unterschätzen wir doch, wie viel technisches Fundament dafür nötig ist?

LinkedIn Profile

LinkedIn Profile von Thomas Handorf: https://www.linkedin.com/in/thomashandorf/

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

Inspiration statt Businessbuch

Kein klassisches Buch — Thomas liest lieber Artikel, Reports und Posts. Sein größter methodischer Einfluss bleibt Lean Startup und Business Model Canvas, die direkt in die Data Thinking Canvas von 9FWR eingeflossen sind.

Transcript

Copy

SPEAKER_01 0:09

Stell dir vor, du bist Biophysiker, promovierst at the Humboldt Uni Berlin and landest then als Data Architect by PC Piken Kloppenborg as Tracking Specialist, then by Tession, and space Senior Analyst by mobile. And then one day I grind mal a data with a curiosity Nine Friendly White Rabbits. What Hasen? I know it's not, but we will find it. Thomas Harndorff had been over 70 Kunden and 170 Projekts between the other. Data Thinking. What this better, what it is without, that will hear with Thomas besprechen. I am der Rocky, Podcast Host of Masters of Data, BI and AI. And I unterhalte mich von und mit Gründern of Data Beratungen mit Thought Leaders und mit Data Enthusiasten über den Impact von Data und AI. Und heute Thomas Hahnorf. Thomas, schön, dass du heute dabei bist.

SPEAKER_00 1:27

Rocky, vielen Dank, dass ich dabei sein kann.

SPEAKER_01 1:29

Sehr gerne. Thomas, es gibt ja nicht so viele, oder es gibt schon einige Boutiqueberatungen, aber nicht alle sind super erfolgreich und nicht alle haben so einen richtig coolen Namen, 9 Friendly White Rabbits. Und ich kann mir vorstellen, das ist bestimmt häufig so der Eis, die Eisbrecherfrage, die dir bestimmt jeder stellt. Und du hast mir ja auch eben gerade gesagt, die neuen habt ihr nicht erreicht bei den Mitarbeitern. Aber erzähl doch mal, wie kam es zu diesem ganz coolen Namen?

SPEAKER_00 1:56

Ja, wirklich. Spannende Geschichte. Also, als ich die 9 Friendly White Rabbits gegründet habe, kam ich gerade aus meinem alten Startup raus, das hieß WebPager. Wir haben eine Webdesign-Plattform gebaut und ja, mussten natürlich mehrfach pivotten. Haben uns letzten Endes entschieden, die Webpage aufzugeben. And jeder ist so in seiner Richtung weitergegangen. Und ich habe halt die Chance genutzt, in den Bereich Webanalytics und Data einzusteigen. Haben dort angefangen als Freelancer und als es dann darum ging, das wirklich als Agentur aufzuziehen, Firma zu gründen, Mitarbeiter einzusteigen, habe ich natürlich nach dem Namen gesucht. Und aus dem alten Projekt, wir hatten dort ein Scheme gehabt, also so ein Test Case oder eine Case Study. Da ging es um Alice in Wonderland. Und ich hatte mich da zusammengesetzt mit unseren damaligen Designer, als wir versucht haben, diesen Namen zu finden und haben so ein bisschen rumprobiert. Und wir haben was gesucht, was irgendwie kreativ klingt. Also eine Agentur quasi, aber Datenagentur kann halt auch sehr trocken sein. Also wollten wir was sehr, sehr Kreatives, etwas, was uns aber auch nicht irgendwie einschränkt. Und was einen sehr, sehr kurzen Domain-Namen erlaubt. Und da bleibt eigentlich nur noch eine Wortgruppe. Man kennt sowas wie TLGG, ich glaube, das heißt Torben Lucy und die gelbe Gefahr, also auch total kreativ. Und bei uns ist es dann 9 Friendly White Rabbits geworden mit der Abkürzung 9 FER. Und ja, wie du schon sagst, das hat oft zu Gesprächsthemen geführt, gleich am Anfang, Icebreaker. Es ist nicht so, dass das jetzt von sich aus ein Datenthema verkauft, logischerweise, aber es ist definitiv ein netter Einstieg.

SPEAKER_01 3:42

Auf jeden Fall. Das ist ja auch mal was ganz anderes als diese ganz klassischen Namen. Häufig sind das ja irgendwie, man nimmt nicht mehr den Namen zum Beispiel Vor- oder Nachname, Consulting oder irgendwie Schlagmistod XY. Ich will jetzt ja kein Bashing machen über andere Marktbegleiter, aber du, du, ich glaube, du weißt, was ich meine. Das meiste ist ja eh dann eher sehr klar oder klassisch. Und das ist ja richtig so ein richtiger Musterbrecher, den ihr habt. Mit neinen Friendly White Rabbits. Das ist ja schon fast ein Zungenbrecher.

SPEAKER_00 4:11

Ja, ja, absolut. Das muss man üben ausgesprechen.

SPEAKER_01 4:14

Genau. Deswegen sagst du ja immer ganz kurz 9 FWRs. Ich denke, das ist ein bisschen einfacher. Aber nochmal kurz mal zu deiner Geschichte, Thomas. Du hast ja ursprünglich Biophysik studiert, also darin hast ja promoviert und bist ja jetzt ein Datenstratege geworden. Ja, gab es einen Moment in deiner Karriere, wo du gemerkt hast, okay, die spannenden Probleme sitzen nicht im Labor, sondern in den Daten von Unternehmen?

