Cover of [antifragile data]

[antifragile data]

[antifragile data]

By: Dirk Lerner
Listen for free

Season's Savings | 0.99 €/month for 3 months

5.99 €/month thereafter - terms apply. Cancel monthly.
Summary

[antifragile data] ist der Podcast für alle, die mehr wollen als Buzzwords. Dirk Lerner spricht über Data, AI und die Geschichten dahinter — ehrlich, praxisnah und manchmal unbequem.

Ob Datenmodellierung, Data Engineering, Machine Learning, Data Governance oder die menschliche Seite der Datenwelt: Hier geht es um echte Erfahrungen, Fehler und Learnings aus über zwei Jahrzehnten in der Datenbranche.

Der Podcast richtet sich primär an deutschsprachige Hörer. Internationale Gäste werden auf Englisch interviewt — diese Episoden sind entsprechend gekennzeichnet.

  • Datenmodellierung & Informationsmodellierung
  • Data Engineering & Architektur
  • Datenmodellierung & AI
  • Data Governance & Strategie
  • Data Culture & Organisation
  • Karriere in der Datenwelt
  • Tool-Bewertungen & Tech-Deep-Dives
  • Fehlerkultur & Lessons Learned
2026 Dirk Lerner
Economics
Episodes
  • #004 · Shiny-Toy-Syndrom — mit Elisa Kaiser
    3 Nov 2026

    Elli Kaiser, Product Owner für ein Data Warehouse bei Bosch, über das Shiny-Toy-Syndrom: Erst ist das Tool da, dann wird das Problem dazu gesucht. Und warum Daten noch keine Wirkung haben, nur weil sie da sind.

    Kennengelernt haben wir uns beim 44. TDWI Roundtable in Frankfurt. Ihr Vortrag hieß „Data ≠ Impact", und mitgenommen habe ich davon vor allem ein Wort: das Shiny-Toy-Syndrom. Elli verantwortet bei Bosch in Bamberg das BIF Data Warehouse, das an mehreren Fertigungsstandorten läuft.

    Das Syndrom hat sie zum ersten Mal als junge Projektmanagerin erlebt: Ein Kunde wollte unbedingt ein bestimmtes DMS einführen, und auf die Frage, für welche Prozesse, kam nur „ist ja egal, wir brauchen dieses Tool". Gekauft wird so ein Tool selten von denen, die damit arbeiten. Und selbst wenn die Daten da sind, passiert oft erst einmal nichts. Ihr Report hatte nach sechs Wochen drei Aufrufe, vermutlich einer davon ihr eigener.

    Danach reden wir über „Max Temp" in fünf Varianten und wer werksübergreifend entscheidet, was ein Begriff bedeutet. Über den Moment, in dem ein Product Owner zum Projektmanager wird. Und über KI in der Fertigung: Dokumentation und der Abgleich von 300-Seiten-Kundenanforderungen tragen, Copilot nach drei Wochen Urlaub zu fragen, was offen ist, war eine Katastrophe. Zum Schluss erklärt Elli, warum in ihrem LinkedIn-Profil „Servant Leader and Chief Happiness Officer" vor „Product Owner" steht.

    ── Kapitel ──
    00:00 Intro
    01:21 Erst das Tool, dann das Problem
    07:03 Growth Hacking und andere Modewörter
    10:58 Data ≠ Impact: Daten da, Wirkung nicht
    19:25 Fünfmal Max Temp: Begriffe über Werksgrenzen
    26:03 Wann der Product Owner zum Projektmanager wird
    30:19 KI in der Fertigung: was trägt, was nicht
    36:49 Vom Backlog-Verwalter zum Chief Happiness Officer
    43:27 Signature Question: antifragil durch Druck
    45:36 Outro

    ── Erwähnungen & Links ──
    • Elli Kaiser auf LinkedIn: https://tedamoh.de/9uylg
    • Springer-Kapitel „Growth Hacking" (2016): https://tedamoh.de/kjr5h
    • Blogartikel „Was heißt ‚Employee'?": https://tedamoh.de/3z6dm
    • Video-Version dieser Folge: https://tedamoh.de/ad004

    ★ Bewertung bei Apple Podcasts oder Spotify? Hilft mehr, als man denkt.

