🔧 Was ist der Unterschied zwischen einem SAP-Berater und einem SAP-Unternehmer? Der eine löst das Problem des Kunden. Der andere erkennt, dass das Problem vielleicht ein Produkt ist.

Sebastian Uhlig hat beides getan — 20 Jahre im Ökosystem, PwC, IBM, Inhouse-Experte bei Rio Tinto, dann Gründer. Heute führt er Nextlytics als Co-CEO und baut mit Nextables ein lizenzierbares Softwareprodukt, das einen Fehler in praktisch jeder modernen Datenplattform behebt.

In der aktuellen Episode von Masters of Data, BI & AI spricht er über 25 Jahre SAP BW, warum Datasphere und Business Data Cloud interoperabler klingen als sie sich anfühlen — und wo genau jede Plattform beim Thema Dateneditieren scheitert.

Ein paar Dinge, die hängengeblieben sind:

Zur eigentlichen Lücke:
SAP Business Data Cloud, Databricks, Snowflake, Fabric — alle brillant im Lesen, Modellieren und Auswerten von Daten. Aber sobald man eine Spalte ergänzen, eine Korrektur vornehmen oder eine Hierarchie pflegen will, gibt es im typischen Datenplattform-Stack keine Lösung. Man exportiert nach Excel, ändert dort, und irgendwann läuft nachts ein Ladeprozess auf einen Fehler.

Zum Nextables-Ansatz:
Die Ownership über Daten direkt an den Fachbereich geben — mit einem Excel-ähnlichen, geführten Interface, das Stammdatenhilfe und Validierung mitbringt. Der originale Record lebt dann auf der Plattform selbst, nirgends sonst. Für die IT heißt das: kein nächtlicher Fehler mehr, weil Daten bereits geprüft sind, bevor sie geschrieben werden.

Zum idealen Kundenprofil:
Nur zwei Kriterien zählen wirklich — ein großer Konzern, wo Data Governance und Audit Logs echten Wert bedeuten, und mindestens eine Datenplattform im Einsatz. Wenn "Fixed Source" zu teuer oder zu langsam ist, ist Nextables die "Second Best Practice" — pragmatisch, aber ehrlich benannt als das, was es ist.

Zur Partnerwahl bei Databricks, Remio und Starburst:
Kein Zufall, sondern eine Mischung aus interner Methodologie und Marktbeobachtung. Remio hat eine Lücke geschlossen, die Databricks nicht abdecken konnte — ein On-Prem-Lakehouse. Governance-Anforderungen aus Europa spielen dabei zunehmend eine Rolle, die vor drei Jahren noch kaum präsent war.

Zum Wandel im Recruiting:
KI verändert, wen Nextlytics einstellt. Weniger Leute, die "am System schrauben" — mehr Architekten und Senioren, die technologisch fit genug sind, um selbst zu beurteilen, welcher Weg der richtige ist.

Wie seht ihr das — ist eine spezialisierte Dateneditier-Lösung wie Nextables eine clevere Nische, oder ein Zeichen dafür, dass die großen Datenplattformen an dieser Stelle einfach noch nachliefern müssen?

LinkedIn Profile

LinkedIn Profile von Sebastian Uhlig: https://www.linkedin.com/in/sebastian-uhlig-data-enthusiast/

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

Empfehlung statt Businessbuch

How I AI, gehostet von Claire Vo — ein englischsprachiger Podcast, den Sebastian empfiehlt, weil er auf der Höhe der Zeit bleibt, ohne unkritisch zu sein, und sowohl für Entwickler als auch Marketer relevante Perspektiven bietet.

🏭 Die meisten Unternehmen bauen Dashboards, schauen drauf, und machen weiter wie vorher. Sebastian Nädtke nennt das freundlich "Stalking Analytics."

Sein Team hat stattdessen etwas gebaut, das direkt aus einer Fabrikhalle in Berlin-Adlershof kommt — und läuft heute bei Konzernkunden, die eigentlich schon Tableau, Power BI und den Rest im Einsatz haben.

In der aktuellen Episode von Masters of Data & AI erzählt er, wie aus einem Controlling-Nebenprojekt ein Qlik Elite Partner mit 20 Leuten wurde — komplett aus Versehen.