SPEAKER_00 4:40

Ja, das war kein Moment, es ist schon eher eine Journey, wie man so schön sagt, auch im Datenjargon. Angefangen, wie gesagt, also in der Physik, ich habe Physik studiert, bin dann in die Biophysik gegangen für meine Promotion, auch sehr spannende Themen insgesamt. Also wir hatten so Signaltransaktionsnetzwerke in Krebszellen untersucht. Und was letzten Endes den Ausschlag gegeben hat, aus der Wissenschaft auszusteigen, war, dass wir ein Google Summer of Code-Projekt angeworben hatten. Das sind so Projekte, die unterstützen Open Source-Initiativen. Und wir hatten zu dem Zeit ein Visualisierungstool eben für diese Signaltransaktionsnetzwerke entwickelt und konnten dann daran teilnehmen. Und wir haben da halt einfach so eine etwas andere Welt kennengelernt, wie wir jetzt in der Wissenschaft nicht so kannten. Also es war alles viel schneller, es war alles viel mehr Leute, schnellere Iterationszyklen. Und das war eigentlich so der Punkt, wo ich und zwei weitere Mitgründer aus der Wissenschaft gesagt haben, hey, lass uns mal ein Startup machen. Es ging ja am Anfang gar nicht darum, Data zu machen. Wir haben natürlich auch viel Data gemacht. Signaltransaktionsnetzwerke sind unheimlich viele Proteine, die miteinander interagieren. Da sind Datenbanken dahinter, Datenextraktionen, die man machen muss und Modelle, die man in irgendeiner Form bauen muss. Wir sind also nicht da weit weg gewesen. Aber trotzdem war der erste Schritt, hey, lass uns ein Startup gründen. Und das haben wir dann auch gemacht. Das war das vorhin angesprochene Webpager und dann Schritt für Schritt eben im Freelancing in den Bereich Data Analytics gegangen und später gesagt, hey, das reicht mir nicht, ich will auf jeden Fall wieder richtige Datenthemen crunchen und habe dann eben die Agentur in Richtung Data Analytics aufgebaut, wo Tracking ein wichtiger Teil geblieben ist, aber wie eben auch wirklich Data Warehouses und Data Modelle, DBT, Tableau, Power BI, Looker und so weiter mit aufgebaut.

SPEAKER_01 6:42

Spannend. Mich interessiert immer, wie gewinnt man den ersten Kunden? Kannst du uns mal abholen, wie sahen mal, wie sah damals der erste Kunde aus, als du dann total frisch gegründet hast, noch vielleicht gar kein Logo hattest, aber den Namen hattest? Kannst du das mal erzählen?

SPEAKER_00 7:02

Ja, so war das nicht gewesen. Also, wie gesagt, ich bin ja als Freelancer gestartet und zu dem Zeitpunkt habe ich mit einer Agentur zusammengearbeitet, Advalize, die eben also eine klassische Marketingagentur ist und für die ich ganz viele Tracking-Projekte quasi gemacht habe. Also Analytics, Funnel Analytics und so weiter und so fort. Und es war eigentlich so der Einstieg. Dadurch hatte ich natürlich auch Kontakt zu verschiedenen Kundenprojekten und konnte sehr viel Erfahrung sammeln. Das erste eigene Projekt, ich kann es jetzt gar nicht mehr genau sagen, welches wirklich das allererste war, weil es gab halt auch sehr, sehr kleine Projekte zwischendurch. Aber das erste große Projekt war tatsächlich mobile.de, wo ich dann komplett alleine reingegangen bin und wo ich nach und nach auch verschiedene Mitarbeiter mit reinziehen konnte. Auch ein super spannendes Projekt gewesen, ein super interessantes Team und interessantes Unternehmen. Und das Projekt hat dann auch wahnsinnig viel Spaß gemacht.

SPEAKER_01 8:02

Und wenn wir jetzt mal ein bisschen mal weiterspinnen, wie bist du an die anderen Kunden gekommen? Also du hattest ja, ich glaube, das waren ja 70 Kunden, hattest du ja, ne? Oder hast du ja gehabt jetzt mal über den Lifecycle insgesamt. War das stark dieses typische Thema Word of Mouth über Empfehlungen? Ja, du nickst gerade, ja?

SPEAKER_00 8:22

Ja, Word of Mouth oder Netzwerk ist halt schon einfach das, was am besten funktioniert. Zu jeder Zeit muss man einfach sagen. Wir hatten ja auch Krisen gehabt in diesem Zeitverlauf. Wir sind ja 2019 gestartet mit der Agentur und dann eben bis fast jetzt, da kommen wir nachher nochmal dazu. Genau, also Word of Mouth funktioniert einfach am besten, weil Kunden, mit denen wir schon gearbeitet haben, einfach so die beste Fürsprache machen können für einen. Und es dann auch keine Preisdiskussionen im großen Stil gibt und so weiter. Was für mich noch funktioniert hat, ist so Plattformen. Also Freelancer Map für mich aktuell die beste Plattform im Freelancer-Bereich. Wir haben auch andere Plattformen ausprobiert, sowas wie Freelancer.com, aber das hat eigentlich überhaupt nicht funktioniert. Wir haben LinkedIn Direktansprache gemacht. Das funktionierte zum Teil. Content Building, also Content Marketing auf LinkedIn habe ich auch eine Zeit intensiv gemacht, sogar mehrfach, aber mit Unterbrechung. Und das hat schon ein bisschen was gebracht, aber es ist natürlich von den Conversion-Raten und vom Aufwand her wesentlich schlechter als was man übers Netzwerk erreichen kann. Und später, insbesondere 2023, 24, wo es so ein bisschen Krise gewesen ist oder vielleicht sogar ein bisschen mehr Krise gewesen ist, habe ich auch mit einer Agentur zusammengearbeitet, die einfach im Bereich, ja, wie nennt man das, Account Management, beziehungsweise Account Marketing mit mir auf LinkedIn einiges versucht hat. Und das waren auch gute Sachen, die wir da versucht haben, aber es ist trotzdem eben Conversion-ratenmäßig sehr, sehr anstrengend, diesen Weg zu gehen.

