Datendurst mit Tim Ebner

Tim spricht mit Levi über gängige Missverständnisse im Social Listening. Gemeinsam räumen sie mit Mythen auf und stellen effektive Methoden vor.

Tim begrüßt Levi von CURE Intelligence. Er arbeitet seit vielen Jahren im Bereich Media Listening und Data Engineering. Gemeinsam sprechen sie über die Entwicklung von Social Listening und darüber, warum es mehr ist als reines Monitoring.

Lerne Levi kennen: https://www.linkedin.com/in/leviveiga/

Levi berichtet von seinen Anfängen als Werkstudent bis hin zu seiner heutigen Position als Managing Director bei CURE Intelligence. Das Unternehmen bietet Leistungen in den Bereichen KI-Anwendungen, Data Engineering und Digital Marketing an.

Lerne das CURE Intelligence kennen: https://www.linkedin.com/company/cure-intelligence/

Beim Social Listening wird bewusst gelauscht, was Stakeholder im Internet über Marken, Produkte oder Themen sagen. Dazu zählen Wortmeldungen in Social Media, aber auch Foren, Bewertungsportalen, News-Seiten und vielen weitere Quellen.

[Anzeige] Weiterbildung mit Distart

Distart bietet auch geförderte Weiterbildungen zum Thema „Social Media Listening“ an. Einblicke in die Praxis sind ebenfalls Teil des Angebots. Mehr Infos gibt es unter: https://distart.de/datendurst

Monitoring beschreibt die reine quantitative Beobachtung, bei der Daten gesammelt und ausgewertet werden. Listening geht einen Schritt weiter, da es Daten interpretiert, Handlungsempfehlungen ableitet und strategische Relevanz schafft.

„Also für mich ist Social Listening das Aktive, also wirklich das bewusste Zuhören, was nicht nur meine Kunden, sondern was meine Stakeholder über mich und meine Produkte im Internet sagen.“

Ohne klare Geschäftsziele und abgestimmte Anforderungen zwischen Fachabteilung und Analysten können keine belastbaren Ergebnisse erzielt werden. Es müssen Business-Know-how und technische Umsetzung zusammenkommen.

Das ist nur bedingt möglich. Wer die Daten nicht während des Ereignisses erfasst, muss entweder historische Daten teuer zukaufen die zwangsläufig Lücken aufweisen oder hat gar keine Datenbasis .

Nicht jede Interaktion ist wertvoll. Um positives von schädlichem Engagement zu unterscheiden, sind Sentiment, Zielgruppen-Fit und Kontext entscheidend.

„Das heißt, nicht jedes Engagement ist gut. Beispielsweise spreche ich hier von der Bierbranche. Die generieren unheimlich viel Engagement.“

Datenquellen, Keywords, Schnittstellen und das Nutzerverhalten ändern sich ständig. Ein Setup muss deshalb kontinuierlich gepflegt werden.

Grundkenntnisse sind schnell erworben, für belastbare Reports braucht es jedoch Erfahrung, Training und ein Verständnis für Datenquellen und den Business-Kontext.

„Es kann jeder lernen. Ich sage mal so: Jeder hat schon mal Berührungspunkte damit, sogar privat und ohne dass er in einem Unternehmen arbeitet, das Social Listening macht.“

Performance-Reports, die beispielsweise Reichweite oder Klickzahlen erfassen, gehören nicht ins Listening-Tool. Social Listening liefert hingegen qualitative Analysen zu Inhalten, Themen und Diskussionen.

Die Tools unterliegen europäischen Datenschutzstandards. Entscheidend ist der richtige Umgang mit ihnen: Daten müssen anonymisiert, nur relevante Informationen gespeichert und interne Prozesse etabliert werden.

„Man sollte schon gucken, dass man geprüfte Tools einsetzt, also die Datenschutzerklärungen zur Verfügung stellen, vielleicht bei Vertragsabschluss oder sogar beim Test des Tools.“

Viele Inhalte bleiben unzugänglich, beispielsweise private Profile, geschlossene Gruppen oder LinkedIn-Beiträge außerhalb der eigenen Unternehmensseite. Tools erfassen nur öffentlich zugängliche Daten und freigegebene Schnittstellen.

Instagram liefert nur Inhalte von Business-Profilen, Facebook nur von Seiten und von Gruppen bei denen man Administratorrechte hat. Das Gespräch auf LinkedIn lässt sich aktuell nur zu einem sehr kleinen Teil inhaltlich analysieren.

Die Affäre um Cambridge Analytica hat strengere Regeln gebracht. Neben rechtlichen Hürden spielen auch API-Beschränkungen sowie ethische Fragen, beispielsweise zur Profilbildung oder zum Community-Schutz, eine Rolle.

Lese mehr über die Cambridge-Analytica-Affäre: https://www.mainzer-medieninstitut.de/facebook-datenmissbrauch-um-cambridge-analytica/

🎧 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

Marco Geuer spricht mit Tim darüber, wie Unternehmen Data- und AI-Strategien systematisch aufbauen sollten. Statt blindem Aktionismus geht es um Business Cases, Datenqualität und cross-funktionale Teams.

Einführung ins Thema

Tim spricht mit Marco Geuer über die Frage, wie Unternehmen Data und AI strategisch und ganzheitlich angehen können. Der Fokus liegt dabei auf Struktur statt blindem Hype.

Wer ist Marco Geuer?

Marco ist seit über 25 Jahren im Bereich Data und AI aktiv. Zuletzt war er als Global Head of Data Strategy & AI Solutions bei Fiege tätig. Heute ist er Partner bei Blueforte und berät Unternehmen in Fragen der Datenstrategie.

Lerne Marco Geuer kennen: http://linkedin.com/in/marco-geuer-the-data-economist/

AI in der Praxis: Von Aktionismus bis Governance-Risiken

Auf den Hype um AI reagieren viele Unternehmen mit Aktionismus. Marco sieht die Gefahr, dass die Themen Datenschutz und Governance ohne eine entsprechende Strategie übergangen werden.

