Der digitale Mittelstand mit Nils Müller
Eine Reise zu Werten und Daten im Hinterland
23.04.2025 62 min
Zusammenfassung & Show Notes
Diesmal sind wir in Bielefeld und mit Nils Müller von der OEDIV, einem Tochterunternehmen der bekannten Oetker-Gruppe tauchen wir in die faszinierenden Herausforderungen der Digitalisierung des deutschen Mittelstands ein. Als Rückgrat der deutschen Wirtschaft ist der Mittelstand zwar eine tragende Säule, aber nicht als großer Treiber der Digitalisierung bekannt. Wir sprechen darüber, was den Mittelstand charakterisiert, wie Daten zunehmend zu einem Erfolgsfaktor werden und warum es eigentlich immer um den Pudding geht.
Mit Nils Müller ist in dieser Folge ein absoluter Experte für mittelständische Datenlösungen dabei. Ihr findet ihn auf LinkedIn.
Transkript
Gemeinsam mit Nils Müller spreche ich über die Herausforderungen der Digitalisierung im Mittelstand.
Ihr hört Ein Geek kommt selten allein, dem Podcast rund um,
Willkommen zu Ein Geek kommt selten allein, dem Podcast für digitale Macher
und alle, die es werden wollen.
Mein Name ist Stephan und zusammen mit meinen Gästen spreche ich über verschiedene
Bereiche der Digitalisierung.
Gemeinsam nehmen wir den Hype um große Themen auseinander und schauen mal,
wie viel Theorie es dann auch in die Praxis schafft.
In dieser Folge spricht der Geek mit. Hallo, ich bin Nils Müller und ich bin
Data Analytics Engineer bei der OEDIV.
Die OEDIV ist ein Tochterunternehmen der Oetker Gruppe und verantwortlich für
den Mittelstand in den Themen SAP und Managed Services in der Private und Public Cloud.
Heute tauchen wir in das Herz der deutschen Wirtschaft ein, den deutschen Mittelstand.
Auch hier ist natürlich das Thema Digitalisierung top aktuell.
Vor allem in familiengeführten Unternehmen stehen dabei Tradition und Innovation
oft in einem Spannungsfeld.
Und wir stellen uns die Frage, wie können Daten und künstliche Intelligenz dabei
helfen, diesen Balanceakt zu meistern?
Welche Herausforderungen gibt es da zu bewältigen? Welche Chancen eröffnen sich?
Wir gehen heute mal auf eine Reise ins sprichwörtliche Hinterland,
wo wir beleuchten, wie Unternehmen ihre Werte bewahren und gleichzeitig den
Wandel erfolgreich gestalten können.
Da sind wir jetzt hier bei dir, Nils. Und was macht für dich Mittelstand aus?
Wie würdest du den charakterisieren und sagen, was ist eigentlich Mittelstand?
Was ist der Mittelstand? Das ist, glaube ich, eine Frage, bei der sich die Leute
nicht einigen können. Wie die Antwort lautet, für mich, der in Ostwestfalen,
in Bielefeld groß geworden ist, ist der Mittelstand für eins wichtig.
Und ja, was charakterisiert ihn?
Ich würde sagen, Unternehmen mit einer Größe von 500, vielleicht auch 1000 Mitarbeitenden,
die in der Regel vor allem hier historischen Ostwestfalen familiengeführt sind,
familiengeführt waren und es auch nach wie vor noch in die Zukunft tragen werden.
Mit einem Fokus auf Werte, mit einem Fokus auf den Menschen und mit einem Fokus
auf das, was sie gut können, nämlich ihr Produkt oder ihre Dienstleistung.
Was mir immer wieder aufgefallen ist, ich war ja, dadurch, dass ich als Consultant
viel unterwegs bin, komme ich zu vielen Unternehmen, auch zu vielen Mittelständlern.
Und was bei denen immer wieder auffällt,
Da gibt es immer eine Werksführung. Also Mittelständler zeichnen sich für mich dadurch aus.
Die sind sehr stolz darauf, was sie aufgebaut haben, was sie haben und zeigen
das auch mal und sagen, guck mal, hier entstehen die hochwertigen Dinge,
die Hidden Champions im Sauerland, die dann sagen, wir schicken das in die Welt,
das sind unsere Leuchten, das ist unsere Seife, wie auch immer.
Das ist bei uns nicht anders. Wenn du ein bisschen mehr Zeit mit eingeplant
hättest, hätte ich dir auch die Führung durchs Rechenzentrum organisiert,
weil wir auf unser Rechenzentrum als mittelständisches Unternehmen natürlich sehr stolz sind.
Aber ich gebe dir recht, das ist, was man macht.
Das ist wichtig, was man macht, das möchte man zeigen und was man hat,
darüber möchte man auch ins Gespräch kommen.
Wenn du das nächste Mal in Bielefeld bist und ein bisschen Zeit mitbringst,
würde ich dir zum Beispiel auch die Dr.
Oetker Welt empfehlen, die bei uns, beim Mutterunternehmen, den Kern des Geländes ausmacht.
Und die sind so stolz auf ihren Pudding. Die haben einen großen Pudding ins
Erdgeschoss gestellt, wo du dir nach der Führung, so viel du möchtest,
Pudding ziehen kannst, um einfach zu zeigen, das sind wir, das macht uns aus.
Und ich habe noch nie drüber nachgedacht, aber das ist auf jeden Fall auch ein
Punkt für die Charakterisierung des Mittelstands. Sie wollen zeigen, was sie haben.
Was mir aber auch aufgefallen ist bei den Führungen immer, ist,
dass es, also der Kern, um den es geht, also die Essenz, der Pudding,
sagen wir es so, der Pudding steht im Vordergrund und alles wird gemacht für den Pudding.
Und das heißt aber nicht, dass alles mit der gleichen Intensität gemacht wird.
Also es gibt eine klare Unterscheidung von dem, was Kern ist,
worum man sich kümmert und was Peripherie ist, wo man sich nicht so sehr drum kümmert.
Ist das was, was man nur so von außen so denkt? Oder würdest du auch sagen,
im Grunde genommen, Stärken, Stärken ist ein wesentliches Thema,
was der Mittelstand macht und der geht nicht so sehr in die Breite,
sondern der geht eigentlich in die Tiefe?
Ja, dem würde ich auch zustimmen. Natürlich nicht für alle Unternehmen.
Es gibt mit Sicherheit auch die ein oder andere Ausnahme.
Aber das Thema, sich auf den Markenkern zu konzentrieren, sich die Frage zu
stellen, sind wir ein Unternehmen, das Pudding herstellt oder sind wir ein Unternehmen,
das IT-Service bereitstellt, muss man sich als Unternehmen stellen.
Im Falle der OEDIV sind wir dann ausgegründet worden, weil die klare Aussage
war, Edgar Nahrungsmittel macht Nahrungsmittel und die IT, die landet woanders.
Natürlich nicht von Anfang an, aber irgendwann kommt der Punkt,
dass man halt einfach sagen muss als Unternehmen, wir machen das, was wir gut können.
Dann fallen natürlich einige Sachen noch hinten runter. Ein Thema ist mit Sicherheit
für viele mittelständische Unternehmen das Thema Digitalisierung,
weil nur ein Bruchteil der mittelständischen Unternehmen auch digitale Unternehmen sind,
sondern eher in der Produktion und im Handwerk verwurzelt sind,
da wo die Familienunternehmen seit über 100 Jahren ihren Grundsatz.
Markenschöpfung haben.
Das kann ich absolut bestätigen. Ich dürfte bei einem Unternehmen mal sagen,
wo ich gar nichts drüber sagen darf.
Aber die waren wirklich ganz weit vorne in ihrem Thema.
Die waren die Weltbesten. Die haben alle beliefert, volle Auftragsbücher und
alles wurde gesteuert über eine große Excel-Liste.
Also da merkt man dran, du kannst noch so gut in dem einen Thema sein.
Das heißt nicht, dass du die anderen Themen auch mit einem vollwertigen ERP-System
und CM und so weiter bespielst, sondern nee, die hatten halt Kreide auf die
Werkstücke draufgeschrieben, was es ist und eine Excel-Liste war das,
wo sie nachvollziehen konnten, was es ist und Maschinen im Wert von mehreren
Millionen da stehen, die das dann tun.
Und das ist ein interessantes Spannungsfeld tatsächlich, wo man sagt, das ist ja gut genug.
Also vielleicht ist gut genug auch so ein Charakteristikum, wo der Mittelstand
sagt, das überspezifizieren wir nicht, sondern wir sorgen dafür,
dass es irgendwie den Pudding unterstützt, die Maschine unterstützt,
dass man da ausreichend weiter mit nach vorne gehen kann.
Quasi das agile Manifesto vor dem agilen Manifesto.
Eigentlich die absoluten Agilisten, so würde man das sagen, genau.
Und böse Zungen könnten jetzt sagen, wo bleibt denn da die Innovation?
Also wenn man immer nur auf die Stärke guckt und nur die Stärke macht,
dann wird man sich ja nie weiter wegbewegen.
Und da sind wir wieder bei dem Spannungsfeld, wo du sagst, die Tradition,
mach das mal so, wie du es immer gemacht hast, weil das hat dich hier hingebracht.
Ist dann natürlich die Frage, was bringt dich denn in die neue Welt?
Siehst du für euch oder für diejenigen, mit denen du so in Kontakt bist,
siehst du da momentan Herausforderungen, dass man sagt, okay,
es gibt wirklich eine Notwendigkeit, sich zu digitalisieren,
dass es neue Themen gibt?
Oder würdest du sagen, Digitalisierung macht man halt heutzutage,
aber der Treiber ist eher so, weil es Zeitgeist ist und nicht,
weil es wirklich Probleme löst?
