Ob Küche, Studio oder Screen: Es war immer dasselbe. Ein Gericht braucht dieselbe Rezeptur wie ein Song: Harmonie, Proportion, den richtigen Moment. Auditiv, visuell, geschmacklich. Ich habe alle drei gelernt. Design war immer meine Sprache.
Ich habe mit Turbo Pascal angefangen. Nicht weil mich jemand hingesetzt hat, sondern weil mein 386er ohne eigene Boot-Tools gar nicht erst lief. Ich wollte spielen, also musste ich zuerst bauen.
Das Muster war damit gesetzt. Egal wo ich gelandet bin: Küche, Studio, Boden, Screen. Ich bin reingegangen, habe verstanden wie das System funktioniert, und angefangen die Stellen zu reparieren, an denen es unter Druck bricht. Nicht als Beobachter von außen. Immer mittendrin.
Ich habe in vielen Kulturen gelebt, nicht daneben. Nicht als Tourist, nicht als Gast. Ich gehörte dazu. Das trainiert etwas, das kein Studium ersetzt: ein Radar für Spannungen. Wo redet jemand an jemandem vorbei. Wo ist das beschriebene Problem nicht das eigentliche. Wo fehlt die Perspektive, die noch keiner eingenommen hat.
Die Küche hat mich gelehrt was kein Studium lehrt: Qualität entsteht unter Druck, nicht trotzdem. Seit 1999 produziere ich Musik. Ein Mix ist ein Feedback-System: zu viel von einem Element, und das Ganze kollabiert. Der Boden kam durch Farm-to-Table und eigene Züchtungen. Fermentation lässt sich nicht beschleunigen. Man kann nur die Bedingungen schaffen. Und warten.
Das alles war kein Umweg. Es war immer dasselbe: in Systeme reingehen, das Problem hinter dem Problem finden, zwischen Perspektiven übersetzen. Ich muss eine Perspektive nicht teilen, um sie vollständig zu begreifen. Das macht mich zu einem natürlichen Mediator in Teams, die an Kommunikation scheitern, nicht an Kompetenz.
Jetzt übersetze ich das in digitale Produkte.
Gearbeitet für & mit
Identität ist kein Zustand, sie ist ein Verlauf.
Kein Showcase für den CV. Projekte, die zeigen wie ich denke.
Ein RTD-Getränk von der Hypothese bis zur Listung, komplett in Eigenregie. Die Ausgangsfrage war nicht "wie sieht es aus", sondern wer kauft es, warum, und in welchem Moment.
Persona-Arbeit, Rezepturentwicklung, Branding, Sounddesign für POS: alles als ein zusammenhängendes System.
Ergebnis: REWE-Listung im Energy-Segment.
Im Regal. Auf dem Screen. Für real.
UX, Webshop, Lager, Produktion: alles ein System. Das kostet Geld, Zeit und Kundenerfahrung.
Ich habe den gesamten Stack von der Markenlogik bis zur Lagerverwaltung als eine zusammenhängende User Journey konzipiert.
Ergebnis: Klar strukturierte Prozesse zwischen Webshop, Lager und Produktion.
Logodesign, Markenführung, Website. Die zentrale Entscheidung: Reduktion als Aussage, nicht als Mangel.
Jedes Element wurde daraufhin geprüft ob es das Markengefühl stärkt oder verwässert. Was nicht bestanden hat, wurde gestrichen.
Ergebnis: Reduziertes Brand-System mit klarer Markenidentität.
Marketing-Assets für professionelle Audiotechnologie. Technische Tiefe zugänglich machen ohne sie zu vereinfachen.
Mein Vorteil war der Hintergrund im Sounddesign. Ich musste das Produkt nicht erst verstehen. Ich kannte es.
Ergebnis: Technische Inhalte verständlich und markenkonform strukturiert.
Vom Problem bis zum Ergebnis. Was ich entschieden habe, warum, und was ich daraus gelernt habe.
Phenotype Hunting Tracker. Mobile-First Web App für datengetriebene Phänotyp-Selektion in der Pflanzenzucht. Von der ersten Idee zum skalierbaren Produktsystem.
Hunts · Tracks · Perfects.
Phenotype Discovery System. Von der ersten Skizze zum datengetriebenen Selektionswerkzeug. Diese Case Study dokumentiert die komplette Produktevolution eines Systems, das ich als Solo-Designer, Product Owner und Developer von Grund auf gebaut habe.
Was HNTZ ist, welches Problem es löst und für wen es gebaut wird.
