Datendurst mit Tim Ebner

00:01 Anmoderation

00:44 Vorschau: Customer Centricity bei Freenet

01:15 Heute zu Gast: Christian Schröder von DSK 360

03:36 [Anzeige] Weiterbildung zum New Business and Risk Strategist

04:55 KI-Compliance: Bürokratie oder Denkwerkzeug?

06:56 EU-Digitalgesetze setzen auf Selbstverantwortung

12:05 AI-Compliance besteht aus mehreren Rechtsbereichen

13:01 NIS2: Informationssicherheit als Existenzsicherung

16:02 Social Engineering als unterschätzte Gefahr

18:29 Ziel und Logik des EU-AI-Act

19:49 Weißt Du, was die KI mit Deinen Daten macht?

23:10 Daten löschen funktioniert in KI-Systemen nicht

25:25 Ausstehende Änderungen an der KI-Verordnung der EU

34:02 Abwarten ist keine Strategie

34:51 Wie Du KI-Compliance strukturiert angehst

37:27 Standardisierte Dokumentation für alle Rechtsbereiche

41:00 Wie lassen sich KI-MVPs mit KI-Compliance verbinden?

48:48 Kann KI bei AI-Compliance helfen?

52:46 Dank an Christian Schröder und Abmoderation

Im Gespräch mit Christian Schröder, Berater bei DSK 360, widmet sich Tim dem Thema AI-Compliance. Wie geht man AI-Compliance richtig an? Warum sorgt sie in vielen Unternehmen für Chaos? Und wie lässt sich das Thema strukturiert und sinnvoll umsetzen, ohne Innovation auszubremsen?

Christian Schröder ist Berater für Datenschutz, Informationssicherheit und künstliche Intelligenz bei der DSK 360 GmbH. Sein Schwerpunkt liegt auf der praxisnahen Umsetzung von DSGVO, NIS2 und AI-Compliance.

Christian bei LinkedIn: https://www.linkedin.com/in/christian-schroeder-dsk360

DSK 360: https://dsk360.de/

1. Zuständigkeiten und Verantwortlichkeiten klären
2. Managementsystem aufbauen
3. Anwendungsfälle und Zwecke definieren
4. Systeme risikobasiert klassifizieren
5. Rolle klären: Anbieter oder Betreiber
6. Pflichten und Risiken für Betroffene und Technik bewerten
7. Einheitliche Dokumentation für EU-AI-Act, DSGVO und NIS2 nutzen

Eine gemeinsame Dokumentationsbasis spart Aufwand und erhöht die Qualität der Compliance.

Die Haufe Akademie bietet eine Weiterbildung zum New Business and Risk Strategist. In der Masterclass geht es um Zukunftskompetenzen, strategisches Risikomanagement und Compliance in dynamischen Märkten. Die Weiterbildung ist förderfähig für Arbeitnehmende und Selbstständige.

Zur Masterclass: https://www.haufe-akademie.de/newbusiness

Weitere Angebote: https://www.haufe-akademie.de/future

Compliance wird oft als lästige Bürokratie wahrgenommen. Richtig umgesetzt schafft sie jedoch operativen Mehrwert, bereits in der Konzeptionsphase von KI-Anwendungen.

Die EU setzt auf Selbstverantwortung der Unternehmen. Wer den risikobasierten Ansatz versteht, gewinnt Gestaltungsspielraum statt Einschränkungen.

Neben dem EU-AI-Act spielen auch DSGVO und Informationssicherheit (NIS2) eine zentrale Rolle. AI-Compliance ist immer interdisziplinär zu betrachten.

NIS2 zielt auf die Sicherheit von Unternehmenssystemen ab. Besonders relevant: Viele Cyberangriffe erfolgen nicht technisch, sondern über Social Engineering. Vertrauen, Druck und Autorität werden gezielt ausgenutzt.

Die KI-Verordnung soll Innovation ermöglichen und gleichzeitig Risiken kontrollierbar machen. Einheitliche Regeln sollen Wildwuchs vermeiden und Vertrauen schaffen.

Passende Folge zum EU-AI-Act mit Sirke Reimann:

https://www.youtube.com/watch?v=95xAtbiO9cQ

Anwender müssen entscheiden, wie Daten genutzt werden dürfen. Bei KI-Systemen ist das oft intransparent, insbesondere wenn Subverarbeiter Daten zum Training verwenden.

DSGVO-Betroffenenrechte gelten auch für KI. Da klassische Löschkonzepte hier kaum greifen, ist es entscheidend, vorab festzulegen, welche Daten überhaupt in KI-Systeme gelangen dürfen.

Im Rahmen eines Omnibusverfahrens prüft die EU Anpassungen am AI Act, etwa Fristverlängerungen oder Erleichterungen für KMU. Der Kern der Verordnung bleibt jedoch bestehen. Abwarten ist keine Strategie.

Auch MVPs lassen sich compliant umsetzen. Wichtig sind klare Rahmenbedingungen, fachliche Begleitung und der bewusste Umgang mit sensiblen Daten.

KI kann bei Dokumentation und Analyse unterstützen. Blindes Vertrauen ist jedoch gefährlich. Menschliche Kontrolle bleibt unverzichtbar.

In zwei Wochen spricht Tim bei Datendurst mit Anke Schramm, Vice President of Market Research and Customer Advocacy bei Freenet, über datenbasierte Customer Centricity.

Datendurst bei LinkedIn:

https://www.linkedin.com/company/datendurst/ 

Tim spricht heute mit Ann-Cathrin Schäfer. Sie ist seit fünf Jahren Senior Data Analytics Specialist bei Otto. Zentrale Fragen dabei sind: Wie ist Otto in Sachen Communication Analytics (Comms Analytics) aufgestellt? Wie entwickeln sich die Analysen dort, seitdem Ann-Cathrin da ist? Wie stellt sie sich die Zukunft dieses Bereiches vor?

Tim stellt die Haufe Akademie als Sponsor des Podcasts vor und weist auf die Masterclass zu Data Analytics hin. Sie beinhaltet den Einstieg in Big Data, Machine Learning und professionelle Datenanalyse. Hier setzt Ihr unter anderem komplette Datenprozesse mit KNIME um. Am Ende der Masterclass (Präsenzkurse und Webinare) und nach bestandener Prüfung erhaltet Ihr das Zertifikat zum Data Analyst.

Tipp am Rande: Werft auch mal einen Blick in deren FAQs zu Fördermöglichkeiten für Arbeitnehmer und Selbstständige.

https://www.haufe-akademie.de/data

https://www.haufe-akademie.de/faqs

Ann-Cathrin steht im permanenten Austausch mit CVDs für die Datenerhebungen sowie operativen Teams und Kommunikationsverantwortlichen. Ihre Aufgabe beinhaltet ganz wesentlich die Interpretation gesammelter Daten.

Die Offenheit aller Abteilungen bei Otto ist die Grundvoraussetzung dafür, dass Ann-Cathrin ihre Auswertungen transparent und konstruktiv Allen zur Verfügung stellen kann.