Das ist ein vielschichtiges Thema, wo ich pauschal eigentlich keine Antwort
geben möchte. Als Softwareentwickler möchte ich gerne sagen, kommt drauf an.
Es sind viele Gründe, die für Digitalisierung sprechen und viele Gründe,
die auch mittlerweile aufzeigen bei den Unternehmen, die es bis jetzt vernachlässigt haben.
Du wirst irgendwann abgehängt und du musst dich irgendwann fragen,
was möchte ich in die Zukunft tragen und was möchte ich in der Vergangenheit lassen.
Und das Thema der Zeit ist natürlich KI,
Generative AI, Large Language Models und alles darum herum,
die Peripherie, die jetzt aufzeigt, welche Unternehmen digitalisiert sind und
welche nicht, wo Baustellen sind und wo vielleicht sogar schon Investitionen
sich langsam bezahlt machen für die Unternehmen, die früher dabei waren als andere.
Für mich als Mitarbeiter ist der größte Faktor der Digitalisierung,
glaube ich, dass es angenehmer ist, damit zu arbeiten.
Es ist angenehmer, wenn die Prozesse im Hintergrund fluppen.
Wenn du deinen ersten Tag hast, das Onboarding über Jira oder welches Servicesystem
auch immer vorbereitet wurde, einfach dafür gesorgt hat, dass du dich einloggen
kannst und arbeiten kannst,
und nicht erstmal ein, zwei Wochen hinterherlaufen musst, bis du Mehrwert liefern kannst.
Ja, bist du schnell beim Thema Transparenz, dass man eben Einblicke hat.
Und für mich würde der Mittelstand auch dafür stehen, für Tradition und eben
traditionell überliefertes Wissen. Also mit allem Vor- und Nachteil.
Man weiß zwar viel, aber das Wissen zu transferieren auf neue Mitarbeiter dauert ewig.
Und manches Wissen hast du gar nicht explizit. Also es hilft halt,
wenn du 20 Jahre da bist, weil dann hast du es irgendwie verinnerlicht und mitgenommen,
aber es konnte keiner aussprechen, was ist zum Beispiel das geheime Rezept,
um den Teig für ein Brot zu kneten.
Das sagt keiner. Das heißt, er knete in 20 Minuten, aber dass du auf die bestimmte
Art und Weise kneten musst, das kann dir keiner explizit sagen.
Und gerade da, glaube ich, ist Digitalisierung ein wichtiger Faktor zum Aufdecken.
Also was sind eigentlich Dinge, die man festhalten muss und was sind Dinge,
die man vernachlässigen kann? Also was ist die Essenz von Dingen?
Auf jeden Fall. Sobald es darum geht zu fragen, wie führt man ein Digitalisierungsprojekt
durch, ist eine der ersten Phasen immer das Requirements Engineering,
das Aufdecken, was man wirklich hinterher modellieren möchte.
Und in dem Moment, in dem man anfängt, in den Dialog zu treten mit den Leuten,
die hinterher den Prozess tragen müssen und erst mal die Mindmap aufgemacht
wird und dann jede Wurzel,
die nächste Wurzel hinter sich herzieht und man am Ende so viele Themen identifiziert hat,
da hilft die Transparenz durch die Digitalisierung auf jeden Fall.
Also die Digitalisierung braucht Transparenz, aber sie schafft sie auch.
Genau durch diesen Prozess.
Den einen Aspekt, den die Digitalisierung bringt, ist ja nach wie vor das Connecten von Menschen.
Wir sprachen vorher auch schon mal ein bisschen über Social Media und andere
Themen, wo es darum geht, dass Menschen zusammenkommen.
Das ist natürlich einfacher, dass das Telefon weiterentwickelt.
Also jetzt hat jeder Mitarbeiter eine E-Mail, jetzt kannst du die erreichen,
jetzt ist es nicht wichtig, ob sie neben dir sitzen, man kann ihnen was schreiben,
asynchrone Kommunikation, la la la.
Ja, spannender finde ich den Aspekt mit implizitem Wissen und Daten.
Die Unternehmen haben ja, speziell wenn du ein familiengeführtes Unternehmen
hast, bin ich immer wieder erschrocken oder erstaunt darüber,
wie wahnsinnig viel dann so ein Patriarch oder ein Matriarch alles im Kopf hat,
was die alles wissen über ihr Unternehmen, auch an kleinsten Details,
was in jedem Bereich vorgeht, also Datenmanagement, der Treiber sozusagen für den KI-Bereich.
Daten existieren ja schon, also Daten haben wir ja schon und wir haben viele
Daten, die den Erfolg ausmachen eines Unternehmens.
Die sind nur alle personalisiert momentan. Also da hat man früher sich mit Wissenslandkarten
genähert und gesagt, wer weiß denn was im Unternehmen, mit wem muss man denn sprechen.
Und die Digitalisierung löst das ja so ein bisschen auf.
Wie empfindest du das Thema Daten?
Das wichtigste Thema für mich im Moment, würde ich sagen, in den letzten fünf Jahren.
Du sprichst ein Thema an oder einen Bereich der Daten an.
Wie macht man sie zugänglich? Wie digitalisiert man die Daten,
die in den Köpfen der Menschen drinstecken?
Gerade in mittelständischen Unternehmen hast du natürlich Menschen, die,
Aufgrund der Werte des Unternehmens schon lange dabei sind, die sich wohlfühlen,
die seit 20, 30 Jahren das eine Ding machen, was sie gut können,
das mit Leidenschaft machen und vielleicht nie in die Situation gekommen sind, sich zu fragen,
schreibe ich das auf, mache ich das anderen verfügbar, weil ich bin ja die eine
Person, die diesen Prozess durchführen muss.
Und gerade spätestens beim Urlaub müssten sie ja eigentlich schon mal drüber
nachgedacht haben, auch in 40 Jahren.
Das sind dann die Leute, die nie Urlaub machen, ja. Urlaub ist natürlich ein Thema.
Krankheit haben wir in den letzten Jahren natürlich sehr stark erfahren dürfen,
was es bedeutet, wenn ein Unternehmen keine Notfallpläne hat,
wenn die zentralen Figuren krank werden.
Aber natürlich auch der Ruhestand. Wir haben jetzt eine große Welle von KollegInnen
und Kollegen, die bald in den Ruhestand gehen werden. Das wird in vielen Unternehmen so sein.
Und in dem Moment, in dem sie weg sind, ist im Zweifelsfall auch das Wissen weg.
Ich habe da eine Story, wo ich auch nicht näher leiden darf, wer es war.
Aber sagen wir, es war ein Unternehmen, das sich um Lebensmittelproduktion kümmert
und die mit Kartoffeln arbeiten, Kartoffeln als Rohware.
Und dieses Unternehmen hat einen lang gedienten Mitarbeiter,
der für die Warenannahme zuständig ist und der, wenn eine neue Fuhre Kartoffeln
eingeliefert wird, sagen muss, wie viele Kartoffeln sind das?
Anhand des Volumens.
Das heißt, du musst die Zahl der Kartoffeln sagen. Ich hätte immer gedacht,
ich kaufe dir als 2-Kilo-Sack und ich wüsste nie, wie viele drin sind.
Und mal sind die klein, mal sind die groß.
Aber das ist spannend. Das heißt, da wird nicht nach...
Ich habe vergessen, Fuda oder das Heu, glaube ich. Aber da wird nicht abgerechnet
nach Kilo, sondern da wird gesagt, ich habe heute 4000 Kartoffeln bekommen.
Genau. Und das hatte er in seinem Kopf. Ich hoffe, er hat es auch immer noch in seinem Kopf.
Aber da war die explizite Frage, wie kann man das Ganze mit einem digitalen
Prozess lösen? Wie kann man das Ganze mit zum Beispiel KI-Handhaber machen,
dass die Person, die dabei schon in den Ruhestand geht, ihr Wissen abgibt,
in welcher Form auch immer und das Ganze dann verewigt wird.
Das ist auch eine interessante Form der Unsterblichkeit.
Ja, absolut. Ich erinnere mich, ich habe mal vor vielen Jahren,
war das schon in einem Startup-Wettbewerb jemanden kennengelernt,
die haben Fotos von so Holzstapeln gemacht, die du im Wald siehst,
weil du musst auch immer zählen, wie viele Stämme sind das, wie viel Holz ist das.
Und normalerweise zählen die die dann, aber wenn da so 60, 70 Stämme aufeinander
liegen, dann verzählt sie dich vielleicht auch mal.
Und die haben einfach fotografiert und dann hat der das genau ermitteln können,
damals schon. Das ist wirklich locker 10 Jahre her.
Und das klingt ja auch so nach einem Computer-Vision-Case quasi.
Können sie eigentlich angucken, die Kartoffeln, und dann müsstest du ja ungefähr
wissen, wie viele es sind.
Genau. Jetzt sind so Kartoffeln nicht so einheitlich wie Holzlatten oder Baumstämme.
Ja, auch die nicht. Bäume sind ja auch unterschiedlich dick jeweils.
Ah, das stimmt natürlich. Außer du hast den hochgezüchteten Wald,
die alle gleichzeitig gezogen und gleichzeitig gepflegt worden sind.
Ja, selbst dann hast du, glaube ich, noch so.
Aber Kartoffeln weichen, glaube ich.
Doch mehr ab, von Drillingsgröße bis zu Eiderow.
Genau, genau. Die Variation im Supermarkt ist, glaube ich, genau,
es ist ein Kartoffelspektrum.
Die Herausforderung war groß, trotzdem das in einem Modell abzudecken.
Ich meine, klar, du kannst einen, wie du sagtest, Computer Vision ist im Vergleich
zu vielen anderen Machine Learning oder AI Themen relativ gelöst.
Relativ gelöstes Problem, aber die Qualität der Bilder spielt natürlich eine große Rolle.
