Masters of Data, BI & AI

Rocky Khan

Podcast für Unternehmer und unternehmerischen Erfolg im Data, BI & KI Umfeld

  1. 6d ago

    Beratung mit Geld-zurück-Garantie: Wer macht das? | Alexander Thamm & Rocky Khan - #42

    Send us Fan Mail 💶 „Sag einfach: Wir sind die erste Beratung der Welt mit Geld-zurück-Garantie." Das rät Alexander Thamm seinen Data Scientists, die Angst vor dem Vertrieb haben. Dahinter steckt ein ernstes Prinzip: Er definiert das Gewerk und bessert nach, bis es dem Kunden gefällt, oder der zahlt gar nicht. Alexander Thamm hat 2012 in München Alexander Thamm [at] gegründet, angefangen als Freelancer mit BMW als erstem Kunden. Heute arbeiten dort über 500 Expertinnen und Experten, und das Team hat über 2.700 Datenprojekte abgeschlossen. Begonnen hat es mit einem verlorenen Erstauftrag und einem Büro, das schon gemietet war. In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus einem Data-Science-Spezialisten ein strategischer Partner wurde, warum Risikoübernahme für ihn zum Geschäftsmodell gehört und warum er glaubt, dass Europa die KI-Transformation gerade verschläft. Ein paar Dinge, die hängengeblieben sind: Zum verlorenen Erstauftrag:  Ein kleiner Auftrag als Lieferant, dann eine größere Ausschreibung, und plötzlich wurde er rausgedrückt, weil der Konzern merkte, dass sich der Alex selbstständig gemacht hatte. Sein Fazit: BMW als erster Kunde war eine harte Schule, vor allem im Einkauf, aber genau deshalb konnte das Team später auch andere Großkunden gewinnen. Seinem jüngeren Ich würde er wenig raten: Man muss ein Stück in den Schmerz hinein, um die Erfahrung mitzunehmen. Zum Wachstum aus eigener Kraft:  Bis etwa 300 bis 400 Leute ging es für ihn gut im Bootstrapping, mit Verdopplung alle zwei Jahre, rund 35 bis 40 Prozent pro Jahr. Das Problem im Beratungsgeschäft: Ein Großteil des Umsatzes muss jedes Jahr neu gewonnen werden. Ein Kunde meldete einmal von einem Jahr aufs nächste über 10 Millionen ab, etwa ein Fünftel des Geschäfts. Sich selbst sieht er nie als „echten Unternehmer", eher als Künstler. Plötzlich waren da ein paar hundert Leute, und es blieb keine Zeit mehr für Projekte. Wie beim Hausbau: Danach ist man schlauer und baut dreimal. Zum Weg vom Data Scientist zum strategischen Partner:  Gestartet ist das Team mit „Data Science first". Die Prototypen reichten nicht: „mehr Piloten als die Lufthansa". Dazu kam der Frust, dass Strategieberatungen dem CEO Dinge über KI erzählten und sein Team es im Operativen ausbaden musste. Also lernten sie, auch schöne Slides zu machen und mit dem Vorstand zu reden. Heute reicht das teils bis zu Joint Ventures mit Kunden