Stories Connecting Dots with Markus Andrezak

Markus Andrezak

There is no single truth, but many, I this show we try to discover stories that explain how people and companies successfully deal with change and emerging business opportunities.

  1. May 6

    Stories Connecting Dots Ep. 37: Produktmanagement - Der Große Rundumschlag - Lutz Göcke und Michael Schultheiß

    Wir wissen: AI macht gute Produkt Manager besser, mittelmässige bleiben stehen. Echte Education darüber, was Product Management ist, bleibt also so wichtig wie vorher. AI bringt Slop an den Kompetenzgrenzen. Umso wichtiger, dass Lust Göcke und Michael Schultheiß in den letzten Jahren ein fundamentales Buch zu Product Management geschrieben haben. Ihr ca. 700 Seiten dickes Buch bietet ein Meta-Modell zum Produktmanagement: Das 6D-Modell. Es beschriebt, welche grundlegenden Disziplinen und Fähigkeiten es gibt und ein PM beherrschen muss und wie diese zusammenhängen. Dazu ordnet es die populären Modelle ein: Welche Bereiche werden z. Bsp. von den Büchern von Marty Cagan gecovered und welche nicht, welche von Theresa Torres? Wo gibt es Überschneidungen dun Abgrenzungen. Zusammen ergibt sich ein Überblick in Breite und Tiefe über unsere Aufgaben und unseren Job, der dabei hilft, das alles einzuordnen und sich auszurichten. Der Hintergrund: Lutz ist Professor an der Hochschule Nordhausen, Michael aktiver Produktmanager, u.a. bei remarkable. Alles dazu, zum Hintergrund und der Entstehungsgeschichte hier im neuen Pod. Links  Das Buch bei amazon Das Buch bei Springer Lutz bei LinkedIN Lutz' Institutsseite (Hochschule Nordhausen) Michael bei LinkedIn Kapitel 00:00 – Das 6D-Modell: ein Meta-Modell für Produktmanagement 02:23 – Motivation hinter dem Buch: Lücken schließen, Praxisnähe sichern 04:45 – Organisationen verstehen: Funktionen vor Strukturen 09:02 – Produktstrategie in unterschiedlichen Kontexten 13:16 – Einfluss von AI auf Produktentwicklung und Organisationen 19:32 – Erfolgsmessung: Viability, Desirability, Integrity & Feasibility 24:03 – Überlappungen und Blindstellen in Modellen: das Beispiel Discovery & Delivery 34:37 – Organisationen und ihre Muster: Was funktioniert in verschiedenen Branchen? 43:12 – Rollenkompetenzen im Produktmanagement: Business, Technik, Stakeholder 53:23 – Der Umgang mit Komplexität: Modelle, Klarheit und Anpassungsfähigkeit 64:34 – Prinzipien in der neuen AI-Welt – was bleibt, was ändert? 72:42 – Strategien für Organisationen im Zeitalter von AI & schnelllebigen Märkten 82:54 – Erfolgskriterien: Design Thinking und Produktvielfalt 88:02 – Herausforderungen der Anforderungen, AI-unterstütztes Requirements Engineering 98:02 – Die Bedeutung von Klarheit in der Kommunikation & Organisation 103:44 – Wie liest man das Buch? Tipps für Einsteiger und Profis 109:33 – Zukünftige Schritte: Übersetzungen, Forschung, Community-Engagement

    1h 57m

  2. Apr 13

    Stories Connecting Dots Ep. 36: Oliver Schwarz - Context Engineering Passion | Privat und bei Testo

    In dieser Episode ist Oliver Schwarz mein Gast. Ein guter Freund seit Jahren. Wir haben getwitched, über AI und Spiele diskutiert, stundenlang. Drum wurde es auch dieses mal lang. Oliver teilt seine praktischen Erfahrungen beim Aufbau von AI-gestützten Systemen für persönliche und berufliche Produktivität. Privat und bei beruflich, bei Testo. Das Gespräch führt uns zu vielen Aspekten: wie AI Arbeitsprozesse, Entscheidungsfindung und Organisationsstrukturen umgestalten kann, ein Schwerpunkt ist verantwortungsvolle Innovation und menschliche KI-Zusammenarbeit. Wir gehen dabei in die Tiefe anhand eines umfangreichen Assistenten, den Oliver gebaut hat. Dabei interessiert uns garnicht so sehr das Agentensystem, dass gebaut wurde (obwohl das sehr spannend ist und auch versucht LLM-unabhägig zu sein). Uns interessieren vielmehr die Learnings und Beobachtungen die dabei gemacht wurden. Wie beherrscht man die Claws? Wie eng muss man sie führen, harnessen? Warum hilft es Oliver, seinen Agenten zu „vermenschlichen"? Warum ist Oli aber Openclaw zu wild? Was passiert ausserhalb des persönlichen Umfelds, z. Bsp. bei der Einführung der neuen Technologien bei Oli's Arbeitgeber - Testo - wo genau das in seinen Verantwortungsbereich gehört? Was heisst das in Bezug auf Fürsorgepflicht? Highlights Von Chat über Kontext-Engineering zum Dark factory Pattern - was sind die Unterschiede? Der transformative Einfluss von KI-Systemen in der Softwareentwicklung, Projektmanagement und Wissensarbeit. Praktische Strategien zum Aufbau zuverlässiger, vertrauensbasierter KI-Tools, einschließlich Kontextmanagement und Regelsetzung. Die Bedeutung menschlicher Rollen, insbesondere Kommunikation und Entscheidungsfindung, in einer von KI erweiterten Welt. Herausforderungen bei Kostenmanagement und verantwortungsvollem Skalieren von KI-Integrationen. Das Konzept einer „Dark Factory", in der KI die Qualitätssicherung autonom ohne menschliche Überprüfung übernimmt. Organisation von KI-Interaktionen durch strukturierte Rahmenwerke wie Projektordner und semantische Hierarchien. Die psychologischen Aspekte des Vertrauens in KI, der Aufgabenübertragung und des Umgangs mit emotionalen Reaktionen. Kosten- und Risikobetrachtungen bei KI-Infrastruktur Kapitel 00:00 - Einführung in KI, agentische Entwicklung und gesellschaftliche FOMO 02:12 - Oliver Schwarz' Hintergrund und Erfahrungen mit KI in der Software 05:09 - Wie KI die Wahrnehmung technologischer Grenzen verändert hat 08:46 - Der Wendepunkt der KI für Oliver im letzten November 13:35 - Vertrauen in KI-Systeme aufbauen und psychologische Barrieren überwinden 15:00 - Nutzung von KI zur Strukturierung von Daten und Workflows in realen Projekten 20:00 - Strategien zur Einbettung von KI in organisatorische Routinen 25:52 - Mensch-KI-Zusammenarbeit in Projekt- und Entscheidungsunterstützung 32:19 - Die Bedeutung ergebnisorientierter Interaktionen 37:38 - KI in der Softwarequalitätssicherung: der „Dark Factory"-Ansatz 43:50 - Aufbau komplexer Multi-Agenten-Systeme für strategische Aufgaben 51:07 - Die Rolle semantischer Hierarchien und strukturiertes Kontextmanagement 57:33 - Schnittstellen und Kommunikationskanäle für KI-Systeme 60:57 - KI-Infrastrukturkosten, Anbieterökosysteme und Skalierbarkeit 70:53 - Veränderung der Entwicklerrollen: vom Codieren zur Kommunikation 78:50 - Organisationskultur, Rhythmus und Umgang mit KI-getriebenem Wandel 93:36 - Kundenakzeptanz, Marktstrategien und verantwortungsvolles Skalieren 98:56 - Zukünftige Berufsfelder, die durch die KI-Evolution geprägt werden 107:24 - Der Wandel in der Softwareentwicklung und Qualitätssicherungspraktiken 113:36 - Sozio-technische Herausforderungen, gesellschaftliche Reaktionen und historische Parallelen 118:39 - Abschließende Überlegungen zu verantwortungsvoller Innovation und kollaborativer KI Ressourcen & Links: Oliver Schwarz - LinkedIn Chester, Oliver's Assistent Lawrence, Oliver's Lernsystem  StrongDM's Dark Factory AI Artikel Kathrin Passig - "Neue Technologien, alte Reflexe"