SPEAKER_01 10:11

Wenn wir uns mal jetzt mal anschauen, dieses Thema Führung, Team, Skalierung, viele Agenturen wollen ja wachsen, wachsen, wachsen. Und dann gibt es auch Agenturen, die sagen von Anfang an, nee, wir wollen jetzt gar nicht krampfhaft wachsen, sondern eher organisch wachsen oder vielleicht auch so bleiben, wie wir sind. Und ihr wart ja schon eher so immer unter der unter der magischen Zahl von Zählt. War das immer ganz bewusst so, Thomas? Oder hat sich das so ergeben? Was war der Hintergrund?

SPEAKER_00 10:45

Ja, also das ist jetzt nicht absichtlich gewesen, sondern das ist schon eher eine organische Sache. Wir haben sehr unterschiedliche Projekte gehabt, was möglicherweise nicht optimal ist. Ich glaube, Agenturen, die sehr schnell, sehr stark skalieren, haben ein sehr pakettiertes Angebot, wo man mehr oder weniger dieselbe Leistung oder verschiedene Pakete von denselben Leistungen eben schnell an ganz, ganz viele Kunden bringt. Wir hatten das Problem, dass wir einerseits sehr kurze Tracking-Projek hatten, wo wir eben ad hoc eben hochskalieren mussten und dann wieder runterskalieren mussten. Ich sag mal so eine Viertel Person, die mal ein, zwei Monate an irgendwas arbeitete. Und gleichzeitig hatten wir aber auch sehr, sehr große Projekte, also mobile.de, Peak und Glockenburg, wo wir einfach mit mehreren Mitarbeitern dran waren. Und letzten Endes ist es so, wenn dein aktuelles Team gerade ausgelastet ist mit so einem großen Projekt, dann kannst du halt auch nicht groß die Akquise wieder anstellen. Das bringt dann einfach nichts. Und irgendwann brauchst du dann wieder mehr Akquise. Und dieses Hin und Her ist natürlich schwierig, um da wirklich einen skalierbaren Handel aufzubauen. Und das ist also eher dann der Grund dafür gewesen, warum wir das nicht gemacht haben. Also einerseits, weil wir es nicht mussten, weil wir immer irgendwie doch gute Projekte am Start hatten und dann eben in der Folge es auch nicht konnten, weil wir dann einfach nicht die Erfahrung sammeln konnten.

SPEAKER_01 12:13

Mich würde noch eine Sache mal stark interessieren, dieses Thema, wie kommst du denn an die richtig guten Leute? Ja, also ist es dann auch typisch Netzwerk und vor allem, woran erkennst du denn jetzt, klar, wenn jetzt einer Mathe studiert oder Informatik, dann weiß man, er hat eine gewisse Basisintelligenz oder wenn er da promoviert, dass das steht jetzt außer Frage. Aber wie erkennst du deinem Bewerber, ob er auch wirklich der Typ ist, der bei deinem Kunden Vertrauen aufbauen kann und dann auch zum intern zum Champion wird?

SPEAKER_00 12:43

Ja, das sind sicherlich mehrere Faktoren. Also wenn ich Bewerber screene, dann gehe ich natürlich erstmal über den Lebenslauf und habe das schon relativ schnell. Ja, es ist mehr als ein Bauchgefühl, aber es spielt natürlich auch immer ein Bauchgefühl mit, wenn man sich den Lebenslauf anguckt und sagt, wofür brennt jemand? Also es sind eigentlich nicht immer die Schlagworte, das würde mich eher davon abhalten, wenn da jemand zu viel Bullshit-Bingo spielt, sage ich mal, sondern ich gucke halt rein, hat jemand mit den Technologien gearbeitet, hat da vielleicht auch an der Freizeit, vielleicht auch schon während der Schulzeit, so Coding gemacht, weil wir sind natürlich sehr, sehr technisch und man braucht diesen technischen Hintergrund. Und das baut dann ein Bild zusammen. Und wenn ich da das Gefühl habe, ja, das passt, möglicherweise hat derjenige oder diejenige auch schon Erfahrung im Consulting gehabt, das muss gar nicht so viel sein. Wir müssen jetzt nicht den Überconsultant einstellen. Aber ja, irgendeine Art von Erfahrung sollte auf jeden Fall da sein. Und dann habe ich natürlich das in den entsprechenden Interviews nochmal vertieft und diesen Eindruck entweder bestätigt oder eben falsifiziert. Und wir haben ganz stark eben auch auf Tests gesetzt. Es ging darum, wirklich pragmatisch einen kompletten Data Stack aufzusetzen. Der war natürlich simplifiziert, gar keine Frage. Aber es sind trotzdem alle Komponenten gewesen. Und wir hatten in der Regel schon auch Bewerber, die eben nicht sämtliche dieser Komponenten gemacht hatten vorher. Und dann mussten sie dort natürlich improvisieren. Und da ging es dann darum zu sehen, wie gut sind sie dabei, wie schnell erfassen sie das Prinzip, was dahinter ist, um dann etwas aufbauen zu können, was erstmal grundsätzlich funktioniert. Und diese Geschwindigkeit ist auch das, was wir eigentlich bei den Kunden nachher sehen wollen. Wir wollen da pragmatisch reingehen, Lean. Wir wollen trotzdem natürlich Technologien nutzen, die dann irgendwo skalierbar sind, also die nicht sozusagen nur bis nächste Woche halten, aber es zwar halt schnell gebaut. Aber das ist halt vereinbar. Und genau danach haben wir gesucht und diese Tests haben da auch den Beitrag geliefert, da wirklich zu selektieren.