Du hast nicht nur ein zweidimensionales Foto, mit dem du arbeiten musst,
sondern du hast ein dreidimensionales Volumen.
Da hast du noch das Thema Tiefe, das bei der Bilderkennung mit eine Rolle spielt.
Und dann das Thema Beleuchtung. Ist dein Quader mit Kartoffeln,
ist der immer quaderförmig oder ist auch mal länglich?
Ist das Licht immer ideal oder hast du auch mal schattige Kartoffeln dabei?
Das sind ja Nachtschattengewechsel.
Und der hat ja irgendeinen Prozess im Kopf, der Kartoffelzähler jetzt,
und den würde man algorithmisieren sehr wahrscheinlich.
Da würde man sehr allgemein gesprochen mit dem Domain-Experten oder der Domain-Expertin
besprechen, welche Faktoren relevant sind und im Gespräch versuchen,
das Wissen aus dem Kopf in eine digitale Form zu überführen und anhand der Informationen,
die die Person seit 30 Jahren mit sich schleppt, dann das Modell definieren.
Dann ins Feature-Engineering gehen.
Das ist manchmal einfacher, manchmal schwieriger.
Hat man da genug Daten? Also ich kenne das, weil wir mal Machine Learning in
einem Shop-System gemacht hatten.
Wir wollten den Checkout-Prozess automatisieren mit Machine Learning und dafür
für jeden Shop quasi wissen, ach klar, das ist ein Checkout-Button,
das ist der Warenkorb-Button und so weiter.
Damals hatten wir das Problem, wir hatten nicht genug Trainingsdaten.
Also die Frage, die ich mir stelle, ist, wie viel LKW mit Kartoffeln kriegst du denn,
dass du da gegenchecken kannst, was checkt der Kartoffelzähler in seinem Kopf,
was macht eigentlich mein Algorithmus.
Und es lässt sich ja auch schwer herstellen, also deine Testdaten in der reellen
Welt zu konstruieren, ein Bild von einem Kartoffellader.
Wie viel braucht man da so?
Viel. Ich kann es gar nicht im Detail sagen. Es hilft natürlich,
wenn das Unternehmen nicht dann erst angefangen hat,
den Datenstand zu erheben, wenn das Problem auftritt. Das ist das übliche Dilemma
mit dem Sammeln der Daten.
Fangen wir damit jetzt an? Fangen wir damit an, wenn wir sie wirklich erst brauchen?
Je früher das Unternehmen diese Fotos sammelt zum Beispiel, hat ja auch noch andere Gründe,
Quality Assurance, um hinterher sagen zu können oder identifizieren zu können,
welche Rohwahndieferungen für welches Produkt hinterher verantwortlich war,
um im Zweifelsfall auch KundInnen-Anfragen,
Reklamationen zurückverfolgen zu können.
Da kann man dann hoffen, dass die Daten schon vorhanden sind.
Ansonsten gehört das natürlich auch immer zu den Projekten, die man umsetzt,
dann die Daten zu sammeln.
Es kommt immer auf die Komplexität des Modells an, wie viele Daten du am Ende brauchst.
Selbstverständlich musst du dein Modell einfacher machen, als es eigentlich sein sollte.
Nehmen wir mal an, der hat jetzt tausend Fotos gemacht. Also die QS,
die in dem Unternehmen ist, hat tausend Fotos von LKW gemacht über die letzten Jahre.
Mit unterschiedlichen Kameras, die immer besser wurden. Aber ein paar davon
sind auch irgendwie mies und sind besser geworden.
Du bist jetzt der Data Engineer und du hast die Aufgabe, sorg mal dafür,
dass wir da jetzt vernünftig trainieren.
Wie würdest du rangehen, würdest du sagen, so die Hälfte der Fotos nehme ich
mal fürs Training, die anderen nehme ich für Verifizierung und guck mal,
dass die alten möglichst fürs Training genutzt werden.
Wobei eigentlich brauche ich
die nicht mehr, weil die sind einfach heute immer hübscher, die Bilder.
Weil da sind ja, der Teufel steckt im Detail, das sind ja so richtige Herausforderungen.
Auch wenn du die Daten hast, hast du halt so eine 480x240 Pixel Kamera damals
gehabt, versus jetzt 12 Megapixel, 40 Megapixel,
die ja eigentlich dann auch für das neuronale Netzwerk ja ganz anders wahrgenommen werden, oder?
Da ist die Frage, was ist dein gemeinsamer Nenner, um zu gucken,
wie du die Daten, die du hast, auch trotzdem noch verwerten kannst.
Weil ich glaube, der größte Fehler, den du machen kannst, ist zu sagen,
jetzt haben wir geilere Kameras, also schmeißen wir die alten weg,
weil hinterher beißt du dir dann trotzdem mit den Hintern, weil du sie hättest nutzen können.
Wie ich vorgehen würde, ist, du musst gucken, wie viel du hast.
Wie viel kannst du aufteilen? Wie viel kannst du wirklich beiseite legen,
um sie später zur Validierung zu nutzen?
Standard Größe, würde ich sagen, ist so ein 70-20-10-Split. 70% deines Datensatzes fürs Training,
20% deines Datensatzes für die Validierung während des Trainings und 10% Daten,
die du dem Modell erst im Nachhinein zeigst, um sagen zu können,
das Modell funktioniert, um ausschließen zu können, dass es overfitted hat auf
den Datensatz, den du vorher benutzt hast. Geht manchmal besser, manchmal schlechter.
Gerade Computer Vision Modelle sind da eine Herausforderung in dem Moment,
in dem du nicht viele Daten hast.
Klar, es hat einen Grund, warum die großen Anbieter seit vielen Jahren viele
Mobile Devices auf den Markt geschüttet haben, um viele Fotos zu bekommen,
die alle in sehr günstigen Cloud-Storages des jeweiligen Anbieters gelandet sind.
Und das ist ein Luxus, den der Mittelstand nicht unbedingt hat.
Ich hänge immer noch bei dem Kartoffelzählen und überlege, ob du abgleichst
mit demjenigen, der die Schätzung abgegeben hat oder ob du nochmal extra nachzählen musst.
Und frag mich, haben die extra nachgezählt? Also hat der Schätzer noch eine
Runde hinter sich gehabt oder ist der Schätzer quasi, den hat man auch zweimal
validiert und auch 70-20-10 mäßig.
Man hat 10 Prozent der Lieferungen mal gezählt und der war immer so gut und
dann hat man gesagt, die 70 werden schon stimmen.
Gute Frage. Wie sehr gehst du an die Ehre des Schätzers?
Ja, absolut.
Natürlich ist er auch geprüft worden. Es geht ja vor allem am Anfang um die Ersteinschätzung.
Und dahingehend ist es ein gutes Beispiel. Du möchtest ja den Schätzer ersetzen mit deinem Modell.
Du möchtest nicht unbedingt die perfekte Prüfung hinterher ersetzen,
sondern die Person, die das Bauchgefühl mitbringt.
Absolut. Aber du musst, glaube ich, scharf sein und klar sein über deine Requirements,
was du genau tun möchtest.
Wenn du wissen willst, wie viele Kartoffeln sind da drin und die Chefetage denkt
jetzt, der Nils hat ja ein wunderbares Videospielzeug installiert,
das sagt mir immer genau, wie viele Kartoffeln da sind, ist es das ja gar nicht.
Also wir haben ja tatsächlich nur einen Schätzer etabliert und wenn man den
nur vergleicht mit dem Schätzer,
dann ist das halt ein Prognosewerkzeug, aber nie ein Controllingwerkzeug,
wo du wirklich sagen kannst, es sind wirklich 4.928 Kartoffeln gewesen heute
und nicht 4.900 grob irgendwie.
Das Thema Controlling ist natürlich eine große Herausforderung in jedem Schritt des Datenprozesses.
Das Controlling weiß, was sie tun.
Das Controlling guckt sehr genau hin und dementsprechend musst du,
wenn du in einem Unternehmen beschäftigst,
Digitale Prozesse rund um Daten einführst, ins Gespräch gehen und das Controlling
idealerweise früh mit einbeziehen, in dem Moment, in dem Ihre Meinung wichtig ist.
Das ist jetzt unabhängig tatsächlich, ob hinterher AI oder Machine Learning
eingesetzt wird oder ob es ein rein deskriptives Datenproblem ist.
Ein Thema, was uns beschäftigt, dadurch, dass wir auch Public Cloud betreuen,
ist das Thema Cloud-Abrechnung.
Hier das Unternehmen, das selber in die Cloud gegangen ist, in den letzten Jahren
weiß, dass die Rechnungen manchmal mehr und manchmal weniger aussagekräftig sind.
Und in dem Moment, in dem du es in einem anderen Unternehmen in Rechnung stellen
möchtest, was für Dienstleistungen du erbracht hast, welche Cloud-Infrastruktur
du genutzt hast, muss das natürlich passen und da müssen deine Tools passen.
Und da ist die Kommunikation mit dem Controlling wichtig, um es belastbar zu machen.
Und ich würde sagen, Belastbarkeit ist eine der großen Herausforderungen der
künstlichen Intelligenz.
Ich würde sogar weiterspannen, die Datenprojekte, die ich kenne,
hast du immer so ein Lineage-Thema, beziehungsweise ein Thema mit,
kann ich den Daten überhaupt vertrauen?
Das eine ist, sind die akkurat, das ist jetzt der Controlling-Fall,
wo du einen sehr harten Soll-Ist, also gepolt auf Soll-Ist-Abgleiche und gucken,
ob diese Zahl dem entspricht, was in den zwei anderen Spalten steht.
Aber auch bei anderen Abteilungen, denen man dann Daten geben muss,
die müssen ja diesen Daten vertrauen.
