Data Culture als Wettbewerbsfaktor Ohne Datenstrategie bleibt KI wirkungslos

Anbieter zum Thema

Five1 GmbH & Co. KG

BTC AG

Fsas Technologies GmbH

INFOMOTION GmbH

QUNIS GmbH

KI-Projekte bieten vielfältige Möglichkeiten, Prozesse, Produkte und Services neu zu gestalten. Damit daraus echter Mehrwert entsteht, braucht es hochwertige Daten. Eine durchdachte Datenstrategie und eine positive Datenkultur bilden dafür das Fundament.

Viele Unternehmen erzeugen Daten und Informationen über Prozesse, Kunden und Produkte in verschiedenen Abteilungen und speichern sie in unterschiedlichsten Anwendungen. Häufig fehlt jedoch der Überblick über verfügbare Daten und ihr Potenzial für andere Bereiche. Datenprozesse und Rollen sind selten definiert oder abgestimmt, Verantwortlichkeiten oft unklar. Nicht selten werden Informationen in verschiedenen Systemen doppelt gehalten, was zu Inkonsistenzen führt und das Prinzip der „Single Source of Truth“ untergräbt. Um eine verlässliche Basis für KI-Berechnungen zu schaffen, müssen Datenqualität und -verfügbarkeit konsequent verbessert werden.

Gleichzeitig stoßen klassische Architekturmodelle wie das Data Warehouse – das Daten aus Quellsystemen sammelt und in Cubes oder Data Marts anwendungsspezifisch bereitstellt – an ihre Grenzen. Besonders in hybriden Cloud-Szenarien reicht diese Architektur nicht aus, um große, teils unstrukturierte Datenmengen zu verarbeiten, wie sie KI-Anwendungen erfordern. Damit Daten sowohl von Mitarbeitenden als auch von KI-Tools sinnvoll genutzt werden können, müssen sie in einer modernen Architektur transparent und zentral zugänglich sein. Ein solcher „Single Point of Access“ als Weiterentwicklung klassischer Systeme bildet die Grundlage für echten Mehrwert aus Unternehmensdaten – insbesondere im Kontext von KI-Projekten.

Vier Ebenen einer erfolgreichen Datenstrategie

Eine erfolgreiche Datenstrategie betrachtet Daten als Ressource, die unternehmensweit genutzt werden kann und auf die Unternehmensziele einzahlt. Dazu gehört eine Data Culture – ein konventionalisierter Umgang mit Daten, der im Arbeitsalltag gelebt wird. Transparenz, Datendemokratisierung sowie die Befähigung zum sicheren, gesetzeskonformen Umgang mit Daten sind dabei ebenso wichtig wie Vertrauen in diese Fähigkeiten. Vier Ebenen sind zentral:

• Strategisch: Die Datenstrategie muss eng mit der Unternehmensstrategie verzahnt sein. Sie richtet einzelne Datenprojekte auf gemeinsame Ziele aus und gibt den Rahmen für ihre Umsetzung vor. Ändern sich Ziele oder Pläne, sollte auch die Datenstrategie überprüft und angepasst werden.

• Kulturell: Eine datengetriebene Kultur fördert die unternehmensweite Nutzung. Daten werden nicht als Eigentum einzelner Abteilungen betrachtet, sondern als gemeinsame Ressource. Eine klare Data Governance liefert Standards, Vorgehensweisen und Verantwortlichkeiten und schafft damit ein verbindliches Regelwerk.

• Operativ: Prozesse und Abläufe sollten eine offene Datennutzung unterstützen. Mitarbeitende können passende Datenprodukte entwickeln und in spezifischen Rollen wie Data Engineer, Data Owner oder Data Steward agieren. Change-Management ist entscheidend, um datenorientiertes Denken zu fördern und Zusammenarbeit zu stärken.

• Technologisch: Unternehmensdaten müssen aus ihren ursprünglichen Anwendungen herausgelöst und für die unternehmensweite Nutzung verfügbar gemacht werden – etwa aus ERP-, CRM-, Marketing- oder Buchhaltungssystemen sowie aus Sensor- und Produktionsdaten.

Schrittweise Transformation statt Mammutprojekt

Die gute Nachricht: Der Wandel zum datengetriebenen Unternehmen muss kein Großprojekt sein. Er kann iterativ erfolgen und mit einzelnen Use Cases beginnen. Aus diesen lassen sich Datenprodukte entwickeln, die erste Mehrwerte sichtbar machen. Agile Methoden helfen, Datenstrategie, kulturellen Wandel und technische Plattform zu verbinden. So wird mit jedem Use Case Data Culture aufgebaut und gefestigt.