SPEAKER_01 14:47

Es hat mir sehr gefallen, dieses Thema testen, dass man eben auch dann auch prüft, weil erzählen kann ich viel, wenn der Tag lang ist, aber spätestens bei der Aufgabe, da muss ich die Hosen runterziehen und dann muss ich ja zeigen, okay, was ich kann, was ich nicht kann. Du hattest noch eine Sache gesagt, die fand ich sehr spannend, gerade jemand, der ausschließlich mit Daten arbeitet, Bauchgefühl. Das hast du, ich glaube, wir zweimal erwähnt, wie ja, ich achte auch das Gefühl, auch wenn wir viel als Datenbasiert natürlich machen wollen. Am Ende ist ja doch irgendwo auch wieder ein bisschen eine Entscheidung auch ein bisschen mit Gefühl dabei. Aber mich würde mal interessieren, woran erkennst du denn, wenn einer so Bullshit-Bingo macht? Also sind es dann die Fachwörter, die ihr dann verwendet, oder woher merkst du, okay, nee, dem traue ich jetzt nicht so?

SPEAKER_00 15:34

Ja, das ist eine gute Frage, da müsste ich kurz drüber nachdenken. Ich glaube, es gibt einfach so Worte, die gut klingen, aber nicht so viel, nicht so viel Tiefe schließen lassen. Während jemand, der wirklich damit gearbeitet hat, relativ schnell Beispiele nennen kann oder wirkliche Knackpunkte, wo sie, ja, vielleicht nicht dran gescheitert, aber wo so ein Problem auftaucht und wie sie es gelöst haben. Und das kann man in so einem Interview eigentlich ganz gut abfragen. Also, zumindest im Interview, im Lebenslauf würde ich sagen, ich präferiere einfach wirklich extrem faktische Lebensläufe. Wo das einfach mal abgebildet ist und nicht versucht wird, mit Worten irgendwie das zu verbessern. Weil am Ende würdest du als Leser das sowieso versuchen, aufs Faktische zu reduzieren und dann bleibt da möglicherweise nicht viel, wenn das halt alles Adjektive waren und ja, fuzzy Business-Begriffe.

SPEAKER_01 16:40

Verstanden. Das heißt, ich nehme mit, wie viele Zahlen, Daten, Fakten oder detaillierte Anwendungsfälle aus seinem Leben, aus seinen bisherigen Projekterfahrungen kann er denn hier geben? Was dann für dich natürlich ein Indiz ist, okay, das könnte jetzt unser Mann sein.

SPEAKER_00 16:59

Ja, genau.

SPEAKER_01 17:02

Und ich hatte mal gelesen, ihr nennt euch ja auch, ich glaube, ich habe es irgendwo gelesen, ihr nennt euch ja auch Opinionated, also das ist ja challenged ja eure Kunden. Mich würde mal interessieren, Thomas, wie misst du dir den Erfolg dieser Haltung? Gibt es Metriken, an denen du erkennst, okay, dieser Kunde hat wirklich von uns profitiert?

SPEAKER_00 17:22

Das sind zwei Fragen. Das würde ich, glaube ich, unterschiedlich sehen. Also ob der Kunde insgesamt profitiert hat und ob das Opinated so funktioniert. Also zunächst mal zu dem Opinated, da sind wir, glaube ich, eher wieder im Bauchgefühl. Für mich ist es so, ich bin halt am Anfang auch auf den Projekt reingegangen und habe dort versucht, mich zu sehr anzupassen, aber am Ende fällt einem das möglicherweise auf die Füße. Und man muss irgendwo diesen Mittelwert finden. Man muss einerseits sagen, ja, ich habe die Erfahrung, dass bestimmte Sachen nicht funktionieren, lass uns die bitte nicht nochmal probieren. Und dann bringt man einfach ein System auch mit und überschreibt vielleicht die erste Intention des Kunden an der Stelle. Natürlich immer im Austausch mit dem Kunden. Zudem habe ich auch gefühlt, Bauchgefühl wieder, dass viele Kunden das auch einfach wollten. Die haben sich einen Berater geholt, weil sie jemanden haben wollten, der im Bereich Data ihnen sagt, was ist Best Practice und was sollten wir hier tun. Und unabhängig davon, ob vielleicht vorher schon eine Skizze existierte, was der Kunde gesagt hat, wir könnten uns das so und so vorstellen, trotzdem hatte ich das Gefühl, dass dort eben einfach auch der Bedarf war, an dieser Beratung und zu sagen, hey, wir wollen die Lösung vielleicht auch anders stricken. Ob die Kunden von uns profitiert haben, ist davon, glaube ich, unabhängig. Ich glaube ja. Und als Beweis würde ich sagen, dass wir einfach auch extrem langlaufige Projekte hatten, insbesondere auch die großen. Weil das mobile.de, Peak und Kloppenburg und auch Getaway letzten Endes Projekte, in dem wir sehr lange da waren, in dem wir sehr viel positives Feedback auch bekommen hatten. Und das würde ich jetzt immer als Beweis sehen, dass da ein Value entstanden ist für die Kunden.