Professionelle Züchter haben ein Datenproblem, kein Tagebuch-Problem. Beim Phenotype Hunting werden 5 bis 20 genetisch verschiedene Pflanzen derselben Sorte parallel aufgezogen. Das Ziel: den einen überlegenen Phänotyp identifizieren, den sogenannten Keeper. Die Entscheidung basiert auf dutzenden Metriken über 7 Wachstumsphasen.
Die bestehenden Lösungen versagen an genau diesem Punkt. Journal-Apps sind Lifestyle-Tagebücher: ein Foto, ein Kommentar, fertig. Sie behandeln Pflanzen als Content, nicht als genetische Entitäten mit messbaren Attributen. Die Alternative ist Excel. Manche Züchter bauen sich eigene Spreadsheets. Das funktioniert, aber es skaliert nicht und die Dateneingabe am Smartphone zwischen Pflanzen ist eine Katastrophe.
HNTZ löst das durch ein System, das jede Pflanze als diskretes Datenobjekt über alle Phasen trackt und am Ende algorithmisch vergleichen kann, welche Phänotypen sich ähneln.
Warum kein existierendes Tool das Problem löst.
| Kriterium | HNTZ | Journal-Apps | Excel / Sheets |
|---|---|---|---|
| Per-Plant Tracking | Einzelpflanze als Entity | Zyklus-Level, keine Isolation | Manuell, fehleranfällig |
| Phasen-Metriken | 7 Phasen, je eigene Skalen | Keine phasenspezifischen Felder | Möglich, enormer Setup |
| Pheno-Vergleich | Algorithmisch (Bayesian Weighting) | Nicht vorhanden | Manuell visuell |
| Mobile Dateneingabe | Bottom-Sheet Sliders, One-Thumb | Akzeptabel | Unbrauchbar am Handy |
| Stammbaum / Lineage | Visuelles Lineage-Mapping | Textfeld | Manuell |
| AI Integration | Voice, Photo, Import AI | Keine | Keine |
| Zielgruppe | Phänotyp-Tester, Pro-Züchter | Hobby-Anwender, Social | Data-affine Züchter |
HNTZ konkurriert nicht mit Journal-Apps. HNTZ konkurriert mit dem selbstgebauten Spreadsheet erfahrener Züchter, das zwar mächtig ist, aber kein Interface hat. Die echte Konkurrenz sind Happy Valley PhenoHunter (iOS, 2K Downloads), Grow with Jane (500K, aber kein Per-Plant Tracking) und PLNTRK (QR/NFC-basiert, aber kein Similarity-Scoring).
Der Ausgangspunkt. Die Annahmen, die Designentscheidungen und die Interface-Konzepte der Version 1.
Die erste Version lief unter dem Namen Phenohunter auf phenohunta.netlify.app. Das Design basierte auf einer Cream/Apricot-Palette, die bewusst gegen den branchentypischen Dark-Look entwickelt wurde.
Die UX-Annahmen der ersten Version:
1. Ein Grow ist die zentrale Entity. Alles hängt am Grow.
2. Eine warme Cream-Palette funktioniert unter Pflanzenlampen besser als Dark UI.
3. Eine 3-Tab-Navigation (Home, Strains, Phenos) reicht für den Kern-Flow.
4. Slider-basierte Metriken (0–10) eliminieren das Tastatur-Problem.
5. Die Phasen-Timeline steuert, welche Metriken sichtbar sind.
HOME v1 Dashboard mit 4 KPI-Tiles, CTA und Grow-Cards. Cream-Palette mit Apricot-Akzenten. Emoji-basierte Phase-Badges.
GROW v1 Grow-Detail: Phasen-Timeline steuert den Kontext. Plant-Grid mit manueller Gruppierung. Status-Indikatoren (Gesund, Issues, Gruppiert, Elim.).
CONTEXT v1 Blüte-Phase expandiert: 10 phasenspezifische Metriken (Blütestart, Blütenstruktur, Harzproduktion, Trichom-Köpfe, Aroma, Aroma-Typ, Farbe, Kelch/Blatt-Ratio, Blüte-Vigor). Kontextuelle Reduktion als Kern-UX-Pattern.
INPUT v1 Plant-Detail als Bottom-Sheet: Curing-Observation mit Slider-Metriken (Trockengewicht, Cure-Aroma, Geschmack, Wirkung-Typ, Wirkung-Stärke). One-Thumb-Eingabe.
LINEAGE v1 Stammbaum-View: Visuelles Lineage-Mapping mit Züchter-Attribution (Cookie Fam, Sherbinski, Seed Junky). Genetische Herkunft auf einen Blick.