    2 hr

  3. Apr 1

    Stories Connecting Dots Ep. 35: Niko Noll - ProductAnalyst.ai

    Nico Noll: ProductAnalyst.ai - Produktdaten wirklich nutzen Was für ein Gespräch! Nico Noll ist seit Jahren Produktspezialist. Er hat Hunderte von PMs trainiert – in Unternehmen, in Workshops, als Coach. Und baut jetzt sein eigenes Ding, lebt den Traum vom eigenen Produkt: ProductAnalyst.ai. Ein Tool, das aus dem eigenen Schmerz entstanden ist: jahrelang als PM in Firmen gesessen, Daten eigentlich vorhanden, in der Praxis aber doch unerreichbar und nicht actionable. Die Grundidee ist einfach und gleichzeitig strukturell: Produktdaten sind in fast jeder Firma vorhanden. Aber niemand nutzt sie wirklich für Entscheidungen. Der Bottleneck ist nicht die Datenmenge – sondern der Zugang und die Interpretation. Die Datenlücke im Produktmanagement Das racking läuft, die Events werden geloggt - sehr viele sogar. Mixpanel, Amplitude, PostHog, Google Analytics – irgendeins davon ist fast immer vorhanden. Aber wenn ein PM wirklich wissen will, welche Verhaltensmuster Churn vorhersagen, welche Nutzer nach dem Onboarding abspringen, welche Segmente sich grundlegend anders verhalten – wartet er auf einen Data Analyst, ein Dashboard oder beides. Beide Optionen: langsam, teuer, oft nicht vorhanden. Nico hat das als PM bei Xing noch als Luxus erlebt: Frontend-Analyst und BI-Analyst ständig verfügbar. Das ist die Ausnahme. Die Regel: entweder kein Datenteam, oder eines das permanent überlastet ist. These 1: Die meisten Produktentscheidungen passieren ohne aktuelle, granulare Daten – nicht weil die Daten fehlen, sondern weil der Zugang zu aufwändig ist. Granulare Fragen kosten Wochen. Und bleiben deshalb meistens ungestellt, erst recht unbeantwortet. These 2: Das eigentliche Problem ist kein Technologie-Problem. Das Zugangsproblem tut so als sei es ein Analyseproblem. Was Product Analyst AI macht – und was nicht Kein "Vibe Analytics" – kein CSV in ChatGPT werfen und hoffen. Stattdessen ein System mit klaren Guardrails: Generalisierte statistische Funktionen auf der einen Seite. Firmenspezifischer Kontext auf der anderen. Der Ansatz: Man trennt, was generalisierbar ist (statistische Methoden, Berechnungslogik, Segmentierungs-Funktionen) von dem, was firmenindividuell ist (Event-Namen, Business-Definitionen, Segment-Strukturen). Beides zusammen ergibt ein System, das verlässliche Antworten liefert. Was aktuell funktioniert: Alltagsfragen im Produktmanagement. Wie viele Nutzer zeigen dieses Verhaltensmuster? Wie unterscheidet sich die Churn Rate zwischen unseren Segmenten? Was passiert im Durchschnitt in den ersten 30 Tagen nach Anmeldung? Was noch nicht geht: Die explorativen Zwei-Stunden-Sessions mit einem Senior Data Analyst. Die komplexen strategischen Analysen. Das ist bewusst kein Ziel – Pareto-Logik. 80 % der Fragen, die sich Teams täglich stellen, sind gut beantwortbar. Damit fängt man an. These: Wenn dieselbe Frage vom CEO und vom PM ins System kommt, muss dieselbe Antwort rauskommen. Das ist der Unterschied zwischen einem Tool für echte Entscheidungen und einem, das nur das gute Gefühl liefert, irgendwas analysiert zu haben. Context Engineering – der eigentliche Unterschied Hier wird's technisch. Aber lohnt sich. Ein LLM ohne Kontext macht Annahmen. Und tut das mit erschreckendem Selbstbewusstsein. Markus bringt ein gutes Beispiel: ein Bootcamp-Curriculum reviewen. ChatGPT spuckt ohne spezifischen Kontext generisches Zeug aus. Dann die tiefen fachlichen Fehler benennen, nochmal fragen – plötzlich sagt das Modell, es habe jetzt erst das nötige Wissen aktiviert und kann tatsächlich tief reingehen. Das LLM weiß, was es braucht. Es bekommt es nur meistens nicht. Was Product Analyst AI deswegen baut: einen Kontext-Layer. Was bedeuten die Event-Namen wirklich – denn die heißen oft nicht "conversion_event", sondern irgendein kryptischer String. Wie wird Churn Rate in dieser Firma berechnet? Welche Segmente gibt es, die immer wieder auftauchen? Welche Metriken sind already definiert? Das alles wird einmal erarbeitet – aktuell noch manuell im Onboarding – und dann dem Agent als strukturierter Kontext zur Verfügung gestellt. Der Agent zieht sich Kontext und ruft deterministische Berechnungsfunktionen auf. Kombiniert beides. Gibt verlässliche Antworten. These 1: Prompt-Qualität ist weniger wichtig als Kontext-Management. Wer Kontext strukturiert einbaut, kriegt dramatisch bessere Ergebnisse. These 2: Die Leute, die heute schon großen Wert aus AI ziehen, und die, die sagen "ist ja alles generisch" – die unterscheiden sich fast ausschließlich darin, wie gut sie Kontext managen. Datenzugang für alle – nicht nur Produkt Customer Success fragt sich, ob der Upsell vom letzten Quartal bei einem Account überhaupt genutzt wird. Sales