und Beteiligungen im Mittelstand: Skin in the game. Zur Geld-zurück-Garantie:  Seine Frameworks, sagt er, sind nicht entstanden, weil eine gute Beratung eben Frameworks braucht, sondern weil sein Team das Risiko zu 100 % übernommen hat. Die Schule dahinter ist wieder BMW: Gewerk definieren, liefern, nachbessern. Rot statt Blau? Dann eben Rot. Heute nennt er das Risk-Sharing bis hin zur Garantie. Wer den Kunden nicht kennt, muss in Vorleistung gehen, bevor der Pitch überhaupt Sinn macht. Zu Branchenexperten und Betriebsblindheit:  Branchenexperten verstehen die Domäne, sind laut Alexander aber oft genauso betriebsblind wie ihre Kunden. Seine Gegenfrage: Was passiert wirklich mit deinem Geschäft in fünf oder zehn Jahren? Wie wird der Hersteller von Kühlanlagen zum Service Provider? Wie kommt Vorwerk vom Thermomix zu „Netflix fürs Kochen"? Eine separate KI-Strategie neben Firmen- und Datenstrategie nennt er veralteten B******t, so wie einen Chief Internet Officer, der der Firma erklärt, dass das Internet wichtig ist. Zu Europa und der verschlafenen Transformation:  Das Problem ist für ihn weniger die Technologie als eine Transformation, die wir „alle gemeinsam verschlafen". Seine Sorge: Dienstleistungen machen rund die Hälfte des deutschen BIP aus. Wenn Software und Agenten aus dem Ausland einen großen Teil davon übernehmen, erst billig, dann deutlich teurer, kommt Europa schwer wieder raus. Das Gegenmittel: KI nicht in Labs und Hubs parken, sondern wie das Internet in die DNA der Firmen bringen, mit einem demütigen Anspruch aufzuholen. Als Beispiel nennt er BMW, wo jeder Prozess KI-Unterstützung bekommen soll. Panikmache hat er satt und zeigt lieber Positives, etwa einen „Knight Rider für Yachten", mit dem man mit dem Schiff sprechen kann. Wie seht ihr das: Gehört Skin in the game zur Beratung der Zukunft, oder ist die Geld-zurück-Garantie am Ende ein guter Vertriebsspruch? LinkedIn Profile LinkedIn Profile von Alexander Thamm: https://www.linkedin.com/in/alexanderthamm/ LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/ Business Bücher Scaling Up von Verne Harnish: Alexander ist Fan der Scaling-Up-Logik. Unterschiedliche Unternehmensgrößen brauchen unterschiedliche Dinge, aber wer das nicht selbst durchlebt hat, macht es trotz Buch falsch, weil er es nicht spürt. Dazu seine Klassiker für Gründer: Wie man Freunde gewinnt von Dale Carnegie, Think and Grow Rich von Napoleon Hill, The Art of the Start von Guy Kawasaki und The Lean Startup von Eric Ries. Bei Rich Dad Poor Dad von Robert Kiyosaki reicht ihm das Buch für das richtige Mindset, vom Live-Coaching in London war er weniger überzeugt.