Also der Schätzer, der seit 30 Jahren da ist, dem vertraue ich einfach,
weil der, klar, weiß ich, der hat immer recht und außerdem ist er immer nett
gewesen, wenn ein Spanferkel fest war oder so. da gibt es ja auch menschliche Prozesse.
Und wenn du dann anfängst zu anonymisieren und da gibt es eine Datenplattform
bestenfalls und über diese Datenplattform oder über eine Mail mit einem Excel-Anhang
kriegst du einen Datensatz, sagst du, ja, weiß ich nicht, ob das stimmt.
Also es waren eigentlich immer mehr Kartoffeln da drin.
Bin mir nicht sicher, ob die Zahlen stimmen. Ich habe die ja nicht selber erhoben.
Diese gewisse Skepsis, die dann auch existiert, die ist, glaube ich,
wenn du Daten anfängst transparent zu machen, auch immer ein Thema, auch bei euch, oder?
Auf jeden Fall. Das Thema Data-Lineage ist ein Thema, das aus meiner Sicht zu
lange ignoriert worden ist, dass,
Um es einmal kurz zusammenzufassen, was es für mich bedeutet,
Data Lineage heißt, wenn du verschiedene Datensätze hast, die im Laufe eines
Datenprozesses miteinander verarbeitet werden,
dass du immer noch sagen kannst, folgende Variable, Variable kann im Excel-Beispiel
eine Spalte sein, folgende Variable kommt aus folgendem ursprünglichen Datensatz.
Und dass du genau sagen kannst, wie diese Datenflüsse zusammen hinterher dein
Enddatenprodukt ergeben haben.
Und zu jedem Zeitpunkt sagen kannst, wann sie zum Beispiel das letzte Mal aktualisiert
worden sind, weil Datenaktualität ein großes Thema, eine wichtige Dimension ist.
Und genauso das Thema Datenqualität als Schwester, Herausforderung der Data
Lineage zu sagen, entsprechen meine Daten meinen eigentlichen Anforderungen
oder sind da Ausweiser drin zum Beispiel?
Und ganz konkret hast du ja bei dem Kartoffelbeispiel vermutlich einen Lieferschein.
Steht irgendwas drauf, 5000 Kartoffeln. Dann kommt der Schätzer,
sagt, ich glaube das sind 4600.
Dann hast du den Algorithmus, der auch nochmal da drauf geht,
der vielleicht 4700 sagt.
Dann hast du vielleicht gezählt aus irgendeinem Grund, kommst bei 4915 raus.
Also irgendwie variiert das schon so, aber die Zahlen sind nicht so ganz genau
und jetzt über Zeit, weil du nicht nur einen von diesen LKWs kriegst,
sondern du kriegst halt jeden Tag einen, also 365 Mal diesen Fehlerfaktor,
den du potenzierst und die Frage, auf welche Daten gucke ich denn?
Das eine ist ja zu wissen, wo kommen sie her, aber auch so Datensemantik,
also zu wissen, was bedeutet das jetzt eigentlich gerade?
Wenn du jetzt nicht im Food-Bereich unterwegs bist, sondern im Non-Food-Bereich
hast du ja ganz oft so Themen Umsatz. Was ist das eigentlich?
Ist das das, was ich eingenommen habe, weil ich Dinge verkauft habe?
Oder ist es das bereinigt, alles, was ich zurücknehmen musste, weil die kaputt waren?
Ziehe ich das vom Umsatz ab? Ist das mein Umsatz eigentlich?
Was genau ist diese Definition der Zahl? Und da fängt es, glaube ich,
an, wenn du in verschiedenen Systemen bist, ist das der erste Schritt nur,
dass du sagen kannst, da kommt es her.
Und dann zu sagen, und das bedeutet das übrigens. Dafür muss es ja jemand ownen.
Also Supply Chain Management, vielleicht den Lieferschein oder Produktion sagt,
wie viele haben wir denn in der Produktion tatsächlich übernommen und dann in
den Trichter geschmissen.
Jemand muss ja Verantwortung für die Daten haben. Und heute ist es irgendwie
ein bisschen schwierig noch, glaube ich.
Es ist auf jeden Fall für den Mittelstand eine Herausforderung,
über die sich noch nicht so viel Gedanken gemacht wurde in den meisten Fällen.
Also viele der Unternehmen, mit denen wir zusammenarbeiten, wenn wir die ersten
Projekte starten, die ersten Prototypen bauen, sind auch noch gar nicht an dem
Punkt, dass sie sagen können, wir haben alles in einem System.
Sondern die starten damit, dass das Finanzbuchhaltungssystem in der einen Datenbank
abgespeichert ist, dass das Betriebsüberwachungssystem in dem anderen Datentopf
gespeichert ist und die Personen, die du angesprochen hast,
die Zugriff darauf haben, auch die einzigen sind, die Zugriff darauf haben,
aber diese Zusammenhänge gar nicht hergestellt werden können.
Und in dem Moment, in dem wir Projekte starten, in denen es darum geht,
diese Töpfe zusammenzuführen, zum Beispiel in einem Data Lake oder in einem
Data Lake House oder in einem Data Warehouse, je nachdem,
welche Technologierundlage man nutzen möchte, wie viel man an Rohdaten speichern
möchte oder wie viel man aufbereiten möchte,
kommt dann immer die Frage, wer ist verantwortlich dafür, welche Person ist
verantwortlich für welche Ebene.
Was wir oft machen, ist, wir benutzen ein dreistufiges System,
das in Rohdaten, in verarbeiteten Daten und in Datenprodukten arbeitet,
das heißt die Rohdaten sind die, wie sie aus dem Quellsystem gekommen sind und
das Datenprodukt ist dann die veredelste Variante, die auch tatsächlich dann
hinterher von Services genutzt werden,
also sowas wie klassisch Reporting, Power BI oder auch die AI Services,
über die wir eben gesprochen haben.
Und entlang dieser verschiedenen Dimensionen, also der Aufbereitungsgrad,
aber auch das Quellsystem oder das Zielsystem, Das sind alles,
Varianten, wo verschiedene Ownership-Fragen geklärt werden müssen.
Du hast jetzt von Rohdaten gesprochen. Unterscheidet ihr auch zwischen operativen
Daten, analytischen Daten, abgeleiteten und originären, weil Rohdaten prinzipiell
können ja auch analytische Daten sein, im Sinne von, ich habe eine Steigerung
von 20% steht in meinem BI-System.
Genau.
Weil gerade dieses Sammeln, also das ist für mich ein Thema,
man hat es ja gehört, keine Daten haben ist immer schlecht.
Daten haben ist gut.
Wir sammeln die einfach mal, bis LLMs und KI so richtig in Fahrt gekommen sind,
habe ich immer gesagt, das ist ja Quatsch.
Also wenn du gar nicht weißt, was die genau meinen.
Mein Beispiel war immer eine Fertigungsstraße. Wenn du die Fertigungsstraße
betrachtest und guckst, wie viele Stück fallen am Ende raus.
Das können Puddings sein, das können irgendwelche anderen Themen sein.
Und dann baust du diese Straße um, weil das passiert in der Produktion ja manchmal,
dass du eine Woche lang etwas produzierst und dann die zweite Woche was anderes.
Wenn du nur die Daten speicherst, wie viele Stück sind am Ende rausgefallen.
Und dann bringst du irgendwie in der KI das bei. Dann sagt die KI dir am Ende,
ja das ist ja komisch. Also im Januar habt ihr immer echt schlechte Leute,
die arbeiten langsam und das geht schneller im Februar.
Wenn du aber weißt, dass die Maschine umgebaut wurde, dass da jetzt was anderes
produziert wird, also Metadaten darüber oder dass die als Einarbeitungsmaschine
genutzt wurde für neue Mitarbeitende oder, oder, oder, dann hast du natürlich andere Ableitungen.
Und das große Problem, was ich sehe, ist nicht, die Daten nicht zu haben,
sondern diesen Daten auch Bedeutung beizumessen, bevor ich sie interpretiere.
Weil wenn die KI einmal sich das alles anguckt und sagt, ja klar,
also wenn Winter ist, ist langsam.
Und du denkst dir, nee, die produzieren ja was anderes im Winter.
Vielleicht ist da eine Zutat mehr drin oder dergleichen und deswegen braucht
es einen Schritt länger oder so.
Und deswegen die Frage so ein bisschen in die Richtung mit analytischen Daten,
operativen Daten, ob man da überhaupt sinnvollen Unterschied macht oder ob man
einfach sagt, das werden die Leute schon am Ende ausdifferenzieren,
wir unterscheiden das gar nicht so sehr, wir schmeißen es erstmal alles in den Data Lake.
Ich würde es erstmal alles reinschmeißen und wirklich das Thema Interpretation
so lange hinauszögern, wie es geht, um den Interpretationsspielraum nicht zu früh einzuengen.
Das heißt, je früher du deinen Modellansatz versuchst in die Daten einzubringen,
umso schlechter kannst du hinterher mit anderen Problemen lösen.
Und du hast die Metadaten schon angesprochen, die sind immer ein wichtiger Faktor
für jede Art von Datensatz.
Es ist nur manchmal schwieriger, die zu erheben als die Daten selber,
weil niemand denkt dran, in dem Moment, in dem ein Metalldetektor in der Produktion
in der Straße eingebaut wird und die Datenbank angeschlossen wird,
dass die Themen rundherum relevant sind, wie du gerade meintest.
So, für was wird das Gerät benutzt, wer wird von dem, wer benutzt das Gerät und so.
Das sind alles Themen, die in dem Datensatz an sich vielleicht gar nicht drin
sind, die aber dringenderweise erhoben werden sollten.
Würdest du dann so Metadaten auch in dem Lake sehen oder das Thema Semantic
Layer spielt das eine Rolle, wo du sagst, man muss ja irgendwo semantische Daten
und die Daten selber haben, wird man das trennen, wird man das zusammen machen?