GenAI auf „Microsoft-Office-Level“

Zwischen Begeisterung und Überforderung: GenAI wird wie Microsoft Office genutzt und das mal auf gute, mal auf schlechte Art und Weise. Dadurch bleibt die Differenzierung zwischen Unternehmen gering.

Auch spannend: Warum du für ChatGPT optimieren solltest: https://youtu.be/EP_S8__LoJM?si=qLrQjV1KmNPZdD0U

Datenschutz und Governance beim Einsatz von Agenten

Wenn sensible Daten ohne Kontrolle weitergegeben werden, bergen automatisierte Agenten Risiken. Marco plädiert deshalb für klare Governance-Strukturen.

AI ist kein Feature, sondern ein Prinzip

Laut Jörg Hirt, Chief Innovation Manager bei der REWE Digital GmbH, darf AI nicht als isoliertes Tool verstanden werden. Unternehmen benötigen Baukästen und Plattformen.

„Wer bei KI immer noch an Use Cases denkt, hat den Schuss nicht gehört.”

Mehr dazu unter: https://www.linkedin.com/posts/joerg-hirt_ai-kifirst-innovation-activity-7332450400505110528-c9Ny

Unternehmensstrategie als Basis für AI-Strategie

Marco betont, dass die Planung von Data und AI im Kern die Planung der Unternehmensstrategie bedeutet, deren Grundlage Vision, Mission und langfristige Ziele sind:

„Wenn du dich mit Data und AI Strategie beschäftigst, dann beschäftigst du dich ja eigentlich mit Unternehmensstrategie.“

Datenproduktion vs. klassische Produktion

Im Vergleich zur industriellen Fertigung fehlt es in Datenprojekten oft an Standardisierung. Ohne Standardisierung lassen sich jedoch keine skalierbaren Lösungen entwickeln.

So standardisierst Du im ersten Schritt Deine Dashboards: https://www.youtube.com/watch?v=qA3B5o0Zvuo

Cross-funktionale Teams statt Kunden-Lieferanten-Denken

Silos bremsen die Transformation. Erst wenn Business und IT gemeinsam an Prozessen arbeiten, entstehen funktionierende Lösungen.

Kultur, Hierarchie und internationale Unterschiede

In asiatischen Ländern wird kollektivistischer gearbeitet und schneller umgesetzt. Im Westen stehen dagegen oft individuelle Ziele und Hierarchien im Weg.

OKRs und multidimensionale Ziele

OKRs sollen Silos aufbrechen. In vielen Unternehmen fehlt jedoch die richtige Umsetzung dieses Ansatzes, um Ziele tatsächlich zu erreichen.

„Cross-funktionale Arbeit erfordert multidimensionale Denkweise. Wenn du alleine bleibst, bleibst du eindimensional. Wenn du viele unterschiedliche Köpfe zusammenbringst, fängst du an, multidimensional zu denken.”

Tesla und Amazon: systemische Transformation statt Use Cases

Beide Unternehmen zeigen: Transformation gelingt nicht durch kleine Einzelprojekte, sondern wenn ganze Systeme neu gedacht werden.

Bausteine einer Data- und AI-Strategie

Eine tragfähige Strategie muss sich auf zentrale Elemente stützen. Dazu gehören Business Cases als Startpunkt, kulturelle Anpassungen, IT-Infrastruktur und Datenqualität.

Hier geht’s zum Simon-Sinek-Video: https://youtu.be/u4ZoJKF_VuA?si=ZadotBlcFIn-DNNq

So verbesserst Du Deine Datenqualität: https://www.youtube.com/watch?v=8SqRzgfzJh8

Advanced Rapid Data Performance Simulation (ARDPS)

Mithilfe von ARDPS lassen sich Datenquellen schnell auf ihre Leistungsfähigkeit hin überprüfen. So wird frühzeitig deutlich, ob ein Business Case realisierbar ist.

Von Use Cases zu Business Cases

Erfolgreiche Unternehmen orientieren sich an klaren Business Cases statt an isolierten Use Cases. Entscheidend sind cross-funktionale Teams und Fokus.

„Arbeite dich Business Case für Business Case ab und verteile die Ressourcen nicht auf viele Projekte, da dies alle Projekte verlangsamt.”

🎧 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

Ist „datengetrieben“ wirklich der passende Begriff? Sebastian Wernicke erklärt, warum er den Begriff „data inspired“ bevorzugt und wie Unternehmen Daten tatsächlich nutzen sollten. Im Gespräch mit Tim geht es um Datenmythen, kulturelle Hürden und praktische Tipps für die Transformation.

Wer ist Sebastian Wernicke?

Seit über 20 Jahren arbeitet Sebastian an der Schnittstelle von Daten, Organisation und Wertschöpfung. Im Podcast teilt er seine Sicht auf die strategische Nutzung von Daten.

Lerne Sebastian kennen: https://www.linkedin.com/in/wernicke/

Das Buch „Data Inspired“

In „Data Inspired“ zeigt Sebastian, warum datengetriebenes Arbeiten eher eine Kulturfrage als ein Technologiethema ist und was Unternehmen oft missverstehen.

Das Buch findest du hier: https://www.vahlen.de/wernicke-data-inspired/product/35418267 

[Anzeige] Weiterbildung mit Distart

Es gibt flexible, förderfähige Online-Kurse rund um KI, Daten und digitales Marketing. Tim hält dort auch regelmäßig Live-Sessions ab.

Mehr zu Distart: https://www.distart.de/datendurst

Kritik am Begriff „datengetrieben“

Der Begriff weckt falsche Erwartungen: Daten sollten keine Entscheidungen übernehmen, sondern diese lediglich unterstützen.