    Beratung mit Geld-zurück-Garantie: Wer macht das? | Alexander Thamm & Rocky Khan - #42
  2. Sep 28

    Alle reden über KI. Die Firma läuft auf Excel. | Dr. Melanie Sigl & Rocky Khan - #41

    Send us Fan Mail 📊 Daten exportieren, per E-Mail verschicken, in Excel bearbeiten, ins nächste System hochladen. So beschreibt Dr. Melanie Sigl Prozesse, die ihr in Unternehmen begegnen. Excel ist dann nicht bloß ein Tool, sondern praktisch das Betriebssystem der Firma. Und darauf soll jetzt KI laufen. Melanie ist Managing Consultant bei PRODATO, Teil der Dataciders-Gruppe, und leitet das Data-&-AI-Team mit Fokus auf KI. Parallel zur Praxis hat sie an der FAU Erlangen-Nürnberg über Transfer Learning auf multivariaten Zeitreihendaten promoviert — also darüber, wie sich gelerntes Wissen auf neue Daten übertragen lässt und wann genau das schiefgeht. In der aktuellen Episode von Masters of Data, BI & AI spricht sie darüber, warum die Datengrundlage wichtiger ist als das nächste Modell, woran KI-Projekte nach der Pilotphase scheitern — und weshalb Unternehmen bei Junioren aus ihrer Sicht an der falschen Stelle sparen. Ein paar Dinge, die hängengeblieben sind: Zur KI, die den Datenkatalog nicht ersetzt: Eine Frage in natürlicher Sprache ersetzt nicht die Vorarbeit. Was bedeutet diese kryptische ERP-Spalte? Wie ist Umsatz definiert? Für brauchbare Antworten braucht das Modell diesen Kontext. Die früher ungeliebte Pflege von Datenkatalog und Kennzahlen wird damit wichtiger, nicht überflüssig. Zum KI-Projekt, das die Pilotphase übersteht: Eine CSV-Datei für die Demo ist noch keine verlässliche Datenversorgung. Melanie nennt drei Bedingungen: einen rentablen Anwendungsfall, Daten und Prozesse, die auch im produktiven Betrieb funktionieren, und Rückhalt in Management und Belegschaft. Sonst baut man mit der neuen Lösung nur das nächste Silo. Zum Fundament ohne Luxusausstattung: Eine gemeinsame Datenplattform, Governance und klare Abläufe helfen gegen das gewachsene Systemchaos. Aber Melanie fordert keinen „Maybach“ für jeden Anwendungsfall. Der Aufwand muss zum Nutzen passen. Klein anfangen, den Prozess einmal durchgängig zum Laufen bringen und anschließend gezielt erweitern. Zum Recruiting mit Blick auf morgen: Melanies Einwand gegen das Sparen bei Junioren: Wer heute niemanden ausbildet, dem fehlen morgen erfahrene Kollegen. Gerade die Grundlagenarbeit vermittelt das Handwerk, mit dem sich Ergebnisse später beurteilen lassen. Agenten einzusetzen ist für sie kein Argument, die Entwicklung von Menschen aufzugeben. Zur ehrlichen Antwort auf Microsoft Fabric: Eine Partnerschaft ist für Melanie kein Grund, jedem Kunden dieselbe Plattform zu empfehlen. Eine einzelne Pipeline rechtfertigt nicht automatisch Fabric. Entscheidend sind Anforderungen, Budget und die bestehende Systemlandschaft — inklusive der Kosten, die entstehen, wenn Daten zwischen Plattformen hin- und herkopiert werden. Zum Unterschied zwischen perfekt und fertig: Am Lehrstuhl gab es zwei Arten von Abschlussarbeiten: perfekte und abgegebene. Für Melanie steckt darin auch eine Projektlektion: Zu komplex zu starten kann verhindern, überhaupt anzufangen. Erst das Geschäftsproblem und das messbare Ziel gemeinsam klären, dann klein umsetzen und mit Feedback besser werden. Wie viel eurer Datenarbeit läuft noch über Excel — und an welcher Stelle wäre der größte Hebel für Veränderung? 🎙️ Die ganze Episode jetzt auf Masters of Data, BI & AI — Link in den Kommentaren. LinkedIn ProfileLinkedIn Profile von Dr. Melanie Sigl: https://www.linkedin.com/in/melanie-sigl/ LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/ Business BuchExtreme Ownership — Melanie hat nach eigener Aussage nur wenige Businessbücher gelesen. Dieses empfiehlt sie für den Leadership-Bereich.

    Alle reden über KI. Die Firma läuft auf Excel. | Dr. Melanie Sigl & Rocky Khan - #41
  3. Sep 21

    Anderthalb Tage Arbeit. Ein paar Minuten KI. | Thomas Fontaine & Rocky Khan - #40