Ein paar Dinge, die hängengeblieben sind:

**Zur zufälligen Firmengründung:**

Sebastian wollte nie Sales machen, nie Beratung. Er hat Qlik intern bei einem Automobilzulieferer ausgerollt, Kunden und Lieferanten haben die Dashboards in der Fabrik gesehen und gefragt "wo habt ihr das gekauft?" Aus der Nachfrage wurde ein Geschäftsmodell, bevor irgendwer das geplant hatte.

**Zum eigentlichen Warum hinter Qlik:**

Kein Feature-Bingo — die kleinsten Teams sind bei Qlik gleichzeitig die produktivsten, sagt Sebastian. Die Reload-Geschwindigkeit macht Echtzeit-Use-Cases wie Maschinenüberwachung erst praktikabel.

**Zur These "Dashboards werden weniger wichtig":**

Nicht weil Daten weniger werden — Ad-hoc-Reporting per Prompt ist für wiederkehrende Probleme einfach ineffizient. Sebastians Wette: eine Schicht mit Unternehmenskontext und Kennzahlen, auf die Dashboards und Agenten gleichermaßen zugreifen.

**Zum teuersten Learning:**

Standard-Dashboards auf Standard-ERP-Systemen sollten sich "wie geschnitten Brot" verkaufen. Taten sie nicht — jedes ERP ist hart customized, egal was drauf steht. Genau daraus entstand Jahre später die Idee zur echten Business-Applikationsplattform.

**Zur Positionierung heute:**

Der Kunde soll gar nicht mehr fragen müssen, ob das Qlik oder Power BI ist. Er will nur wissen: Löst das mein Problem? Sebastian nennt das den Unterschied zwischen Vitamin-Tablette und Aspirin — und Aspirin ist, worauf Leitat mittlerweile zielt.

Wie seht ihr das — verschwinden klassische Dashboards zugunsten von Business-Apps und Agenten-Layern, oder bleibt das Dashboard einfach die Oberfläche, die sich nie ganz auflöst?

____LinkedIn Profile____

LinkedIn Profile von Sebastian Nädtke: https://www.linkedin.com/in/sebastian-n%C3%A4dtke-4a306a191

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch____

*Das Ziel* von Eliyahu Goldratt — ein Roman über einen Manager, der seinen Standort vor der Schließung retten muss. Realitätsnah statt trocken.

🎙️ Eine Data- & AI-Beratung mitten in der Weltfinanzkrise 2007 gründen und über fast zwei Jahrzehnte hinweg stabil im Markt etablieren? Jan Strackbein hat genau das getan. Als CEO von areto consulting gmbh zeigt er in dieser Episode, warum die besten Lektionen für krisenfeste Unternehmensführung nicht aus dem BWL-Lehrbuch stammen, sondern aus der Praxis als Einsatztaucher bei der DLRG.

Ein paar Dinge, die hängengeblieben sind:

Das Mindset des Einsatztauchers im C-Level:

Unter Wasser entscheidet absolute Ruhe über Leben und Tod. Wer gelernt hat, bei Nullsicht und extremem Druck den Fokus zu behalten, lässt sich auch von Markt-Turbulenzen oder geplatzten Deals nicht nervös machen. Jan erklärt, wie Vorbereitung, brutale Ruhe und Anpassungsfähigkeit die DNA von areto prägen.

Das 40-Prozent-Umsatz-Erlebnis:

Die härteste Krise der Firmengeschichte traf areto, als ein einziger Großkunde wegbrach und auf einen Schlag 40 % des gesamten Umsatzes fehlten. Statt in Panik zu verfallen, nutzte das Team den Schock für eine radikale Neuausrichtung: Heute sichert aktives Marketing das Business ab, und kein Kunde darf jemals wieder mehr als 10 % des Volumens ausmachen.

Die Lissabon-Strategie (Nearshore, das keines ist):

areto hat neben den klassischen deutschen Standorten auch ein Büro in Portugal. Was als strategischer Hebel für Ausschreibungen begann, entwickelte sich durch die vollständige Integration eines lokalen Tech-Unternehmens zu einem echten Kultur- und Innovations-Boost für die gesamte Gruppe.