Ann-Cathrin fasst ihr Monitoring derzeit aus folgenden Quellen zusammen:

a) externe Dienstleister: Medien-Resonanzanalysen und Reportings

b) intern: Social-Media-Analysen, Social Listening, Pressearbeit und Medienmonitoring

Nur aus der ganzheitlichen Betrachtung lässt sich sinnvoller Input generieren und strategisch einbauen.

Die Datenauswertung ist genauso wichtig wie die strukturierte, permanente Datensammlung. Entsprechend kann auch ein so großer Konzern wie Otto auf allen Ebenen konzertiert und tagesaktuell reagieren.

Ann-Cathrin kann bei der Datenauswertung im Einzelfall selbständig entscheiden, wen sie dringlich und zuerst unterrichtet. Anschließend bekommt sie Feedback, ob die Entscheider den Einzelfall genauso werten. So können sich Strategie und Maßnahmen intern dynamisch weiterentwickeln.

Die interne Kommunikation und die interne Themenkonjunktur wird bei Otto über das Intranet, Kommentare und Meetings wie das monatliche Townhall-Meeting analysiert. Qualitatives Feedback im Sinne von Umfragen ist aus Compliance-Gründen meistens schwierig.

1. Descriptive Analytics: Was ist rückblickend passiert? (Hindsight)

2. Diagnostic Analytics: Warum ist was passiert? (Insight)

3. Predictive Analytics: Was wird passieren? (Foresight)

4. Prescriptive Analytics: Wie können wir Handlungsempfehlungen automatisiert herleiten und/oder umsetzen? (Assistance / KI)

Bei der Codierung von großen Datenmengen oder dem Clustern von tausenden Kommentaren kann KI sehr beschleunigt arbeiten. Aber die Abstimmungen mit Compliance, Entwicklung und Testen von Agents, automatisierten Workflows und Modellen brauchen eine lange, intensive Vorarbeit.

Aus Ann-Cathrins Sicht eignet sich KI in der Datencodierung für die Reputationsmessung: Zuordnung von Reputationsdimensionen, Reputationswerten sowie Sentiments. Daraus kann eine Gesamtreputation abgeleitet werden.

Beispiel für ein Ziel solcher Analysen: Wie passt die Fremd- oder die Wahrnehmung in Social Media oder in den Medien zu unserem Idealbild, das wir darstellen wollen? Damit können Kommunikation und Reaktion auf Entwicklungen qualitativ verbessert und beschleunigt werden.

Compliance, Vorbereitungszeit von KI:

https://www.youtube.com/watch?v=_SiXbFdZ8_Q

Verteilungsprozesse zwischen Social Media, Presse und internen Stakeholdern:

https://www.youtube.com/watch?v=FsXtEZS2cyE

In 14 Tagen spricht Tim mit dem Datenschützer Christian Schröder über KI-Compliance und wie man das richtig macht.

Otto: https://www.otto.de

Ann-Cathrin Schäfer: https://www.linkedin.com/in/ann-cathrin-schaefer/?originalSubdomain=de

01:00 Anmoderation

02:13 [Anzeige] Haufe Akademie, Sponsor & KI-Weiterbildung

03:17 Analyse heißt: Zahlen liefern UND interpretieren

05:07 Offenheit gegenüber Daten ist Grundvoraussetzung

08:01 Ganzheitliches Monitoring und dynamische, strategische Einbindung

10:07 Steuerung durch mehr Flexibilität und Geschwindigkeit

11:45 Prioritäten entwickeln sich im gegenseitigen Austausch

16:37 Analyse der internen Kommunikation bei Otto

18:18 Die vier Schritte des Analytics Value Escalator

21:09 Potenzial von KI in der Datenanalyse

22:43 Beispiel für KI in der Analyse

25:36 Fremdwahrnehmung vs. Idealbild

27:04 Abmoderation

Tim spricht mit Christian Kelm über Amazon Analytics, Relevanzmechaniken und die Tatsache, dass der Algorithmus im Kern eine einfache Zählmaschine ist. Christian zeigt, wie Händler ihre Sichtbarkeit durch Kundensignale, Produktdetailseiten und Datenanalysen beeinflussen können.

Tim begrüßt Christian Kelm und führt in das Thema „Amazon Analytics” ein. Er arbeitet seit vielen Jahren mit Amazon-Daten und beschäftigt sich mit Ranking-Mechaniken und Händlersemantik.

Lerne Christian kennen: https://www.linkedin.com/in/christian-otto-kelm/

Erfahre mehr über die AMALYZE AG: https://www.linkedin.com/company/amalyze/

Christian erläutert seine These: Der Amazon-Algorithmus ist weniger mystisch, als oft behauptet wird. Entscheidend sind das Kundenverhalten, Relevanzsignale und die Fähigkeit der Händler, die Marktbedingungen zu erfüllen.

Tim stellt den Sponsor des Podcasts, die Haufe Akademie, vor und verweist auf die Masterclass zum Marketing und Sales Analyst. Teilnehmende lernen dort, Marketing- und Sales-Aktivitäten datenbasiert zu steuern. Unter https://haufe-akademie.de/analyst erfährst du mehr.

Der Algorithmus basiert im Kern auf Klicks, Reaktionen auf Detailseiten und Kaufverhalten. Diese Signale werden gezählt und in Rankings überführt.

„Zunächst muss man sich bewusst machen, dass es sich hierbei um eine reine Zählmaschine handelt. Nichts weiter. Im Rahmen der A Company kann man sich ein paar alte Patente angucken. Im Endeffekt geht es nur um Relevanz, also eine Sortierung nach Relevanz in einem riesigen Produktkatalog.”

Schau Dir hier das erste Patent von A9 an: https://patents.google.com/patent/US20030195877A1/

Sinkende Sternebewertungen oder unpassende Preiserhöhungen führen zu weniger Klicks und somit zu schlechteren Platzierungen. Amazon „bestraft“ nicht aktiv, sondern das Kundenverhalten erzeugt die Rankingveränderung.

Je nach Keyword unterscheiden sich die Preisniveaus, etwa bei Goldarmbändern. Händler müssen verstehen, ob ein Begriff die Material- oder die Farbintention widerspiegelt.

Bei Produkten mit klaren Anforderungen, wie beispielsweise Wagenhebern, sind die Suchergebnisseiten träge. In anderen Kategorien verändern sich die Rankings aufgrund des Nutzerverhaltens und der Variantenvielfalt häufig.

„Das heißt, die Volatilität unter diesem Keyword „Wagenheber” ist extrem niedrig, weil es sich um Wagenheber handelt, die den Wagen heben können.”

Christian nutzt den Begriff „Ameisenalgorithmus”, um kollektives Kundenverhalten zu erklären. Das Kaufmannsparadoxon wiederum zeigt, wie Amazon Suchergebnisse aus mehreren aufeinanderfolgenden Käufen ableitet.

Erfahre mehr über den Ameisenalgorithmus: https://wirtschaftslexikon.gabler.de/definition/ameisenalgorithmus-54002

In Suchergebnislisten erscheinen unerwartete Produkte, weil Käufer bestimmte Artikel häufig kombiniert erwerben. Amazon verkürzt diese Customer Journey, indem das Unternehmen diese Muster abbildet.