    Send us Fan Mail Eine Kollegin, zwölf Sprachen, ein bis anderthalb Tage Arbeit pro Auswertungsrunde. So lief die Analyse von Kundenfeedback bei Mazda: Daten aus dem CRM ziehen, übersetzen, klassifizieren, in Excel zusammenführen. Heute läuft das automatisierte Notebook in wenigen Minuten durch. Thomas Fontaine ist Senior Manager Consumer Analytics bei Mazda Motor Europe. Davor hat er sieben Jahre bei der REWE Group gearbeitet — mit Millionen Kundentransaktionen und der Frage, welchen messbaren Mehrwert eine Analyse überhaupt liefert. Diese Perspektive hat er mit in die Automobilindustrie genommen. In der aktuellen Episode erzählt er, wie Mazda gemeinsam mit Datasolut diesen Prozess auf Databricks automatisiert hat, warum neue Tools alte Prozessprobleme nicht automatisch lösen — und woran er gute Analytics-Leute erkennt. Ein paar Dinge, die hängengeblieben sind: Zum Mazda-Use-Case: Der Wunsch war zunächst eine Copilot-Lösung. Gebaut wurde stattdessen eine automatisierte Auswertung auf Databricks: Freitext übersetzen, klassifizieren und um eine Sentiment-Analyse ergänzen. Weil die Ergebnisse regelmäßig gespeichert werden, lassen sich Kundenmeinungen jetzt auch im Zeitverlauf vergleichen — etwas, das vorher nur schwer möglich war. Zu den Details, die das Modell nicht kannte: In einigen Ländern nutzen die Callcenter interne Abkürzungen. Das Sprachmodell konnte damit nichts anfangen und machte daraus Unsinn. Die Lösung: Abkürzungen vor der Verarbeitung in verständlichen Text auflösen. Genau solche Details machen den regelmäßigen Austausch mit den Fachkollegen so wichtig. Zum Blick aus dem Handel: Thomas beschreibt einen klaren Kontrast: Die Automobilindustrie hat sich lange nach innen optimiert — Supply Chain und Produktion. Im Handel stand stärker der Blick nach außen im Mittelpunkt: Märkte, Transaktionen, Kunden. Für Automotive sieht er noch viel Potenzial darin, den Kunden besser zu verstehen.

    Anderthalb Tage Arbeit. Ein paar Minuten KI. | Thomas Fontaine & Rocky Khan - #40
  4. Sep 14

    Open Source Doesn't Mean Nobody's Accountable | Michael Berns & Rocky Khan - #39

    Send us Fan Mail 🌍 The most powerful computers in the world run on open source. The internet runs on open source. And yet most companies still think "open source" means "cheap license fee" instead of strategic infrastructure. Michael Berns spent seven years as Director AI at PwC Germany, recognised as a Leader in AI Services by Gartner and Forrester. Then he left, to become Head of AI at the Eclipse Foundation — the Brussels-based, vendor-neutral home for over 440 open source projects, including the IDE most developers have used at some point without ever thinking about who's behind it. In the current episode of Masters of Data, BI & AI, he debunks the biggest myths about open source AI, tells the real story behind his move, and explains what European digital sovereignty actually looks like once you get past the slogan. A few things that stuck with me: On the three biggest myths about open source AI:  It doesn't mean free — many projects come with SLAs, quality gates, and years of paid development behind them. It doesn't mean less safe — an open codebase is inspectable by anyone, which is a stronger security posture than a black box, not a weaker one. And it doesn't mean nobody's accountable — when a project sits inside a real foundation, committers are named individuals, and Eclipse just introduced voluntary identity verification for contributors. On why he actually left PwC:  No corporate spin here — becoming a father, Brexit, and what he candidly calls "a late midlife crisis" pushed him to rethink what he wanted his work to mean. He'd spent years volunteering on the side for causes like the UN World Food Programme. Eclipse Foundation offered him the chance to make that his actual job, not a side project. On PanEval, the story Rocky specifically wanted to hear:  Michael brought Chinese BAAI technology into the European open source ecosystem to build PanEval — an EU AI Act-aligned, open source AI evaluation platform. Not a press release. A running project, and a concrete example of what building optionality actually looks like instead of just talking about sovereignty. On the real data problem, even now:  Despite everything AI can do today, 60-70% of real implementation work is still spent finding, cleaning, and governing data. Department heads will tell you their data is perfect — until someone actually checks. His advice for consultants and vendors alike: do the full assessment first, manage expectations early, and get buy-in from the people who actually hold the data, not just the C-suite. On where regulation could help or hurt open source AI:  The current OSI definition of open source AI is strict enough to disqualify roughly 99% of models on the market. Michael expects the field to move toward a graded system instead — matching transparency requirements to the sensitivity of the use case, healthcare needing far more disclosure than a low-stakes internal tool. What's your take — does true open source AI require full training data transparency, or is a graded system the more realistic path forward? LinkedIn Profile LinkedIn Profile of Michael Berns: https://www.linkedin.com/in/aithoughtleader/ LinkedIn Profile of Rocky Khan: https://www.linkedin.com/in/khanrocky/ Business Book The Five Dysfunctions of a Team by Patrick Lencioni — Michael still returns to it years later. His reasoning: the more senior you get, the more your real problems are people problems, not technical ones.