Warum Dashboards sterben werden:

Technologie ist kein Geschäftsmodell, sondern ein Befähiger. Jan wirft einen Blick auf den aktuellen KI-Trend und erklärt, warum das klassische, starre Reporting ausgedient hat. Die Zukunft gehört dynamischen Datenplattformen (Snowflake, Databricks, Azure), die echten, operativen Mehrwert liefern, statt nur Daten stumpf zu verwalten.

Wie viel „Extremsport-Mentalität“ braucht ein moderner CEO, um ein Tech-Unternehmen sicher durch die ständigen Hypes und Krisen unserer Zeit zu manövrieren?

LinkedIn Profile von Jan Strackbein: https://www.linkedin.com/in/jan-strackbein-areto

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

Business Book

Das Café am Rande der Welt von John Strelecky. Keine klassische Business-Theorie, sondern ein Buch über den Sinn des Lebens, das Jan als Urlaubslektüre schätzt, weil es den Blick für das Wesentliche schärft und zur fundamentalen Selbstreflexion anregt.

🎙️ Inmitten des Lockdowns ein Deep-Tech-Unternehmen gründen, das heute sicherheitskritische Infrastrukturen automatisiert? Ferdinand Biere hat genau das getan. Als Gründer und CEO von Metis zeigt er, warum die Zukunft von Enterprise-KI nicht in den US-Clouds liegt, sondern in maximaler digitaler Souveränität.

Ein paar Dinge, die hängengeblieben sind:

Die harte Wahrheit über Open Source im Enterprise:

Qualität setzt sich im B2B-Umfeld selten von alleine durch. Geniale Open-Source-Modelle scheitern oft an den simpelsten Dingen wie einem fehlenden Bezahl-Button (Stripe) oder unvollständigen Enterprise-Features. Wer im Markt gewinnen will, muss die Brücke zwischen Technologie und kommerzieller Reife bauen.

Das Milliarden-Risiko in der Cloud:

Wer sensible Berichte für Gutachter oder Behörden automatisiert, steht vor einer harten Wand namens Datenschutz. Jedes Mal, wenn Daten über US-Schnittstellen laufen, entstehen rechtliche Abhängigkeiten. Die Lösung von Metis: Lokale Modelle, gehostet auf eigenen Servern, um die volle Datenhoheit zurückzuholen.

KI als digitaler Klempner:

Wir lassen Agenten autonom Code schreiben, aber wer räumt den Dreck im Hintergrund auf? Ferdinand vergleicht modernes Engineering mit Klempnerarbeit: Es braucht smarte Systeme, die Lücken schließen, Fehler abfangen und sicherstellen, dass die generierten Lösungen stabil laufen.

Vom Entwickler zum Unternehmer:

Die Reise vom CTO zum CEO ist ein massiver Mindset-Shift. Man muss lernen, das Produkt auch mal stehenzulassen und sich stattdessen radikal um das Go-to-Market zu kümmern. Ferdinand teilt seine Learnings aus der Gründungsphase und erklärt, wie ihn die Prinzipien des schnellen Iterierens aus dem legendären WirVsVirus-Hackathon bis heute prägen.

Ist der Wechsel von proprietären Cloud-Modellen hin zu lokalen On-Premise-Lösungen der einzig logische Schritt für europäische Unternehmen, oder unterschätzen wir die Betriebskosten eigener Infrastrukturen?

LinkedIn Profile von Ferdinand Biere: https://www.linkedin.com/in/ferdinandbiere/

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

Business Book

Principles von Ray Dalio & $100M Leads von Alex Hormozi. Zwei fundamentale Leitfäden, die Ferdinand tief geprägt haben, wenn es darum geht, ein Unternehmen durch radikale Wahrheit, klare Systeme und unbarmherzigen Fokus auf die Markt-Exekution aufzubauen.

🎙️ Vom globalen Großkonzern direkt in den Maschinenraum des deutschen Mittelstands: Tim Kappel und Dominik Brosa wissen genau, wie Daten- und KI-Strategien jenseits der Hochglanz-Sales-Pitches funktionieren.

In dieser Episode räumen die beiden mesakumo-Experten radikal mit den typischen KI-Mythen auf und zeigen, warum der Mittelstand keine Milliarden-Budgets braucht, sondern pragmatische Lösungen auf Augenhöhe.