Amazon-Titel wirken oft überladen, weil Händler ihre Anforderungen direkt in den Titel packen. Die Gewichtung des Titels für das Ranking ist jedoch geringer als von Vielen angenommen.

Christian beschreibt, wie Google-Suchphrasen zu Amazon-URLs weiterleiten und Rankings beeinflussen können. Dabei spielen Canonical-URLs und Keyword-Kombinationen eine technische Rolle.

„Wenn Amazon-Produkte in Google-Rankings auftauchen, liegt das an der Canonical-URL. Die lässt sich selber schreiben. Wenn du in den Titel fünf Wörter schreibst und einen Bindestrich einsetzt, wird die Canonical-URL automatisch erstellt.”

Durch das Targeting anderer pinker Produkte über die PDP (= Product Detail Page) statt über Keywords konnte ein Kühlpad in zahlreichen Keyword-Umfeldern ranken. Dieser Ansatz nutzt Kaufpfade statt der klassischen Keyword-Relevanz.

Für Christian bedeutet SEO, die Sprache der Kunden zu verstehen und deren Suchintention abzuleiten. PPC ergänzt dies durch Sichtbarkeit an Positionen, die organisch noch nicht erreichbar sind.

„Suchmaschinenoptimierung auf Amazon bedeutet, die Sprache der Kunden zu lernen. Kundisch ist die Sprache der Kunden: Was wird im Suchfeld eingegeben und wo geht der Pfad des Kunden lang?”

Amazon stellt umfangreiche Datenquellen bereit, darunter Suchvolumina, Klickanteile, Preispunkte und saisonale Muster. Mithilfe dieser Daten können Händler Marktpotenziale und Wettbewerbsdynamiken bewerten.

Erfahre mehr zum Product Opportunity Explorer: https://sell.amazon.com/tools/product-opportunity-explorer

In der Advertising-Konsole fehlen zentrale Kennzahlen wie die Conversion Rate oder die Kosten pro Bestellung, die jedoch berechenbar sind. Die Amazon Marketing Cloud ermöglicht tiefere Analysen von Kundenpfaden und Werbewirkung.

Tim spricht mit Simon Bongers darüber, warum Business Intelligence (BI) weit über Visualisierungen hinausgeht und wie Datenmodelle, Governance und agile Produktentwicklung zusammenspielen. Anhand konkreter Beispiele aus der BI-Praxis von ROSE Bikes demonstriert Simon, wie Datenqualität, Modellierung und Prozesse fundierte Entscheidungen ermöglichen.

Tim eröffnet die Folge im Weihnachtssetting und stellt Simon von ROSE Bikes vor. Direkt zu Beginn geht es darum, wie Fahrräder und BI gleichermaßen Geschenke mit Wirkung sein können.

Lerne Simon kennen: 

https://www.linkedin.com/in/simon-bongers-b061431ba/?originalSubdomain=de

Simon erläutert die Struktur von ROSE Bikes und seiner Tochter ROSE Digital, die aus einer übernommenen Agentur hervorgegangen ist. Heute bündelt ROSE Digital den gesamten IT-Bereich inklusive Business Intelligence (BI).

Erfahre mehr zu ROSE Bikes unter 

- https://www.rosebikes.de/,

- https://www.instagram.com/rose_bikes/?hl=de,

- https://www.instagram.com/rosecircle/

- oder https://de.linkedin.com/company/rose-bikes

Tim stellt die Haufe Akademie als Sponsor des Podcasts vor und weist auf die Future Jobs Classes hin. Im Fokus steht die zertifizierte Weiterbildung zum KI-Manager, in der die Teilnehmenden lernen, KI-Potenziale in Unternehmen zu erkennen und umzusetzen: https://haufe-akademie.de/ki

Charts sind nur die letzte und sichtbare Schicht eines BI-Produkts. Entscheidend sind Kontext, Definitionen und die Herkunft der Daten. Ohne eine valide Grundlage bleibt jede Visualisierung oberflächlich.

Simon beschreibt, wie Daten aus Meta, LinkedIn und weiteren Systemen über eine API ins Core-Data-Warehouse geladen werden. Anschließend werden die Daten abgeglichen, geprüft und kombiniert .

IDs, Kampagnennamen oder Nutzerkennungen unterscheiden sich je nach System und müssen daher sauber gemappt werden. Erst dieses Mapping ermöglicht integrierte Auswertungen und korrekte Kennzahlen.

Währungen, Fakturadaten und Wechselkursänderungen können zu Abweichungen zwischen Auftrag und Rechnungswert führen. Diese Effekte müssen im Reporting transparent abgebildet werden.

Erklärung: „Fakturadaten" sind Daten auf Rechnungen und anderen Abrechnungsbelegen.

Simon erläutert das Prinzip der zentralen Faktentabellen und der angebundenen Dimensionstabellen. Das Modell ermöglicht klare Schlüsselbeziehungen und konsistente Berechnungen im Reporting.

Weitere Details zum Modell von Kimball: https://bit.ly/4a5168l

Da Kalender- und Wirtschaftsjahre unterschiedlich verlaufen können, muss eine Datumsdimension zusätzliche Attribute bereitstellen. Damit lassen sich Year-to-Date-Analysen oder abweichende Geschäftsjahre korrekt abbilden.

Das Modell wird je nach der Zahl der angebundenen Dimensionen als Stern oder Schneeflocke dargestellt. Diese Struktur fördert die Performance und erleichtert spätere Filterlogiken.

Erfahre mehr über das Sternschema: https://www.databricks.com/de/glossary/star-schema

Der Product Owner steuert die Produktentwicklung des BI-Systems, priorisiert Anforderungen und bildet die Schnittstelle zu Stakeholdern. Er entscheidet, was umgesetzt wird – wie dies geschieht, liegt beim Team.

Simon berichtet, wie er aus dem Engineering in die Rolle des Product Owners wechselte, um das BI-Team agiler aufzustellen:

„[…] Dann durfte ich eine Schulung machen, mich also auch fachlich weiterentwickeln, ein Zertifikat erwerben und mich anschließend quasi selbst Product Owner nennen. Das mache ich jetzt auch im Team.“

Während Scrum mit zweiwöchigen Sprints für Fokus und Verlässlichkeit sorgt, führt Kanban in der Praxis oft zu Priorisierungskonflikten. Kleine, klar geschätzte Aufgaben ermöglichen aber planbares Arbeiten.

ROSE hat sein ERP-System, sein PIM-System, seine Datenbank und sein BI-Frontend nahezu gleichzeitig erneuert. Der Umbau nahm viel Zeit in Anspruch und erforderte eine enge Zusammenarbeit zwischen der IT-Abteilung und den Fachbereichen.

Gute BI Produkte liefern konsistente Kennzahlen und vermeiden somit Diskussionen über unterschiedliche Zahlenstände. Sie unterstützen datenbasierte Entscheidungen in verschiedensten Bereichen wie Vertrieb, Logistik und Management.

Marketing- und Vertriebsdaten werden gemeinsam betrachtet, um Kampagnen, Abverkauf und Lagerreichweiten aufeinander abzustimmen. So lassen sich Budgets effizient einsetzen und Produktgruppen gezielt steuern.

