Daten­stra­tegie

Daten gibt es fast immer genug. Genutzt wird davon wenig. Jeder Bereich baut eigene Auswertungen, es gibt mehrere Plattformen ohne erkennbare Linie, und KI-Vorhaben bleiben Experimente. Ein neues Data Warehouse oder ein KI-Assistent löst das nicht, wenn die Grundlagen fehlen.

Eine Datenstrategie schafft diese Grundlagen. Wir erarbeiten sie mit den Fachbereichen aus den Geschäftszielen und aus konkreten Anwendungsfällen. Am Ende steht kein dickes Konzeptpapier, sondern ein Zielbild und eine priorisierte Roadmap, die sich in Projekte übersetzen lassen.

Hinter jeder Datenstrategie stehen fünf Fragen. Wofür brauchen wir Daten? Welche, in welcher Qualität und wie aktuell? Wie stellen wir sie bereit? Wer ist wofür zuständig? Und in welcher Reihenfolge gehen wir vor? Mehr muss eine Strategie nicht beantworten, aber alle fünf. Die operative Seite, also Regeln, Qualitätsprüfungen und Datenkatalog, gehört zur Data Governance und wird dort ausgearbeitet. Hier geht es um Richtung und Reihenfolge.

Erst ehrlich hinschauen

Am Anfang steht der Ist-Zustand: Systeme und ihre Datenflüsse, vorhandene Berichte und wer sie nutzt, Plattformen und die Menschen, die damit arbeiten. Mindestens so wichtig sind die Gespräche mit den Fachbereichen. Wo kosten Daten Zeit, wo fehlen sie, wo traut man den Zahlen nicht?

Aus der Bestandsaufnahme ergibt sich ein Reifegrad in Dimensionen wie Datenbasis, Technik, Organisation, Kompetenzen und Nutzung. Die Gesamtnote ist dabei weniger interessant als der Vergleich der Dimensionen. Eine moderne Plattform nützt wenig, wenn niemand verantwortlich ist, und klare Zuständigkeiten helfen wenig ohne brauchbare Datenbasis.

Vom Geschäftsziel zur Reihenfolge

Das Zielbild leiten wir nicht aus Technologietrends ab. Die Frage lautet, welche Entscheidungen in zwei bis drei Jahren besser oder schneller fallen sollen. Daraus ergeben sich Anwendungsfälle wie ein einheitliches Umsatzreporting, eine Absatzprognose oder die automatische Auswertung von Dokumenten, jeweils mit kurzer Beschreibung von Nutzen, benötigten Daten, Beteiligten und Voraussetzungen.

Die Roadmap bringt diese Anwendungsfälle in eine Reihenfolge. Es zählt, wie stark ein Fall ein Geschäftsziel stützt, ob die Daten vorhanden sind und wie viel Aufbereitung nötig ist und welche Grundlagen, etwa ein gemeinsames Datenmodell, gleich mehreren Vorhaben nützen. Eine Roadmap mit zwanzig gleichrangigen Vorhaben führt dazu, dass keines fertig wird. Besser sind wenige, klar priorisierte Schritte, darunter früh etwas Sichtbares. Ein erstes Dashboard auf geprüften Zahlen schafft mehr Rückhalt als ein Plan, der erst nach Jahren Wirkung zeigt.

Wer sich um die Daten kümmert

Technik allein löst keine Datenprobleme. Es braucht jemanden, der für einen Datenbereich fachlich geradesteht, etwa für Kundendaten oder Finanzdaten, und über Definitionen und Zugriffe entscheidet. Das ist der Data Owner. Im Alltag pflegt ein Data Steward Qualität, Beschreibungen und Stammdaten und beantwortet Fragen. Ein zentrales Datenteam betreibt die Plattform und setzt Standards, die Fachbereiche bringen das Wissen über die Bedeutung der Daten ein. Rollen, die nur auf dem Papier stehen, ändern nichts: Ein Data Owner ohne Zeit und Mandat bewegt wenig, die Verantwortung muss in Aufgaben und Zielen ankommen.

Ob eher zentral oder dezentral, hängt von Größe und Kultur ab. In kleineren Unternehmen genügt oft ein zentrales Team mit klar benannten Ansprechpersonen in den Fachbereichen. In großen Organisationen können Fachbereiche ihre Daten als Data Products bereitstellen, also als Datensätze mit Beschreibung, Qualitätszusagen und einer verantwortlichen Person. Data Mesh dehnt diesen Gedanken auf die ganze Organisation aus. Wir sehen es als Option, nicht als Dogma, und übernehmen, was zum Unternehmen passt.

Plattform, Kompetenzen und die Basis für KI

Die Plattform folgt dem Zielbild, nicht umgekehrt. Wer zuerst eine Plattform kauft und dann nach Anwendungsfällen sucht, hat sie oft ungenutzt im Haus. Die Wahl hängt von vorhandenen Systemen, Datenvolumen, Anforderungen an Datenschutz und Hosting, Kompetenzen im Team und Kosten ab. Einzelheiten zu Aufbau und Betrieb gehören in eigene Themen wie Data Warehouse oder Cloud-Datenplattform. In der Strategie geht es darum, die Wahl nachvollziehbar zu begründen und Abhängigkeiten von einzelnen Anbietern bewusst einzugehen.

Mindestens so wichtig sind Kompetenzen. Wer pflegt das Datenmodell, wer baut Berichte, wer versteht die Fachseite? Die Strategie benennt, was intern aufgebaut, was zugekauft und was geschult werden muss.

Assistenten, Prognosen oder Dokumentenauswertung brauchen Daten, die auffindbar, verständlich beschrieben, von ausreichender Qualität und mit klaren Zugriffsrechten verfügbar sind. Man spricht von AI-ready Data. Wo diese Basis fehlt, bleiben KI-Vorhaben Experimente. Welche Anwendungsfälle für KI überhaupt infrage kommen, bewertet die KI-Beratung. Die Datenstrategie klärt, ob das Fundament dafür steht.

Der EU Data Act als Rahmen

Der EU Data Act gilt seit dem 12. September 2025. Er regelt unter anderem den Zugang zu Daten, die vernetzte Produkte erzeugen, und erleichtert den Wechsel zwischen Cloud-Diensten. Ob und in welchem Umfang er ein Unternehmen betrifft, hängt von dessen Rolle ab, etwa als Hersteller, Nutzer oder Cloud-Kunde. Pflichten zur Gestaltung neuer vernetzter Produkte gelten seit September 2026, weitere Stufen folgen. Ein Vorschlag der Kommission, der Digital Omnibus, würde einzelne Regeln ändern, ist aber noch nicht beschlossen. Die rechtliche Bewertung gehört zur Rechtsberatung, die technische und organisatorische Umsetzung planen wir mit.

Damit die Strategie nicht in der Schublade endet

Ein Papier, das Technik beschreibt, aber keine Entscheidung verbessert, wird nicht umgesetzt. Ebenso wenig hilft eine Strategie, die nie angepasst wird: Wir empfehlen eine feste Überprüfung, etwa einmal im Jahr. Und ohne Rückendeckung der Geschäftsführung bleiben Datenthemen eine Aufgabe der IT.