Ein paar Dinge, die hängengeblieben sind:

Der größte Blind Spot im Mittelstand:

Viele CFOs und Geschäftsführer lassen sich von Tech-Buzzwords blenden und unterschätzen die eigene Datenqualität fundamental. Wer seine Stammdaten über Jahre vernachlässigt hat, dem hilft auch kein KI-Zauberstab. Erst kommt die solide Datenbasis, dann die künstliche Intelligenz – sonst skaliert man nur den Schaden statt des Nutzens.

Wirtschaftlichkeit jenseits von „20 Minuten Zeitersparnis“:

KI-Projekte scheitern oft am Controlling, weil theoretische Zeiteinsparungen von Mitarbeitern berechnet werden, die am Ende nie auf dem Konto der Firma landen. Echter Impact entsteht durch messbare Prozess- und Materialeffizienz, wie das Vermeiden von teurem Teile-Overhead in der Produktion.

Keine Angst vor Fehlern (Fail Fast real gelebt):

Der Markt verändert sich nicht mehr in Monaten, sondern in Wochen. Wer aus Angst vor dem unperfekten Use Case erstarrt, hat schon verloren. Lieber drei Monate mutig in die falsche Richtung laufen, schnell lernen, anpassen und iterieren, als auf das eine perfekte Konzept zu warten.

Die Kunst der Übersetzung auf Augenhöhe:

Erfolgreiche Projekte wie beim Referenzkunden Bauder zeigen: Es braucht kein starres Strategiepapier für die Schublade. Echte digitale Wirkung entsteht, wenn man das Management emotional mitnimmt und den Teams direkt einsatzbereite Best Practices, Styleguides und Schulungskonzepte an die Hand gibt.

Glaubst du, dass der deutsche Mittelstand bei KI aktuell zu zögerlich agiert, oder ist die Skepsis gegenüber den großen Werbeversprechen der Tech-Anbieter sogar gesund?

____LinkedIn Profile____

LinkedIn Profil von Tim Kappel: https://www.linkedin.com/in/tim-kappel-9b054560/

LinkedIn Profil von Dominik Brosa: https://www.linkedin.com/in/dominik-brosa/

LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Book____

Gedruckte KI-Bücher? Veralten viel zu schnell. Tim und Dominik bekennen sich in der Folge als echte „Kinder des Internets“. Statt dicker Wälzer nutzen sie dynamische Plattformen wie Medium und kuratierte Online-Quellen, um technologisch immer exakt am Puls der Zeit zu bleiben.

👟 110 Jahre Deichmann. 4.700 Filialen. 30 Länder. Und eine Datenplattform, die das alles zusammenhalten muss.

Kevin Haferkamp ist Head of Data Platform and Engineering bei Deichmann — und hat in den letzten Jahren eine Architektur in Produktion gebracht, die aus isolierten Systemen eine echte unternehmensweite Datenplattform gemacht hat. Deichmann ist mittlerweile offizielle Databricks Customer Story. Wer das kennt, weiß: Das ist kein Proof of Concept. Das ist echte Produktion.

In der aktuellen Episode von Masters of Data & AI spricht er über den Weg dorthin — und was als nächstes kommt.

Ein paar Dinge, die hängengeblieben sind:

**Zum Abschied von Snowflake:**

Nicht weil Snowflake schlecht ist — sondern weil Deichmann irgendwann gemerkt hat, dass sie immer weniger davon nutzen und immer mehr von Databricks. Zwei große Plattformen mit konkurrierenden Workloads macht keinen Sinn. Der letzte Use Case, der noch auf Snowflake lief, war ausgerechnet der Lake Base Use Case. Jetzt läuft alles auf Databricks. Und man ist happy.

**Zu Lake Base und dem PostgreSQL-Trick:**

SAP Emarsys braucht relationale Daten. Databricks ist kein relationales System. Die Lösung: eine PostgreSQL-Instanz, die Daten aus dem Lakehouse in Sekunden synchronisiert — statt wochenlanger Eigenentwicklung. Deichmann war Early Adopter, hat das Feature mitgeformt, und läuft heute damit europaweit.