„Bei Rose funktioniert das Zusammenspiel zwischen Marketing und Sales sehr gut. Wenn jetzt zum Beispiel eine Marketingaktion läuft, dann werden entsprechend die Sales- und Marketingstrategien miteinander abgestimmt.”

In Teil 2 gehen Tim und Sascha tiefer in ihren Führungsalltag in Data-Teams ein. Sie ordnen die Google Oxygen Attributes ein, sprechen über Enablement statt Tool-Engpässe und über knifflige Situationen, die Führungskräfte mittragen müssen.

Sascha eröffnet die zweite Folge mit der These, dass Analysten keine reinen Tool-Experten sein sollten. Power BI gilt beispielsweise als Standardwerkzeug, mit dem Teams end-to-end arbeiten können.

Hier geht’s zum ersten Teil: https://open.spotify.com/episode/0U0lOp2hQDWyfdFLJJAL3c 

Kennst du schon die „Marketing & Sales Analyst” Masterclass der Haufe Akademie? Wenn du mehr über das Angebot erfahren möchtest, schau unter haufe-akademie.de/analyst vorbei.

Tim nutzt die Google Oxygen Attributes for Great Managers gerne als Wertegerüst für seinen Führungsstil. Sie sind in die Kategorien „Develop your team” und „Get things done” unterteilt. Tim erklärt im Detail, was das bedeutet.

Mehr zu den Google Oxygen Attributes: https://www.inc.com/marcel-schwantes/google-research-says-what-separates-best-managers-from-rest-boils-down-to-8-traits.html 

Unter „Develop your team“ geht es um respektvollen Umgang, Diversität und psychologische Sicherheit, insbesondere aufgrund täglicher Fehler im Data-Kontext. Tim beschreibt zum Beispiel seine Onboarding-Routine mit Zeit am ersten Tag und einem kleinen Willkommensritual.

Micromanagement wird als Bremsklotz für Data-Teams angesehen. Führungskräfte sollten stattdessen Freiheit geben, Anleitung bieten und Innovation sowie wohlüberlegte Risikobereitschaft fördern.

Ein Problem anzusprechen bedeutet, mit Lösungsvorschlägen zu kommen. So bleibt die Verantwortung beim Problemfinder und Aufgaben werden nicht an Andere delegiert.

Tim nutzt das Format der One-on-Ones für Reviews, gemeinsame Zielsetzungen und die Besprechung aktueller Herausforderungen. Auf diese Weise entstehen Entwicklungsgespräche, Weiterbildungspläne und Leistungsfeedbacks.

Im Teil „Get things done“ dreht sich alles um eine klare Teamvision, die regelmäßig überprüft und bei Bedarf angepasst wird. Daraus leiten sich Ziele, Ownership und Priorisierung ab.

Tim schildert einen Merger-Fall, in dem sich Meetings aufgrund ungeklärter Datenzugriffe im Kreis gedreht haben. Tim half in diesem Fall seinen Mitarbeitern dabei, auf Grenzen der Compliance hinzuweisen und diese auch durchzusetzen .

Sascha und Tim besprechen die Email-Charta. Das sind Regeln für kürzere und klarere E-Mails. Hierdurch werden Kommunikation und Zusammenarbeit effizienter. Dazu gehören z.B. Betreff-Tags wie EOM („End of Message“) oder NNTA („No need to reply“).

Tim empfiehlt die Starfish-Methode (Start/Stop/Keep/More/Less) für Retros in kniffligen Situationen oder zum Rückblick auf abgeschlossene Projekte. Sie dient dazu Feedback strukturiert und konstruktiv zu sammeln. Sascha rät dazu, sie nur punktuell einzusetzen, damit sie nicht zur Routine wird.

Erfahre mehr über die Starfish-Methode: https://www.teamretro.com/retrospectives/starfish-retrospective/ 

Sascha erzählt, warum er nach dem Weggang eines Power-BI-Experten bewusst einen Generalisten eingestellt hat. Tools wie Power BI und SQL sind für ihn Grundlagen, die eigentliche Leistung liegt in der Gedankenarbeit hinter einer End-to-End-Analyse.

Sascha und Tim sprechen über Engpässe bei Meetings und Regeln wie „no agenda, no attender“. Kurze Dailys und ein leichtgewichtiges Jira-/Confluence-Board schaffen Transparenz über Aufgaben und Blocker.

Im letzten Drittel des Podcast sprechen Tim und Sascha über disziplinarische Themen wie Probezeit, Kündigung oder sogar Abmahnungen. Außerdem diskutieren sie Top-down-Entscheidungen, für die sie sich einsetzen müssen, und nutzen dafür den „Circle of Influence” als Tool für mehr Resilienz.

Mehr zum Circle of Influence: https://asana.com/de/resources/circle-of-influence 

Zum Abschluss verbindet Tim Delegation mit der Gefahr von „Scope Creep” und erzählt die Geschichte der „Vasa” als Beispiel für fehlende Dokumentation und ständig wachsende Anforderungen. Tim und Sascha betonen die Bedeutung klarer Anforderungsdefinitionen, kontinuierlicher Tests und pragmatischer Kommunikation im Analytics-Alltag.

Die "Darwin gefällt das" Folge zum "Vasa" Projekt findest du unter https://open.spotify.com/episode/6DJTrSKLpLjeky0IUQ7BER?si=Vh8JXQhmTLu3rli3k3itkw .

Tim spricht mit Karen Gärtner über Datenkultur im Unternehmen: Warum sie die Basis für datengetriebenes Arbeiten ist, welche Rolle Vertrauen, Haltung und Strukturen spielen und wie kreative Formate wie Graffiti oder Data Escape Rooms helfen können, Silos aufzubrechen.

[Anzeige] Auf der Website haufe-akademie.de/future erfährst du mehr über die Masterclasses der Haufe Akademie rund um digitale Transformation, agiles Arbeiten und Corporate Learning.

Karen Gärtner ist IT-Architektin bei der Kasseler Verkehrs- und Versorgungsgesellschaft sowie Head of Training & Events bei der Data Management Association Deutschland (DAMA). Sie spricht über Datenkultur als Grundlage für gute Entscheidungen.

Lerne Karen kennen: https://www.linkedin.com/in/karen-gaertner/

Gemeinsam klären Tim und Karen, was Datenkultur bedeutet, weshalb sie oft unterschätzt wird und wie sie die Nutzung von KI fördert.

Karen beschreibt, wie Prozesse und Daten einander bedingen. Prozesse erzeugen Daten und Daten geben Prozessen Richtung und Qualität. Beides gehört untrennbar zusammen.

Viele empfinden Datenarbeit als fremd oder zu komplex. Eine gute Datenkultur verringert diese Distanz, weckt Interesse für Daten und fördert das gemeinsame Verständnis zwischen Fach- und Daten-Teams.

Karen erklärt, was die DAMA macht: Sie setzt Standards im Datenmanagement, organisiert Community-Events und ist Herausgeberin des „Data Management Body of Knowledge“.

Eine Datenkultur sorgt dafür, dass Daten nicht nur gesammelt, sondern aktiv genutzt werden. Sie schafft Vertrauen, fördert Mut und ermöglicht datenbasierte Entscheidungen.