Datenmythen: Eindeutigkeit, Interpretation, Klarheit

Daten sind nicht objektiv, sondern interpretationsbedürftig. Drei typische Missverständnisse behindern ihre produktive Nutzung.

Daten als Gesprächsanlass, nicht als Lösung

Daten liefern nur selten eindeutige Antworten. Sie helfen jedoch dabei, die richtigen Fragen zu stellen und Perspektiven zu klären.

Kultur vor Architektur: Der echte Hebel für Transformation

Technische Systeme allein reichen nicht aus. Erst wenn Kultur und Entscheidungsprozesse datenoffen sind, kann eine Transformation gelingen.

Mehr zu Daten und Kultur: https://youtu.be/4ng046uNIAE?si=-rhx4zG53bea8t2I 

Die Rolle des Chief Data Officers

Ein CDO benötigt ein Mandat, ein Netzwerk und eine Einbindung. Wer das Thema lediglich delegiert, wird oft scheitern.

Daten als bilanzierbares Asset

Daten werden zunehmend als wirtschaftliches Gut behandelt. In Projekten lohnt es sich daher, ihren potenziellen Wert zu betrachten.

Welche Daten gelöscht werden sollten

Nicht alle Daten sind nützlich. Veraltete oder unstrukturierte Informationen verursachen in der Regel nur Kosten.

Die vier Reiter der Daten-Transformation

Sebastian nennt vier typische Hürden bei der organisatorischen Nutzung von Daten und zeigt auf, wie man ihnen begegnen kann.

Mit Daten und Kreativität zum Erfolg: https://youtu.be/I_uvUjL3ICg?si=l2EGDE_nigGDg8-e 

Leuchtturmprojekte als Fehleinschätzung

Einzelne Vorzeigeprojekte erzielen oft keine nachhaltige Wirkung, da sie selten die gesamte Organisation überzeugen.

Warum viele Prototypen scheitern

Viele gute Ideen scheitern, weil sie nie für den produktiven Einsatz gedacht waren und wichtige Anforderungen ignorieren.

Der menschliche Faktor in der Datenarbeit

Technik allein löst keine Konflikte. Ohne die Einbindung der Menschen bleibt jeder Use Case eine Insellösung.

Data Informed, Data Driven, Data Inspired

Daten als Entscheidungsgrundlage? Ja, aber noch wirkungsvoller sind sie als Inspiration für strukturelle Veränderungen.

🎧 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

Smarter Kundenservice durch KI? Wie funktioniert das konkret? Ralf Mühlenhöver spricht mit Tim über echte Use Cases entlang der gesamten Customer Journey: Vor, während und nach dem Kontakt.

Wer ist Ralf Mühlenhöver?

Ralf ist seit 25 Jahren im Bereich Customer Experience und Technologie aktiv, hat zwei Unternehmen gegründet und verkauft. Heute arbeitet er freiberuflich als Berater mit Fokus auf Technologie im Kundenservice.

Lerne Ralf kennen: https://www.linkedin.com/in/ralfmuehlenhoever/

Use Cases: Vor dem Kundenkontakt

Kundendaten helfen, Servicekontakte im Vorfeld zu vermeiden. Das Teilen von Daten und Informationen zwischen Marketing, Logistik und Kundenservice verbessert die Planung und Reaktionsfähigkeit.

„The best service is no service“: Fehler präventiv vermeiden

Auch wenn diese Redewendung vielleicht ein Fiebertraum ist: Wenn alle Abteilungen gut zusammenarbeiten, wird Kundenkontakt oft überflüssig. Durch Daten und Kommunikation lassen sich viele Probleme voraus ahnen und vermeiden.

„Fehler passieren überall. Wenn wir es aber schaffen, diese Daten frühzeitig zu nutzen, dann können wir uns darauf einstellen, was passiert.”

Predictive Analytics: Kaffeemaschinen & Lifecycle-Angebote

Mit Predictive Maintenance und Daten aus dem IoT-Umfeld können Unternehmen passende Cross- und Upselling-Angebote automatisieren. Beispiel: Nespresso nutzt Lebensdauer-Prognosen für gezieltes Marketing.

Intent-Erkennung und Dunkelverarbeitung

KI erkennt den Zweck einer Anfrage automatisch. Standardanfragen wie „Where is my order?“ können komplett automatisiert und direkt beantwortet werden.

Agentische KI vs. klassische Automatisierung

„Agentic AI“ steht für KI-gesteuerte Prozessketten. Wo heute noch einfache Automatisierung hilft, übernehmen künftig autonome Systeme ganze Abläufe.

„Agentische KI [...] hat irgendwie nichts mit dem Agenten im Callcenter zu tun, sondern es ist tatsächlich ein Wort, was sich jetzt neu prägt, wo es darum geht, komplette Prozesse durch eine Maschine erledigen zu lassen.”

Empathie: Mensch vs. KI im Sales

Auch wenn KI nur Empathie simuliert, wird sie teils als einfühlsamer wahrgenommen als echte Mitarbeiter: Je nach Kontext ein Vorteil oder Risiko im Sales-Prozess.

Hyperpersonalisierung mit CDPs

Statt grober Zielgruppenansprache ermöglichen Customer Data Platforms (CDPs) individuelle Kommunikation auf Basis historischer Kundendaten: Automatisiert und skaliert.

„Aufgrund der Menge der Daten, die ich im CRM oder in meiner Customer Data Platform, CDP, über dich gesammelt habe, kann ich dann eben auch individualisierte Angebote machen.”

AI-Shoring: Vom Callcenter zur Cloud

Unternehmen lagern Services zunehmend in Near- und Offshore-Regionen aus. Das geschieht inzwischen nicht mehr nur menschlich, sondern KI-basiert. Ralf spricht hier von „AI-Shoring“.