**Zum Semantic Layer als eigentlichem KI-Hebel:**

Wenn der Semantic Layer nicht stimmt, bringt KI nichts. Kevin ist überzeugt: Datenmodellierung ist nicht tot — sie ist heute wichtiger als je zuvor. Wer jetzt ein sauberes semantisches Fundament baut, kann seinen Stakeholdern Ad-hoc-Analytics, KI-gestützte Auswertungen und Self-Service per Prompt ermöglichen. Das ist nur ein Prompt entfernt — aber nur wenn die Basis stimmt.

**Zu KI Use Cases bei Deichmann:**

Markdown Optimization läuft seit sechs Jahren und bespielt gerade die Top-Märkte mit Version 2.0. KI-Fotostudio für Produktgenerierung ohne aufwändige Shootings — bereits getestet. Logistik-Forecasting mit ML. Und ein Fußmessgerät im Store, das über die Jahre Daten gesammelt hat, die jetzt wirklich genutzt werden können. Fast fail als gelebte Kultur — nicht als Buzzword.

**Zur größten Lesson Learned:**

Technik ist beherrschbar. Menschen nicht immer. Die teuersten Fehler bei Deichmann waren keine Cluster-Crashe — sondern Kommunikation, die aneinander vorbeigegangen ist. Gute Absicht schützt nicht vor schlechter Wirkung.

____LinkedIn Profile____

LinkedIn Profile von Konrad Sippel: https://www.linkedin.com/in/kevin-haferkamp-09907ba0/

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch____

*Dungeon Thinking* von Dirk Lerner — keine klassische Managementliteratur, sondern eine fiktive Unternehmensgeschichte, die durch verschiedene Data-Challenges führt. Kevin liest es immer wieder, weil er sich darin wiedererkennt — und jedes Kapitel neue Reflexionspunkte liefert.

🐸 Wir haben ein tolles Labor eingerichtet. Wissenschaftler eingestellt. Beste Instrumente besorgt.

Und dann haben wir festgestellt: Wir haben gar keine Frösche. Die sind noch draußen im Teich.

Konrad Sippel hat den Content Lab bei der Deutsche Börse Group aufgebaut — eine der ersten Data Science Einheiten im Börsenbetrieb. 1 bis 1,5 Petabyte Daten täglich. Und trotzdem: Die größte Erkenntnis war nicht der fancy Use Case, sondern das Fundament darunter.

Heute ist er CIOO bei valantic FSA und CEO bei Signalyst — einem Startup, das institutionelle Investmentsignale auf Basis bayesianischer Statistik für den breiten Markt öffnet.

In der aktuellen Episode von Masters of Data & AI spricht er über drei Karrierestationen, zwei Unternehmen gleichzeitig — und eine Lektion, die sich durch alles zieht.

Ein paar Dinge, die hängengeblieben sind:

Zur Datenfundament-Falle: Data Scientists, die 80 % ihrer Zeit mit Data Wrangling verbringen statt mit Data Science — das ist kein Einzelfall, das ist der Normalzustand. Konrads Rat heute: Erst ein Jahr lang nur Data Engineers und Infrastruktur. Dann erst die Wissenschaftler ins Labor holen. Frösche müssen zuerst gefangen werden.

Zu KI im Kapitalmarkt — damals vs. heute: 2016 war Machine Learning im Finanzbereich noch gefährlich, datenschutzrechtlich verdächtig und organisatorisch unerwünscht. Heute fällt der Aktienkurs, wenn der CEO keine KI-Strategie hat. Dieselbe Technologie, komplett andere Welt.

Zu GAIA-X und kollaborativen Datenprojekten: Geldwäsche erkennt man nicht innerhalb einer Bank — sondern über alle Banken hinweg. Das Problem: Die Daten dürfen nicht geteilt werden. Konrad hat daran gearbeitet, genau dieses "Das geht nicht" als falsch zu beweisen. Gemeinsam gehostete Infrastrukturen mit hohen Sicherheitskonzepten — damals Pionierarbeit, heute Realität.

Zum Startup-Fehler bei Signalyst: Produkt fertig. Erster Monetarisierungskanal nicht validiert. Zertifikate emittieren wollten sie — ging nicht. Neun Monate verloren. Die Lektion: Das Ende muss vom ersten Tag mitgedacht werden. Nicht "Modell läuft in der Cloud", sondern "Kunde kann hier sein Depot eröffnen."

