Am Anfang stand eine Frage: Wie funktionieren Systeme?
Mich hat schon immer interessiert, wie Dinge zusammenhängen. Nicht die Technik an sich – sondern die Logik dahinter. Warum funktioniert etwas? Warum scheitert es? Welche Stellschrauben machen den Unterschied?
Dass ich dabei früh mit Technologie in Berührung gekommen bin, war kein Selbstzweck. Es war das naheliegendste Werkzeug, um Systeme zu verstehen, Zusammenhänge sichtbar zu machen und Probleme zu lösen. Technologie war nie die Antwort – sie war der Weg, um überhaupt an die richtigen Fragen zu kommen.
Und genau das hat sich durch meinen gesamten Werdegang gezogen: Das Werkzeug hat sich verändert. Der Antrieb nicht.
Cyber Security an der Uni Bonn: Denken in Risiken statt in Features
2018 habe ich angefangen, Cyber Security an der Uni Bonn zu studieren. Jahre, die mein Denken grundlegend verändert haben – aber nicht so, wie man vielleicht denkt.
Natürlich habe ich gelernt, wie Angriffe funktionieren, wie man Systeme absichert, wie Kryptographie aufgebaut ist. Aber das Eigentliche, was Cyber Security lehrt, ist kein Handwerk. Es ist eine Denkweise: Was kann schiefgehen? Wie wahrscheinlich ist es? Und was kostet es, wenn es passiert?
Stochastik, Logik, systemisches Denken – das klingt trocken, aber rückblickend war es meine erste echte Begegnung mit der Sprache der Daten. Security ist im Kern nichts anderes als: Wahrscheinlichkeiten bewerten, Muster erkennen, Entscheidungen unter Unsicherheit treffen. Threat Modelling ist Risikoanalyse. Incident Response ist Entscheidungsfindung unter Druck. Penetration Testing ist Hypothesenprüfung.
Das war Data Science, bevor ich wusste, dass es so heißt.
Nessy: Was passiert, wenn man plötzlich ein Unternehmen führt
Vom Gründer zum Geschäftsführer – ein Unterschied, den man erst lernt
2021, mitten im Studium, habe ich Nessy gegründet. Eine Schwimmschule, die mehr war als das – nämlich eine digitale Plattform, die den gesamten Prozess von Buchung bis Kursverwaltung neu gedacht hat. Nicht weil ich ein Produkt bauen wollte, sondern weil ich ein Problem gesehen habe: einen Markt, der nicht funktioniert hat, und eine Lösung, die auf der Hand lag.
Dann ist das Ding gewachsen. Über 30 Schwimmlehrende. Ein dreiköpfiges IT-Team. Echte Verträge, echte Verantwortung, echte Gehaltsabrechnungen. Und plötzlich waren die Fragen, die auf meinem Schreibtisch landeten, andere.
Nicht mehr: Wie setzen wir das um?
Sondern: Lohnt sich das überhaupt?
Die Fragen, die kein Tool beantwortet
Welche Kurse laufen gut – und warum? Welche Standorte sind profitabel, welche verbrennen Geld? Wo verlieren wir Teilnehmer, und an welchem Punkt in der Customer Journey passiert das? Wie planen wir Personalkapazität für den nächsten Monat, wenn wir nicht wissen, wie die Nachfrage aussieht?
Das waren keine technischen Probleme. Es waren Geschäftsfragen. Und die Antworten steckten in den Daten, die unsere eigenen Systeme jeden Tag produzierten. Daten, die da lagen und darauf warteten, dass jemand die richtigen Fragen stellt.
Die ehrliche Erkenntnis
Systeme aufzubauen, die Daten sammeln, ist das eine. Die richtigen Schlüsse daraus zu ziehen – das ist etwas völlig anderes. Eine Fähigkeit, von der ich immer wusste, dass sie entscheidend ist. Deshalb habe ich Systeme von Anfang an so gebaut, dass sie skalieren und die richtigen Daten liefern. Der Fokus verschiebt sich jetzt dorthin, wo der eigentliche Wert liegt: Auswertung und Entscheidungsfindung.