Missbrauchspotenziale durch Voicebots

Tools wie Blend.ai bieten aggressive Automatisierung im Outbound. Daraus entsteht auch ein hohes Missbrauchspotenzial für Scam-Calls. Schutzmechanismen und Regulationen sind gefragt.

Kundenrouting & Voice Verification: Auslaufmodell?

Sprachbiometrie war lange ein Sicherheitsfeature. Doch in Zeiten stimmgenerierender Tools und Deep Fakes wird diese Verifikationsmethode angreifbar. Alternativen sind gefragt.

Echtzeitübersetzung bei Booking.com & Google

Live-Übersetzung ermöglicht internationalen Kundenservice ohne Sprachbarrieren. Erste Umsetzungen von Booking und Google zeigen, was technisch möglich ist.

Co-Pilot im Kundenkontakt: Assistenz statt Autopilot

Agent Assist Tools geben während des Gesprächs Empfehlungen und Inhalte. Das entlastet Mitarbeitende und verbessert Qualität und Bearbeitungszeiten.

Gesprächszusammenfassung & Einsparpotenzial bei EnBW

KI erstellt nach dem Call automatisch Gesprächsnotizen. Das spart pro Fall bis zu 60 Sekunden. Bei EnBW wurde so die Qualität erhöht und gleichzeitig die Kosten gesenkt.

Predictive NPS & Qualitätsanalyse mit KI

Als Alternative zu Umfragen analysiert die KI alle Kundenkontakte, um Zufriedenheit zu prognostizieren.

„Und daraus kann ich ein NPS predicten, mit dem großen Vorteil, dass ich 100% der Calls in meiner, ja, in meiner ,Umfrage’ dann drin habe und nicht eh schon den ersten Filter drin habe.”

Auch Gespräche, die nicht den Qualitätsstandards entsprechen, lassen sich so automatisch erkennen und nachverfolgen.

🎧 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

ChatGPT, AI Overviews und GEO: Alles nur Buzzwords? Oder verändert sich die Sichtbarkeit in Suchmaschinen gerade? Stefan Kiecker spricht mit Tim über den Stand bei Generative Engine Optimization (GEO) und erklärt, warum 90% davon nach wie vor klassisches SEO bleibt.

Wer ist Stefan Kiecker und was macht SEOCATION?

Stefan ist Senior SEO Consultant bei SEOCATION. Sein Fokus liegt auf technischem SEO, insbesondere bei datengetriebenen und KI-bezogenen Themen.

Lerne Stefan kennen: https://www.linkedin.com/in/stefan-kiecker/

Lerne SEOCATION kennen: https://www.linkedin.com/company/seocation/

Personal Branding mit der „SEO-Brille"

Auf LinkedIn ist Stefan bekannt für seinen augenzwinkernden Auftritt mit der pixeligen SEO-Brille. Ein Beispiel, wie humorvolles Personal Branding Reichweite schafft.

Was bedeutet „Ohne SEO kein GEO"?

Trotz des KI-Trends bleibt SEO die technische Grundlage für Sichtbarkeit. 90 % der Optimierung für AI-Overviews oder ChatGPT-Antworten basieren weiterhin auf klassischem SEO.

[Anzeige] Weiterbildung mit Distart

Distart bietet geförderte Weiterbildungen zu Marketing, Digitalisierung und KI an. Auch mit Einblicken aus der Praxis. Mehr Infos unter: https://distart.de/datendurst

Kritik am GEO-Hype: Sales-Fokus statt Substanz

Der Begriff GEO (Generative Engine Optimization) wird aktuell von vielen Marketing-Anbietern genutzt. Häufig ohne echtes technisches Verständnis.

Hier geht’s zur Begriffsfindung mit Olaf Kopp: https://bit.ly/40rGTE0

Wie funktionieren AI Overviews technisch?

Google nutzt eigene Suchergebnisse, um AI-Overviews zu generieren. Dabei können auch irrelevante Quellen von hinteren Suchergebnisseiten einfließen.

Schau dir auch den Beitrag von Matthäus Michalik an: https://bit.ly/44E1U0F

Warum Suchmaschinen durch KI nicht abgelöst werden

Chatbots wie ChatGPT verwenden Suchmaschinen als Basis für Antworten. Die klassische Websuche bleibt damit zentral für die Sichtbarkeit.

Fehlerquellen bei AI Overviews und ChatGPT

Falsche Antworten, veraltete Daten oder sogar absurde Empfehlungen wie „Klebstoff essen” zeigen die Grenzen aktueller Systeme.

Product Feeds und geplante Werbung in ChatGPT

Künftig sollen Unternehmen eigene Datenfeeds für KI-Systeme bereitstellen können. Auch Werbung in ChatGPT ist bereits angekündigt.

Begriffswirrwarr: GEO, LLMO, AIO & Co.

Die Szene diskutiert Begriffe wie GEO, LLMO (Large Language Model Optimization) oder AIO. Doch am Ende wird sich der Begriff durchsetzen, den die meisten nutzen.

Hier geht es zur Begriffsdiskussion: https://bit.ly/44DHe98

Literatur zu Grounded Theory:

https://bit.ly/3G16NI0

https://bit.ly/4lrMXV3

https://bit.ly/4klrjB8

Google Trends Analyse: Was setzt sich durch?

Daten zeigen: GEO erlebt weltweit einen massiven Anstieg an Suchinteresse. LLMO wird bislang seltener gesucht.

Google Trends zur Begriffsfindung:

(I) https://bit.ly/3ZU17pY

(II) https://bit.ly/4ew4VUj

Messbarkeit von GEO: Aktueller Stand und Tools

Die Google Search Console zeigt keine separaten Daten zu AI Overviews. Externe Tools wie Sistrix oder SEMrush liefern erste Einblicke.