SPEAKER_01 19:14

Verstehe. Ich würde noch, bevor wir auf das Thema Getaway gehen, weil da war ja noch was mit dem Thema Getaway. Da würden wir, ich würde gleich noch den Schwenker mal machen. Ich würde auch gerne auf das ganz super beliebte Thema gehen, KI, was ja in aller Munde ist. KI ist überall. Was ist denn der echte Pain, also den du bei den Kunden siehst, wenn es gerade um das Thema KI geht?

SPEAKER_00 19:38

Ja, das kann ich gar nicht in dem Kontext so gut beantworten, weil einfach zur Zeit unheimlich viel unheimlich schnell passiert und ich gerade extrem viel mit KI machen und auch extrem viel Value aus KI rausziehe. Das ist aber in dem Getaway-Projekt, was wir auch gleich besprechen werden. Wenn ich jetzt so ein, zwei Jahre zurückdenke, dann war KI noch was ganz anderes. Also ChatGPT war schon unterwegs und wir haben das natürlich auch genutzt und auch Kunden haben das genutzt, um irgendwie Snippets zu erstellen. Wenn man sagt, hey, ich habe hier ein SQL-Frage, kannst du mir das mal umrechnen oder was auch immer oder umrefaktoren. Also solche Sachen hat man vor ein bis zwei Jahren gemacht. Was wir heutzutage machen, ist von dem eigentlich sehr, sehr verschieden. Es geht halt viel, viel tiefer. Wir nutzen natürlich Coding Agents, wie die meisten. Wir bauen Harnesses, wo es darum geht, diese Coding Agents mit einem Regelwerk so zu füttern, also mit einem Regelwerk und ganz viel spezifischen Kontext so zu füttern, dass die große Teile der Arbeit autonom machen können. Nicht komplett, da sind wir einfach noch nicht. Aber das können sie machen. Und das war zu dieser Zeit einfach noch nicht, also vor ein bis zwei Jahren noch nicht möglich. Und dementsprechend ist es tatsächlich etwas, was insbesondere jetzt in dem Getaway-Projekt eben passiert und da eben auch unheimlich viele Früchte trägt.

SPEAKER_01 21:13

Verstehe. Kannst du uns mal jetzt mal aufschlüsseln, was es mit dem Getaway hat? Also ich weiß nicht, ob das alle jetzt mitbekommen haben. Ich weiß es natürlich, du hast es mir ja gesagt, aber du bist ja, was jetzt ja auch eine neue Rolle, nämlich bei Getaway, du bist Head of Data Science und dieses Thema Nein-Friendly White Rabbits, das scheint ja jetzt noch halb lebendig zu sein oder was ist genau jetzt da passiert?

SPEAKER_00 21:35

Ja, genau. Getaway ist quasi unser letzter Kunde, wenn man so will, oder zumindest erstmal unser letzter Kunde. Wir sind in Getaway aufgegangen, also es ist quasi ein Equi Hire passiert. Natürlich ist Getaway keine Beratung, deswegen ging es nicht darum, unser Businessmodell zu übernehmen, sondern wirklich um das Team, also deswegen Acqui Hire. Getaway ist eine Travel-Plattform, beziehungsweise Ist eine Gruppe von Travel-Plattformen. Wir bedienen die Marken, die in Deutschland relativ stark sind im Bereich Kurzreisen und Arrangements. Das ist kurzmalweg.de, kurzreisen.de, kurzurlaub.de und auch im AT-Bereich, also im österreichischen Bereich im Kurzurlaub.at. Damit sind wir auch Teil von Home2Go. Also Home2Go ist ein Eigentümer von unserer Gruppe. Und hier ging es insbesondere dabei, also ich habe dieses Projekt als Contractor, also als nein Friendwright Rabbits, angefangen vor wann war das, Ende 2024, also jetzt anderthalb Jahre her. Und dabei ging es darum, diese Einzelmarken, die es gab, in ein übergreifendes Data Warehouse-System, also in eine Data-Plattform zu überführen. Für uns sehr spannend, weil es halt ein Greenfield-Projekt war. Die Marken hatten jeweils auch schon Dateninfrastrukturen, die aber sehr, sehr unterschiedlich waren. Und wir haben uns entschieden, das auf GCP, BigQuery und anderen Google-Technologien hauptsächlich eben aufzubauen. Auch Luca ist dabei. Wie gesagt, Greenfield-Projekt ging darum, wirklich einheitliche Strukturen von verschiedenen Marken aufzubauen, also multiten-fähig, wie man das nennen würde. Und dabei natürlich einerseits die modernen Data-Stack-Komponenten einzubauen, andererseits eben auch das Thema AI möglichst gut zu leveragen. Inzwischen bin ich, nachdem wir dort geacquired wurden, nach ungefähr einem Jahr, bin ich dann Head of Data und AI für die Getaway Group und verantworte, wie gesagt, das Data-Thema und auch das AI-Thema, wobei, das ist natürlich ein Thema, was jetzt nicht nur von einer Abteilung gemacht wird, sondern auch Tech. Die Tech-Abteilung ist dabei, unser CTBO ist da ganz tief drin im AI-Thema. Also da ziehen sehr viele Leute an diesem Strang. Und insbesondere ist eben der Fokus genau diesen Harnes, das heißt ja auf Deutsch Geschirr, also dem Agent quasi ein Geschirr anzulegen, um die Automatisierung nicht irgendwo in so einem Slop enden zu lassen, sondern dass wirklich sinnvolle Code-Komponenten dort bei entstehen. Und da sind wir tatsächlich relativ weit, auch im Data jetzt speziell. Wir haben dort einen Agenten gebaut, den komplett erstens mit Company-Bissen gefüttert. Teilweise ist es aus dem Confluence, aber letzten Endes haben wir es auch nochmal manuell angereichert. Und dann hat dieser Agent natürlich Zugriff auf die Daten, auf das Data Warehouse. Dabei ist es insbesondere wichtig, dass wir im Hintergrund eben die Modelle haben. Also das ist nicht so, dass der immer auf die Rohdaten zugreift, sondern wir haben einen klassischen Data Warehouse gebaut mit Modellen in DBT, mit Tests, mit Dokumentationen. Wir haben Look ML-Modelle obendrauf, die auch dokumentiert sind. Und das ist quasi auch nochmal Kontext für den Agenten, sodass der einfach versteht, wie die Zusammenhänge zwischen diesen einzelnen Entities sind, die in dem Data High House drin sind. Und deswegen kann er halt wirklich sehr gezielt und auch sehr genau und sehr präzise Antworten über den aktuellen State liefern. Und das ist das, was wir da gerade machen.