Das ist eine sehr gute Frage, bei der ich auf Anhieb gar nicht sagen kann,
ob es da eine einheitliche Lösung für gibt.
Es gibt ja verschiedene Ansätze, Daten zu modellieren, verschiedene Ansätze,
auch semantische Daten abzuspeichern, die nicht notwendigerweise standardmäßig
SQL-ähnlich aufgebaut sind, sondern das sind sowas wie Wissensgrafen zum Beispiel,
die auch semantische Schlussfolgerungen zulassen,
die ein deutlich erhöhtes Skill-Level auch bei den Leuten voraussetzlich das
hinterher benutzen, wo man sich dann immer fragen muss,
überfordere ich die Menschen, die mit diesen Daten arbeiten sollen,
in dem Moment, in dem ich dieses Tool einführe, weil die meisten Leute,
mit denen ich bis jetzt zusammengearbeitet habe, in unseren,
mittelständischen Projekten waren Menschen, die mit Excel auf jeden Fall arbeiten
konnten, oder auch mit Word, also so Office, kein Problem,
aber in dem Moment, in dem es dann darum ging, selber SQL-Abfragen gegen das
Data Warehouse zu stellen zum Beispiel, da war dann schon ein Schulungsbedarf notwendig.
Und wenn ich mir dann überlege, dass wir sowas wie eine Knowledge Graphon einführen
und dann auch noch sowas wie Sparkle erklären müssen, wie funktioniert so ein
RDF-Store zum Beispiel, dann sind das Dinge...
Die man sich sehr gut überlegen muss. Grundsätzlich würde ich aber sagen,
je näher die Sachen beieinander gespeichert werden, umso einfacher ist es,
hinterher zu experimentieren, weil man einfach ein System hat und ein System beherrschen muss.
Und das ist aus meiner Sicht der große Vorteil an dem Data Lake-Konstrukt insgesamt,
dass du einen Ort hast, über den du dir auch, was zum Beispiel das Thema Data
Governance angeht, Gedanken machen musst.
Also einen Ort, wo du Zugriffe steuern musst, einen Ort, wo du Autorisierung
und Authentication klären musst.
Und in dem Moment, in dem du das in verschiedenen Systemen machst,
haben wir wieder das Siloproblem von Anfang an, das wir eigentlich erlösen wollten.
Wir haben ja wahnsinnig viele Buzzwords aktuell von Data Mesh über Datenplattformen
und Data Lakes und Lake Houses haben wir schon darüber gesprochen.
Wie würdest du sagen, verhält sich das? Also sind Datenplattformen eigentlich
auch nur oder können auch nur einfach ein Lake House sein oder ein Data Lake
und sagt, das ist jetzt mal eine Datenplattform.
Wie siehst du das? Was braucht man eigentlich, damit man sinnvoll arbeiten kann
und wie sind jetzt die verschiedenen Schichten?
Also wo ist die Nutzschicht und was muss da drunter liegen?
Das ist eine hervorragende Frage. Wir arbeiten vor allem mit dem Begriff Data
Lake beziehungsweise Data Plattform und versuchen das im Vorfeld auch gar nicht
so sehr zu spezifizieren, was die Technologie angeht,
weil in vielen Fällen gar kein extrem groß gedachtes System notwendig ist.
Vor allem bei den meisten mittelständischen Unternehmen, da sprechen wir nicht
von Daten im Petabyte-Bereich.
Wir sprechen nicht in Datengrößen, die wirklich große Systeme erfordern.
Gleichzeitig ist es manchmal natürlich trotzdem hilfreich, weil bestimmte Tools,
sowas wie Google BigQuery, was,
da bin ich jetzt der Fanboy, mein Lieblings-Data-Tool ist, weil es einfach so
viel ermöglicht und gleichzeitig so günstig ist und so wenig Kopfschmerzen verursacht.
Ich habe ja auch zwei Jahre als Data Infrastructure Engineer gearbeitet und
habe Kafka Cluster zum Beispiel betreut,
die für Datenverarbeitung genutzt werden können, aber die deutlich mehr On-Call-Alarm
in der Nacht ausgelöst haben als unsere BigQuery-Infrastruktur.
Also da würde ich sagen, Data-Plattform auf jeden Fall ist notwendig,
wenn dein Unternehmen noch keine hat und in fünf Jahren noch relevant sein möchte,
ist jetzt der Zeitpunkt.
Was wäre für dich eine Data-Plattform? Also weil das ist ja nichts,
was ich per se kaufen kann. In der Regel muss ich mir das irgendwie selber bauen.
Was gehört für dich in eine Data-Plattform? Was macht das aus?
Für mich sehr opinionated ist eine Data-Plattform erstmal ein Ort,
an dem du Daten speichern kannst, wie sie sind.
Das kann im einfachsten Fall sowas sein wie S3 Storage oder S3 Komplatibler Storage,
also sowas, wo du einfach die Daten in ihrer Frohform reinspeicherst und dann
hoffentlich nicht vergisst, dass sie da sind, aber nutzen kannst und dann in
der Schicht da drauf für dich relevant zu gucken, was möchtest du machen.
Dann brauchst du einen Data Warehouse wie BigQuery zum Beispiel,
wo du dann hinterher deinen Storage anbinden kannst und mit einem SQL-Dialekt
deine Aggregationen berechnen kannst.
Oder benutzt du sowas wie Databricks zum Beispiel, wo du dann mit Python und
PySpark deine Dataflows selber programmierst. Das ist dir dann überlassen.
Ich würde sagen, es hängt vor allem davon ab, was dein Unternehmen kann.
Kann ein Unternehmen mit Excel und mit relationalen Daten umgehen?
Oder ist dein Unternehmen so weit fortgeschritten, dass sie alles selber mit
Python programmieren wollen zum Beispiel?
Das ist natürlich gerade im Mittelstand wieder ein Fachkräftethema.
Wir haben uns bei unseren Data-Plattformen Lösungen vor allem für Lösungen entschieden,
wo wir mit SQL arbeiten, weil SQL so ein bisschen lingua-franker der Datenlandschaft ist.
Das ist was, was man Leuten relativ einfach beibringen kann,
dadurch, dass es am Ende doch nur Sparkling-Excel-Sheets sind.
Genau, wer einen S-Verweis machen kann, der kriegt auch irgendwie eine SQL-Abfrage.
Genau, genau. Und dementsprechend ist das wieder so eine Situation,
wo ich sagen muss, kommt drauf an.
Ich habe in meinem Kopf noch nicht ganz klar, was ich glaube,
wie die Welt später mal aussehen wird. Wir hatten gerade schon davon gesprochen,
du hast heute ganz viele verschiedene Systeme.
Und dann haben wir das Wort Data Platform reingebracht. Also das klingt ja danach,
es gibt eine, weil wir nicht Data Platforms gesagt haben.
Andererseits gibt es dann wieder das schon mal angesprochene Data Mesh,
wo man sagt, es gibt halt verschiedene Punkte, wo Daten anfallen.
Also die Realität ist ja nicht, dass alles zentral liegt, sondern es gibt es
in verschiedenen Bereichen des Unternehmens.
Und da kreise ich immer noch so gedanklich drum. Also was ist eigentlich der
Weg, den man gehen möchte? Ist es wirklich eine zentrale Plattform?
Weil ultimativ musst du Daten konsolidieren.
Auf der anderen Seite, die liegen ja, also das natürliche Habitat dieser Daten
ist nicht in einem zentralen Raum, sondern es ist eigentlich in den Edges,
wo es eigentlich hingehört.
Und ich frage mich immer, ob vielleicht das Datenproduktthema irgendwie eine
Brücke sein kann, wo man sagt, wir basteln daraus jetzt ein Datenprodukt,
wir machen so ein bisschen Produktdenke im Unternehmen,
dass man sagt, ist ja egal, ob es auf einer Plattform lebt, wo es auch immer
ist, aber wir bieten jetzt an, einmal die Woche per Excel als E-Mail-Anhang
verschickt oder aber in einem schönen Webportal oder in einer KI versteckt,
dass du gar nicht siehst, dass das damit angezapft wird.
Haben wir ein Datenprodukt aus Marketing, was bereitstellt, was wollen die Leute
denn gerne haben momentan?
Mögen die gerade Apfelpudding oder lieber einen anderen?
Dass du dann mit diesen Daten quasi in dem weiteren Prozess arbeiten kannst,
aber dass du nicht nochmal durch dieses Nadelöhr des zentralen Hubs unbedingt
gehst und über Datenprodukte eben schaffst, dass du sagst,
du hast verschiedene Anbieter, die sich bereit erklären, das zu maintainen und
zu erklären im Falle und auch für die Freshness der Daten garantieren sozusagen.
Da kreise ich so ein bisschen rum und auch im Mittelstand, stelle ich mir vor,
ist das so schwierige Gretchenfrage, was macht man?
Auf jeden Fall, was man beim Thema Data Mesh auf jeden Fall niemals vergessen
darf, ist es ist sehr komplex es erfordert sehr viel Disziplin,
Und das in dem Moment, also Data Mesh bedeutet für mich, dass die Datenhoheit
und das Ownership nicht bei einem Data Engineering Team zum Beispiel liegt,
sondern in den Fachabteilungen.
Dass man anfängt, in jeder Fachabteilung, zum Beispiel im Controlling,
im Marketing, in der Produktion, im Supply-Chain-Thema, hinterher Leute hat,
die sich um ihre Datenprodukte kümmern.
Das heißt, die sind im Zweifelsfall auch für ihre Datenbanken zuständig und
man löst das Silo-Problem dadurch, dass man ein gemeinsames Kommunikationslayer
hat, wie zum Beispiel die Datenprodukte.
Das erfordert, dass jede Fachabteilung auch in der Lage ist,
das zu staffen, also auch Personen hat, die das notwendige technische Wissen
haben um hinterher ein Data Product zu erstellen.