AI Overviews in den USA und UK: Ein Blick in die Zukunft

In den USA sind AI Overviews bereits für rund 25% der Suchanfragen aktiv. Mit spürbaren Traffic-Verlusten für Inhalteanbieter.

Auswirkungen auf Journalismus und Content-Produzenten

KI kann Informationen zusammenfassen, doch dafür braucht es weiterhin hochwertige Quellen. Die Gefahr: Kleinere Anbieter werden verdrängt.

Sichtbarkeit in ChatGPT verbessern: Trainingsdaten & Social Signals

Gezielte Nennungen auf hochwertigen Plattformen wie Reddit oder Wikipedia erhöhen die Chance, in KI-Antworten aufzutauchen.

So recherchiert ChatGPT: https://bit.ly/4lulAd5

🎧 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 wird man Chief Data & Analytics Officer (CDAO) bei einem internationalen Unternehmen wie L’Oréal? In dieser Folge spricht Tim mit Franziska über ihren Karriereweg, aktuelle Herausforderungen im Team und warum ein Umzug ein gutes Beispiel für Transformation ist.

Intro & Vorstellung Franziska Eickhoff

Franziska ist Chief Data & Analytics Officer für Deutschland, Österreich und die Schweiz bei L’Oréal. Im Podcast stellt sie sich vor und gibt erste Einblicke in ihre Rolle.

Erfahre mehr über Franziska: https://www.linkedin.com/in/franziska-eickhoff/ 

Aktuelle Karrieremöglichkeiten bei L’Oréal: https://careers.loreal.com/de_DE/content/Home

Einstieg in die CDAO-Rolle bei L’Oréal

Nach zwölf Jahren in der Energiebranche verbindet Franziska bei L’Oréal ihre Datenerfahrung mit der Begeisterung für Beauty. Führung, Strategie und Kommunikation prägen ihre neue Rolle.

Vom Energiesektor zur Beautybranche

Die Datenarbeit bleibt ähnlich, aber das Marktumfeld ist deutlich dynamischer. Schnellere Trends und stärkere Kundennähe erfordern mehr Flexibilität.

Datenarbeit entlang der Wertschöpfungskette

Ihr Team begleitet Daten von der Produktion über die Logistik bis zur Marketingkampagne. Ziel ist es, datenbasierte Entscheidungen in allen Bereichen zu unterstützen.

Drei zentrale Datenbereiche bei L’Oréal

L’Oréal strukturiert Datenprozesse in Operations, Retail/E-Commerce und Marketing. Jeder Bereich bringt spezifische Herausforderungen mit sich.

Teamstruktur und Spezialisierung

Die Teammitglieder sind bisher nach Marken gegliedert, sollen künftig aber entlang der Geschäftsprozesse organisiert werden. So entstehen mehr fachliche Tiefe und Synergien.

Aufgabenverteilung zwischen Analysten und Engineers

Es gibt eine Mischung aus cross-funktionalen Leads und spezialisierten Rollen pro Bereich. So bleibt das Team technisch fundiert und gleichzeitig nah an den Fachabteilungen.

Karriereweg zur Führungskraft im Data-Bereich

Franziska berichtet von ihren Anfängen, früher Führungsverantwortung und wie sie ihr Digital-Team aufgebaut hat. Unterstützung und strukturiertes Lernen waren entscheidend.

Lernen, Weiterentwicklung und Unternehmenskultur

Onboarding und Führungstrainings bei L’Oréal helfen dabei, das Unternehmen und seine Kultur zu verstehen. Das Wissen um die „Wurzeln“ der Organisation ist essentiell für erfolgreiche Veränderungen.

Tagesablauf als CDAO

Franziskas Alltag besteht aus Teamführung, Projektabstimmungen und strategischer Planung. Zeitfenster für konzentriertes Arbeiten sind fest im Kalender eingeplant.

Strategische Führung und internationale Abstimmung

Sie arbeitet eng mit europäischen und globalen Data-Teams zusammen. Das Ziel: nationale Anforderungen mit internationalen Standards verbinden.

Zukunftsmodell: Zentrale Zusammenarbeit in Europa

Franziska plant mehr gemeinsame Datenlösungen mit anderen Ländern. Das lokale Team bleibt, aber die Entwicklung wird vernetzter und zentraler gedacht.

Transformation erklärt am Beispiel eines Umzugs

Der Wandel wird wie ein Umzug beschrieben: aussortieren, packen, transportieren – bei laufendem Betrieb. Das Ziel ist ein gemeinsames „Mehrfamilienhaus“ für alle Datenlösungen.

Typische operative Herausforderungen im Datenteam

Fehlende Datenlieferungen, technische Fehler oder manuelle Prozesse gehören leider zum Alltag. Monitoring und pragmatische Lösungsansätze helfen bei der Fehlerbehebung.

Umgang mit Stakeholdern bei Datenproblemen

Statt Schuldzuweisungen gibt es transparente Kommunikation und schnelle Koordination. Die Verantwortung wird gemeinsam getragen.

Persönliches über Franziska: Ausgleich zum Job

Sie lebt am Niederrhein, engagiert sich sozial und liebt das Kochen. Mit drei Katern ist bei ihr auch privat einiges los.

Kurzbio von Franziska Eickhoff

Franziska ist seit August 2023 als Chief Data & Analytics Officer bei L’Oréal Deutschland, Österreich und der Schweiz tätig und leitet ein Team von 18 Mitarbeitenden. Zuvor war sie mehr als zehn Jahre in der Energiebranche tätig, zuletzt als Head of Data Analytics & Engineering bei E.ON. Mit ihrer Expertise in den Bereichen Data Science, digitale Transformation und Marketing treibt sie bei L’Oréal eine datengetriebene Unternehmenskultur sowie den Einsatz ethisch verantwortungsvoller KI voran.