will wissen, welche Kunden Absprungs-Signale zeigen. Marketing würde gerne sehen, welche Features tatsächlich zur Aktivierung führen. All das steckt in den Daten. Aber Mixpanel-Zugang hat meist nur Produkt. Und selbst dort weiß oft keiner wirklich, was in den Daten steckt. Das ist das größere Bild hinter Product Analyst AI: nicht nur PMs bedienen, sondern Datenzugang für alle Teams im Unternehmen ermöglichen. Ohne dass jeder Mixpanel lernen muss. Ohne Ticket an das Datenteam. Ohne drei Wochen warten. These: Die meisten Firmen haben ein Datenzugangs-Problem – und halten es für ein Datenanalyse-Problem. Der Fix ist nicht mehr Dashboards bauen. Der Fix ist, Fragen direkt beantwortbar zu machen. AI im Unternehmer-Alltag – was sich wirklich verändert hat Als Zweier-Founding-Team können Nico und sein Co-Founder heute Arbeit tun, die früher entweder liegengeblieben wäre oder externe Ressourcen erfordert hätte, die man als kleines Team schlicht nicht hat. Konkret: Aus der LinkedIn-Connection-Liste 5.000 relevante Unternehmen herausfiltern. Neue Anmeldungen automatisch qualifizieren – bei welcher Firma arbeiten die, welches Problem könnten sie haben, passen die zu uns? Ein Python-Script, das früher einen halben Tag manueller Arbeit bedeutet hätte, entsteht jetzt in Minuten. Nico sagt es direkt: Das revolutioniert jeden Teil seiner Arbeit. Nicht im Sinne von "ich muss nicht mehr denken". Im Gegenteil – die Qualität der eigenen Gedanken ist jetzt der Bottleneck, nicht die Umsetzbarkeit manueller Aufgaben. These 1: KI nimmt keine Jobs weg. Sie ermöglicht Arbeit, die vorher schlicht nicht stattgefunden hat – weil die Ressourcen fehlten. These 2: Mit AI-Unterstützung wird man als Unternehmer nicht effizienter in dem, was man schon gemacht hat. Man kann plötzlich Dinge tun, die vorher schlicht nicht im Bereich des Möglichen lagen. Der Suchtfaktor – und warum Abstand wichtig bleibt Nico läuft. Viel. Idealerweise Trailrunning in den Bergen. Und er reist. Montenegro, Bali. Nicht als Auszeit, sondern als notwendiger Kontrastwechsel. Der Hintergrund: Wenn repetitive Arbeit wegfällt und fast nur noch strategisches Denken übrig bleibt, wird mentale Klarheit zum eigentlichen Bottleneck. Früher konnte man "Kopf ausschalten und einfach machen". Das geht jetzt nicht mehr. Gleichzeitig: AI-Tools haben einen extremen Suchtfaktor. Schnelle Ergebnisse, ständige Dopaminstöße – Bumm, Ergebnis. Noch eine Iteration, bang, besser. Markus vergleicht das direkt mit Social Media. Und trifft damit einen Nerv. Naval Ravikant hat dazu einen passenden Tweet: "Play long-term games with long-term people." Das ist genau das Gegenteil vom Hustle-ADHS, das gerade in AI-Kreisen kursiert. These 1: Je mächtiger AI-Tools werden, desto wichtiger wird der Rhythmus drumherum. Wer das nicht aktiv gestaltet, verbrennt. These 2: Außerhalb der eigenen Bubble bleiben ist gerade strategisch wichtig – nicht nur persönlich. Wer nur innerhalb der AI-Early-Adopter-Welt lebt, verliert das Gefühl dafür, was die Mehrheit der Menschen braucht und versteht. Signal vs. Noise – wie man nicht den Überblick verliert Alle haben FOMO gerade. Die Größten der Szene inklusive. Die Frage ist nicht mehr, ob man was verpasst – sondern wie man trotzdem handlungsfähig bleibt. Nicos Antwort: Drei, vier Leute finden, die nicht Meinungen teilen, sondern zeigen, wie sie es machen. Denen folgen. Den Rest ausblenden. These: Taktisch in AI-Tools einzutauchen ist gerade einer der strategischsten Schritte, die man machen kann. Wer versteht, wie diese Werkzeuge wirklich funktionieren, hat einen fundamentalen Vorteil – genau wie beim Aufkommen des Internets oder von Mobile. Links Gast: Product Analyst AI → https://productanalyst.ai Nico auf LinkedIn → https://linkedin.com/in/niconoll Nico auf Twitter/X → https://twitter.com/niconoll Im Gespräch erwähnte Tools: Amplitude → https://amplitude.com PostHog → https://posthog.com Mixpanel → https://mixpanel.com Google Analytics → https://analytics.google.com ChatGPT → https://chat.openai.com Tweet von Naval Ravikant   Mein nächster AI Augmented PM Kurs, Start 18.05.2026 Kapitel 00:00 Einführung in Product Analyst AI 03:31 Die Lücke im Datenmanagement 06:16 Die Rolle der AI in der Datenanalyse 09:35 Komplexität der Datenfragen 12:19 Parametrisierung und Kontextualisierung 15:25 Herausforderungen der Dateninterpretation 18:32 Die Zukunft der Datenanalyse mit AI 21:23 Demokratisierung von Datenzugang 27:52 Die Herausforderungen der Datenanalyse 31:56 Die Entstehungsgeschichte des Produkts 35:13 Die Rolle von AI im Unternehmertum 38:13 Technologische Einflüsse auf Produktentwicklung 41:07 Intelligente Nutzerinteraktionen mit AI 43:22 Das Leben außerhalb der Arbeit 48:26 Langfristige Perspektiven in einer schnelllebigen Welt 52:46 Outro