Und gerade in mittelständischen Unternehmen ist das eine Überforderung des Systems, würde ich sagen.
Und wie bei vielen anderen Systemen, vor allem bei technischen Systemen oder
soziotechnischen Systemen, ist die Herausforderung, die Unternehmensstruktur,
die Organisation auch ein bisschen mit abzubilden.
Weil so wie wir arbeiten und denken, das ist alles wiedergespiegelt in der Struktur und andersherum.
Das heißt, in dem Moment, in dem du ein sehr dezentralisiertes Unternehmen hast,
ist das Data Mesh Prinzip mit Sicherheit sehr sinnvoll.
In dem Moment, in dem alle Unternehmenseinheiten autonom genug agieren können
und selbstständig ihre Entscheidungen treffen können und aber auch befähigt
sind, entsprechend die Leute einzustellen,
entsprechend die Technologien einzuführen, entsprechend die Innovationsbudgets zu erhalten.
Und in den Unternehmen, und die würde ich sagen, sind im Mittelstand eher vertreten,
die ein bisschen hierarchischer denken, die sehr in Strukturen mit Hierarchie-Wasserfällen denken,
da ist das Data Mesh nicht notwendigerweise eine gute Lösung.
Weil über kurz oder lang würde ich sagen, kommt immer was Zentralisiertes dabei
raus, auch wenn du mit dem Mesh angefangen hast.
Und dann kannst du auch mit einem guten zentralisierten Ansatz starten.
Und die Kopfschmerzen sparen.
Ich glaube wirklich, das Problem, du brauchst halt viel Know-how in vielen verschiedenen
Bereichen, um wirklich glückensvoll zu werden.
Das macht die Sache sicherlich ein bisschen anspruchsvoll. Und ultimativ,
was will man eigentlich mit den Daten?
Der eine Aspekt ist sicherlich Sammeln für schlechte Zeiten.
Also im Grunde, wie du gesagt hast, wenn wir viele Bilder von diesem Kartoffellaster
haben, dann können wir, wenn die Rente kommt, irgendwann auch die mal zum Trainieren benutzen.
Wir wissen nur noch nicht, ob wir die Bilder jemals brauchen.
Deswegen gut, wenn wir es erhoben haben.
Das ist so ein Faktor. Aber ultimativ willst du ja Entscheidungen treffen.
Daten sind für mich immer so Treibstoff für Entscheidungen. Warum sonst würde man sie haben?
Entweder siehst du sie auf einem schönen Dashboard und kannst dann entscheidend
mehr Pudding kaufen, weniger Pudding kaufen, mehr Apfel kaufen,
weil Apfelpudding wird gefragt.
Aber ultimativ steckt da ja irgendeine Handlung hinter. Daten hast du ja nicht
dafür da, nur dass du sie anschaust, sondern dass etwas passiert.
Richtig cool, wenn du so einen Autopiloten hast, einen AI-Agent oder dergleichen,
der dann Handlungen ausführt, auch wieder auf Datenbasis.
Aber ultimativ geht es, glaube ich, darum, sich klarzumachen,
welche Handlungen wollen wir eigentlich machen, wer macht die eigentlich und
was brauchen diese Personen, um die Handlungen ausführen zu können.
Und es ist fraglich, ob alle wirklich so Wissensarbeiter sind,
die sozusagen diese Daten sich selber bereitstellen oder ob man die Daten oder sein wollen.
Oder ob man die einfach so spreadet und sagt, guck mal, das sind die Daten, die haben wir.
Für eure Entscheidungen nutzt sie gerne und manche Leute, also muss man auch
sagen, in der Generation, wenn wir gerade auch über Familienunternehmer sprechen,
gibt es ja auch diese nicht explizierbaren Daten sozusagen,
wo ich gut feeling, also mein Bauchgefühl sagt mir, das sollte ich jetzt tun
und ganz oft funktioniert das ja komischerweise in so einem Unternehmerkontext
und das muss man ja auch gar nicht unbedingt auf ein anderes Level heben,
aber der Punkt den ich glaube ich machen will ist, du brauchst,
Entscheidungsgrundlagen, das sind Daten also wenn du nachvollziehbare transparente
Entscheidungen treffen willst,
die nicht erratisch sind und dann an eine zentrale Stelle zu haben,
die das kuratiert und man guckt, dass die auch richtig sind und dass die nicht
lückenhaft sind und dass das Falsche nicht da ist, ist super gut,
hast halt nur immer das Problem der Datenqualität im Sinne von, stimmt das eigentlich?
Weil wenn du nicht fachlich in den Daten drinsteckst, kannst du natürlich nicht
sagen, ja, das sind plausible Daten, kriegst du vielleicht noch hin,
aber das sind die richtigen Daten. Kannst du das sagen ohne Fachwissen?
Für mich gehört ja zum Thema Datenqualität und das Ganze messbar zu machen,
also frühzeitig sich Metriken zu überlegen, auch mit den Fachpersonen zusammen,
also die du gerade angesprochen hast, die wissen, was das bedeutet.
Die wissen, wie man die Kartoffeln schätzen muss. die frühzeitig zu involvieren und versuchen,
Messbar zu machen mit Metriken und das Ganze dann ins System einzubauen.
Das ist, glaube ich, sehr wichtig.
Also sowas wie Data Quality Observation einzuführen, also als Teil des Observation-
oder des Observability-Konzepts,
um darüber auch wieder die Chance zu haben,
Transparenz zu schaffen, weil man sich dann auch direkt die Frage stellen kann,
wenn die Daten jetzt gerade in Echtzeit überprüft werden können und diese Metrik
gerade überschritten wurde und auch einen Alarm auslöst,
dass man dann nicht nur ein Problem mit den Daten hat, sondern auch da,
wo die Daten herkommen und da dann einfach direkt den Feedback-Loop zu schaffen.
Das ist dann nicht nur Entscheidung, sondern im Zweifelsfall auch Versicherung an der Stelle.
Aber du hast ein Thema angesprochen mit dem Gut-Feeling, das wichtig ist im
unternehmerischen Kontext.
Was natürlich auch wichtig ist, ist das Thema Kontrolle und Kontrolle verlieren
in dem Moment, indem man Dinge transparent macht, wo man sich auch wirklich,
wie soll ich das formulieren,
Gedanken machen sollte, wenn man Datenplattformen einführt, was das mit den
Leuten macht, die damit arbeiten und die Stand jetzt zum Beispiel Kontrolle haben.
Das ist ein Thema, in vielen mittelständischen Unternehmen fließen die Daten
durch das Controlling und das Controlling ist historisch dementsprechend unter
Kontrolle dieser Daten, nicht nur des Namens halber,
sondern auch der Prozesse und der Strukturen und in dem Moment, in dem du sowas machst,
wie ein Data Mesh einzuführen, was auf einmal die Verantwortlichkeit in die diffundiert,
dann musst du sehr genau hingucken und aufpassen, dass du da nicht auf einmal
einen Wettkampf in deinem Unternehmen
auslöst, den du gar nicht beabsichtigt hast, weil du auf einmal,
jahrelang gelebte Autoritäten infrage stellst durch diesen Prozess.
Damit sind wir mitten im Sozio vom Sozio-technischen Konstrukt, nicht wahr?
Ich glaube, gerade im bewahrenden, traditionell behafteten, alles Vorurteile,
aber irgendwas wird daran sein,
im traditionell wertebasierten Mittelstand einen Change einzubringen,
so einen radikalen Change, wie wir arbeiten jetzt mal digital,
wir machen das jetzt mal transparent, wir sprechen mal aus, was die Entscheidungsgrundlage ist.
Beobachtet ihr das auch? Begleitet ihr das irgendwie? Oder ist das was,
wo du sagst, das kann man eigentlich aus unserer Sicht gar nicht begleiten?
Da braucht es eine andere Entität, die da mit reinkommt.
Jemand, der Leute mit an die Hand nimmt oder ist eine klassische Führungsaufgabe?
Wir haben das große Glück, dass vor allem mittelständische Unternehmen in der
Regel sehr gute Betriebsräte haben, die sehr gut involviert werden können bei genau diesem Thema.
Die auch oft gar nicht umschiffbar sind beim Thema Digitalisierung und vor allem
nicht mehr beim Thema immer AI-Services einführen. Die müssen ein Mitspracherecht haben.
Und die haben oft ein, aus meiner Sicht, ganz gutes Fingerspitzengefühl dafür.
Vielleicht bin ich auch ein bisschen biased, weil wir einen sehr guten Betriebsrat
haben, der bis jetzt ein sehr gutes Händchen dafür bewiesen hat,
sowohl die Belegschaft als auch die Unternehmenswerte im Blick zu behalten.
Aber wenn es das nicht gibt und wenn es auch keinen Substitut dafür gibt,
also wenn das Unternehmen keine intrinsische Entität hat, die diesen Change
begleiten kann, dann braucht man auf jeden Fall Hilfe.
Dann können wir das zu einem Teil stemmen, dadurch, dass man das Ganze natürlich versuchen kann,
über Governance-Strukturen aus dem Technischen abzudecken, aber da muss auf jeden Fall sein.
Andere Hilfe auch noch mit dazukommen.
Also da muss Change, Transformationsbegleitung mitgemacht werden.
Auf vielen Ebenen, beim Einführen der Technologie an sich, gerade in einem Unternehmen
mit Leuten, die gewohnt sind, ihre Abläufe zu haben.
Es ist natürlich ein Schock für Systeme, wenn auf einmal neue Abläufe kommen.
Aber auch, wenn Leute gewohnt sind, über bestimmte Dinge drüber bügeln zu können,
weil die Transparenz nicht gegeben ist und jetzt auf einmal geschaffen wird,
das ist dann genau sowas, wo mitgenommen werden muss.