Ein System-Audit nach den ersten Beta-Tests deckte fundamentale Architektur- und UX-Probleme auf.
Die zentrale Erkenntnis aus dem Audit: Das System war Grow-zentrisch, obwohl es Pheno-zentrisch sein muss. Ein Phänotyp ist kein Ergebnis eines Grows. Er ist eine genetische Eigenschaft, die über beliebig viele Grows hinweg validiert wird. Die Architektur musste diese Realität abbilden.
Rebrand, Design-System-Wechsel und Architektur-Fix. Drei parallele Transformationen.
Transformation 1: Von Phenohunter zu HNTZ. Der Name musste geändert werden — Happy Valley PhenoHunter hält die Marke. HNTZ (ausgesprochen: Hunts) ist kürzer, markenfähig und transportiert die Kernfunktion: das Jagen nach dem perfekten Phänotyp.
BRAND Logo-Exploration: Geometrische Konstruktion mit Golden Ratio. Diamond-Mark referenziert die botanische Blattstruktur. Primary Color #DAB420 als Branding-Akzent.
Transformation 2: Von Cream zu Dark Forest.
HOME v2 Neues Dashboard: Grow/Import CTAs, KPI-Tiles, Grow-Dropdown, Top Phenos mit Keeper/Watch-Verdikt und Confidence Score. Dark Forest Palette.
SETTINGS v2 Neuer Settings-Screen: Account-Info, Beta-Status mit Limits (3 Grows, 5 Fotos/Pflanze, 5 MB), Feedback-Kanal, Version & Roadmap, Community-Chat (Coming Soon).
Transformation 3: Von Grow-zentrisch zu Pheno-zentrisch.
Das aktuelle System und wie die Subsysteme zusammenspielen.
RADAR Pheno-Visualisierung: 6-Achsen-Radar (Vigor, Verzweigung, Harz, Dichte, Aroma, Optik). Jeder bestätigte Phänotyp bekommt ein einzigartiges Profil. Visuelle Sofort-Differenzierung statt tabellarischer Vergleich.
Warum Radar-Charts: Ein Phänotyp ist ein multidimensionales Objekt. Tabellen zeigen Einzelwerte. Radar-Charts zeigen das Profil — die Form. Zwei Phänotypen mit identischem Durchschnitt können völlig unterschiedliche Profile haben. Das Radar macht diesen Unterschied sofort sichtbar.
Wie die Datenstruktur die Interface-Logik bestimmt.
Die IA folgt der biologischen Realität: User → Grows → Plants → Observations → Pheno Groups. Jede Entität hat eine klare Eltern-Kind-Beziehung. Metriken sind als JSONB gespeichert, weil sich die Attribute je Phase ändern.
Die 7-Phasen-Timeline (Keimung → Sämling → Vegetativ → Stretch → Blüte → Ernte → Curing) steuert, welche Eingabefelder der User sieht. In der Blütephase trackt man Harzproduktion und Trichom-Köpfe. Beim Curing trackt man Aroma-Entwicklung und Geschmack. Irrelevante Felder werden ausgeblendet.
Cognitive Load Strategie — 3 Ebenen:
Ebene 1: Phasen-Gating. Metriken erscheinen nur in ihrer Phase. Trichom-Köpfe sind irrelevant in der Keimung. Das Interface zeigt sie nicht.
Ebene 2: Bottom-Sheet Pattern. Statt einer langen Scroll-Seite öffnet sich ein Modal-Sheet mit allen Metriken für eine Pflanze. Die Aufmerksamkeit bleibt fokussiert auf ein Objekt.
Ebene 3: Slider statt Textfeld. Terpen-Profile und Bewertungen sind 0–10 Skalen. Slider ermöglichen schnelle, konsistente Eingaben ohne Tastatur. Anwender stehen mit erdigen Händen zwischen Pflanzen, nicht am Schreibtisch.
Theoretisch 1.400 Datenpunkte pro Grow (20 Pflanzen × 10 Metriken × 7 Phasen). Phasen-Gating reduziert die sichtbare Komplexität um 85%. Der User sieht nie mehr als 10 Metriken gleichzeitig.
Feature-Priorisierung folgte einer klaren Logik: Pheno-Data-Integrity vor allem anderen. Ohne verlässliche Daten ist kein Vergleich möglich. Ohne Vergleich kein Phenotype Hunting.
Vier Systeme, die HNTZ vom Tracking-Tool zum Phenotype Discovery System transformiert haben.