    53 min

  4. Mar 17

    Storis Connecting Dots Ep. 34 - Matthias Lübken - AI Revolution Insights

    Matthias Lübken. Zwei Jahre deep in AI. AI Revolution Isights Wo man Mathias erreicht: Matthias' Angebot: tavon.ai - Put AI Agents To work AI education and deplyoment LinkedIN: https://www.linkedin.com/in/luebken/ Community: AI Tinkerers Cologne   Matthias ist Produktmanager, Softwareentwickler, Rheinländer aus Bonn. Seit gut zwei Jahren macht er nichts anderes als AI-Tools studieren und anwenden. Er hat die Welle vor zwei Jahren auf sich zukommen gesehen hat und ist reingesprungen. Im Gespräch versuchen wir Hintergründe zu erklären, Fomo zu nehmen und aufzuklären, Begriffe erklären. TLDR Agentic AI ist ein glorified while loop mit Tool Calls. Wer das einmal verstanden hat, sieht warum so absurde Sachen funktionieren — und warum die meisten Diskussionen da draußen am falschen Punkt ansetzen. Ein paar Themen, die wir besprochen haben Der Schalter Der Moment, der alles verändert hat, war Claude Code und die neuen Modelle. Auf einmal konnte Matthias Sachen alleine machen, für die er vorher ein ganzes Software-Team gebraucht hätte. Good enough" - das hat bei ihm edie Frage aufgebracht, "Was mache ich denn eigentlich in Zukunft mit Teams"? Claude Code, der wohl schlechteste Produktname aller Zeiten (weil man damit eben nicht nur coden kann). Produktmenschen, Strategen, Finanzmenschen und normale Menschen, alle können damit strukturiert arbeiten, Context aufbauen, automatisieren, … Boris Cherny hat das Claude Code am Anfang in einer Woche als Wochenendprojekt gebaut. Das Interface ist ein Terminal. Für Software-Entwickler fühlt sich das wie 1985 an und genau darin liegt der Trick. Was darunter passiert Ein Large Language Model schickt Tool Calls raus. Unix-Commands — list, grep, execute. Die kommen zurück. Das LLM interpretiert, schickt den nächsten Call. Und so weiter. Ein glorified while loop, sagt Matthias. Der Durchbruch, den Claude 3.7 Sonnet brachte, war dass das Modell gut genug war, eine neue Fähigkeit zu bekommen: den Aufruf von Tools. In der richtigen Reihenfolge, für lange genug, dass etwas Sinnvolles dabei rauskam. Boris Cherny hat daraus ein Arbeitsprinzip gemacht: Feature auf funktionaler Ebene abnehmen, Code nicht mehr lesen. 60 bis 70 Prozent wirft er weg. Egal, wenn die anderen 30 Prozent funktionieren. Für die meisten Entwickler ist es psychologisch brutal, weil sie 15 Jahre gelernt haben zu coden, jeden Commit zu verstehen, jeden PR zu reviewen. Jetzt verschiebt sich der Wert dieser Skills auf genau die Stellen, die früher als "soft" abgetan wurden: Architektur, Judgment, beschreiben können wie gut aussieht. Kent Beck hat vor zwei Jahren formuliert: 90 % seiner Skills sind im Wert auf Null gesunken, 10 % haben vertausendfacht. Und bei Cherny klappt es nicht, weil er Yolo ist, sondern weil er penibel ein System aufgebaut hat. Was Context Engineering heißt Ein LLM ist per se stateless. Jeder Call fängt neu an. Der Thread, den man in ChatGPT siehst, wird komplett mitgeschickt, bei jedem Request. Was das System über einen zu wissen scheint, liegt daran, was man vorher reingeschrieben hat, oder an einer internen Memory, die man kaum steuern kannst. Claude Code funktioniert anders. Man baut Kontext auf, der bleibt. Was ist das Projekt? Was die Prinzipien? Was gibt es schon? Das steht in Markdown-Dateien. Der Agent lädt den gewünschten Kontext. Man steuert das. Metapher: Read the f*****g manual vs. "das Problem, das dich betrifft, steht in Kapitel 5, Absatz 4." Der Mensch kommt mit beidem irgendwie klar- aber die Qualität des Ergebnisses ist eine andere. Auch bei der LLM: Besserer, exakterer Kontext, besseres Ergebnis. Der eigentliche Punkt hinter allem, was Matthias als "Maschine bauen" beschreibt. Erst wenn die Maschine gut gebaut ist, kann man dem Ergebnis trauen. Matthias' persönliches CRM Sein CRM besteht aus einem Ordner mit Markdown-Dateien. Kontakte, Aktivitäten, eine simple Folderstruktur nach Status, E-Mail und Kalender angebunden. Wenn er wissen will, was beim letzten Gespräch mit jemandem war, fragt er den Agenten. Der durchsucht alles, antwortet, schlägt nächste Schritte vor. E-Mails lässt Matthias entwerfen, schickt sie aber immer selbst raus. Human in the loop, wieder. Das Ergebnis ist trotzdem Faktor X besser als jeder normale E-Mail-Assistent, weil der echte Kontext da ist. Dahinter steckt eine Frage, die uns den ganzen Talk beschäftigt hat: Wie viel von klassischer SaaS-Software wird kaputtgehen, weil hyperpersonalisierte Lösungen so viel besser passen? Matthias glaubt nicht, dass SaaS grundsätzlich stirbt, er aber eine Richtung : Systems of Records, die für LLMs mit ordentlichen APIs zugänglich gemacht werden. Und für viele Use Cases, wo heute irgendwas von der Stange genommen wird, das so halb nicht passt, sind kleine eigene Lösungen auf einmal eine echte Option. Openclaw und die Voice Message Peter Steinberger hat OpenClaw gebaut, ein Agentsystem ,basierend auf einer anderen Agentenplattform aus Österreich: pi. Er hat WhatsApp angeschlossen. Die erste Version konnte nur Text. Irgendwann schickt jemand aus Versehen eine Voice-Nachricht. Der Agent sieht: das ist keine Text-Datei. Also: Unix-Environment, Datei aufmachen, scheint Audio zu sein, was nimmt man für Audio: Whisper von OpenAI? Wie rufe ich das auf? Token holen. API Call. Transcription. Antwort zurück. Jeder einzelne dieser Schritte ist nachvollziehbar. Zusammen sieht es aus wie Magie. Das ist das Prinzip hinter allem. Was Matthias gerade macht Unter anderem: Eine Menge Community-Arbeit, Wissen unter die Leute bringen. Er baut AI Tinkerer Cologne (als Bonner), Teil eines globalen Netzwerks, Tüftler zusammenbringen, konkret ausprobieren was geht. Workshops mit HR-Teams, die Workflows automatisieren wollen. In ein paar Wochen London, AI Engineering Konferenz, wo er über seinen Coding Agent Pi spricht. Sein Fokus für die nächsten Wochen: rausfinden, wie weit Non-Coding-Workflows mit Cowork und ähnlichen Tools wirklich tragen. Sein Aufruf: Schickt die harten Use Cases rüber. Die, bei denen ihr nicht weiterkommt. UNd das meinen wir ernst: Schickt sie uns! Challenge accepted! Kapitel 00:00 Einführung in die Themen von AI und Unsicherheit 02:09 Matthias' Erfahrungen mit AI 08:14 Die Entwicklung von Software-Tools und deren Einfluss 12:10 Der Paradigmenwechsel in der Softwareentwicklung 17:40 Vertrauen in AI-gestützte Systeme und deren Nutzung 23:33 Die Anpassung an sich verändernde Technologien 24:55 Einführung in Agenten und Modelle 27:30 Erfahrungen mit Software-Entwicklung und LLMs 29:58 Anwendungen und Entdeckungen mit Claude 32:48 Kontext-Engineering und CRM-Entwicklung 34:33 Unterschiede zwischen ChatGPT und Claude 38:46 Tool-Calling und seine Bedeutung 42:33 Praktische Anwendungen von LLMs in Unternehmen 50:11 Philosophische Überlegungen zu LLMs und menschlicher Arbeit 53:33 Die Herausforderung der Spezifikation 55:07 Die Bedeutung von Kontext und Anweisungen 56:59 Zugriffsrechte und Sicherheit in der KI 59:02 Die Unterschiede zwischen Cloud Code und Desktop-Tools 01:01:01 Hyperpersonalisierung in der Softwareentwicklung 01:03:30 Die Zukunft von SaaS und hyperindividualisierte Software 01:06:15 Prototypen und agile Entwicklung 01:09:01 Das Innovationsdilemma großer Unternehmen 01:13:24 Herausforderungen bei der Implementierung neuer Technologien 01:14:07 Herausforderungen der KI-Nutzung 01:16:50 Kosten und Ressourcenmanagement bei KI 01:20:10 Abonnements und Token-Management 01:22:34 Die Bedeutung des Experimentierens 01:27:13 Die Rolle der KI in der Zukunft 01:33:41 Bildung und die Zukunft der Arbeit