    ► Abonnieren & Newsletter: https://podcast.tedamoh.com
    ► TrueFans: https://truefans.fm/antifragile-data

    [antifragile data] – der Podcast über Data, AI und die Geschichten dahinter, mit Dirk Lerner (TEDAMOH). Ehrlich, praxisnah und manchmal unbequem. Neue Folgen alle drei Wochen, dienstags.

    Dirk Lerner ist Berater, Autor und Gründer von TEDAMOH – The Data Modeling Hub. Mehr: https://tedamoh.com

    #Data #AI #Datenmodellierung #DataVault #DataEngineering #Podcast

    Show more Show less
    46 min
  • #003 · Wenn der Benchmark lügt — mit Artus Krohn-Grimberghe
    13 Oct 2026

    Dr. Artus Krohn-Grimberghe hat einen medizinischen KI-Benchmark geprüft und festgestellt, dass er vor allem Formelwissen und Rechengenauigkeit misst. Über eigene Messlatten, KI-Projekte, die an unternehmensinternen Hürden scheitern, und die Daten, die Daten, die Daten.

    Kennengelernt haben wir uns in Paderborn, wo Artus Juniorprofessor war und ich eine Gastvorlesung zu Data Vault hielt. Heute bringt er mit der LYTiQ GmbH KI in Produktion, zuletzt LLM- und RAG-Anwendungen.

    Angefangen hat alles über Weihnachten mit einem Posting, das aus schlechten medizinischen Benchmark-Ergebnissen ableitete, KI tauge nicht für die Medizin. Das hat ihn so getriggert, dass er sich den MedCalc-Bench genauer angesehen hat. Dabei fand er über 20 Fehler in den Rechner-Implementierungen und zeigte, wie stark sich die Ergebnisse verbessern, wenn die benötigten Formeln mitgeliefert werden.

    Was daraus für Unternehmen folgt, sagt Artus ganz pragmatisch: einen eigenen Datensatz für die eigenen Probleme bauen und selbst messen, so wie wir es in der BI schon immer gemacht haben. Danach reden wir darüber, warum so viele KI-Projekte bei der Demo stehen bleiben, wie viel Datenmodell eine RAG- oder Agentenanwendung braucht, und über die Überzeugung, die ihm die Praxis ausgetrieben hat: „Für mich als Professor waren es am Anfang immer die Algorithmen … Aber in der Realität sind es halt die Daten, die Daten, die Daten."

    ── Kapitel ──
    00:00 Intro
    01:46 Paderborn: Datenmodellierung damals und heute
    04:00 Der MedCalc-Bench: Was misst der Benchmark wirklich?
    10:56 Echo auf das Audit — und ein Paper über Marsbeben
    15:25 Woran Unternehmen ihre KI messen sollten
    19:38 Warum KI-Projekte bei der Demo stehen bleiben
    22:23 Wie viel Datenmodell eine KI-Anwendung braucht
    28:36 Erst die Algorithmen, dann die Daten
    32:13 Signature Question: antifragil durch Druck
    34:35 Outro

    ── Erwähnungen & Links ──
    • Artus Krohn-Grimberghe auf LinkedIn: https://tedamoh.de/xsl8k
    • LYTiQ GmbH: https://tedamoh.de/84l23
    • Paper „MedCalc-Bench Doesn't Measure What You Think": https://tedamoh.de/zbm4m
    • Video-Version dieser Folge: https://tedamoh.de/ad003

    ★ Bewertung bei Apple Podcasts oder Spotify? Hilft mehr, als man denkt.

    ► Abonnieren & Newsletter: https://podcast.tedamoh.com
    ► TrueFans: https://truefans.fm/antifragile-data

    [antifragile data] – der Podcast über Data, AI und die Geschichten dahinter, mit Dirk Lerner (TEDAMOH). Ehrlich, praxisnah und manchmal unbequem. Neue Folgen alle drei Wochen, dienstags.