Sie umfasst technische, organisatorische und emotionale Aspekte. Sie wird in Prozessen und Rollen sichtbar, in Vertrauen, Glaubenssätzen und Zusammenarbeit hingegen unsichtbar.

Für einen Kulturwandel braucht es Zeit und Verständnis. Karen empfiehlt deshalb, zunächst das Unternehmen und sein Verhalten zu beobachten und dann schrittweise Veränderungen umzusetzen.

Datensilos verhindern Transparenz. Mithilfe einer Analyse der Ist-Kultur können Offenheit, Datenflüsse und Kooperationsbereitschaft bewertet und verbessert werden.

Datenkultur entsteht durch Bewegung von beiden Seiten. Die Führungsebene schafft Strukturen und Orientierung, während die Mitarbeitenden Ideen und Use Cases einbringen.

Anstatt große Programme zu starten, empfiehlt Karen kleine Schritte: In bestehenden Prozessen ansetzen, Use Cases fördern und durch „Hausbesuche“ Vertrauen schaffen.

Wie in der Musik braucht auch die Datenarbeit Freiraum. Unternehmen sollten ihren Mitarbeitenden Zeit und Budget geben, um Neues auszuprobieren und Ideen zu entwickeln.

Kreative Formate fördern das Verständnis für ein Thema und machen es spannend. Ob Workshops, Data Days oder Lego Serious Play: Entscheidend ist, dass die Mitarbeitenden selbst aktiv werden.

Karen erzählt von einem Data-Day-Projekt, bei dem Mitarbeitende ein Graffiti zur digitalen Transformation gestalteten – als sichtbares Symbol ihrer gemeinsamen Datenarbeit.

Eine reife Datenkultur ist Grundlage für sinnvolle KI-Anwendungen. Nur mit klaren Verantwortlichkeiten, guter Datenqualität und kritischem Denken kann KI Mehrwert schaffen.

Beim Stammdatenforum des Deutschen Kongresses, das am 27. November 2025 stattfindet, bieten Fabienne Schnieders (TU Dortmund) und Karen Gärtner (DAMA) einen Workshop zum Thema „Data Culture“ an.

🎧 Bleib immer auf dem neuesten Stand mit der Microsoft Teams Community:

👉 Neue Folgen sofort auf dem Schirm

👉 Direkt bei der Arbeit reinhören

👉 Wertvolle Folgen mit Kollegen teilen

👉 Mit Data & Analytics-Experten vernetzen

➡️ Jetzt beitreten!

https://teams.live.com/l/community/FEANNwVOOhLHQt2uAM 

Wir freuen uns auf dich! 💬

Mehr zu Datendurst und Host Tim:

https://www.linkedin.com/company/datendurst/

https://www.linkedin.com/in/ebner-tim/

Unterstütze den Podcast:

paypal.me/datendurst

Tim und Sascha sprechen darüber, wie sie zu ihren Führungsrollen bei RTL und innogy.C3 kamen, was gutes Onboarding für Führungskräfte ausmacht und wie man mit Karrierewünschen, schwierigen Teamdynamiken und der Kommunikationskultur umgeht.

[Anzeige] Auf der Website haufe-akademie.de/analyst erfährst du mehr über die Master Class "Marketing & Sales Analyst" des neuen Sponsors Haufe Akademie.

Einführung und Thema der Folge

Tim eröffnet die Episode mit Sascha Leweling von RTL. Gemeinsam sprechen sie über Führung in Data-Teams: vom Einstieg in die Rolle, über Teamkultur bis hin zu Kommunikation und Vertrauen.

Sascha ist dir vielleicht noch von dieser Folge bekannt: https://youtu.be/k3tvwCM0QuI?si=__MCzQFIafmZJ3m6

Von Data Science zur Führung: Saschas Weg bei Obi und RTL

Sascha beschreibt, wie er vom Data Scientist zum Head of Customer Analytics wurde. Der Übergang vom Fach- zum Führungsverantwortlichen brachte neue Perspektiven und Verantwortung mit sich.

Tims Einstieg in die Führungsrolle bei innogy.C3 während der E.ON-Übernahme

Tim erzählt, wie er in einer Umbruchsphase in die Führung gerückt ist – mit Restrukturierungen, Team-Abgängen und einem hohen Maß an Eigeninitiative.

Onboarding, Coaching und die Google Oxygen Attributes

Ein Coaching- und Mentoring-Programm half Tim dabei, seine Werte als Führungskraft zu entwickeln. Grundlage waren die Google Oxygen Attributes „Develop your team” und „Get things done”.

Mehr zu Google Oxygen Attributes: https://www.inc.com/marcel-schwantes/google-research-says-what-separates-best-managers-from-rest-boils-down-to-8-traits.html 

Karriereentwicklung und Mitarbeiterbindung

Beide betonen, wie wichtig es ist, Mitarbeitende bei internen Wechseln zu unterstützen, statt sie zu blockieren. Talentbindung steht über Team-Ego.

Was macht Google Manager aus: https://rework.withgoogle.com/intl/en/guides/managers-research-behind-great-managers

Vertrauen, Transparenz und eine interne Wechselkultur

Eine offene Kommunikation über Karriereziele stärkt das Vertrauen im Unternehmen. Verschweigen oder Misstrauen schaden der Kultur langfristig.

Onboarding bei RTL: Vertrauen, Eigenverantwortung und Führungskräfteschulung

Saschas Start bei RTL war ein Sprung ins kalte Wasser: Micromanagement gab es nicht, dafür Vertrauen und Verantwortung vom ersten Tag an.

Das DISG Modell und Persönlichkeitstypen in Data-Teams

In beiden Onboardings wurde das DISG Modell – dominant, initiativ, stetig, gewissenhaft – als pragmatische Heuristik zur Teamzusammenstellung und Kommunikation angewendet.

Mehr zum DISG Modell: https://www.disg-modell.de/ueber-disg/einfuehrung/

Dominanz, Eigenwahrnehmung und Feedbackkultur

Tim reflektiert seine dominante Ausprägung und zeigt auf, wie die Übereinstimmung von Selbst- und Fremdbild dabei helfen kann, Konflikte konstruktiv zu lösen und die Kommunikation zu verbessern.

Strukturen bei RTL: Teamaufbau und Cloud-Migration

Sascha schildert die technischen und organisatorischen Veränderungen bei RTL: den Wechsel von On-Premise-Systemen zur Cloud sowie die Neuorganisation der Stakeholder-Strukturen.

New Ways of Working und Meetingkultur bei innogy.C3

Tim beschreibt, wie innogy.C3 agile Meetingstrukturen mit klaren Rollen, Transparenz, Check-ins und Fokus auf Zielorientierung etablierte.

Kooperative Kommunikation nach Moritz Küffner

Sie besprechen Küffners Ansatz der kooperativen Kommunikation, bei der es um Augenhöhe, das Vermeiden von Verlierern und das Nutzen schwieriger Situationen geht.

Mehr über Kooperative Kommunikation: https://www.kokomm.net/prinzip#kooperative-kommunikation

Fehlerkultur, Augenhöhe und Vertrauen im Team

Zum Abschluss geht es um Fehlermanagement im Data-Bereich: Fehler dürfen passieren, entscheidend ist, wie man als Führungskraft reagiert – mit Rückendeckung und Lernorientierung.