Bauchgefühl funktioniert, wenn man mit fünf Leuten arbeitet. Man kennt jeden, man sieht alles, man spürt, wenn etwas kippt. Bei über 30 Mitarbeitenden funktioniert das nicht mehr. Da braucht man Zahlen. Nicht als Ersatz für Intuition, sondern als ihr Fundament.
Das war der Moment, in dem mir klar wurde: Verstehen, was die Zahlen sagen, ist wertvoller als die Systeme, die sie sammeln.
DGTL Solutions: Muster erkennen über Branchengrenzen hinweg
Im September 2025 habe ich DGTL Solutions gegründet. Andere Branche, andere Kunden – Marketing, Immobilien, Private Funds. Aber je tiefer ich in diese Welten eingetaucht bin, desto deutlicher wurde ein Muster, das ich schon bei Nessy gespürt hatte.
Überall das gleiche Bild: Entscheider im Blindflug.
Im Marketing werden Budgets nach Gefühl verteilt. Kampagne A „fühlt sich gut an", Kampagne B „hat letztes Mal funktioniert". Ob das stimmt? Niemand weiß es genau, weil niemand die Zahlen systematisch auswertet.
In der Immobilienbranche werden Standortentscheidungen auf Basis von Hörensagen getroffen. „Die Gegend entwickelt sich gut" – sagt wer? Auf welcher Grundlage? Mit welchen Daten?
Bei Private Funds habe ich Risikobewertungen gesehen, die diesen Namen nicht verdienen. Bauchgefühl, verpackt in eine hübsche Tabelle.
Unterschiedliche Branchen, unterschiedliche Menschen, unterschiedliche Herausforderungen. Aber immer dasselbe fehlende Glied: nicht die Technologie. Nicht das Budget. Nicht die Leute. Sondern das Verständnis dafür, was die eigenen Daten einem eigentlich sagen wollen.
Data Science ist kein Karrierewechsel – es ist die logische Konsequenz
Der rote Faden, den ich erst spät gesehen habe
Wenn ich heute zurückblicke, sehe ich einen roten Faden, der sich durch alles zieht – nur dass ich ihn lange nicht als solchen erkannt habe.
Stochastik im Studium. Risikodenken in der Security. Geschäftsentscheidungen unter Unsicherheit bei Nessy. Branchenübergreifende Muster bei DGTL. Jede Station hat dieselbe Fähigkeit geschärft: Muster erkennen, Risiken bewerten, Komplexität auf das Wesentliche reduzieren.
Es war nie ein Bruch. Es war eine Entwicklung. Jeder Schritt hat sich aus dem vorherigen ergeben – ich habe es nur nicht sofort gesehen, weil ich zu beschäftigt war, den nächsten zu machen.
Warum Berater und nicht Data Scientist
Ein Data Scientist baut Modelle. Ein Berater stellt die richtige Frage, bevor überhaupt gebaut wird.
Der Unterschied klingt subtil, ist aber fundamental. Die Welt hat keinen Mangel an Leuten, die Modelle trainieren können. Was fehlt, sind Menschen, die zwischen Geschäftsführung und Datenwelt übersetzen können. Die verstehen, was ein Geschäftsführer meint, wenn er sagt „Wir verlieren Kunden" – und die wissen, welche Datenfrage sich dahinter verbirgt und ob die Antwort den Aufwand rechtfertigt.
Geschäftsproblem → Datenfrage → Handlungsklarheit. Das ist die Übersetzungsleistung, die ich meine.
Wer selbst Unternehmen geführt hat, weiß: Die teuersten Fehler entstehen nicht durch schlechte Umsetzung. Sie entstehen durch falsche Annahmen, die niemand hinterfragt hat, weil niemand die Daten gelesen hat – oder weil die falschen Daten gelesen wurden.