SPEAKER_01 25:26

Das nennt ihr mich sehr stark, Thomas. Du hast jetzt ja, du hast ja bei diesem, ihr wolltet jetzt im Rahmen eines Acquiires jetzt ja übernommen, also nicht das Geschäftsmodell, sondern eher die Köpfe dahinter. Was war der Hintergrund, dass du gesagt hast, Mensch, okay, das passt, ich habe jetzt Lust, das zu machen. Weil du hättest ja auch, du hättest ja auch ablehnen können. Du hättest auch sagen können, nee, Leute, netz Angebot, aber lass mal lieber.

SPEAKER_00 25:49

Ja, absolut. Ich habe auch tatsächlich relativ lange zurückhaltend reagiert, weil man möchte natürlich jetzt nicht ein funktionierendes Business aufgeben. Also wir haben das ja nicht gemacht, weil wir nicht mehr konnten oder so, sondern das hat auch wieder ganz gut funktioniert. Ich hatte ja von Krisen geredet, die passiert sind während unserer Laufbahn. Es ging also auch hoch und runter. Wir waren nie unprofitabel. Also das hat immer irgendwie funktioniert am Ende des Tages, aber es waren halt trotzdem so Sachen, wo man gesagt hat, oh, überleben wir jetzt die nächsten drei Monate. Weil wenn da ein Projekt wegbricht und man braucht dann schnell ein neues, dann ist es halt ja so ein bisschen weit auch Glücksspiel, ob das dann funktioniert oder nicht. Letzten Endes hat es immer funktioniert, aber es war halt nie so ganz linear. Und wie gesagt, zu dem Zeitpunkt, 25, war die Auftragslage eigentlich wieder besser, also im Vergleich zu 2023, 24. Und wir hatten jetzt nicht unbedingt die wirtschaftliche Notwendigkeit jetzt unbedingt uns da zu Aquihiren lassen. Die Gründe sind also sehr vielfältig, warum ich letzten Endes die Entscheidung getroffen habe und die bis jetzt auch überhaupt nicht bereue. Einer der Punkte ist, dass es natürlich unterschiedliche Projekte gibt, die man macht als Firma. Und man kann sich natürlich Projekte auch aussuchen, aber nicht unbegrenzt. Man muss auch einfach dann Sachen nehmen, wie sie kommen. Und ich muss einfach sagen, dass das Getaway-Projekt mit den Randbedingungen, dass dort sehr viel Kapital zur Verfügung steht. Da gibt es ja den Willen zu investieren, um diese verschiedenen Marken eben auszubauen, möglicherweise auch zu expandieren. Das heißt, wir haben hier ein klassisches Startup-Scale-Up-Setup. Wir haben extrem modernes Text-Step-Setup im Hintergrund. GCP, BigQuery sind natürlich auch irgendwo Standardsysteme, aber es gibt halt kaum Legacy im Data. Wir haben ein extrem agiles Team, was wirklich auch neue Sachen bauen will, was auch bereit ist, alte Systeme umzuschmeiß und komplett neue Systeme aufzubauen. Auch ein Team, was AI extrem embraced, wie nennt man das, umarmt. Und das waren einfach so positive Punkte, wo ich gesagt habe, hey, klar, es gibt auch wieder andere Kundenprojekte, die auch so cool sind. Aber es kann sein, dass die vielleicht nicht als nächstes kommen. Und das, wo ich gesagt habe, hey, das würde ich jetzt einfach mal wirklich auch von vorne bis hinten durchspielen und gucken, wo können wir das Projekt hintreiben. Und das ging halt einfach dann irgendwann nur noch in dem Setup, dass wir dort joinen und Teil von Getaway wurden.