    Open Source Doesn't Mean Nobody's Accountable | Michael Berns & Rocky Khan - #39
  5. Sep 7

    Dieses Mal ist wirklich alles anders | Dr. Jürgen Wirtgen & Rocky Khan - #38

    Send us Fan Mail Fast 30 Jahre Data und AI, von innen erlebt. Promotion in Informatik. Professor. Elf Jahre Microsoft. Fünf Jahre AWS. Oracle, zweimal. Und heute: Drohnen aus dem Himmel holen. Dr. Jürgen Wirtgen ist Regional Director DACH bei Dedrone by Axon — dem Unternehmen, das gerade den Counter-Drone-Markt neu definiert, mit über 300 % Umsatzwachstum. Und er hat unterwegs einmal bewusst seinen Beamtenstatus aufgegeben, weil Sicherheit nie das war, was ihn wirklich angetrieben hat. "Dieses Mal ist wirklich alles anders" — diesen Satz hört man seit fast 20 Jahren in der Branche, bei jeder neuen Welle. Stimmt der Satz diesmal wirklich? Ein paar Dinge, die hängengeblieben sind: Zum eigentlichen Turning Point: Nicht Data an sich war neu. Um 2015/2016 kamen drei Dinge zusammen: Cloud Computing wurde erwachsen, Speicherkosten fielen radikal, und die großen Player nutzten plötzlich Rechenleistung und Datenmengen gemeinsam. Maschinelle Übersetzung wurde besser als menschliche. Bilderkennung wurde treffsicherer als Menschen. Das war der Bruch, nicht alter Wein in neuen Schläuchen. Zu High-Impact Use Cases, die wirklich zählen: Nicht Rocket Science, sondern Fehlererkennung früh in der Produktionslinie — in der Automobilindustrie spart das massiv Ausschusskosten. Turbinenbetreiber, die keine Turbinen mehr verkaufen, sondern effizienteren Betrieb durch Datenanalyse. Und Jugendschutz in der Werbung: KI erkennt automatisch, wenn Zigarettenwerbung neben einem Kindergarten ausgespielt werden würde. Zu Microsoft vs. AWS, aus echter Innenperspektive: Microsoft: strukturiert, prozessgetrieben, mit klaren Vorteilen, aber manchmal einengend. AWS: hemdsärmeliger, mehr Freiraum, wer einen fehlenden Prozess sieht, darf ihn selbst bauen. Beide kundenorientiert, aber komplett unterschiedliche Wege dorthin. Zum Recruiting-Ansatz, der wirklich funktioniert: Über hundert Interviews bei Amazon geführt. Sein Trick: situationsbezogene Fragen, dann tiefer und tiefer bohren. Authentizität lässt sich nicht faken — wer ein Projekt wirklich erlebt hat, kennt die Details, auch wenn er die exakten KPIs vergessen hat. Wer nur Buzzwords liefert, verheddert sich irgendwann in Widersprüchen. Zur Authentizitäts-Falle im KI-Zeitalter: Eine der besten Anekdoten der Episode: Eine LinkedIn-Nachricht mit dem versehentlich mitkopierten Prompt-Rest "soll ich das noch freundlicher formulieren?" wurde zum Running Gag in der Community. Sein Punkt dahinter, ganz ernst gemeint: Perfekt geschliffene, künstlich klingende Kommunikation zerstört Vertrauen schneller als ein authentischer Tippfehler. Zum größten ungelösten Pain im DACH-Markt: Datensouveränität. Verteilte Daten zusammenführen, souveräne KI-Systeme aufbauen, denen man wirklich vertrauen kann. Sein Zehn-Jahres-Blick: souveräne Plattformen werden den gesamten Markt verändern, teilweise sogar in Kombination mit Quantencomputing für Modelltraining. Wie seht ihr das — ist "dieses Mal ist wirklich alles anders" diesmal tatsächlich wahr, oder hören wir diesen Satz einfach alle paar Jahre erneut? LinkedIn Profile LinkedIn Profile von Dr. Jürgen Wirtgen: https://www.linkedin.com/in/jwirtgen/ LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/ Business Buch Mindful Soldier von Ash Alexander-Cooper und Dr. Jessica K. Miller — kein klassisches Businessbuch, sondern eines über Resilienz: wie man aus Unsicherheit und Rückschlägen lernt und daraus echte Widerstandsfähigkeit aufbaut. Jürgen überträgt die Prinzipien direkt auf Business und Privatleben gleichermaßen.