Was sich in der Unternehmensführung gerade verändert
Das KI-Zeitalter zwingt zur Positionierung
Generative KI hat die Einstiegshürde für Datenanalyse massiv gesenkt. Tools, die vor drei Jahren ein ganzes Team erfordert hätten, kann heute ein Praktikant bedienen. Klingt nach Fortschritt – und ist es auch.
Aber Zugänglichkeit ist nicht gleich Verständnis.
Jeder kann heute ein Dashboard zusammenklicken. ChatGPT kann dir in dreißig Sekunden eine Analyse deiner Verkaufszahlen liefern. Die Frage ist nur: Ist es die richtige Analyse? Stellt sie die richtige Frage? Und – vielleicht am wichtigsten – erkennt derjenige, der sie liest, ob die Antwort Sinn ergibt?
Unternehmen, die jetzt nicht lernen, datengetrieben zu denken – nicht nur datengetrieben zu arbeiten – werden in fünf Jahren Probleme haben, die kein Tool der Welt löst.
Daten sind Chefsache – keine Aufgabe für die IT
Data Science in die IT-Abteilung zu schieben, ist wie Finanzen an den Hausmeister zu delegieren. Technisch könnte er die Buchhaltungssoftware bedienen. Aber das ist nicht der Punkt.
Daten sind strategisch. Sie gehören in die Geschäftsführung. Nicht die technische Umsetzung – aber die Fragen, die gestellt werden, und die Entscheidungen, die daraus folgen.
Das heißt nicht, dass jeder Geschäftsführer Python lernen muss. Es heißt, dass Geschäftsführer verstehen müssen, welche Fragen ihre Daten beantworten können – und welche nicht. Dass sie wissen müssen, wann ein einfacher Bericht reicht und wann es eine tiefere Analyse braucht. Und dass sie in der Lage sein müssen, die Ergebnisse kritisch einzuordnen, statt sie blind zu übernehmen.
Woran datengetriebene Initiativen wirklich scheitern
Nicht an der Technik. Nicht am Budget. Nicht an fehlenden Tools.
Sie scheitern an fehlender Rückendeckung von oben. An unklaren Fragestellungen, die niemand schärft, bevor das Projekt startet. An Datensilos, die existieren, weil Abteilungen nicht miteinander reden. Und manchmal – ehrlicher als viele es zugeben wollen – an der Angst vor Transparenz. Denn wer Daten ernst nimmt, muss auch akzeptieren, dass sie unbequeme Wahrheiten liefern.
Datenkultur ist kein IT-Projekt. Es ist eine Führungsaufgabe.
Fazit: Das Werkzeug ändert sich. Der Antrieb nicht.
Mich hat immer dasselbe angetrieben: verstehen, wie Dinge funktionieren, und daraus bessere Entscheidungen ableiten. Früher war Technologie das Werkzeug dafür. Heute sind es Daten.
Das ist kein Richtungswechsel. Es ist eine Schärfung.
Jede Station auf diesem Weg – das Studium, Nessy, DGTL – hat mir etwas beigebracht, das in einem Lehrbuch nicht steht: dass die wichtigsten Antworten selten in der Technik liegen, sondern in den Zahlen, die sie produziert. Und dass die entscheidende Fähigkeit nicht ist, diese Zahlen zu erzeugen – sondern sie zu lesen, einzuordnen und in Richtung zu übersetzen.
Data Science im Kontext von Unternehmensführung ist keine Disziplin, die man in einem Kurs lernt. Es ist eine Denkweise, die man sich erarbeitet. Durch Erfahrung, durch Fehler, durch die Momente, in denen man merkt, dass die Antwort die ganze Zeit in den Daten lag – man hat nur nicht hingeschaut.
Und es ist die Denkweise, die im KI-Zeitalter den Unterschied macht. Nicht zwischen denen, die Technik verstehen, und denen, die es nicht tun. Sondern zwischen denen, die die richtigen Fragen stellen, und denen, die das nicht tun.