Weil im Zweifelsfall anders gearbeitet
werden muss. Das ist jetzt nicht notwendigerweise was Schlechtes.
Es ist nur eine Herausforderung.
Gibt es Bereiche, wo du sagst, die kann man leichter konvertieren in den digitalen
Bereich? Also die, die klassischerweise sich anbieten würden oder gibt es da
keine solche Unterscheidung, wo man sagt, ja guck mal, mit denen sollte man
anfangen, weil dann hat man ein Erfolgserlebnis?
Erfolgserlebnisse sind wichtig und dementsprechend würde ich sagen,
man sollte da anfangen, wo Erfolgserlebnisse möglich gemacht werden können.
Relativ einfach, das sind auch nicht unbedingt immer die gleichen Abteilungen.
Ich würde sagen, schnapp dir die Leute, die am offensten sind und versuch es mit denen.
Oder schnapp dir die Leute, die ein sehr gutes Auge fürs Detail haben.
Das ist zum Beispiel die Qualitätssicherung, aber auch das Controlling zum Beispiel.
Die haben wir jetzt ja auch schon öfter mal erwähnt.
Die Qualitätssicherung hat den Vorteil, dass die oft über mehrere Prozessschritte
hinaus ein Thema begleiten können.
Die sind oft bei der Warenannahme zum Beispiel involviert, aber auch hinterher
bei den Produkten, die das Werk verlassen,
da ist es natürlich einfach ein kleines Geschenk, weil man sehr breit denken
kann und viele Schritte direkt,
Aufdecken kann. Ansonsten würde ich vielleicht nicht unbedingt den Schritt nehmen,
der am analogsten aktuell umgesetzt ist.
Außer du möchtest direkt mit der Herausforderung starten.
Ich habe überlegt, vielleicht will ich mit denen starten, die am meisten Probleme
haben, weil die sind mir am dankbarsten, wenn irgendwas sich ändert.
Aber ich glaube, das fällt, wie du gesagt hast, zurück auf, wo sind die Leute,
die am offensten sind und gerade wenn ich über mittelständisch nachdenke,
glaube ich, da gibt es viele persönliche Beziehungen, dass man eben auch weiß, wer wer ist.
Mit denen kann man dann schauen, wo verbündet man sich als Partner in Crime,
um da Dinge nach vorne zu bringen.
Ja, verbünden ist sehr wichtig in dem Fall. Auch als Dienstleister,
weil auch als Dienstleister musst du ja weitertreiben und sinnvoll involviert werden,
damit dann nicht im Zweifelsfall nach einem dreimonatigen Projekt die Situation
kommt, wo es nicht mehr weitergeht, weil die niedrig hängenden Früchte dann
abgeerntet worden sind.
Ja und für Entscheider musst du ja klar machen, dass da sich etwas verändert.
Also die Kernfrage bleibt ja, warum will ich überhaupt digitalisieren?
Genau.
Also was ändert das? Und ich glaube, die Treiber sind relativ deutlich mit,
Leute gehen weg, zu wenig Leute, Wissen ist nicht vorhanden.
Also versuche ich das in irgendeiner Form zu binden.
Mein Bauchgefühl sagt mir, so viel wird noch nicht über neues Geschäft nachgedacht,
aktuell wird eher darüber nachgedacht, wie nutzen wir Digitalisierung,
um bestehendes Geschäft zu stabilisieren, also die Geschichten,
die wir ja auch gerade gesagt haben, mit Menschen, die weggehen und Co.
Gibt es denn auch innovative Themen, wo man sagt, guck mal, das wird jetzt ganz anders?
Weil wir wissen, dadurch, dass LLMs und JGPT explodiert sind,
gibt es jetzt ganz neue Möglichkeiten.
Vielleicht nicht in der Lebensmittel- und Mittelstandsbranche,
aber Menschen, die in der Werbebranche sind und lange Zeit Fotos gestellt haben
und Castings organisiert haben, die sind jetzt in drei Minuten mit Flux einfach
out of business in zwei Jahren vielleicht?
Ich hoffe nicht. Ich hoffe, dass auch in zwei, drei Jahren immer noch der Anspruch
ist, sich im Mittelstand und auch in kleinen Unternehmen gegenseitig zu unterstützen.
Und auch in dem Moment, in dem die Technologie vielleicht erschwinglich ist,
man trotzdem realisiert, dass man Handwerk gegenseitig über Wasser halten sollte.
Aber die Frage, wie würde, gerade wenn du sagst, du bist in der Essensherstellung,
weil Essen ist ein sehr analoges Ding, also ich stecke es mir in den Mund und dann habe ich gegessen,
da stellt sich die Frage, wie kann digital da das Geschäft eigentlich verändern?
Gibt es da schon Dinge, die man gemacht hat, wo man sehen kann,
ach guck mal, das ist digital und das geht ganz anders, als es früher war,
sei es ein Einkaufsprozess für Zutaten oder andere Dinge?
Auf der Seite des Produkts bei mir noch nicht, aber es macht auf jeden Fall
Dinge zugänglich, die vorher nicht zugänglich waren, als Informationsquelle.
Also Unternehmen, die auf Social Media zum Beispiel unterwegs sind,
bekommen ja täglich Feedback.
Vor allem bei Lebensmitteln kriegst du viele Fotos.
Ja, und wenn eine Rezeptur sich ändert.
Glaube ich. Genau.
Wenn es dann heißt, meine Güte, was habt ihr getan?
Genau.
Das schmeckt jetzt scheiße.
Jetzt noch besser. Genau. Also wir haben Projekte begleitet,
wo Unternehmen ihre Feedback-Kanäle automatisiert haben, also die Analyse der
Feedback-Kanäle automatisiert haben,
wo sowohl Social Media als auch klassischere Feedbackkanäle wie zum Beispiel
LeserInnenbriefe oder der Anruf im KundInnencenter genutzt worden sind,
um Dinge festzustellen, die vielleicht gar nicht so offensichtlich waren.
Die Rezeptur wird geändert zum Beispiel und Leute sagen, es ist auf einmal zu
salzig oder bestimmte Teile schmecken ihnen nicht oder bestimmte,
ich bin jetzt immer sehr im Food-Beispiel, weil das natürlich unternehmensmäßig
sehr nahe liegt, aber das zu nutzen und hören zu können, was gesagt wird,
wo man vorher vielleicht mit der Größe des Marketing-Teams zum Beispiel gar
nicht hätte hinterherkommen können,
weil es nur drei Leute sind und eine Person davon macht den Newsletter,
eine macht Social Media Texte schreiben und die dritte Person versucht,
den Laden zusammenzuhalten.
Dann sind ohne Tools wie zum Beispiel Large Language Models im Zweifelsfall
viele Dinge bis jetzt gar nicht betrachtet worden.
Ihr kommt näher ran, weil wenn ich jetzt darüber nachdenke,
Dr. Oetker, nehmen wir das als Beispiel, hat ja keinen direkten Vertrieb.
Also ich gehe ja nicht zu Dr. Oetker und sage, bitte eine Pizza.
Ich gehe zu Rewe Edeka Aldi und sage, ich nehme mir mal die Dr. Oetker Pizza.
Das heißt, es gibt immer mindestens eine Intermediär und eigentlich habt ihr
gar keinen Kontakt zu euren Kunden.
Also oder die Dr. Oetker hat dann da keinen großen Kontakt zu ihren Kunden.
Und das kürzt sich ja jetzt, dadurch, dass ich auf Social Media bin,
dass ich dann auf Insta quasi meine Pizza fotografiere, tagge Dr.
Oetker, lecker neue Rezeptur oder, oder, oder.
Das heißt, da kriege ich diese Feedbacks jetzt. Und das geht über Digitalisierung
ganz anders, weil du jetzt nicht mehr nur Lieferantenmanagement brauchst oder Abnehmermanagement.
Und jetzt bist du den Schritt weiter und du hast es einfach direkter. Genau.
Wobei die Dr. Oertker natürlich auch den sehr liebevollen Direktkontakt über
die Hotline hat, den ich sehr empfehlen kann.
Bin mir nicht sicher, wie viele Gen Z-Anrufe die so am Tag haben.
Nicht genug. Nicht genug, ich wollte mehr Anrufe haben.
Man kommt näher ran, auf jeden Fall. Und das ist ja auch für viele mittelständische
Unternehmen die größte Herausforderung, wo du Gen Z auch schon angesprochen hast.
Wie schafft man es, auch den Vertriebskanal der Zukunft für sich zu entdecken?
Und da ist das Thema AI-Services aus meiner Sicht, auch wenn wir sie alle lieben,
wir lieben sie alle, die Chatbots, die werden auch eine größere Rolle spielen in Zukunft.
Und in dem Moment, in dem du dir Gedanken machst, wie das funktioniert und auch
Gedanken machst, wie ein Chatbot gut implementiert werden kann und nicht dafür
sorgt, dass deine KundInnen hinterher alle frustriert, die Internetseite verlassen,
die eigentlich anlocken sollte,
dann hilft auch da, denke ich, AI in der Zukunft,
den Markt zu erschließen.
Macht ihr schon spannende AI-Projekte über wir haben ein Company GPT hinaus?
Tatsächlich sehe ich bei vielen Unternehmen, die haben ein Company GPT und finden
mal raus mit ihren Angestellten, was kann das eigentlich für einen machen?
Während die ganze Karawane der Trendsetter schon weiter ist und sagt,
GPT und so weiter, ist ja alles nur ein Assistant, du brauchst ein Agent.
Mit Agentic AI macht das Ganze erst Spaß, du brauchst gar kein Interface mehr,
bau keine Interfaces mehr, weil die werden im Grunde genommen nur noch die Backends
für die Agents war jetzt vorne auf der Welle.
Ob der Hype sich so bewahrheitet, das wird man sehen. Das kann die Zeit nur sagen.
