Skip to content
Sign in
Artwork for [antifragile data]
TechnologyBusiness

[antifragile data]

Dirk Lerner

[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
Play
Open in
  • 3 episodes
  • Avg 22 min
  • German

Episodes 3

NewestOldestLongest
All3Unplayed3In progress0Played0
  • #2
    Tuesday · 40 min

    #002 · Dreißig Jahre Data Warehouse, und was davon hält — mit Dani Schnider

    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

    • Transcript
  • #1
    September 1 · 25 min

    #001 · Secret Spice: Ohne Fachdatenmodell keine reproduzierbare AI

    Alle reden über AI. Aber die Initiativen, die wirklich liefern, haben eines gemeinsam – ein fachliches Datenmodell. Meine Position in gut 25 Minuten. Neulich in einem Vortrag: Ein Team stellt seine AI-Initiative vor. Der Satz, der hängen bleibt, handelt nicht von Modellen oder Plattformen, sondern von einer Entscheidung, die Jahre zurückliegt – beim letzten Umbau des Data Warehouse ein fachliches Datenmodell gebaut zu haben. Damals hat das niemand gefeiert. Heute ist es der Grund, warum ihre AI reproduzierbare Ergebnisse liefert. In der ersten Folge geht es um genau diese Lücke: Informationsmodelle werden gebraucht – dringender als je zuvor – aber in vielen Projekten ist das noch nicht angekommen. Ich kläre, was ein fachliches Datenmodell eigentlich ist und was es nicht ist, warum AI Semantik härter einfordert als jedes BI-Projekt davor, und woran es liegt, dass Modellierung trotzdem als Relikt gilt. Am Ende drei konkrete Schritte für alle, die nicht bei null anfangen wollen – und eine Geschichte aus meinen frühen Projekttagen, die ich lieber nicht erlebt hätte: vier Milliarden Datensätze, eine Geschäftsregel, die nur zu achtzig Prozent stimmte, und keine Originaldaten mehr, um sie zu korrigieren. Außerdem: was dich hier erwartet – kompakte Deep Dives (Secret Spice), Quartals-Backstage mit Kim de Vries und Gespräche mit Gästen aus der Data- und AI-Welt. Alle drei Wochen, dienstags. ── Kapitel ── 00:00 Intro 00:15 Der Satz aus dem Vortrag 01:15 Wer hier spricht, und was dieser Podcast ist 04:28 Was ein Informationsmodell ist – und was nicht 06:09 Missverständnisse über Informationsmodelle 09:04 Warum AI Semantik härter einfordert als BI 14:04 Warum es in Projekten trotzdem nicht ankommt 17:53 Drei Schritte, wenn man nicht bei null anfangen will 21:29 Die Signature Question – und meine eigene Antwort 25:09 Outro ── Erwähnungen & Links ── • Secret-Spice-Serie: https://tedamoh.com/de/academy/secret-spice • Video-Version dieser Folge: https://youtu.be/wV6EzYzC_JQ ★ Bewerten hilft: Eine Bewertung bei Apple Podcasts oder Spotify sorgt dafür, dass andere Datenmenschen den Podcast finden. ► Alle Folgen, Newsletter & Plattformen: https://podcast.tedamoh.com ► Unterstützen: 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. Dirk Lerner ist Berater, Autor und Gründer von TEDAMOH – The Data Modeling Hub: https://tedamoh.com #Data #AI #Datenmodellierung #DataVault #DataEngineering #Podcast

    • Transcript
  • August 17 · 1 min

    #000 · Trailer: antifragile data startet im September

    antifragile data – der Podcast über Data, AI und die Geschichten dahinter. Start: September 2026. Was passiert, wenn Daten auf echte Geschichten treffen? Nicht die Hochglanz-Version aus dem Vendor-Pitch, sondern das, was wirklich in Projekten passiert – mit allen Brüchen, Umwegen und Learnings. Mein Name ist Dirk Lerner. Seit über 25 Jahren bin ich in der Datenwelt unterwegs – als Berater, Autor und Gründer von TEDAMOH. Im Podcast spreche ich über Datenmodellierung, Data Vault, temporale Daten, Data Architecture und AI – und über die Menschen und Geschichten dahinter. In drei Formaten: Secret Spice – kompakte Deep Dives zu Themen, die mich gerade umtreiben. Backstage – einmal im Quartal mit Kim de Vries: offen darüber, was die Community bewegt. Gäste & Geschichten – Gespräche mit Praktikern, Entscheidern und Vordenkern. Deutsch und manchmal Englisch. Los geht's im September 2026 – alle drei Wochen eine neue Folge. Auf Spotify, Apple Podcasts, Amazon Music, YouTube und überall, wo es Podcasts gibt. Wenn du nichts verpassen willst: Abonniere den Podcast und trag dich in den Newsletter auf podcast.tedamoh.com ein. Dann bist du dabei, sobald die erste Folge live geht. antifragile data – ab September.

    • Transcript
Showing 1–3 of 3 episodes