    1h 38m
  5. Stories Connecting Dots - Ep. 33: Dr. Else van der Berg - "AI Native Product Management"

    Jan 18

    Stories Connecting Dots - Ep. 33: Dr. Else van der Berg - "AI Native Product Management"

    With product managers (and other knowledge workers) as well getting over the barrier to adopt the command line of Claude Code (probably the worst product name ever), everything changes. Roles, responsibilities, the requirements for an org to align.  So, I am happy to in this episode to speak with Dr. Else van der Berg, a self employed product manager living in Berlin. Else in working  in AI native companies, so she knows something about the evolving landscape of product management in AI-native environments. 'The way I work has changed more in the last six months than in the last five years.' - Dr. Else van der Berg Else writes about this shift in our role and in our environments a lot on LinkedIn and on substack. Read Else's content on LinkedIn: https://www.linkedin.com/in/dr-else-van-der-berg-42b8b6a2/ And on substack: https://elsevanderberg.substack.com Get infected! I really enjoy Else's refreshing perspective, knowing all the depth of our "old styles" of working, carrying all the influences from Marty Cagan, Teresa Torres etc. - but being full of energy to embrace all the tools and thus discovering all the new possibilities but also the new frictions. She shares her journey from traditional product management roles to embracing AI tools that enhance evidence-based decision-making. Else emphasizes the importance of understanding technology, especially in AI-driven products, and how this knowledge can empower product managers to make informed decisions. The discussion also touches on the shift from rigid Agile methodologies to more flexible, adaptive approaches that prioritize collaboration and rapid iteration, reflecting the changing dynamics of tech companies today. Else enjoys the shift from more specialised to more generalist roles that the new technology allows for. She argues that a broader skill set allows for better integration of technology and user experience. She also highlights the need for product managers to engage deeply with both customers and how the technology buys us that time. The conversation concludes with insights on how to navigate the challenges of communication and collaboration in fast-paced environments, emphasizing the value of transparency and shared goals among team members. The main point, though, is: This new technology augments us, helps us to get rid of "boring" work through atomisation and thus helps us find time to do what only humans can do - connect with other humans: clients, stakeholders, engineers.  Takeaways 'The way I work has changed more in the last six months than in the last five years.' 'We need to understand the technology behind AI products.' 'Everything is a test because you're just trying to collect data to see if your assumptions were true or false.' 'The smaller you are, the cooler it is.' 'We need to embrace failures and be transparent about them.'   Soundbites   'The way I work has changed more in the last six months than in the last five years.' 'I think there's a strong case being made for strict specializations and boundaries.' 'Launching an MVP or launching a feature is a test method.' Chapters   00:00 Introduction to AI Native Product Management 02:28 Dr. Else Van Der Berg's Journey in Tech 04:49 The Role of Generalists in Product Management 11:25 Shifts in Validation and Testing Methods 20:32 The Impact of Automation on Product Management 30:27 The Future of Product Development Teams 38:19 Proactive Product Management Strategies 40:17 The Role of AI in Understanding Problems 43:13 Communication Challenges in Product Management 45:26 Maintaining Context and Consistency 48:37 The Future of Work and Team Dynamics 55:49 Cultural Shifts in Organizations 01:00:28 Embracing Change and Innovation

    1h 12m
  6. Xmas Special Edition - All Stars "2025 Challenges und Konsequenzen"

    12/23/2025

    Xmas Special Edition - All Stars "2025 Challenges und Konsequenzen"