Vom Use Case zum Datenprodukt in elf Schritten:

• 1. Zielstellung festlegen: Zuerst gilt es, ein gemeinsames Ziel festzulegen. Das kann im Rahmen einer umfassenden Datenstrategie auf Ebene einer ganzen Unternehmensgruppe passieren, im weiteren Verlauf aber auch iterativ auf z. T. deutlich kleinere Einheiten heruntergebrochen werden.

• 2. Status quo ermitteln: Im nächsten Schritt muss der aktuelle Status quo ermittelt und mit dem Ziel abgeglichen werden. Daraus ergeben sich die Handlungsfelder und es können Maßnahmen abgeleitet werden.

• 3. Use Cases detaillieren: Hier geht es darum, Use Cases zu finden, sie anhand einheitlicher Kriterien zu priorisieren und einzelne Use Cases dann so aufzubereiten, dass sie umgesetzt werden können.

• 4. Analytics Value Chain definieren: Hierbei wird für einen einzelnen Use Case definiert, wo die Daten herkommen und wie sie miteinander in Beziehung zu bringen sind, um den Use Case umsetzen zu können oder ein Datenprodukt erstellen zu können.

• 5. Architektur ausarbeiten: Im Folgenden wird dann die technische Architektur ausgearbeitet.

• 6. Rapid Prototyping: Ein erster Prototyp wird umgesetzt.

• 7. Ergebnisse validieren: Der erste Prototyp wird auf Basis der Anforderungen validiert.

• 8. Akzeptanz mit den Stakeholdern testen: Danach erfolgen Tests mit den Anforderern und Endanwendern, um Feedback einzuholen und dieses bei Bedarf in einer Iteration einzuarbeiten.

• 9. Umsetzung: Sobald ein guter, validierter Stand erreicht ist, wird die Umsetzung finalisiert.

• 10. Operationalisierung: Daraus leiten sich dann Rückschlüsse ab, die für die weiteren Use Cases zu beachten sind und die dafür sorgen, dass die Entwicklung zügig vorankommt.

• 11. Roadmap aufstellen: Im letzten Schritt wird, basierend auf dem priorisierten Use-Case-Portfolio und den Erkenntnissen aus der Umsetzung der ersten Use Cases eine Roadmap für die weitere Implementierung erstellt.

Die Phasen drei bis acht sollten iterativ wiederholt werden, um Lern- und Verbesserungseffekte zu nutzen. In diesem Design-Build-Learn-Improve-Prozess lassen sich Mitarbeiter in ihrem Lernen gut mitnehmen und Projekte schon in einem zweiten und dritten Durchlauf deutlich optimieren. Erfahrungsgemäß sind drei bis fünf Iterationen nötig, bis sich der Prozess skalieren lässt und ein Roll-out im größeren Umfang möglich ist.

Solide Daten als Basis für neue Business-Chancen

Der Mehrwert einer abteilungsübergreifenden Datennutzung zeigt sich schnell – etwa wenn ein B2B-Unternehmen Produktion, Lagerhaltung und Einkauf auf Basis prognostizierter Kundenbedarfe optimieren möchte. Eine KI-Applikation kann mithilfe kombinierter Daten aus Kaufverhalten, Einkauf, Bestandsführung und Produktion Optimierungen vorschlagen oder Prozesse automatisch steuern. So entstehen Synergieeffekte, die auch neue Marketingmaßnahmen ermöglichen – etwa durch gezielte Zusatzangebote zum richtigen Zeitpunkt.

Eine gelebte Data Culture sorgt dafür, dass KI nicht nur effizienter arbeitet, sondern auch bislang ungenutzte Potenziale in Unternehmensdaten hebt – und damit neue Geschäftsmodelle und Wettbewerbsvorteile erschließt.

Über die Autoren

Stephan Schlicker ist Head of Data Strategy bei der Five1 GmbH und entwickelt mit seinen Kunden ganzheitliche KI- und Datenstrategien – immer mit besonderem Fokus auf die Data Culture.

Karl Abert ist Senior Consultant bei der BTC AG und unterstützt Organisationen bei der Entwicklung moderner Datenarchitekturen und Data-Governance-Strategien.

(ID:50591790)