Das Herzstück des Systems. Eine mehrstufige Phenotype Discovery Pipeline mit Bayesian Weighting: 70% Terpene (genetisch am stabilsten), 20% Morphologie (Internodien, Stretch), 10% Timing (Blütebeginn, Trichom-Reife).
Fuzzy Logic: Werte 6 und 7 auf der 1–10-Skala gelten als identisch, wenn das Terpen-Profil matcht. Abweichung > 3 = andere Gruppe. Das verhindert Daten-Fragmentierung durch natürliche Messungenauigkeit.
Phase Migration: Die Engine re-evaluiert Similarity in jeder Phase. Eine Pflanze kann die Gruppe wechseln, wenn die Abweichung über 2 Phasen > 30% beträgt. Das System dokumentiert: "Plant #66 moved from Pheno #2 to #5 (Reason: Terpen Development Phase 6)".
Limit: Maximal 50 Phenos pro Strain. 1.000 Pflanzen resultieren typischerweise in 4–6 bestätigten Phänotypen. Der Atlas bleibt Qualitätssignal, kein Rauschen.
Spracheingabe als primärer Datenkanal. Der Grower spricht eine Beobachtung. Die KI parst den Freitext und befüllt automatisch die Slider-Felder mit strukturierten Metrik-Werten.
Das eliminiert den Bruch zwischen Beobachten und Dokumentieren. Grower erfassen Daten, während sie sich durch die Reihen bewegen — nicht danach am Schreibtisch.
Historische Daten sind ein Asset. Viele Züchter haben jahrelang Daten in Excel-Sheets, CSVs, PDFs oder Textnotizen gesammelt. Das System erlaubt den Upload dieser Dokumente.
Die KI rekonstruiert aus unstrukturierten Dokumenten die Grow-Hierarchie. Enthält ein Dokument keine verwertbaren Phänotyp-Daten, wird der Import abgelehnt. Datenbank-Integrität vor Vollständigkeit.
Visuelle Merkmale werden maschinenlesbar. Das System analysiert Pflanzenfotos und extrahiert strukturierte Trait-Daten: Bud-Dichte, Farbausprägung, Internodien-Abstand, Blattmorphologie. Diese Werte fließen direkt in die Similarity Engine ein.
Wichtige Einschränkung: Nur visuell erkennbare Merkmale werden extrahiert. Keine Terpen-Profile, keine Wirkung. Das System ist ehrlich über seine Grenzen.
HNTZ transformiert Grow-Beobachtungen in Phänotyp-Entdeckungen. Vier Eingabekanäle (manuell, Voice, Photo, Import) füttern den Observation Hub. Die Pheno Engine clustert, validiert und produziert bestätigte Phänotypen.
Warum das System so aufgebaut ist und wie es langfristig skaliert.
Zero-Build-Step Architecture. React 18 via CDN, Babel-Transpilation im Browser. Kein Webpack, kein Vite, kein package.json. Bewusste Entscheidung: Als Solo-Developer war Iteration Speed wichtiger als Engineering Best Practice. Eine HTML-Datei editieren und deployen in Sekunden. Das Risiko: keine Tree-Shaking, kein Code-Splitting. Akzeptabel für die Beta-Phase.
Closed Beta Strategie. 6 Tester (darunter ein prominenter Züchter der Szene), 3 Grows Limit, 5 Fotos pro Pflanze. Das Beta-Limit ist kein technisches, sondern ein strategisches Constraint. Es zwingt zur Priorisierung: Welche Grows sind wirklich Pheno-Hunts, welche sind nur Hobby-Grows? Das filtert die Zielgruppe automatisch.
Community Layer (geplant). Die Pheno-Datenbank wird das eigentliche Asset. Wenn Züchter ihre bestätigten Phänotypen teilen können, entsteht ein globaler Pheno-Atlas. Die architektonische Voraussetzung (pheno_groups als eigenständige, nicht-cascade Entity) ist bereits geschaffen.
HNTZ ist kein Grow Diary. Es ist ein Phenotype Discovery System. Das Interface existiert, um strukturierte Daten zu erfassen, die algorithmisch verglichen werden können. Jeder Screen, jeder Slider, jeder Eingabekanal dient einem Zweck: die Entscheidung, welche Pflanze ein Keeper ist, von Bauchgefühl auf Daten zu verlagern.
Natural Energy mit Guayusa. RTD-Getränk, entwickelt und bis zur REWE-Listung verantwortet.
Guayusa ist eine Stechpalmenart aus dem ecuadorianischen Regenwald, botanisch verwandt mit Mate. Wirkstoffprofil: Koffein, L-Theanin, Theobromin. In Deutschland 2022 praktisch unbekannt, im Massenmarkt nicht präsent.