    Ich habe ein paar Freunde nach ihren Blicken auf die Herausforderungen 2025 gefragt. Hier sind ihre Antworten. Am Anfang war mir gar nicht klar, was das werden soll. Ich habe mich einfach dafür interessiert. Inzwischen weiss ich, was es soll. Zumindest für mich. Welchen dunklen oder hellen Gedanken ich - oder vielleicht auch du - in 2025 zu dem Thema erwogen habe: Andere haben das auch. Aus anderen Winkeln, mit anderen Einsichten, mit anderen Konsequenzen, mit anderen Ups und Downs.  Aber egal, ob Angestellter, Unternehmer, Berater, was auch immer die Rolle: Die Kräfte, die wirken sind immer die selben.  Insofern: Es ist ein riesiges „Wir sind alle im selben Boot, we're all in this together statement geworden." Es war ein schönes Projekt, mit all den Leuten in Kontakt zu treten. Vielen Dank an alle, die mitgemacht haben. Vielen Dank auch an alle, die verständlicherweise keine Zeit gefunden haben. Auch vielen Dank an jene, die einfach nur mit mir geredet haben, die ich so wieder getroffen habe und die letztlich gar kein Statement abgeben wollten. Ihr seid genauso groß und es war genauso schön.  2025: Das Jahr der Desorientierung – 2026: Die Chance zur Differenzierung Hier sind die Leitplanken für das kommende Jahr: Substanz statt Hype: KI ist kein reines Tech-Thema mehr, sondern ein „Story War". Während wir lernen müssen, den „B******t-Detektor" zu schärfen , ermöglicht uns die Technik gleichzeitig, als Individuen Produkte und Strategien in einer Geschwindigkeit zu bauen, die früher Teams brauchte. Vom Verwalten zum Gestalten: Wir werden aktuell von administrativer Routine aufgefressen. Das Ziel für 2026: KI übernimmt die „mindless" Aufgaben, damit wir endlich wieder die Zeit finden, echte Qualität und menschliche Gestaltung in den Fokus zu rücken. Langsamkeit als Wettbewerbsvorteil: In einer Zeit, in der sich die Welt wöchentlich neu erfindet , wird „langsames Denken" zur Superkraft. Fragen vor Antworten, Verstehen vor Bewerten – das schafft die Klarheit, die anderen im Herdenverhalten verloren geht. Radikale Akzeptanz & Fokus: Ob wirtschaftliche Flaute , KI-Disruption oder persönliche Schicksalsschläge – die Gewinner von 2026 werden diejenigen sein, die Situationen ohne lähmende Labels akzeptieren und den Prozess über das Ziel stellen.  Mein Fazit: Wir sitzen alle im selben Boot. Die Unsicherheit ist real, aber sie ist auch die Geburtsstunde für echte Differenzierung. Nutzt die Tools, aber behaltet den Human in the Loop. Die Statements in der Reihenfolge:  00:00 Intro 03:14 Matthew E. May:  https://www.linkedin.com/in/matthewemay/  https://matthewemay.com KI fungiert als kreativer „Thought Partner", der es Einzelpersonen ermöglicht, komplexe Produkte wie Apps ohne ein Team von Codern zu entwickeln. Die größte strategische Herausforderung ist nun nicht mehr der Entwurf, sondern die Auswahl und Umsetzung der richtigen Strategie unter begrenzten Ressourcen Zitat: „Es hat mir erlaubt, mich mehr und ausführlicher mit verschiedenen und neuen Ideen für neue Bücher [...] plötzlich hast einen Gedankenpartner, den du nicht hattest." 06:21 Christian Riedel - Growth By Story https://www.linkedin.com/in/christianriedel/ https://www.growthbystory.de KI ist derzeit vor allem ein narratives Phänomen inmitten eines „Story Wars", bei dem die Erzählungen über die Technologie oft wichtiger sind als die Technik selbst. Für 2026 ist daher ein geschärfter „B******t-Detektor" entscheidend, um zwischen echtem Nutzen und Marketing-Hype zu unterscheiden Zitat: „KI ist wahrscheinlich nicht nur ein technologisches Phänomen. Es ist vor allem ein narratives Phänomen." 09:22 Mohammed El-Nabulsi - Heon GmbH https://www.linkedin.com/in/mohammed-el-nabulsi/ https://heon.de Das Jahr 2025 war ein rasanter Weg durch einen „dunklen Wald" voller Wachstum und Rückschläge, in dem das ständige Hinterfragen von Konstanten zum wichtigsten Antrieb wurde. Zitat: „Es war wie ein Schritt in einen irgendwie ganz, ganz tiefen, dunklen Wald gewesen, von dem ich aber von Anfang an wusste, dass es genau der richtige Wald war." 11:15 Tim Steigert - The White Rabbit https://www.linkedin.com/in/timsteigert/ https://thewhiterabbit.is Die größten Hindernisse waren mangelnde Demut und Offenheit bei erfolgreichen Entscheidern; für 2026 plädiert er für „langsames Denken", also Verstehen und Selbstreflexion vor schnellen Antworten und Bewertungen. Zitat: „Mehr Mut zu langsamem Denken. [...] Also Fragen vor Antworten, Verstehen vor Bewerten, Perspektivwechsel vor Standpunkten." 