Officevibe im Detail: https://workleap.com/officevibe 

🎧 Bleib immer auf dem neuesten Stand mit der Microsoft Teams Community:

👉 Neue Folgen sofort auf dem Schirm

👉 Direkt bei der Arbeit reinhören

👉 Wertvolle Folgen mit Kollegen teilen

👉 Mit Data & Analytics-Experten vernetzen

➡️ Jetzt beitreten!

https://teams.live.com/l/community/FEANNwVOOhLHQt2uAM 

Wir freuen uns auf dich! 💬

Mehr zu Datendurst und Host Tim:

https://www.linkedin.com/company/datendurst/

https://www.linkedin.com/in/ebner-tim/

Unterstütze den Podcast:

paypal.me/datendurst

Wie gelingt eine Datenstrategie im Mittelstand? Tim spricht mit Stephan Hausberg über fehlende Datenkultur, Priorisierung, Agentic AI und den Weg vom Use Case zum Business Case.

Erfahre mehr über die Master Class „Marketing & Sales Analyst” des neuen Sponsors Haufe Akademie unter haufe-akademie.de/analyst.

Tim eröffnet das Gespräch mit Stephan über den „Endgegner Mittelstand“ und geht dabei der Frage nach, warum Datenstrategien dort oft schwer umzusetzen sind und wie es dennoch gelingt.

Stephan ist bei 1&1 Versatel vom Analysten bis zum Head of Data aufgestiegen und berät heute mit onemoreoption.ai Unternehmen zu Datenstrategie und -anwendung. Privat ist er Familienmensch und begeisterter Sportler, beruflich ein Problemlöser mit Leidenschaft für Daten.

Erfahre mehr über Stephan: https://www.linkedin.com/in/dr-stephan-hausberg-679750118/

Schau auch bei www.onemoreoption.ai vorbei.

Im Mittelstand fehlen oft Daten-Teams und eine etablierte Datenkultur. Viele Geschäftsführer treffen Entscheidungen aus Erfahrung, meist ohne eine datenbasierte Grundlage zu haben.

Stephan betont, dass die Einstellung „Das haben wir schon immer so gemacht“ nicht immer falsch ist. Wichtig sei es, zu erkennen, wann Erfahrung trägt und wann sich die Rahmenbedingungen verändert haben.

Tim beschreibt ein Beispiel aus dem Marketing eines mittelständischen Unternehmens, in dem eine einzelne Person für alles zuständig ist. Ohne klare Ziele und Prioritäten verpufft der Raum für Datenanalysen.

Überforderung, Reizüberflutung und Fachkräftemangel erschweren datenorientiertes Arbeiten. Führung sollte klare Prioritäten setzen und Überlastung vermeiden.

Unternehmen, die sich ausschließlich auf ihr Kerngeschäft konzentrieren und dabei Daten vernachlässigen, riskieren langfristig Wettbewerbsnachteile.

Laut Stephan beginnt es mit Wissenstransfer in Geschäftsführung, Aufsichtsräten und Teams. Denn oft fehlt das grundlegende Verständnis dafür, wie Daten Mehrwert erzeugen.

Ein Praxisbeispiel zeigt, wie ein KI-Projekt wegen mangelnder Abstimmung scheiterte, obwohl das Modell funktionierte. Fehlende Kommunikation führte dazu, dass der Nutzen nicht erkannt wurde.

Kleine Proofs of Concept helfen dabei, Neugier und Vertrauen aufzubauen. Fehler sind dabei unvermeidlich, entscheidend ist jedoch die Bereitschaft, aus ihnen zu lernen und zu experimentieren.

Stephan betrachtet Use Cases als Einstieg und nicht als Endziel. Während sich Plattformansätze für Konzerne lohnen, sollte man im Mittelstand mit überschaubaren Projekten starten und später skalieren.

Agentic AI kann die Entwicklungszeit von Proofs of Concept zwar stark verkürzen, eine produktionsreife Umsetzung ersetzt es jedoch nicht. Der Gewinn liegt in der Experimentiergeschwindigkeit und nicht in fertigen Lösungen.

Viele Mitarbeitende nutzen KI bereits, obwohl es noch keine offiziellen Richtlinien gibt. Stephan warnt vor den damit verbundenen Datenschutzrisiken und fordert klare Regeln, Schulungen und Transparenz im Umgang mit KI-Systemen.

Prompt Injection, Datensicherheit und ethische Grenzen: Stephan erläutert auf humorvolle Weise, wie sich versteckte Befehle in Social Media Texte einschleusen lassen und welche Risiken damit verbunden sind.

Letztendlich geht es um die Übersetzung technischer Ideen in wirtschaftliche Argumente. Nur wenn Projekte messbare Effekte – etwa in Zeitersparnis – belegen können, überzeugen sie im Mittelstand. Vertrauen und Verständlichkeit sind dafür der Schlüssel.

🎧 Bleib immer auf dem neuesten Stand mit der Microsoft Teams Community:

👉 Neue Folgen sofort auf dem Schirm

👉 Direkt bei der Arbeit reinhören

👉 Wertvolle Folgen mit Kollegen teilen

👉 Mit Data & Analytics-Experten vernetzen

➡️ Jetzt beitreten!

https://teams.live.com/l/community/FEANNwVOOhLHQt2uAM 

Wir freuen uns auf dich! 💬

Mehr zu Datendurst und Host Tim:

https://www.linkedin.com/company/datendurst/

https://www.linkedin.com/in/ebner-tim/

Unterstütze den Podcast:

paypal.me/datendurst

Marketing Analytics bewegt sich zwischen harten Zahlen und menschlichem Bauchgefühl. Tiankai zeigt, wie der 5C-Ansatz dabei hilft, Datenstrategien menschlicher und praxisnäher zu gestalten.

Erfahre mehr über die Master Class „Marketing & Sales Analyst” des neuen Sponsors Haufe Akademie unter haufe-akademie.de/analyst.

Einführung und Thema der Folge

Tim eröffnet die Folge mit Tiankai Feng und stellt das Thema vor: Marketing zwischen Zahlen und Gefühl. Beide wollen zeigen, wie analytische Methoden und menschliche Faktoren in einer datengetriebenen Strategie zusammenspielen.

Lerne Tiankai kennen: https://www.linkedin.com/in/tiankaifeng/

Tiankai berichtet von seiner beruflichen Laufbahn, die bei Adidas im Bereich Social Listening begann. Später wechselte er in Business Intelligence und beriet Unternehmen in Analytics-Fragen. Heute schreibt er Bücher und verbindet technische Expertise mit menschlicher Perspektive.

Mehr über Tiankais Wergegang erfährst du auch in dieser Podcastfolge: https://youtu.be/S3oGdWpO9OA?si=y9ZZdVM-IPiLLaC3

Sein erstes Buch Humanizing Data Strategy verkaufte sich erfolgreich im Fachbuchmarkt. Aktuell arbeitet er am Nachfolger Humanizing AI Strategy, der den verantwortungsvollen Umgang mit künstlicher Intelligenz behandelt. Beide Werke setzen bewusst den Menschen ins Zentrum technologischer Entwicklungen.