    Dieses Mal ist wirklich alles anders | Dr. Jürgen Wirtgen & Rocky Khan - #38
  6. Aug 31

    Mein Ziel ist, mich überflüssig zu machen | Jan Christian Halfbrodt & Rocky Khan - #37

    Send us Fan Mail 🎸 Ein dunkler Gang, Konzertlicht, mehrere hundert Menschen. Der Vorhang geht hoch — nicht für eine Show, sondern für einen Vortrag über künstliche Intelligenz. Das ist Jan Christian Halfbrodts Alltag. Tagsüber treibt er als AI Enablement Manager die KI-Transformation von CEWE voran, Europas Marktführer für Fotoprodukte. Nachts spielt er Keyboard bei Mob Rules, einer Metalband, die durch zwölf Länder getourt ist und 2018 Platz 37 der deutschen Charts erreicht hat. In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus einem zufällig gebauten Alexa Skill ein Gründungsmitglied des CEWE-KI-Inkubators wurde — und formuliert dabei einen Satz, den man selten von jemandem hört, der seinen Job eigentlich behalten will. Ein paar Dinge, die hängengeblieben sind: Zum eigentlichen Karriereweg: Kein Plan, sondern eine Kette von Zufällen. Startup, das nicht schnell genug an den Markt kam. IT-Beratung bei BTC, weil ein Berufsberater ihm zufällig über den Weg lief. Wechsel zu CW als Webentwickler. Und dann, 2018, ein Alexa Skill für einen Hackathon-Nebenprojekt, gebaut aus Langeweile — der ihn über Nacht zum einzigen internen Experten für Sprachsteuerung machte, genau als der KI-Inkubator gegründet wurde. Zu den größten Fehlern bei KI-Einführung: KI als Selbstzweck einzuführen, weil alle es tun. Unsaubere oder unvollständige Datensätze. Sich blind auf die Ergebnisse verlassen, ohne den Menschen im Loop zu behalten. Und die Mitarbeitenden nicht mitzunehmen — Jan Christian erlebt das oft als reinen Stress: ein Tool wird hingestellt, plötzlich soll man produktiver sein und ist gleichzeitig dafür verantwortlich. Zur eigentlichen KI-Kompetenz der Zukunft: Nicht die Technologie selbst, sondern die Transferleistung — verstehen, dass man mit KI und Agenten "denken" kann, wie mit einem neuen Werkzeug im Werkzeugkasten. Die meisten Menschen haben ein Problem, aber sehen den Weg dorthin nicht. Genau da setzt Enablement an. Zur eigentlichen Zielsetzung seiner Rolle: Sein oberste Leitlinie, wörtlich: seinen eigenen Job abzuschaffen. Wenn jeder in der Lage ist, KI selbstständig sinnvoll einzusetzen, hat er seine Aufgabe erfüllt — und wird sich dann logischerweise dem nächsten Kapitel zuwenden. Zur Unterscheidung privat vs. Unternehmen: Privat: jeden Trend mitnehmen, ausprobieren, Fehler machen, das kostet nur einen selbst etwas. Im Unternehmenskontext: bewusst langsamer, weil Kundendaten und Lizenzkosten eine ganz andere Verantwortung mit sich bringen. Kein Widerspruch zur Offenheit — nur ein anderer Risikoraum. Wie seht ihr das — ist "sich selbst überflüssig machen" die richtige Zielsetzung für gute Führung, oder am Ende doch zu idealistisch für die meisten Organisationen? LinkedIn Profile LinkedIn Profile von Jan Christian Halfbrodt: https://www.linkedin.com/in/jan-christian-halfbrodt/ LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/ Business Buch Storyseller von Ralph Stieber — ein Marketingbuch darüber, wie Marken wie Nike, Patagonia und Harley-Davidson zu echten "Friends" werden statt nur Anbietern. Jan Christian mag besonders den Gedanken: lieber eine klare Identität mit echten Fans, statt jedem gefallen zu wollen.