12:27 Sohrab Salimi - Agile Academy https://www.linkedin.com/in/sohrabsalimi/ https://www.agile-academy.com/de/ KI ist ein echter Gamechanger, der insbesondere die deutsche Kernindustrie massiv unter Druck setzt; Agilität ist dabei die Grundvoraussetzung, um diese Tools erfolgreich zu integrieren. Zitat: „Diesmal ist der Begriff Gamechanger wirklich nicht unterbewertet. Das ist das ganze Thema AI." 15:36 Kerstin Neumann https://www.linkedin.com/in/kerstin-neumann-abb01312/ Herausforderungen sollten als „Trainingsfläche" begriffen werden, um durch Akzeptanz und Übung in einen Flow-Zustand zu gelangen, der die benötigte Energie für Problemlösungen deutlich reduziert. Zitat: „...dass irgendwann die Label, also Attribute, Herausforderungen, Problemen, Hürde verloren gegangen sind [...] weil vor mir Situationen lagen, die gehandhabt werden wollten." 17:53 Holger Nils Pohl https://www.linkedin.com/in/holgerpohl/ https://clarity.holgernilspohl.com Nach einer schweren persönlichen Krise ist die wichtigste Lehre, den Prozess über das Ziel zu stellen, Langeweile wertzuschätzen und strikte Grenzen zur eigenen Regeneration zu ziehen. Zitat: „Das Ziel ist eigentlich gar nicht wichtig, weil ich weiß nicht, ob ich das Ziel von irgendetwas morgen erreiche, egal wie sehr ich anpacke." 20:14 Büsra Coskuner https://www.linkedin.com/in/busra-coskuner/ https://www.busra.co Während die technologische Entwicklung rasant verläuft, verändert sich der Arbeitsmarkt durch Layoffs und neue Anforderungen an „AI-Fluency" fundamental; die Karten zwischen Individuen und Firmen werden komplett neu gemischt. Zitat: „Die Karten werden neu gemischt. Zum einen natürlich eben auch auf dem Jobmarkt, sich selbst als Profil hervorzuheben, aber vor allen Dingen auch bei den Companies." 22:23 Patrick Sauerwein https://www.linkedin.com/in/patricksauerwein/ https://virtualpatrick.com Die Erfahrungen des Jahres mahnen zu mehr Empathie, interkultureller Neugier und einer konsequenten Rückbesinnung auf den Sinn im Leben und die Verbindung zu anderen Menschen. Zitat: „...mit dem Herzen Menschen zu verbinden, irgendwas zu hinterlassen, wo man da drin aufgeht. Das Ganze eigentlich vielleicht auch mal mit mehr Liebe." 24:39 Konstantin Diener - cosee GmbH https://www.linkedin.com/in/konstantin-diener-4030b820a/ https://www.cosee.biz In Zeiten wirtschaftlicher Stagnation muss Innovation auch bedeuten, Kosten zu sparen; gleichzeitig gilt es, mit KI echte Wertstiftung zu betreiben, statt nur automatisierte „Plastikspielzeugprodukte" zu erzeugen. Zitat: „Innovation bedeutet auch, Kosten sparen, nicht nur mehr Geld zu verdienen." 27:07 Jan Hegewald https://www.linkedin.com/in/jan-hegewald/ Es besteht eine wachsende Gefahr durch eine starke Kommerzialisierung der KI; für die Zukunft sind verantwortungsvolle „Guardrails" und der Aufbau neuer, fundamentaler gesellschaftlicher Fähigkeiten entscheidend. Zitat: „Ich wünsche euch allen [...] dass wir als Gesellschaft die richtige Art finden, die besten fundamentalen Veränderungen zu [meistern]." 29:08 Dominique Winter https://www.linkedin.com/in/dominiquewinter/ https://produktwerker.de In einer Welt ständiger Irritation müssen wir die Kompetenz entwickeln, uns schnell und iterativ neu auszurichten, während wir im Kleinen (privat und kollegial) aktiv positive Erlebnisse schaffen. Zitat: „Wenn wir auch nicht vielleicht im Großen alles ändern können, können wir doch gerade schauen, dass die kleinen Sachen gut funktionieren." 31:26 Tim Klein https://www.linkedin.com/in/timklein-de/ https://produktwerker.de Das Jahr war geprägt von extremer politischer Verunsicherung und einem explosionsartigen Aktivitätsschub im letzten Quartal; Trends wie „Vibecoding" zeigen dabei, dass die KI-Entwicklung gerade erst am Anfang ihrer Dynamik steht. Zitat: „Vibecoding, ein Begriff, der zu Beginn des Jahres noch nicht mal bekannt war und heute gefühlt in aller Munde ist." 33:37 Stefan Roock - it agile https://www.linkedin.com/in/stefanroock/ https://www.it-agile.de Agilität ist oft an oberflächlicher Umsetzung gescheitert (z.B. bei Continuous Integration); echtes agiles Arbeiten bietet nach wie vor riesiges Potenzial, braucht aber vielleicht einen neuen Namen, da der alte Begriff verbraucht ist Zitat: „Vermutlich ist der Begriff Agilität allerdings verbraucht und möglicherweise brauchen wir das, was Agilität eigentlich meinte, unter einem anderen Namen." 36:18 Markus Andrezak Die inhärente Unsicherheit betrifft uns alle gleichermaßen; die Lösung liegt darin, die KI für Routineaufgaben (Verwaltung) zu nutzen, um endlich wieder mehr Zeit für die menschliche Gestaltung und Differenzierung zu gewinnen Zitat: „Wir konnten nie genug gestalten. Wir sind immer von der Verwaltung aufgefressen worden. AI kann uns unendlich beim Verwalten unterstützen [...] und deswegen in der Gestaltung unterstützen."   39:21 Ende