Das Buch Humanizing Data Strategy:

https://amzn.to/4q5MgnQ

Das Buch Humanizing AI Strategy:

https://amzn.to/4h3NqvZ

Kompetenz umfasst sowohl analytisches Know-how als auch Verständnis für Business-Kontexte. Nur wenn Data Professionals die Sprache der Stakeholder sprechen, können sie Wirkung erzielen. Gleichzeitig müssen Business-Seiten Grundkenntnisse in Daten entwickeln, um den Dialog auf Augenhöhe zu führen.

Tiankai stellt den „Follow the Pain“-Ansatz vor: Data-Projekte sollten dort beginnen, wo die größten Schmerzpunkte liegen. Stakeholder mit akuten Problemen sind motivierter für neue Lösungen. Dadurch entsteht schneller Mehrwert und Vertrauen in datengetriebene Arbeit.

„Follow the Pain bedeutet, dass man nicht mit Big Bang startet und sagt: ‚Alle müssen jetzt Data Literate werden! Wir machen jetzt eine große Akademie und dann sind alle dabei!‘, sondern dass man mit denjenigen startet, bei denen die Schmerzpunkte am größten sind.“

Einige Teams bündeln Business-Verständnis in einer zentralen Rolle, andere verteilen es breiter. Tiankai warnt vor Engpässen, wenn nur Einzelne als Schnittstelle fungieren. Nachhaltiger ist es, wenn alle Teammitglieder zumindest grundlegendes Business-Wissen mitbringen.

Ein praktischer Ansatz ist das Shadowing, bei dem Analysten den Alltag von Stakeholdern begleiten. So werden Arbeitsweisen, Entscheidungsprozesse und Herausforderungen greifbarer. Oft zeigen sich dadurch Barrieren in der Datennutzung, die vorher verborgen waren.

“Aber ja, für ein Shadowing braucht man natürlich zwei Seiten, die damit einverstanden sind.”

Zusammenarbeit wird häufig als Service verstanden, bei dem Analytics nur liefert. Tiankai plädiert für Co-Creation, also gemeinsames Erarbeiten von Zielen und Lösungen. Dieses Mindset schafft langfristig bessere Ergebnisse und stärkere Beziehungen.

Lerne mehr über Co-Creation in Data & AI Projekte in der Folge mit Marco Geuer:

https://www.youtube.com/watch?v=1B9MPmxTFJ8

In Marketing-Kampagnen fehlt oft die Datengrundlage, etwa durch unklare Naming Conventions. Anpassungen erfordern Abstimmungen mit Agenturen oder anderen Teams und sind politisch sensibel. Ehrlichkeit über Datenlücken und proaktive Planung helfen, langfristig bessere Strukturen zu schaffen.

Gute Kommunikation bedeutet, den Wert von Daten nicht nur rational, sondern auch individuell zu vermitteln. Motivation entsteht, wenn Stakeholder erkennen, wie Analytics ihre eigenen Ziele unterstützt. Unterschiedliche Typen wie „Believer“ und „Skeptiker“ erfordern angepasste Ansprache.

„Aber wie ich immer sage, ist das nur die eine Hälfte der Kommunikation. Die andere Hälfte ist der individuelle Wert, den es für die jeweiligen Personen, mit denen man arbeitet, hat.”

Je nach Ebene unterscheiden sich die Erwartungen an Informationen. Operative Mitarbeiter brauchen Details für Entscheidungen, Executives dagegen schnelle Zusammenfassungen. Wer Kommunikationsstil und -medium anpasst, erreicht schneller Akzeptanz und Vertrauen.

Hier findest Du die Email-Charta: https://www.emailcharter.info

Innovation erfordert die Freiheit, Experimente zu wagen. Eine offene Fehlerkultur fördert psychologische Sicherheit und ermöglicht kreatives Arbeiten. Formate wie „Fuckup Nights“ können helfen, aus Fehlern zu lernen und Wissen zu teilen.

Im Umgang mit Daten spielen Ethik und Datenschutz eine zentrale Rolle. Bias in Algorithmen oder unsaubere Datennutzung bergen Risiken, die nur interdisziplinär adressiert werden können. Ziel ist es, akzeptable Risiken zu definieren und pragmatische Lösungen zu finden.

„Um damit richtig umzugehen, muss man cross-funktional arbeiten und die richtigen Leute mit an Bord holen, um diese Dinge zu identifizieren und zu minimieren. Das heißt, wenn man in einem Unternehmen Ethics-Experten hat, kann man diese hinzuziehen. Das Gleiche gilt für Diversity-Inclusion-Experten. Wenn es um Datenschutz-Themen geht, kann man natürlich auch die Legal-Teams hinzuziehen.”

Tiankai fasst den 5C-Ansatz zusammen: Kompetenz, Kollaboration, Kommunikation, Kreativität und Conscience. Im Kern geht es darum, den Menschen konsequent ins Zentrum von Datenstrategien zu stellen. Sein Buch bietet dafür Orientierung, und das kommende Werk über AI knüpft daran an.

🎧 Bleib immer auf dem neuesten Stand mit der Microsoft Teams Community:

👉 Neue Folgen sofort auf dem Schirm

👉 Direkt bei der Arbeit reinhören

👉 Wertvolle Folgen mit Kollegen teilen

👉 Mit Data & Analytics-Experten vernetzen

➡️ Jetzt beitreten!

https://teams.live.com/l/community/FEANNwVOOhLHQt2uAM 

Wir freuen uns auf dich! 💬

Mehr zu Datendurst und Host Tim:

https://www.linkedin.com/company/datendurst/

https://www.linkedin.com/in/ebner-tim/

Unterstütze den Podcast:

paypal.me/datendurst

Daten spielen in der Social-Media-Strategie eine zentrale Rolle, doch oft werden Likes und Reichweite fälschlicherweise als wichtigste Erfolgsindikatoren gewertet. Jens Wiese und Tim erklären, welche Kennzahlen wirklich relevant sind und wie Unternehmen Daten sinnvoll einsetzen können.

Daten in der Social-Media-Strategie

Tim und Jens beginnen mit der Frage, wie Daten die Grundlage für Social-Media-Strategien bilden können. Sie machen direkt deutlich, dass Likes und Follower keine belastbare Strategie darstellen.

[Anzeige] Weiterbildung mit Distart

Distart ist einer der führenden, zertifizierten Anbieter geförderter, topaktueller Weiterbildungen zu den Themen Online-Marketing, Digitalisierung und KI. Mehr Informationen findest du unter: https://distart.de/datendurst

Wer ist Jens Wiese?

Jens erzählt von seiner Rolle als Mitgründer der AllFacebook Marketing Conference. Heute arbeitet er als Berater für Social-Media-Strategie mit Unternehmen jeder Größe zusammen.

Lerne Jens Wiese kennen: https://www.linkedin.com/in/jens-wiese/

Likes sind keine Strategie

Jens Wiese erklärt, warum Unternehmen oft in die Falle tappen, jede Zahl als KPI zu betrachten. Wirklich relevant sind nur Kennzahlen, die zu den Unternehmenszielen beitragen, etwa Umsatzsteigerung oder Bewerbungen.