Der Energy-Drink-Markt war gesättigt und negativ konnotiert: synthetische Inhaltsstoffe, künstliche Süße, Taurin. Eine identifizierte Lücke: Konsumenten mit klarem Energie-Bedarf, die klassische Energy Drinks aktiv ablehnten, aber keine funktionale Alternative im Kühlregal fanden.
Nicht: Wie bauen wir ein Tee-Getränk. Sondern: Welcher Konsument hat ein Energie-Bedürfnis, das kein bestehendes Produkt sauber adressiert?
Zielgruppe: 25–40 Jahre, aktiver Lebensstil, informierter Konsum. Trinkt keinen Monster oder Red Bull mehr. Kauft Oatly, aber will nachmittags auch funktionieren.
Zutaten: Guayusa-Tee, Kalamansi, Zitronengras, Apfelsaft, Agavendicksaft. Kein Taurin, keine Farbstoffe, keine künstlichen Aromen.
Welche Konsumenten lehnen Energy Drinks aktiv ab und was trinken sie stattdessen in Situationen wo sie Energie brauchen?
Wie viel Erklärungsarbeit braucht eine unbekannte Botanik damit sie kaufauslösend und nicht kaufhemmend wirkt?
Was kommuniziert auf dem Energy-Shelf Natürlichkeit ohne dabei Wirkungslosigkeit zu signalisieren?
Wie verhält sich die Preisbereitschaft im Vergleich zu synthetischen Energy Drinks vs. Premium-RTD-Tees?
Energie-Claim primär, Natürlichkeit als Begründung sekundär. Reihenfolge der Botschaft entscheidend.
Komplexität behalten, aber Kalamansi auf dem Label erklären. Packaging als Erklärungs-Interface genutzt.
Energy-Shelf. Wer Energie sucht, kann überzeugt werden, wenn das Produkt Vertrauen erzeugt bevor er es kennt.
Eine SKU. Listungsgespräche mit REWE funktionieren mit einer klaren Einheit.
Rezeptur, Durchlauf 1: Zu herb, zu nah an klassischem Tee. Rückmeldung: "Schmeckt gesund aber nicht nach Energie." Konsequenz: Referenzpunkt neu definiert. Nicht Tee-Trinker, sondern Iced-Coffee-Trinker als primäre Testgruppe.
Packaging, Version 1: Klares, minimales Design. Testfeedback: "Sieht aus wie Drogerie-Produkt." Energie-Signalsprache, Farbsystem und Claim-Hierarchie komplett überarbeitet.
Positionierungs-Pivot: Ursprüngliche Idee war Tee-Shelf. Nach Shelf-Mapping entschieden: Energy-Shelf mit Natürlichkeit als Differenzierer.
GTM-Anpassung: POS-Sounddesign im Retailer-Briefing nicht umsetzbar. Ressourcen auf Packaging-Finalisierung und digitale Vor-Kaufstrecke umgeschichtet.
Listung bei REWE im Energy-Segment. Erstkäufer mit Iced-Coffee-Hintergrund konvertierten stärker als Tee-affine Käufer. Bestätigung von H2.
Was nicht funktioniert hat: Guayusa als Zutat war zu unbekannt für spontane Impulskäufe ohne Vorwissen. Die digitale Bekanntheitsstrecke war unterinvestiert.
Positionierungs-Entscheidungen müssen vor der Rezeptur stehen. Erst den Kaufkontext definieren, dann das Produkt daran ausrichten.
Packaging ist kein Designproblem. Es ist ein Informationsarchitektur-Problem auf 25 Quadratzentimetern.
Eine unbekannte Zutat ist kein Nachteil wenn man sie als Qualitätssignal rahmt. Aber das Framing braucht Fläche und Konsequenz.
Erst Bleistift. Dann Tabletts. Jetzt Prompts. Das Ergebnis war immer das Gleiche: zu viele Ideen.
Ich betrachte keinen Würfel von einer Seite.
Ich analysiere das gesamte System: User, Stakeholder, Umfeld, Nutzungskontext, Nebenwirkungen.
Personas sind für mich keine isolierten Profile. Sie sind Teil eines lebenden Ökosystems.
Design ist Verantwortung.
KI nutzen kann jeder.
Wissen was man baut, nicht.
Kein Anschreiben nötig. Eine klare Idee reicht.
Offen für UX- und Product-Rollen sowie projektbasierte Zusammenarbeit.