🎧 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 entwickelt sich der Arbeitsmarkt für Data- und Analytics-Talente? Und was macht Unternehmen wirklich attraktiv für diese Zielgruppe? Tim Verhoeven von Indeed liefert datenbasierte Antworten zu diesen und weiteren Themen, darunter Jobtrends und „Work Wellbeing”.

Wer ist Tim Verhoeven und was ist Talent Intelligence?

Tim ist als Senior Manager für Talent Intelligence bei Indeed tätig. Er befasst sich mit datenbasierten Entscheidungen in den Bereichen HR und Talentstrategie.

Lerne Tim kennen: https://www.linkedin.com/in/tim-verhoeven83/

Podcast HR Data Dudes: Datenbasierte HR-Optimierung

In dem Podcast „HR Data Dudes“ diskutiert Tim mit anderen Fachleuten darüber, wie HR mithilfe von Daten fundierter handeln kann. Das Ziel besteht darin, bauchgefühllastige Entscheidungen abzulösen.

Hier geht’s zum Podcast: https://hr-data-dudes.blogs.audiorella.com/

Der Datenschatz in HR und wie man ihn hebt

Viele Unternehmen verfügen über wertvolle HR-Daten, sind sich dessen jedoch nicht bewusst oder nutzen sie nicht. Talent Intelligence hilft dabei, diese Daten zu analysieren und praktisch zu nutzen.

Was bedeutet Talent Intelligence konkret im HR-Kontext?

Der Begriff umfasst alle datenbasierten Handlungen in den Bereichen Recruiting, Retention und Talentmanagement. Ziel ist es, fundierte Entscheidungen über Mitarbeitende zu treffen.

[Anzeige] Sponsor: Weiterbildung mit Distart

Distart bietet geförderte Online-Weiterbildungen zu den Themen Marketing, Digitalisierung und KI. Auch Praxis-Sessions mit Expert:innen sind Teil des Angebots.

Erfahre mehr zu Distart: https://www.distart.de/datendurst

Arbeitsmarktdaten bei Indeed: Vier Datencluster

Um Einblicke in den Arbeitsmarkt zu gewinnen, nutzt Indeed Verhaltens-, Hintergrund-, Profil- und Forschungsdaten. Durch das Crawlen externer Jobquellen ist die Datenbasis besonders umfassend.

Hiring Lab und Open Source Datenportal

Das Hiring Lab ist das Arbeitsmarktforschungsinstitut von Indeed. Neben klassischen Reports bietet es auch ein Open-Source-Datenportal mit regelmäßig aktualisierten Marktkennzahlen.

Das Hiring Lab: https://www.hiringlab.org/de/

Das Datenportal: https://data.indeed.com/#/ 

Nutzung der Daten für Benchmarks und Marktanalysen

Unternehmen nutzen die offenen Daten von Indeed, um ihre eigene Recruiting-Leistung einzuordnen. So lassen sich die Effekte von Kampagnen objektiv bewerten.

Remote-Quote: Entwicklung und Bubble-Fallen

Während die Gesamt-Remote-Quote seit eineinhalb Jahren stagniert, ist sie in der Tech- und Datenbranche deutlich höher. Die persönliche Wahrnehmung wird oft durch die eigene Blase verzerrt.

Remote-Anteil im Data- und Analytics-Bereich

In der Kategorie „Data & Analytics” sind etwa 46–48 % der Jobs remote möglich. Zum Vergleich: In Gesamtdeutschland liegt der Anteil bei rund 15 %.

Entwicklung des Fachkräftemarkts seit 2020

Nach einem Rückgang während der Corona-Pandemie stieg die Nachfrage nach Data-Talenten rasant an. Seit 2022 ist das Niveau wieder gesunken, was unter anderem auf wirtschaftliche Unsicherheit und KI-Substitutionseffekte zurückzuführen ist.

Jobtypen im Vergleich: Analyst, Scientist, Engineer

Im Vergleich haben Data Scientists mehr Bewerbende pro Job als Engineers. Besonders gesucht sind: Data Engineers, bei denen der Bewerberandrang deutlich geringer ist.

Wettbewerb und Bewerberqualität in der Praxis

Die Zahl der Jobsuchenden sagt wenig über deren Eignung aus. Viele Bewerber verfügen nur über Grundkenntnisse, die in einem komplexen Jobumfeld nicht ausreichen.

Warum Work Wellbeing gerade jetzt wichtig ist

Gerade in wirtschaftlich unsicheren Zeiten ist die Bindung von Mitarbeitern entscheidend. Unternehmen, die ihre Data-Talente halten wollen, sollten in Zufriedenheit investieren, denn Know-how-Verlust ist teuer.

Mehr über Work Wellbeing: https://de.indeed.com/lead/was-hat-wohlbefinden-am-arbeitsplatz-mit-unternehmenserfolg-zu-tun-alles 

Studie: Zusammenhang von Zufriedenheit und Unternehmenserfolg

Eine Studie der Oxford University zeigt: Unternehmen mit hoher Mitarbeiterzufriedenheit weisen eine niedrigere Fluktuation und bessere wirtschaftliche Kennzahlen auf. Zentrale Treiber sind dabei Führung, Vertrauen und Transparenz.

Die Studie der Oxford University:

https://www.ox.ac.uk/news/2019-10-24-happy-workers-are-13-more-productive 

Das Buch von Tim und Marcel: https://www.amazon.de/-/en/Recruiting-Analytics-Erfolg-Driven-Intelligence/dp/3791059475 

🎧 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

Sichtbarkeit im Netz folgt neuen Spielregeln. Tim spricht mit Robin Reuschel darüber, wie KI zur Gatekeeperin geworden ist und welche Auswirkungen das auf deinen Content hat. Gemeinsam zeigen sie dir, welche Tools, Formate und Denkweisen jetzt zählen, damit du in der Welt von ChatGPT & Co. sichtbar bleibst.