    Dirk Lerner ist Berater, Autor und Gründer von TEDAMOH – The Data Modeling Hub. Mehr: https://tedamoh.com

    #Data #AI #Datenmodellierung #DataVault #DataEngineering #Podcast

    Show more Show less
    35 min
  • #002 · Dreißig Jahre Data Warehouse, und was davon hält — mit Dani Schnider
    22 Sep 2026

    Dani Schnider baut seit 1997 Data Warehouses. Über Multi-Temporalität mit Data Vault, eine Bridge Table mit 600 Zeilen SQL und die Fehler, über die er inzwischen Vorträge hält.

    Dani hat vor einem Jahr unser Buch besprochen und dabei einen Satz geschrieben, der mir nicht mehr aus dem Kopf geht: Das Hauptproblem vieler Data-Warehouse-Projekte sei nicht die Technologie, sondern das fehlende Datenwissen. Also habe ich ihn gefragt, woher der Satz kommt. Seine Antwort: aus fast jedem Projekt.

    Dani ist Principal Consultant bei Callista in der Schweiz, Oracle ACE Director und Mitautor der „Data Warehouse Blueprints".

    Den Hauptteil nimmt die Multi-Temporalität ein — seine Blogserie vom Frühjahr, aus einem Versicherungsprojekt. Warum ein früheres Projekt daran gescheitert ist, dass Ladezeitpunkt und fachliche Gültigkeit vermischt wurden, und was zwei Jahre agile Entwicklung aus einer Bridge Table machen: 600 Zeilen SQL, die er gerade auseinandernimmt.

    Danach reden wir über Fehler. Dani hält einen Vortrag über seine größten Fehlschläge in Datenbankprojekten — ich habe ihn auf der DOAG gesehen. Sein erstes Data Warehouse, Ende der Neunziger: keine fachlichen Anforderungen, kein Fachbereich, ein generisches Datenmodell. „Am Schluss hatten wir viele Daten, aber eigentlich wenige davon, die man brauchen konnte."

    ── Kapitel ──

    00:00 Intro

    02:35 Nicht die Technologie — das fehlende Datenwissen

    05:09 Dreißig Jahre DWH: was blieb, was sich änderte

    11:09 Multi-Temporalität: wenn eine Zeitachse nicht mehr reicht

    15:14 Die Rechnung: Bridge Tables, Redesign, ständige Erweiterungen

    21:55 Welche Zeitachse für den Fachbereich — und was Templates retten

    26:49 Meine größten Fehler in Datenbankprojekten

    31:10 Ausgetriebene Überzeugungen zur Modellierung

    35:31 Signature Question: antifragil durch Druck

    39:45 Outro

    ── Erwähnungen & Links ──

    • Dani Schnider auf LinkedIn: https://www.linkedin.com/in/danischnider/

    • Blogserie Multi-Temporalität, Teil 1: https://danischnider.wordpress.com/2026/05/05/implementing-multi-temporality-with-data-vault-part-1/

    • Seine Bücher bei Hanser: „Data Warehousing mit Oracle" und „Data Warehouse Blueprints"

    • Video-Version dieser Folge: https://www.youtube.com/@antifragiledata

    ★ Bewertung bei Apple Podcasts oder Spotify? Hilft mehr, als man denkt.

    ► Abonnieren & Newsletter: https://podcast.tedamoh.com

    ► TrueFans: https://truefans.fm/antifragile-data

    [antifragile data] – der Podcast über Data, AI und die Geschichten dahinter, mit Dirk Lerner (TEDAMOH). Ehrlich, praxisnah und manchmal unbequem. Neue Folgen alle drei Wochen, dienstags.

    Dirk Lerner ist Berater, Autor und Gründer von TEDAMOH – The Data Modeling Hub. Mehr: https://tedamoh.com

    #Data #AI #Datenmodellierung #DataVault #DataEngineering #Podcast

    Show more Show less
    40 min
adbl_web_anon_alc_button_suppression_t1
No reviews yet