    42 min

  7. 12/07/2025

    Stories Connecting Dots - Episode 32 - Björn Schotte - The Great PM Reset

    Links zur Folge:  Alles zu meinem Strategy Collective: https://ueberproduct.de/seminar/the-strategy-collective/  Web Session am 11. Dezember, 10 Uhr, Input und Fragen dazu: https://us06web.zoom.us/meeting/register/-qDCbCrLT_2rp5Nva3mH7Q  Melde Dich gerne bei mir, falls Du Interesse hast und Dir nicht klar ob es für Dich passt u.ä.  Mayflower: https://mayflower.de  Björn Schotte auf LinkedIn: https://www.linkedin.com/in/bjoernschotte/  Björn's Talk "AI or Die": https://www.youtube.com/watch?v=HCOQBWPMN6s  Seine Slides zum Talk: https://www.linkedin.com/posts/bjoernschotte_der-große-ai-reset-für-product-manager-und-activity-7396088563727011840-j_eo?utm_source=share&utm_medium=member_desktop&rcm=ACoAAAMK_DMBJzkWYLNvJNYLK4jJCPycaoTSYRQ Zwei Personen, die sehr viel zu PM / AI auf LinkedIN posten und auch auf ihren Blogs dazu veröffentlichen:  Claudia Wodtke (den meisten wegen ihrem OKR-Klassiker bekannt): https://www.linkedin.com/in/christinawodtke/  Theresa Torres (den meisten wegen Continuous Discovery bekannt): https://www.linkedin.com/in/teresatorres/  In dieser Folge ist Björn Schotte mein Gast. Björn hat Mayflower mit gegründet und ist dort Geschäftsführer. Mayflower entwickelt Software für andere. Sie haben sehr früh mit agiler Software-Entwicklung angefangen. Weil das schwer für andere zu verstehen war, haben sie auch sehr lange Schulungen gegeben, auch bis hin zu OKR Schulungen. Sie haben auch ein fantastisches Produkt-Event - das Product Owner Camp - in Frankfurt über Jahre gestaltet. Immer mit dabei: Björn.  Mayflower hat sich dann schon vor 4-5 Jahren vollständig der Entwicklung mit Hilfe von AI gewidmet und eine riesige Transformation dorthin unternommen. Wahrscheinlich sind sie heute in diesem Bereich in Deutschland mit führend.  Björn hat letztens einen Vortrag für Produktmanager gehalten, in dem er OM als das Bottleneck dargestellt hat. "AI or Die - der große Reset". Den Talk siehst Du unten verlinkt, ebenso die Slides zu seinem Talk. In dieser Folge beschreibt Björn die Transformation des Produktmanagements durch AI und Automatisierung. Er beleuchtet die Rolle des Produktmanagers in einer zunehmend technologiegetriebenen Welt, die Notwendigkeit zur Anpassung an neue Tools und Prozesse sowie die Herausforderungen, die durch die Organisationen selbst entstehen.  Die Diskussion umfasst auch die Bedeutung von User-Tests, Feedback-Mechanismen und die Zukunft des Designs in der Produktentwicklung. In dieser Episode diskutieren wir auch darüber, wie Alignment funktioniert, wenn Sprints keinen Sinn mehr machen.  Wie sieht Zusammenarbeit aus? Machen OKRs noch Sinn? Wenn nein, wie bleibt man dann in einer Richtung? Was sind erste Schritte, die ich als OM gehen kann um die neue Welt zu entdecken? Wie nehme ich meine Organisation mit? Am Ende bleiben Daten und Kreativität im Kern wichtig. Dazu kommt aber auch Orchestrierungsfähigkeit im neuen Umfeld mit vielen unterstützenden Agenten.  Zudem betonen wir die Bedeutung von Transformation, Mut und Skills für Veränderungen in Unternehmen thematisiert, sowie der Umgang mit Defiziten in Technologien und die Wichtigkeit menschlicher Beziehungen in einem zunehmend automatisierten Umfeld.  Finally gibt Björn den Rat, sich eher bei Entwicklern Rat zu holen als bei PM—Kollegen, um neue Perspektiven einzunehmen.  Takeaways  - Die Rolle des Produktmanagements wird sich durch AI verändern.  - Produktmanager müssen engineering-naher werden.  - Orchestrierung wird zur Schlüsselkompetenz für PMs.  - AI ermöglicht schnellere Experimente und Iterationen.  - Automatisierung kann User-Tests und Feedback-Prozesse verbessern.  - Die Organisation kann ein Bottleneck für Innovation sein.  - Moderne Tools sind notwendig, um wettbewerbsfähig zu bleiben.  - Designsysteme müssen für AI optimiert werden.  - Die Wettbewerbsfähigkeit kann durch AI gesteigert werden.  - OKRs sind ein Mittel zum Alignment in Unternehmen.  - Automatisierung kann Dokumentation und Berichterstattung erleichtern.  - Skills und Tools sind notwendig für effektives Management.  - Der Weg vom 70%-er zum 5%-er erfordert erste Schritte zur Automatisierung.  - Transformation erfordert Mut und die richtigen Skills.  - Outcome-Stories sind wichtig für die Erfolgsmessung.  - Der Umgang mit Defiziten in Technologien ist herausfordernd.  - Menschliche Beziehungen sollten nicht automatisiert werden.  - Wissen und Inspiration sind entscheidend für den Fortschritt.  Chapter  00:00 Intro  05:55 Produktmanagement im Wandel  11:57 Die Rolle der 5% in der Produktentwicklung  17:45 Orchestrierung und Automatisierung im Produktmanagement  23:42 Zukunftsvisionen für Produktmanager  27:49 Die Rolle der Organisation in agilen Prozessen  29:16 Zusammenarbeit in 5-Prozent-Teams  31:01 Interaktion und Feedback in der Produktentwicklung  31:53 Notwendigkeit von CI/CD Pipelines  33:07 Toolstack für Produktmanager in der AI-Welt  33:43 Cloud Code und Designsysteme  36:01 Die Rolle des Produktmanagers in der AI-Ära  37:58 Gemeinsame Entwicklung von Fähigkeiten  40:26 Die Evolution des Designerberufs  41:48 Wettbewerbsfähigkeit durch Systemverbesserung  44:02 Zukunft des Produktmanagements  47:20 Fluide Prozesse und agile Strategien  48:51 Orientierung im agilen Umfeld  50:22 Automatisierung und Dokumentation  52:51 Der Weg vom 70%er zum 5%er  56:17 Transformation und Mut zur Veränderung  01:00:35 Outcome-Orientierung im Produktmanagement  01:08:25 Gemeinsame Geschwindigkeit im Unternehmen 01:11:02 Zukunftsvisionen und Unternehmensziele  01:12:08 Technologische Defizite und Herausforderungen  01:13:04 Optimierung von AI-Systemen  01:17:18 Menschliche Beziehungen und Automatisierung  01:19:11 Unkontrollierbarkeit und Emotionen in der Technologie  01:21:43 Lernquellen und persönliche Entwicklung

    1h 34m
  8. Ep. 31 - pckd - Pouched Underwear | Evgeny Polynksi

    01/22/2025

    Ep. 31 - pckd - Pouched Underwear | Evgeny Polynksi

    pckd - Herrenunterwäsche aus Berlin, hangenäht in Portugal aus edlen Stoffen. Ein kleines Label aus Berlin, ein Familienbetrieb, geführt von Evgeny und seinem Bruder. In dieser Folge schauen wir hinter die Kulissen eines aufstrebenden kleinen Unternehmens und lernen über die schönen, aber auch die harten Seiten. Schön, wenn die Kunden begeistert sind und noch dazu bei einem so „berührenden" Produkt. Hart, wenn die Produktionsstrasse wegfällt. Bitter, wenn Covid die Verbindung zur einzigen Produktion, die man hat, abkappt. Was dann? Wie kann man die Kundenerfahrung über den ganzen Prozess von Marketing über Bestellung, Verkauf, Lieferung und noch darüber hinaus so gestalten, dass man sich gegen billigere Konkurrenz abheben kann? Wie weit kann man dabei gehen? Wie kann man diese hochwertige analoge Welt mit der digitalen Welt des Internet-Verkaufs verbinden? Evgeny erzählt es. Schaut Euch die Ware hier an: https://www.pckd.de Der Rabatt-Code (30 großzügige Prozent!) ist: ueberproduct Viel Spaß bei der Folge! Lasst von Euch hören! Chapter:  00:00:00 Intro 00:02:37 Vom Digitalen zur Herrenunterwäsche 00:05:39 Innovationsfaktor und Produktentwicklung 00:10:22 Risiko-Management und strategische Entscheidungen 00:14:27 Positionierung und Branding im Textilmarkt 00:22:20 Herausforderungen in der Produktion und Marktstrategie 00:23:58 Marktanalyse und Positionierung 00:27:24 Kundenansprache und Marketingstrategien 00:32:21 Kundenservice und Einkaufserlebnis 00:40:19 Herausforderungen in der Produktionskette 00:49:07 Herrenunterwäsche und Innovation??? 00:50:30 Innovation als Problemlösung 00:53:40 Markenidentität und Ausschlusskriterien 00:56:47 Produktentwicklung und Anpassung für Sport? 01:01:39 E-Commerce und das Einkaufserlebnis 01:04:57 Weihnachtsgeschäft und Rabatt-Code!!!

    1h 13m
See All (38)

Ratings & Reviews

About

There is no single truth, but many, I this show we try to discover stories that explain how people and companies successfully deal with change and emerging business opportunities.

Information

You Might Also Like