Begrüßung und Vorstellung

Robin wird als heutiger Gast eingeführt mit Einblicke in seinen Hintergrund zwischen Finanzmathematik, Strategieberatung und Technologie.

Vernetze dich mit Robin: https://www.linkedin.com/in/rreuschel/

Oder schau dir sein Unternehmen an: https://roover.eu/ 

[Anzeige] Hinweis auf den Sponsor

Tim erklärt dir, was du tun kannst, um deine Skills zu verbessern. Eine Möglichkeit: Distart bietet dir viele verschiedene geförderte Weiterbildungen zu Online-Marketing, KI und Social Media.

Erfahre mehr zu Distart: https://www.distart.de/datendurst

Warum SEO nicht mehr funktioniert

Robin erläutert, weshalb klassische SEO-Strategien heutzutage und zukünftig an Wirksamkeit verlieren und welche Rolle ChatGPT im Suchprozess spielt.

Kaufentscheidungen mit KI

Von Produktempfehlung bis zur finalen Entscheidung: Anhand eines persönlichen Beispiels beschreibt Robin, wie Kaufprozesse zunehmend an KI ausgelagert werden.

Gemini und die neue Suchlogik

Ein Blick auf Googles KI „Gemini” zeigt die veränderte Darstellung von Suchergebnissen, die immense Auswirkungen auf Traffic und Sichtbarkeit hat.

Der Beitrag von Fabian dazu: https://www.linkedin.com/posts/fabianjaeckert_seo-google-aioverviews-activity-7321431019591524353-f7GR/ 

Neue Wettbewerber im KI-Suchmarkt

Neben Google drängen mit neuen Suchgewohnheiten und technologischem Potenzial auch Meta AI, Perplexity und andere Anbieter auf den Markt.

KI als strengere Gatekeeperin

Robin erläutert, warum KI viel selektiver filtert als klassische Suchmaschinen, wodurch sich eine reduzierte Ergebnisvielfalt und ein höherer Bias ergeben.

Urheberrecht und Content-Verwertung

Diskussion über den Einfluss von KI auf Inhalte, Urheberschaft und Monetarisierung – inklusive der Kritik von Mario Fischer.

Mario Fischer zu KI und Urheberrecht: https://www.linkedin.com/posts/mariofischer_das-ist-kein-ai-overview-mehr-was-google-activity-7321413100744712192-UfrG 

Rankingverlust trotz Google-Topposition

Kerstin Schiefelbeins Case zeigt, dass klassische Rankings kaum noch eine Rolle spielen, wenn KIs eigene Antworten generieren.

Die Case Study von Kerstin zu KI und Google Rankings: https://bit.ly/45uyp2k

Wie KI Inhalte finden und bewerten

Wie genau funktioniert der technische Ablauf einer KI-Suche? Robin erklärt den Prozess von der Intent-Erkennung über die semantische Extraktion bis hin zum Retrieval aus mehreren Quellen.

Strategien für KI-Optimierung

Entscheidend sind folgende Kriterien: Crawlbare Inhalte, Chunking, Autorität durch Referenzen und Aktualität.

Hinweis: Beim Chunking werden Inhalte in kleine, strukturierte Informationshappen gegliedert, damit sie leichter von KI und Nutzern verarbeitet werden können.

Unterschiede zur klassischen SEO

Anstelle allgemeiner Keyword-Optimierung verlangt AI-Search spezifischere, nutzenorientierte Inhalte.

Bing-Optimierung für ChatGPT-Relevanz

Da ChatGPT auf die Bing-Suche zurückgreift, wird Bing-SEO zum entscheidenden Faktor für die Sichtbarkeit.

Warum KI auch falsche Informationen liefert

Mithilfe eines Beispiels erklärt Robin die Ursachen für Halluzinationen in KI-Antworten und zeigt dir, wie du diese durch gezieltes Prompt-Engineering und Quellenpflege vermeiden kannst.

Diese Herausforderung spielt auch eine Rolle beim Aufsetzen von UnternehmensGPTs: https://youtu.be/0tGXZPxThA0?si=opmq_q8fM7_EVrwM

Was tun, wenn ChatGPT zu Deinen Produkten halluziniert?

Dann kannst Du Dich bei OpenAI auf die Warteliste für Feed Submissions setzen lassen. Über dieses geplante Feature können Händler ihre Produkt-Feeds bald direkt an OpenAI senden, wodurch ChatGPT genauere und aktuellere Angebote an seine Nutzer ausspielen kann.

Hier geht es zur Registrierung:

https://openai.com/chatgpt/search-product-discovery/

Neue Messbarkeit und Tracking

Unternehmen können heutzutage KI-Traffic auf verschiedene Arten tracken. Dazu gehören UTM-Tags und die Analyse der Darstellung in Antworten.

KI-Werbung und Zukunft der Monetarisierung

Ein Blick in die nahe Zukunft zeigt, dass sich KI-Sichtbarkeit künftig kommerzialisieren wird, analog zu SEO, SEA und Social Ads.

🎧 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 lässt sich die volle Datenpower in Social Media heben? Was lernen Marken aus Kommentaren, Creatives und Performance? Till Weyerhäuser von Mawave erklärt, wie sie datengetrieben Content und Kampagnen optimieren – von ATU bis Red Bull.

Mehr als Views: Welche Social-Daten zählen

Social Media liefert mehr als Klicks und Conversions: Es bietet direktes Nutzerfeedback. Kommentare und Reaktionen geben wertvolle Hinweise für gezielte Optimierungen.

Wer ist Till Weyerhäuser und was macht Mawave?

Till ist Growth Lead bei Mawave und entwickelt datengetriebene Strategien für Marken wie Lidl, Red Bull und HelloFresh. Mawave konzentriert sich auf Social Media – mit Fokus auf Performance und kreative Kommunikation.