Zu valantic FSA und der nächsten Phase: Gute Produkte, gute Kunden — aber zu viel Individualentwicklung, zu wenig Standardisierung. Konrads Mission: Operative Prozesse straffen, KI in die Applikationen integrieren, vom Integrationsgeschäft Richtung skalierbarem Produktgeschäft. Weniger ist mehr.

Wie seht ihr das — ist eine solide Dateninfrastruktur wirklich die Voraussetzung für erfolgreiche KI, oder überschätzen wir das Fundament und unterschätzen den Mut zum Experiment?

🎙️ Die ganze Episode jetzt auf Masters of Data, AI & BI — Link in den Kommentaren.

____LinkedIn Profile____

LinkedIn Profile von Konrad Sippel: https://www.linkedin.com/in/konrad-sippel/

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch____

Influence von Robert Cialdini — wie unser Gehirn Entscheidungen trifft und wie Einfluss wirklich funktioniert. Konrad hat es während seines MBAs gelesen und es hat seine Sicht auf Business-Entscheidungen und Geschäftsmodelle grundlegend geprägt.

📚 50.000 Menschen haben durch ihn Data Science gelernt. Nicht in teuren Seminaren — sondern online, zugänglich, direkt.

Prof. Dr. René Brunner ist Professor an der Macromedia University München, CEO von Datamics und Gastgeber von Deutschlands meistgehörtem Data Science Podcast. Er lebt in zwei Welten gleichzeitig — Hörsaal und Beratungsprojekt, Theorie und Produktion.

In der aktuellen Episode von Masters of Data & AI spricht er über die Zukunft von Data Science, was Unternehmen beim KI-Einstieg falsch machen — und warum eine einzige Eigenschaft über Karrieren entscheidet.

Ein paar Dinge, die hängengeblieben sind:

Zum Big Data Déjà-vu: Als Big Data aufkam, haben Unternehmen Millionen in Systeme investiert und zehn Data Scientists eingestellt — ohne zu wissen, was die eigentlich machen sollen. KI heute ist fast identisch. Jeder weiß, er muss es machen. Der direkte Businesswert? Noch unklar. Das Erwachen kommt.

Zur Zukunft von Data Science: Der klassische Data Scientist — Modelle trainieren, Lifecycle managen, Use Cases finden — wird seltener. Die Richtung geht klar zu LLM-basierten Systemen, RAG-Architekturen und End-to-End Agentenpipelines. Wer sich nicht anpasst, sitzt bald rum und hat nichts zu tun. Wer umsteigt, hat mehr Möglichkeiten als je zuvor.

Zum Wettbewerb aus Osteuropa: Nearshore-Anbieter drücken auf Preise und Kapazitäten — weltweit, nicht nur aus Osteuropa. René's Antwort: Qualität, Erfahrung, persönlicher Kontakt. Und kollaborieren statt konkurrieren. Operative Tätigkeiten können ausgelagert werden. Strategie und Erfahrung nicht.

Zur einen Eigenschaft: Nicht SQL. Nicht Python. Nicht Machine Learning. Die eine Eigenschaft, die René bei jedem sucht — ob Student, Junior oder Senior — ist Selbstmotivation zum Weiterlernen. Wer wartet, bis ihm jemand alles beibringt, ist im falschen Job. Der Markt verändert sich wöchentlich. Wer lernen lernt, bleibt immer relevant.

Zur Wirkung von Datamics: Ein Schüler macht einen Python-Kurs. Bekommt ein Praktikum am Uniklinikum München. Wird jetzt an der UC Berkeley promovieren. Ein Richter aus der Türkei zieht nach Deutschland, macht Kurse, startet eine neue Karriere. Das ist der eigentliche ROI.

Was denkt ihr — ist Selbstmotivation zum Lernen erlernbar, oder hat man sie einfach?

🎙️ Die ganze Episode jetzt auf Masters of Data, AI & BI — Link in den Kommentaren.

____LinkedIn Profile____

LinkedIn Profile von Prof. Dr. René Brunner: https://www.linkedin.com/in/renebrunner/

LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/

____Business Buch____

Business Adventures von John Brooks — zwölf klassische Business-Geschichten, von Bill Gates empfohlen. René schätzt es, weil es die Grundlagen von Business auf zeitlose Weise herunterbricht und zeigt, was man falsch machen kann — und was richtig.