Ob es dieselbe Zukunft hat wie Blockchain und Co. oder ob es voll durch die Decke geht.
Man wird sehen. Ja, der große Schock für alle Frontend-Devs,
dass wir bald keine Frontends mehr in der Form brauchen. Ich hoffe,
es bewahrheitet sich nicht.
Es wäre schade für alle KollegInnen im Bereich Frontend und Webdesign.
Aber um zu deiner Frage zurückzukommen, was sind die spannenden Dinge,
die uns gerade beschäftigen?
Ein großer Block ist das Thema Souveränität, aus meiner Sicht.
Souveränität in den Cloud-Diensten, die wir nutzen. Und unter Souveränität verstehe
ich jetzt im Fall von Deutschland.
Ein System ist dann souverän, wenn es in Deutschland gehostet ist,
idealerweise von einem deutschen Unternehmen und deutschen Rechtsansprüchen genügt.
Wenn man sich sicher gehen kann, dass die Daten hier bleiben,
vor Ort bleiben, in einem Rechtssystem, das unseren demokratischen Ansprüchen entspricht.
Dann ist das im Weltgeschehen der letzten Jahre natürlich immer brisanter geworden
und gerade da versuchen wir im Moment auch im Data und AI-Bereich bei der OEDIV aufzuholen.
Historisch haben wir das Rechenzentrum als großes Standbein,
das ist vor allem für SAP-Services genutzt, aber auch das Thema Sovereign AI, Sovereign LLMs ist,
wichtiger geworden.
Ich glaube, man hat das nicht so richtig auf dem Schirm, aber wir sehen ja,
Meta war das, glaube ich, die haben ja mit einer gesamten super piratierten
Bibliothek ihre KI trainiert, mehr oder weniger, also mit geklauten Büchern.
Wenn du jetzt das Ganze weiterspinnst und sagst, wir machen noch ein paar Roboter,
Foodroboter und Replikator wie in Star Trek, wenn er so ein paar Rezepte hätte,
wäre ja voll cool. Also wenn man da wüsste, was er so machen soll.
Wen gibt es denn, der Rezepte hat? Das sind ja auch Daten.
Wir reden ja nicht nur über quantitative Dinge mit 12, 20, 34 und das sind meine
Umsätze oder so, sondern wir reden ja sehr stark auch über unstrukturiertere
Daten und da fallen Rezepte ja auch mit drunter und die Rezeptur von Coca-Cola,
wenn du die hast, freust du dich sicherlich, wenn du die Rezeptur von bestimmten
anderen Dingen hast, um zu verstehen,
was schmeckt eigentlich den Leuten in einem bestimmten Markt,
das ist ja auch so, dass in unterschiedlichen europäischen Märkten Rezepturen
sich ändern, damit man dann da besser ankommt und genau diese Dinge willst du
ja nicht aus der Hand geben, verstehe ich auch Und du weißt ja heute wirklich nicht,
wenn da andere Gesetze gelten, sagen wir es vorsichtig, wie sehr dein geistiges
Eigentum geschützt wird.
Und da ist die Souveränität natürlich dann schon ein wesentlicher Faktor.
Ja, gerade im Mittelstand ist das Thema Intellectual Property unglaublich wichtig,
weil gerade die, das Wissen darüber, was und wie und womit man Sachen herstellt,
einfach das zentrale Asset der Unternehmen ist.
Und wir auch viele KundInnen haben, die genau deswegen im Rechenzentrum bei
uns sind, weil sie wissen, wo die Daten stehen, weil sie, ich habe eingangs
schon die Rechenzentrumsführung angesprochen, die Werksführung des Mittelstandes
ist halt möglich, man weiß,
wo die Server in Freilandhaltung unterwegs sind und.
Man kann sich sicher sein, dass dadurch, dass wir auch als mittelständisches
Unternehmen die gleichen Herausforderungen
kennen, da auf einer anderen Nahbarkeitsebene unterwegs sind.
Und das Gleiche gilt natürlich auch für AI-Services. Also klar,
viele Unternehmen haben jetzt ihre eigenen GPTs und viele davon haben auch mit
Sicherheit eine richtig gute Arbeit geleistet, was die Governance angeht,
aber stehen dann jetzt vor der Herausforderung, okay, was ist, wenn wir,
auch wenn OpenAI Server in der EU hostet, in Zukunft trotzdem mit einer Entität
zusammenarbeiten, die nicht unseren demokratischen Vorstellungen entspricht
oder die in einem System unterwegs ist, das nicht mehr unseren demokratischen
Vorstellungen entspricht.
Und dann, spätestens dann kommt natürlich die Frage, wie geht das denn bei uns
und was ist der Status Quo in Deutschland, was AI und LLMs angeht?
Und da sind wir wieder im Herzen des deutschen Mittelstands. Werte.
Nicht einfach nur machen, weil es geht und weil es den Shareholder Value optimiert,
sondern weil man für Werte steht.
Gerade wenn du auch Familien geführt bist und jahrhundertealte Traditionen hast
teilweise, die willst du nicht einfach wegwerfen, nur weil du in diesem Quartal
ein bisschen deine Umsatzzahlen optimieren kannst.
Genau. Ich gehe davon aus, dass da der Mittelstand am gleichen Strang zieht
und sagt, dass die Werte der letzten 100 Jahre auch weitergetragen werden. Die guten Werte.
Kommen wir zum Schluss so langsam? Kommen wir zum Fazit.
Wo geht es jetzt hin im Mittelstand? Wir haben viel darüber gesprochen, wo wir stehen.
Wir haben den Kartoffelzähler sehr lange bemüht und haben ein bisschen geschaut,
wo geht es jetzt hin, was sind Trends, zukünftige Entwicklungen und die Kernfrage,
kann der Mittelstand Treiber des Fortschritts seines Digitalen oder ist er eher ein Folger?
Wie würdest du so in der großen Abschlussbetrachtung sagen, diese Rolle spielt
der Mittelstand in der Digitalisierung?
Der Mittelstand in meiner Wahrnehmung vor allem in Ostwestfalen,
und das ist der Mittelstand, für den ich vor allem spreche, wächst zusammen
und realisiert, dass wir gemeinsam in der Digitalisierung auch stärker vorankommen können.
Schafft gerade Mehrwert durch Netzwerke wie zum Beispiel KI-Mittelstand.
Sehr empfehlenswertes Netzwerk für alle Unternehmen, die hier mittelständisch
in Ostwestfalen unterwegs sind.
Und wird nach wie vor eine Rolle spielen, sowohl als Nutzer der Digitalisierung als auch als Treiber.
Das war ein Geek kommt selten allein. Vielen Dank fürs Zuhören und großen Dank an dich, Nils.
Vielen Dank, dass ich hier sein durfte. Es hat sehr viel Spaß gemacht.
Und ich hoffe, ich konnte die ein oder andere Person davon überzeugen,
dass der Mittelstand nicht nur altbacken ist.
Wenn jetzt jemand noch Interesse hat, mit dir in Kontakt zu treten,
wo kann man dich digital finden?
Digital vor allem auf LinkedIn im Berufskontext unter Nils P.
Müller. Schreibt mir gerne. Ich bin da.
Wenn ihr Feedback zu dieser Folge
habt, könnt ihr es gerne unter www.eingeekkommtseltenallein.de eintippen.
Macht es gut. Bis zur nächsten Folge. Wir hören uns. Tschüss.
Nils
00:00:38
Geek
00:00:58
Nils
00:01:38
Geek
00:02:20
Nils
00:02:47
Geek
00:03:43
Nils
00:04:18
Geek
00:05:20
Nils
00:06:10
Geek
00:06:13
Nils
00:06:54
Geek
00:08:14
Nils
00:09:01
Geek
00:09:41
Nils
00:10:47
Geek
00:11:34
Nils
00:11:39
Geek
00:12:39
Nils
00:12:58
Geek
00:13:21
Nils
00:13:53
Geek
00:13:58
Nils
00:14:00
Geek
00:14:07
Nils
00:14:09
Geek
00:14:10
Nils
00:14:13
Geek
00:15:02
Nils
00:15:09
Geek
00:15:36
Nils
00:16:18
Geek
00:17:13
Nils
00:18:04
Geek
00:19:27
Nils
00:19:50
Geek
00:19:54
Nils
00:19:55
Geek
00:20:14
Nils
00:20:48
Geek
00:22:01
Nils
00:23:00
Geek
00:23:58
Nils
00:25:21
Geek
00:27:04
Nils
00:27:18
Geek
00:27:19
Nils
00:27:24
Geek
00:27:25
Nils
00:28:51
Geek
00:29:52
Nils
00:30:05
Geek
00:32:00
Nils
00:32:26
Geek
00:33:44
Nils
00:33:55
Geek
00:35:28
Nils
00:35:31
Geek
00:35:39
Nils
00:37:22
Geek
00:39:42
Nils
00:41:58
Geek
00:44:16
Nils
00:44:57
Geek
00:46:41
Nils
00:46:55
Geek
00:48:00
Nils
00:48:27
Geek
00:48:52
Nils
00:48:58
Geek
00:48:58
Nils
00:49:07
Geek
00:49:10
Nils
00:49:46
Geek
00:50:06
Nils
00:50:33
Geek
00:50:57
Nils
00:50:59
Geek
00:51:00
Nils
00:51:02
Geek
00:51:03
Nils
00:51:04
Geek
00:52:20
Nils
00:53:07
Geek
00:53:14
Nils
00:53:21
Geek
00:54:12
Nils
00:54:54
Geek
00:56:08
Nils
00:57:19
Geek
00:58:51
Nils
00:59:12
Geek
00:59:23
Nils
01:00:00
Geek
01:00:35
Nils
01:00:40
Geek
01:00:47
Nils
01:00:53
Geek
01:01:02