Von Datenstrategie bis Data Governance

In den vergangenen Wochen führte Peter Bluhm, Geschäftsführer von ATVISIO, einige intensive Gespräche im Performance Manager Podcast mit Entscheidern und Experten aus unterschiedlichen Perspektiven: von der AXA Schweiz über einen mittelständischen Maschinenbauer bis hin zu akademischen Spezialisten für Unternehmensplanung und Data Governance. Trotz unterschiedlicher Themenfelder kristallisierten sich durchgängig Erkenntnisse heraus, die für moderne BI-Beratung hochrelevant sind. 

Learning 1: Datenstrategie entwickelt sich in Phasen – nicht als Big Bang 

Im Gespräch mit Dr. Kathrin Braunwarth, Mitglied der Geschäftsleitung der AXA Schweiz, wurde deutlich: Erfolgreiche Dateninitiativen entstehen nicht über Nacht. Die AXA Schweiz entwickelte ihre Datenstrategie über drei Phasen zwischen 2015 und heute: vom explorativen „Smart Data by Opportunity“ über „Data Driven Company by Design“ (ausgelöst durch GDPR) bis zum „Scale Out“ mit dezentralen, befähigten Teams. Die technologische Architekturentscheidung für Data Mesh statt zentrales Data Warehouse erfolgte bewusst erst spät – als Ergebnis von Learning by Doing, nicht als Voraussetzung. Die Erkenntnis: Erfolgreiche Datenprojekte benötigen Vision und Richtung, aber die konkrete Ausgestaltung muss sich entwickeln dürfen.

Learning 2: Der Pareto-Ansatz bei Datenqualität – 80/20 statt 100% Perfektion 

Jens Elfert, Bereichsleiter Finanzen bei Mehrer Compression, zeigte im Gespräch über ein KI-Projekt im Servicegeschäft der Unternehmens die Kraft des Pareto-Prinzips: Statt jahrelang Daten zu bereinigen, startete Mehrer mit 80 Prozent Datenqualität und verbesserte iterativ. Die Ergebnisse: Liefertreue stieg von 77% auf über 95%, der Lagerumschlag verbesserte sich signifikant, die Datenqualität wurde parallel optimiert. Die Erkenntnis: Perfekte Datenqualität ist eine Illusion. Die Frage lautet nicht, ob Daten perfekt sind, sondern ob sie ausreichend sind, um den nächsten Schritt zu gehen.  

Learning 3: Datenqualität ist kontextabhängig – ohne Verwendungszweck keine sinnvolle Messung 

Dr. Christiana Klingenberg (IDIGMA) und Prof. Dr. Christine Weber (TH Würzburg-Schweinfurt) betonten: Datenqualität lässt sich nur bewerten, wenn der Verwendungskontext klar ist. Kundendaten werden im Vertrieb anders genutzt als im Marketing oder Controlling. Für strategische Entscheidungen sind aggregierte Werte ausreichend, für Echtzeit-Qualitätssicherung ist höchste Präzision erforderlich. „Gute Datenqualität“ existiert nicht abstrakt – nur „angemessene Datenqualität für einen spezifischen Verwendungszweck“. Die Konsequenz: Vor jeder Diskussion über Datenqualität muss der Verwendungszweck geklärt werden. Erst dann können relevante Qualitätskriterien definiert werden.

Learning 4: Erwartungstreue Planwerte statt ambitionierte Wunschszenarien 

Prof. Dr. Werner Gleißner (TU Dresden) unterscheidet strikt zwischen erwartungstreuen Planwerten (im Mittel realisierbar, unter Berücksichtigung von Risiken) und ambitionierten Zielwerten (z.B. für Motivation). Das Problem: Viele Unternehmen vermischen beide. Sie planen mit ambitionierten Werten, nutzen diese jedoch als Grundlage für Investitionsentscheidungen. Die Folge sind Fehlentscheidungen auf Basis von Wunschszenarien. Die Relevanz für Business Intelligence-Projekte ist sehr hoch. Als BI-Berater müssen wir diese Unterscheidung in unseren Systemen abbilden können. Ein professionelles Planungssystem muss technisch in der Lage sein, sowohl mit erwartungstreuen Planwerten als auch mit ambitionierten Zielwerten zu arbeiten – und beides sauber zu trennen. Moderne BI-Systeme müssen Szenarien, Risikobandbreiten und verschiedene Planwertkategorien technisch ermöglichen. 

Learning 5: Data Governance – der größte Fehler ist, nichts zu tun 

Dr. Christiana Klingenberg und Prof. Dr. Christine Weber formulierten: Der größte Fehler ist nicht, klein anzufangen oder nicht perfekt zu sein. Der größte Fehler ist, überhaupt nicht anzufangen. Data Governance ist keine Kür, sondern fundamentale Voraussetzung für erfolgreiche Dateninitiativen. Ohne Data Governance keine klaren Verantwortlichkeiten, keine definierten Qualitätskriterien, keine abteilungsübergreifende Datennutzung. Die pragmatische Herangehensweise: Der Start kann klein sein – mit einer Person, einer zusätzlich wahrgenommenen Rolle, einem konkreten Problem. Von diesem Ausgangspunkt aus wächst das Framework. Entscheidend ist der Beginn.

Der rote Faden erfolgreicher Datenarbeit 

Die fünf Learnings bilden einen konsistenten roten Faden: Erfolgreiche Datenarbeit erfordert eine realistische Herangehensweise.

• Nicht den Big Bang, sondern Phasen
• Nicht 100 Prozent Perfektion, sondern 80 Prozent und iterative Verbesserung
• Nicht abstrakte Qualitätskriterien, sondern kontextbezogene Anforderungen
• Nicht Wunschszenarien, sondern erwartungstreue Planwerte
• Nicht das perfekte Framework, sondern den Mut anzufangen

Diese Erkenntnisse leiten ATVISIO in der täglichen Beratungsarbeit. Sie zeigen: Moderne BI ist keine rein technische Disziplin. Sie ist strategisch, organisatorisch und kulturell. Und sie benötigt vor allem eines: Den Mut, pragmatisch zu starten und dann konsequent weiterzuentwickeln.

Über den Autor

Peter Bluhm ist Geschäftsführer der ATVISIO Consult GmbH und Host des Performance Manager Podcast. Die diesem Artikel zugrundeliegenden Gespräche sind als Podcast-Episoden verfügbar.