    Mein Ziel ist, mich überflüssig zu machen | Jan Christian Halfbrodt & Rocky Khan - #37
  7. Aug 24

    Data Wins Arguments. Stories Win Roadmaps. | Gulrez Khan & Rocky Khan - #36

    Send us Fan Mail 📖 Gulrez Khan spent nearly two decades inside two of the most data-intensive companies on the planet — Microsoft and PayPal. Built experimentation infrastructure running on tens of millions of users. Drove a 35% increase in Gen AI adoption across PayPal's developer community. And then he sat down and wrote a children's book. Not because the work got easier. Because he realized something most data professionals never fully accept: the hardest part of this job was never the math. In the current episode of Masters of Data, BI & AI, he talks about why he wrote Drawing Data with Kids, what almost two decades at Microsoft and PayPal taught him about the gap between insight and action — and the five-part framework he now teaches for turning data into something people actually remember. A few things that stuck with me: On why the book had to exist: Gulrez grew up loving to write, but "get a job first" won out over creative ambition. Years later, homeschooling his three kids with his wife, he realized there was no book that taught data literacy the way he wished someone had taught him. So he wrote it — real memories with his own kids, turned into realistic fiction. The Snoring Graph chapter, based on his own sleep apnea, is now the one kids remember longest. On the moment that made it real: An article he wrote for the Data Visualization Society, "Drawing Data With Kids," unexpectedly took off. That was the signal — not just him, but other people wanted this too. The Kickstarter and the book followed from there. On the story behind his professional thesis: His father, in India, would text him in Hindi typed in English letters — autocorrect would mangle the words, and every time, his father would apologize below the message: "I'm 76 years old, please forgive me, I don't know how to use these devices." After his father passed away this past December, Gulrez ran an analysis on thousands of PayPal customer feedback entries and found the same pattern from elderly users again and again — people quietly explaining their age as an apology for not keeping up. That discovery became one of his most-shared internal stories, reaching even the CTO. On the five-part storytelling framework: Start with a personal story. Build common ground. Use contrast. Lead with empathy, not sympathy. Close with a call to action, built together with the people who actually own the outcome. Not a "rule of three" — Gulrez insists you need all five to actually move a room. On what AI can't replace: Gulrez's answer isn't storytelling in the abstract — it's the specific, personal, unrepeatable experience behind a story. AI can generate a technically competent narrative. It can't generate his father's WhatsApp messages, or the particular blend of a Bengali childhood and a life spent in American tech. That specificity is the actual differentiator, not "creativity" as a general skill. On what should never change, even as AI evolves: The basics of learning how to learn matter more than any specific tool. Ask better questions about the data you're consuming. Learn to present with intent, not the default rainbow-colored chart your tool spits out. Use contrast deliberately — perception versus reality, side by side. What do you think — is data storytelling a skill every data professional needs to build, or should organizations be doing more of the translation work themselves? 🎙️ The full episode is live now on Masters of Data, BI & AI — link in the comments. LinkedIn Profile LinkedIn Profile of Gulrez Khan: https://www.linkedin.com/in/gulrezkhan-data/ LinkedIn Profile of Rocky Khan: https://www.linkedin.com/in/khanrocky/ Business Books Effective Data Storytelling by Brent Dykes — Gulrez has been reading it and recommends it directly for anyone serious about the craft. How I Built This, hosted by Guy Raz — not a book, a podcast, but one Gulrez credits for showing him how founders actually talk about the struggle behind their journeys. The First 90 Days by Michael Watkins — his pick for anyone stepping into a new role or company, useful well beyond data careers.