SPEAKER_01 28:34

Vielen Dank. Danke dir für die Aufschlüsselung. Mich würde mal interessieren, was ist der Hintergrund, dass ihr so Google-minded seid? Also du hast ja gesagt, GCP, BigQuery, Luca, das ist ja ein richtiges Google-Ökosystem, also schon eher so ein richtiges Google-Haus, was ist der Hintergrund für dieses Fable?

SPEAKER_00 28:53

Also die Entscheidung jetzt bei Getaway war natürlich auch schon vorher getroffen, also bevor ich da reinging. Wir als Agentur haben aber sehr viel Google gemacht. Und das, gut, in gewisser Hinsicht ist es so, wenn du bei Google anfängst, bleibst du vielleicht auch bei Google. Also, das will ich gar nicht ausschließen, dass das ein wesentlicher Grund hier ist. Auf der anderen Seite, ich habe verschiedene Systeme ausprobiert, also insbesondere auch AWS und auch ein bisschen Azure. Und ich habe auch dort einfach das Gefühl gehabt, dass Google vom Ansatz her am einfachsten ist. Natürlich gibt es sehr viele Sachen, die einfach auch gleich sind. Trotzdem ist es so, dass Google einfach strukturiert ist, klar zugänglich. Die Dokumentation ist super. Und es treten auch so wenig Fragen auf, wenn du die APIs integrierst. Also wo man einfach sagt, das ist ja so implementiert, wie es sein sollte. Da gibt es ein paar Ausnahmen, aber in der Regel ist es so. Das ist bei AWS an sich auch nicht schlecht. Ich finde es aber trotzdem etwas komplexer. Und bei Azure ist es einfach schlimm, weil dort, ich sag mal, sehr alte Konzepte, sehr alte Strukturen mit sehr modernen Strukturen zusammengeführt werden. Und zusätzlich zu diesen, sagen wir mal, technischen Aspekten kommt noch hinzu, dass oft die Administration auch schon jahrzehntelang von den Firmen in irgendeiner Form gemacht wurde und dementsprechend die Prozesse da auf Sachen Zugriff zu bekommen, einfach unglaublich komplex sind. Die möglicherweise technisch heute sogar einfacher wären, aber einfach weil es historisch so gewachsen ist, dort einfach bremsen. Und ich muss einfach sagen, in Projekten, wo wir in Azure oder vor allem in Azure unterwegs waren, waren einfach die Zeiten, bis irgendwas geklappt hat, wesentlich länger, als es bei GCP passiert, gebraucht hat.

SPEAKER_01 30:47

Verstanden. Okay. Gut, das ist deine persönliche Erfahrung. Also, man, wenn ich jetzt hier natürlich andere Kunden durchlage, die würden wieder sagen, wahrscheinlich Databricks, andere würden wieder sagen, Snowflake. Dann gibt es wieder ein paar, die setzen auf Fabric, also das ist jetzt vielleicht irgendwie doch eine Glaubensfrage. Aber was ich sehr spannend fand, was ich aber wirklich sehr spannend fand, Thomas, ich war jetzt ja auf dem Data Innovation Summit in Stockholm gewesen und da ist mir, da habe ich ein folgendes Muster erkannt. Die meisten nutzen tatsächlich Snowflake Databricks, gefolgt von Fabric. Dann gab es auch natürlich auch GCP und dann gab es auch noch wieder ganz exotische Kombinationen mit Exasol oder teilweise AEWS Native, aber ich sehe schon so gewissen Trend Richtung Derrick Snowflake und Fabric. Siehst du das auch, Thomas? Ich weiß, du hast jetzt natürlich stark ein bisschen Google-Biers, aber wie siehst du den Markt?

SPEAKER_00 31:46

Ja, es ist natürlich so, dass viele Firmen intuitiv zu Azure gehen, weil sie im Microsoft-Space schon sehr, sehr lange unterwegs sind. Teams ist auch inzwischen, also es ist, sagen wir mal, marketingtechnisch ein sehr, sehr gutes Produkt, inzwischen auch technisch. Am Anfang war das leider nicht so, aber ja, es ist natürlich sehr überzeugend. Und da ist letzten Endes Azure bei vielen auch nicht weit. Auch ist es so, dass alte Microsoft-Produkte, wie jetzt zum Beispiel einen Datenbank-Server von Microsoft relativ leicht dann in die Cloud gezogen werden konnte, sodass die ersten Data Warehouses bei Kunden möglicherweise einfach Cloud-SQL oder Instanzen waren. Und ich denke mal, das ist einer der Gründe, warum viele Firmen in diesen Bereich gehen. Wenn man sich dann anguckt, welches Data Warehouse zur Verfügung steht, dann ist es so, dass tatsächlich auf AWS Redshift zur Verfügung steht und Athena. Ich denke mal, an Athena trauen sich weniger Leute ran, weil es halt auch eher ein Data Lake oder ein Lake House ist. Und Redshift ist inzwischen so ein bisschen angestaubt. Und dementsprechend kann es sein, dass Firmen sich dann eben für einen Third-Party-Provider interessieren, wie Snowflake und Databreaks, beides sehr gute Systeme. Mit Snowflake habe ich ein bisschen gearbeitet, mit Databreaks tatsächlich ein bisschen mehr. Absolut Systeme, mit denen man sehr gut arbeiten kann. Sie sind teurer, sagen wir mal, als ein BigQuery, zumindest am Anfang. Wenn man noch nicht so viel Volumen drauf hat, dann sind die einfach teurer. Es ist auch so, wenn du ein Snowflake kaufen willst mit einer größeren Firma, dann gibt es da meistens so einen Minimalblock, den ich jetzt gar nicht nennen möchte, den man erstmal bezahlen muss pro Jahr, bevor eigentlich nichts läuft. Und das ist halt bei BigBury natürlich angenehmer, weil man dort ein Scale to Zero hat. Auf Azure würde ich sagen, das Produkt, also das neue Produkt, was unter Fabric läuft, das ist ja leider teilweise so ein bisschen undurchsichtig, welches Produkt da direkt hinter ist. Aber auch dort ist ja quasi ein Lake House, also oder eins der Produkte ist auch ein Lake House, was vermutlich ähnlich performant ist wie jetzt zum Beispiel ein Athena oder vergleichbare Data Warehouse, Databricks zum Beispiel. Aber ich habe damit bisher noch nicht so viel Erfahrung gemacht. Ich denke mal aber, dass dieses Produkt für sich genommen absolut valide ist. Und wenn ich auf Azure wäre, würde ich auch gucken, dass die Kunden dahin migrieren und nicht bei den alten MSSQL-Datenbanken bleiben.