„Das sind wirklich Zahlen, die aussagen, wie die Performance deines Gesamtunternehmens aussieht. KPI sind aber nicht, wie viele Likes du bekommst, wie viele Fans oder was auch immer du hast, weil deinem Unternehmen geht es nicht besser dadurch, dass du 1000 oder 1500 Fans oder Follower hast.”

Unternehmensziele statt isolierter Kennzahlen

Social Media sollte nicht isoliert betrachtet werden, sondern muss zu den langfristigen Unternehmenszielen beitragen. Dazu gehören beispielsweise Umsatzsteigerung, Recruiting oder Kundenzufriedenheit.

Das ACCRA-Framework als Orientierung

Tim stellt das ACCRA-Framework mit den Kategorien Awareness, Consideration, Conversion, Retention und Advocacy vor. Es schafft eine klare Struktur, um KPI entlang der Customer Journey zu verorten.

„Ja, und da sehe ich immer, dass es einfach viel zu kurz gedacht wird. Also es wird immer dieser erste Aspekt, hey, ich möchte die Aufmerksamkeit haben, der wird hochgehalten, aber alles, was dahinter kommt, überhaupt nicht mehr beachtet, ja, oder auch nur weiter bearbeitet.”

Silodenken und fehlende Schnittstellen

Oft bleibt Social Media in einem eigenen Silo gefangen. Dadurch fehlen Verbindungen zwischen den Bereichen Marketing, Vertrieb, HR oder Kundenservice.

Praxisbeispiele für Datennutzung

Jens zeigt, wie Leads aus Social Media in CRM-Systeme oder Newsletter überführt werden können. Wichtig ist, Daten nicht nur zu sammeln, sondern sie auch aktiv weiterzuverarbeiten.

Paid vs. Organic Social

Organische Reichweite ist volatil und schwer planbar. Mit Paid-Kampagnen lassen sich dagegen verlässliche Ergebnisse und messbare Conversions erzielen.

„Diese hohen Erwartungen, die es an Organic gibt, kann ich überhaupt nicht unterstreichen, weil das Organic am Ende ja eine Blackbox ist. Ich schmeiße da was rein und je nachdem, wie der Algorithmus heute drauf ist, bekomme ich entweder irgendwie Reaktionen oder aber auch mal keine.”

Reichweite und Relevanz differenzieren

Reichweite ist nur dann wertvoll, wenn sie die richtige Zielgruppe erreicht. Entscheidend ist die Qualität der Kontakte, nicht ihre Masse.

Qualität von Likes und Engagement

Likes sind erst strategisch relevant, wenn sie von Personen aus der Zielgruppe oder von Meinungsführern stammen. Likes von eigenen Mitarbeitenden haben dagegen nur geringen Wert.

Datenqualität und Audience-Differenzierung

Im Paid-Bereich lassen sich Zielgruppen klarer analysieren und bewerten. So kann unterschieden werden, welche Zielgruppen qualitativ wertvolles Engagement liefern.

„Also wenn wir merken, die Audiences oder die Leads, die uns Social Media jetzt rüber reicht zu E-Commerce, haben einen ganz bestimmten Cost per Conversion. Und der ist bei Social Media besonders niedrig. Dann kann man sagen, das ist gut. Oder man kann sagen, okay, die haben uns vielleicht mehrere Audiences oder Leads überreicht und mehrere Gruppen davon. Die Gruppe war gut, die Gruppe war nicht so gut, hiervon sollten wir mehr machen, davon weniger. Diese Differenzierung, die fehlt in der Praxis viel zu oft.”

Budget-Kämpfe und fehlender Wissenstransfer

Zwischen Social Media und Performance-Marketing entstehen oft Budget-Konflikte. Fehlendes Wissen auf Entscheider-Ebene verschärft diese Probleme zusätzlich.

Harte vs. weiche Ziele im Social Media

Organische Aktivitäten zielen in der Regel auf Reichweite und Engagement ab. Paid-Kampagnen können hingegen harte Kennzahlen wie Conversions oder Leads abbilden.

Balance zwischen Nutzer- und Unternehmenszielen

Unternehmen müssen einen Mittelweg finden zwischen Inhalten, die die Nutzer unterhalten, und solchen, die die Unternehmensziele unterstützen. Nur so entsteht langfristig Relevanz.

Themenfelder und langfristige Relevanz

Eine klare Definition von Themenfeldern sorgt für Konsistenz im Content. So bauen Unternehmen Vertrauen auf, schaffen nachhaltig Communities und vermeiden Beliebigkeit.

Community-Interessen vs. Unternehmensziele

Die Likes und Interessen der Community können als Orientierung dienen, sollten aber nicht die alleinige Grundlage für die Strategie sein. Wichtiger ist eine Kombination aus Unternehmenssicht und externer Resonanz.

Erwartungsmanagement und Ressourcen-Realität

Social-Media-Erfolge hängen oft von den verfügbaren Ressourcen ab. Ein realistisches Erwartungsmanagement verhindert Frustration und falsche Vergleiche mit viralen Ausnahmen.

Stakeholder-Management und interne Schnittstellen

Social-Teams müssen interne Abteilungen als Stakeholder aktiv einbinden. So lassen sich Ziele abstimmen und unnötige Konflikte vermeiden.

Datenzugang, Silos und Kulturprobleme

Ein großes Hindernis sind fehlende Zugriffsrechte auf zentrale Systeme wie Analytics. Oft sind organisatorische Silos die Ursache und nicht technische Barrieren.

„Da habe ich einfach unglaubliche Silos, die keiner aufbricht. Die gibt es in jeder Ecke. Das HR ist jetzt ein Teil, aber PR ist vielleicht irgendwie noch ein anderer, Sales, was auch immer. Ich habe diese ganzen Silos und dass die nicht aufgebrochen werden in den Unternehmen ist für gutes, ich will sogar sagen Marketing insgesamt, ein sehr großes Problem.”

Case: Social Media als Umsatztreiber

Jens berichtet von einem Tourismusunternehmen, das eine Sonderöffnung erfolgreich über Social Media kommuniziert hat. Der direkte Umsatzbeitrag konnte dadurch klar nachgewiesen werden.

Reporting richtig ausrichten

Reportings sollten immer an den Bedürfnissen der internen Zielgruppe ausgerichtet sein. Statt vieler unnötiger Kennzahlen braucht es wenige, relevante KPI, die für Entscheider nachvollziehbar sind.

🎧 Bleib immer auf dem neuesten Stand mit der Microsoft Teams Community:

👉 Neue Folgen sofort auf dem Schirm

👉 Direkt bei der Arbeit reinhören

👉 Wertvolle Folgen mit Kollegen teilen

👉 Mit Data & Analytics-Experten vernetzen

➡️ Jetzt beitreten!

https://teams.live.com/l/community/FEANNwVOOhLHQt2uAM

Wir freuen uns auf dich! 💬

Mehr zu Datendurst und Host Tim:

https://www.linkedin.com/company/datendurst/

https://www.linkedin.com/in/ebner-tim/

Unterstütze den Podcast:

paypal.me/datendurst