    Data Wins Arguments. Stories Win Roadmaps. | Gulrez Khan & Rocky Khan - #36
  8. Aug 17

    Kein AWS, kein GCP, keine Kompromisse | Marco Breier & Rocky Khan - #35

    Send us Fan Mail ⚓ Bechtle und Cancom sind zu Tankern geworden, sagt Marco Breier. Groß, bekannt — und für immer mehr Kunden einfach zu langsam. Marco hat 2015 KOM4TEC gegründet und von Anfang an bewusst gegen die Bauchladen-Strategie entschieden, die den Markt prägt. Kein AWS, kein GCP, kein Dynamics, keine Telefonie. Nur Microsoft — M365, Power Platform, Azure, Copilot — und das richtig tief statt breit und flach. In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus fast 20 Jahren IT-Verantwortung in der Fashion-Industrie eine fokussierte Agentur wurde, die heute genau das Gegenteil der Tanker sein will. Ein paar Dinge, die hängengeblieben sind: Zur Microsoft-Fokussierung: Kein reiner Technologie-Entscheid am Anfang. Marco und sein Mitgründer wurden Anfang der 2000er von einem charismatischen, Microsoft-lastigen Dienstleister inspiriert — nicht primär von der Software, sondern von der Person dahinter. Daraus wurde über die Jahre eine bewusste strategische Linie: Abhängigkeit ist grundsätzlich nicht klug, aber am Frontend zählt Fokus mehr als Flexibilität, weil man Menschen nicht alle sechs Monate auf eine neue Welt umschulen kann. Zur Marktverteilung, aus eigener Erfahrung: Rund 70 % Microsoft-Fokus insgesamt, laut seiner eigenen Einschätzung eher Richtung 85 % im Mittelstand — weil kleinere interne IT-Teams schlicht keine Kapazität haben, mehrere Cloud-Ökosysteme gleichzeitig zu bespielen. Bei größeren Kunden sieht er das anders: Da gibt es die Power, sich bewusst breiter aufzustellen. Zum Costliest-Mistake-Learning: Ein Charakter, der schon beim Onboarding nicht ins Team passte, wurde trotzdem gehalten — weil Skill über Bauchgefühl gestellt wurde und weil sie an Menschen lange festhalten, bevor sie sich trennen. Am Ende hat das Zeit und Geld gekostet. Sein Learning: Lieber früh klar sein, als lange hoffen. Zu Storytelling im Vertrieb: Starke Pitches von Anfang an — weil sie selbst jahrelang Kunde waren, bevor sie Dienstleister wurden, und deshalb intuitiv die Sprache des Kunden sprachen. Was gefehlt hat: die eigentliche Abschlussqualität. Tolle Gespräche, aber niemand hat unterschrieben, bis sie lernten, aktiv nachzufassen und den Kunden zur Entscheidung zu führen, die er ohnehin treffen wollte. Zur Perfektion in Präsentationen: Sein Learnings aus dem Public Speaking: Eine starke Botschaft entsteht, wenn nichts mehr weggenommen werden kann — nicht, wenn nichts mehr hinzugefügt werden könnte. Zu viele Folien, zu viele Fachbegriffe, zu viel Ökosystem-Show verwässern die eigentliche Aussage, statt sie zu stärken. Wie seht ihr das — ist radikale Plattform-Fokussierung im Beratungsgeschäft eine kluge Nischenstrategie, oder ein Risiko in einem Markt, der zunehmend Multi-Cloud denkt? LinkedIn Profile LinkedIn Profile von Marco Breier: https://www.linkedin.com/in/marcobreier/ LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/ Business Buch Extreme Ownership von Jocko Willink und Leif Babin — ein Ex-Navy-SEAL, der radikale Eigenverantwortung predigt, sowohl unternehmerisch als auch persönlich. Marco schätzt es für die Klarheit in Entscheidungen, selbst wenn die Gesamtlage noch unklar ist.

    Kein AWS, kein GCP, keine Kompromisse | Marco Breier & Rocky Khan - #35

About

Podcast für Unternehmer und unternehmerischen Erfolg im Data, BI & KI Umfeld