Lerne Till kennen: https://www.linkedin.com/in/till-weyer/ 

Datenvielfalt: Feedback, Creatives, Sentiment

Neben Zahlen analysiert Mawave auch das Stimmungsbild in Kommentaren. So wird das Markenimage messbar und gezielt steuerbar.

[Anzeige] Sponsor: Distart Weiterbildung mit Praxisbezug

Tim stellt Distart vor – geförderte Weiterbildungen zu Online-Marketing, KI und Social Media. Er gibt dort regelmäßig Live-Sessions mit Praxisfokus.

Mehr zu Distart: https://www.distart.de/datendurst 

Creative Case: ATU-AstroTV Reel bringt die Wende im Sentiment

Ein humorvolles Reel im AstroTV-Stil generiert virale Reichweite und verbessert das Sentiment rund um ATU. Die Community reagiert kreativ auf alte Vorurteile.

Der Trend stammt von dear_nithi: https://www.tiktok.com/@dear_nithi / https://www.instagram.com/dear_nithi 

Plattformverhalten: TikTok vs. Instagram

Virale Inhalte starten meist auf TikTok und landen später auf Instagram. Die Performance ist ähnlich – mit zeitlichem Versatz.

Content-Entwicklung: Mischung aus Bauchgefühl und Daten

70 % der Inhalte basieren auf Daten, 30 % auf Plattformverständnis und Intuition. Besonders kreative Formate entstehen durch Teammitglieder mit tiefem Plattformwissen.

Content-Abstimmung auf Zielgruppen

Erfolgreicher Content passt zur Zielgruppe des Profils. Stilbrüche können der Performance schaden. Mawave achtet auf Konsistenz im Auftritt.

Paid Insights: UGC vs. Static Ads

UGC sorgt für mehr Aufmerksamkeit und günstigere Ausspielung, statische Ads bringen oft bessere Conversions. Mawave kombiniert beides entlang des Funnels.

Data Warehouse: Struktur, Benchmarking, Automatisierung

Ein zentrales Data Warehouse bündelt Kampagnendaten, speist Dashboards und ermöglicht kanalübergreifende Learnings.

Warum ist es so schwer, Social Media und Analytics zusammenzubringen? Daniel Zoll hat eine Antwort: https://youtu.be/069RsspTX9E?si=X0Lm8VASCjrLqHmP 

Predictive & Alerts: Performance-Signale früh erkennen

Slack-Alerts und automatisierte Hinweise machen Trends und Abweichungen schnell sichtbar - für schnelleres Reagieren.

Data Team: Praxisnah, lean, performanceorientiert

Das Datenteam arbeitet eng mit Performance-Units. Plattform-Erfahrung kombiniert mit Datenanalyse-Skills ist der Schlüssel für Hammer Performance.

Social als Feedback-Kanal: Kommentare analysieren

Kommentare liefern qualitative Insights. Mawave nutzt sie zur Stimmungsanalyse und zur Content-Optimierung.

Wie wichtig Community Insights sind, weiß auch Winfried Ebner von der Telekom: https://youtu.be/MOwFmBB-m4w?si=zbynAAxLaYSkyyIP 

Wettbewerbsanalyse: Kommentare als Inspiration

Auch bei der Konkurrenz verraten Kommentare viel über Produktwahrnehmung. Diese Erkenntnisse können genauso in neue Creatives fließen.

Attribution & Funnel-Logik: Daten zwischen den Plattformen

Statt komplexer Attributionsmodelle setzt Mawave auf Inkrementalitätsanalysen. Entscheidend ist die Gesamtwirkung eines Kanals.

🎧 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 stellt Datendurst strategisch neu auf. In dieser Solo-Folge erklärt er, was bleibt, was geht und warum sich der Podcast in Zukunft stärker auf Audio fokussieren wird.

Vorschau: Spannender Besuch in der nächsten Folge

In der nächsten Folge begrüßt Tim Till Weyerheuser von Mawave. Er zeigt, wie man das volle Potenzial von Daten aus organischen und bezahlten Social-Media-Kanälen ausschöpft. Mit Einblicken aus der Zusammenarbeit mit Marken wie Red Bull, ATU und Outfittery bringt Mawave jede Menge Know-how mit. Zuhören lohnt sich!

[Anzeige] Kooperation mit Distart

Zum ersten Mal wird der Podcast von einem Sponsor unterstützt: Distart bietet geförderte Weiterbildungen zu digitalen Themen und Online-Marketing an. Tim selbst moderiert dort Live-Sessions - eine enge Verbindung von Praxis und Bildung.

https://www.distart.de/datendurst

Was der Podcast wirklich kostet

Die Analyse der Produktionskosten ist ernüchternd: Ein Jahr Datendurst kommt finanziell einem Neuwagen gleich. Der erhoffte Return on Investment durch Kundenaufträge ist bisher ausgeblieben, eine Kurskorrektur ist notwendig.

Was ankommt: Inhalte, die Reichweite bringen

Besonders erfolgreich sind Episoden mit klaren Themenschwerpunkten und spannenden Persönlichkeiten aus bekannten Unternehmen wie RTL oder der Telekom. Auf LinkedIn erzielen Thumbnails mit starken Zitaten die größte Aufmerksamkeit - ein Kanal, der gezielt bespielt wird.

Tschüss Kurzclips: Warum das Format nicht überzeugt

Tim verabschiedet sich von experimentellen Videoformaten für TikTok, Instagram und YouTube Shorts. Der Aufwand steht in keinem Verhältnis zum Ergebnis - weder Engagement noch Reichweite konnten überzeugen.

Neues Setup: Weniger Video, mehr Klarheit

Künftig liegt der Fokus auf dem Audioformat - auch auf YouTube. Nur besonders relevante Episoden werden zusätzlich visuell aufbereitet und bei positiver Entwicklung ist ein wöchentlicher Rhythmus nicht ausgeschlossen.

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

🎧 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! 💬