SPEAKER_01 34:32

Mich würde mal eine Sache interessieren, so Lessons Learned. Ich weiß, die Zeit kann man nicht zurückdrehen. Aber was wäre so eine Entscheidung, die du mal komplett anders getroffen hättest, als du noch bei LineFriendly White Rabbit aktiv warst, vollumfänglich?

SPEAKER_00 34:52

Ja, gute Frage. Also eigentlich gibt es da keine große Entscheidung, wo ich sage, oh, das war jetzt aber richtig schlecht gelaufen. Ich denke, es gibt so Richtungen, in die man vielleicht mehr oder weniger hätte reingehen müssen. Also zum Beispiel das ganze Thema Skalierbarkeit hätte es sicherlich verdient, von Anfang an mehr Fokus zu bekommen. Und dann wäre es möglicherweise auch so gekommen, dass man irgendwie schneller skaliert hätte, größer geworden wäre. Ich bin aber nicht unzufrieden mit dem, wie es gelaufen ist. Einfach auch die Erfahrungen, die ich da insgesamt sammeln konnte und möglicherweise in Zukunft ja auch wieder sammle. Also jetzt ist es ja so, dass die 9 Friendly Writer Rapids pausiert sind, sie existieren aber theoretisch noch als Firma. Und deswegen bin ich da absolut nicht unzufrieden, dass wir da jetzt nicht nur eine Hyperscaler-Agentur geworden sind.

SPEAKER_01 35:56

Mich würde noch eine Sache interessieren. Thomas, ich stelle dich immer diese Frage. Gab es mal so ein oder gibt es ein Businessbuch, was dich am meisten inspiriert hat?

SPEAKER_00 36:06

Schwer zu sagen, weil ich tatsächlich wenig Bücher lese. Ich lese eher so wirklich im Internet Berichte oder Posts oder Artikels und weniger wirklich komplette Bücher. Was ich schon durchgearbeitet habe, ist so das ganze Thema Business Model Canvas, also Lean Startup. Und das sind natürlich Sachen, die jetzt auch bei einer Agentur einfach helfen, um zu verstehen. Du hattest ja vorher angesprochen, das Thema Data Thinking, was wir jetzt gar nicht vertieft haben, aber das ist so ein Zweig von uns, den wir auch aufgebaut haben, wo wir Kunden, bevor wir wirklich implementieren, einfach mit so einer Art Data Thinking Canvas durch verschiedene Aspekte durchgeführt haben, wo wir einfach Informationen über das Businessmodell gesammelt haben und daraus dann eine Empfehlung abgeleitet haben, was implementierbar ist, was der mögliche Effekt des Ganzen ist. Und das kommt sicherlich dann aus dieser Historie, wo ich mich sehr, sehr viel mit diesen Business-Themen und diesen Startup-Themen auseinandergesetzt habe.

SPEAKER_01 37:15

Aber gut, Thomas, dass du das noch am Ende nochmal erwähnt hattest. Ich hatte es fast vergessen, aber du hast jetzt nochmal schön hier den Schwenker nochmal eingebracht. Thomas, erstmal vielen Dank, dass du da warst. Ich hatte sehr viel Spaß gehabt. Und auch danke auch für deine offenen und auch deine ehrlichen Worte, auch wo du ja auch gesagt hast, okay, du hast ja auch lange nachgedacht, wie wollen wir das jetzt machen hier mit der Agency. Und wenn euch der Podcast gefallen hat, ihr könnt auch den Thomas, der ist auch nach wie vor auf LinkedIn. Ich habe ja auch damals den Thomas auf LinkedIn ja auch angeschrieben und der hat mich auch dann zurückgeschrieben. Ich werde auch dein Profil dann natürlich einblenden und bis demnächst. Ansonsten alles Gute, Thomas.

SPEAKER_00 37:55

Ja, vielen Dank, Kahn. Rocky. Ja, ja, also vielen Dank, Rocky. Das hat mir auch sehr, sehr Spaß gemacht. Und ja, kontaktiert mich gerne, wenn ihr Fragen habt. Ansonsten freue ich mich, wenn wir uns demnächst mal wiedersehen.

SPEAKER_01 38:12

Dankeschön, Thomas.