Von Unternehmenszielen zu konkreter Roadmap

94 % der Unternehmen nutzen das Potenzial ihrer Daten noch nicht vollständig. Zeit, das zu ändern.

Der Druck, sich mit der Nutzung der Daten auseinanderzusetzen, steigt. Denn Unternehmen streben nach KI-Einsatz, effizienteren Prozessen und datenbasierten Entscheidungen. Zudem wächst der Wunsch nach Transparenz, Skalierbarkeit und abteilungsübergreifender Zusammenarbeit.

Doch oft bleibt unklar, wie diese Ziele mit der tatsächlichen Datenlage zusammenpassen: Während im Marketing Excel-Listen gepflegt werden, arbeitet das Controlling mit SAP-Systemen und der Vertrieb nutzt ein veraltetes CRM-System. Es entstehen fragmentierte, teils widersprüchliche Datenwelten, die kaum strategisch nutzbar sind. Oft fehlt nicht die Technologie, sondern der strategische Rahmen für den gezielten Einsatz von Daten.

Datenstrategie ist nicht gleich Datenstrategie

Die meisten Unternehmen beginnen mit abteilungsspezifischen Datenprojekten, stoßen dabei aber schnell an Grenzen in Skalierung und Effizienz. Oft wird dabei – nach langen und aufwendigen Prozessen – deutlich, dass nur eine übergreifende Datenstrategie erfolgreiche Ansätze wirklich unternehmensweit skalieren und nachhaltig verankern kann.

Viele vermeintliche Strategien bestehen aus einer Aneinanderreihung von Schlagworten, ohne konkrete Richtung. Vision, Mission und Werte sind wichtig, aber keine Strategie. Auch Zielvorgaben wie „20 Prozent mehr Umsatz“ oder Meta-Ziele wie „bessere Datenqualität“ klingen ambitioniert, stehen jedoch selten im direkten Zusammenhang mit konkreter Nutzung oder messbarem Nutzen. Niemand im Unternehmen braucht „bessere Datenqualität“ um ihrer selbst willen. Deshalb bleiben sie wirkungslos, solange nicht klar ist, wie sie durch konkrete datengetriebene Maßnahmen erreicht werden sollen.

Eine tragfähige Datenstrategie verbindet Richtung, Diagnose und Umsetzung. Sie beginnt mit einer klaren Vision: Wo will das Unternehmen künftig stehen und welchen Mehrwert sollen Daten dabei schaffen? Erst danach folgt die Bestandsaufnahme, gezielt auf die Bereiche fokussiert, die für dieses Ziel relevant sind. Darauf aufbauend lassen sich Maßnahmen entwickeln, die logisch aufeinanderfolgen, sich nicht widersprechen und die gesamte Organisation mitnehmen.

Die Strategie wird damit zur Roadmap, die priorisiert, Ressourceneinsatz und Zeitrahmen abschätzt und Verantwortlichkeiten klärt.

Die folgenden zehn Fragen bieten einen Leitfaden, um eine konkrete Datenstrategie zu entwickeln. Wer sie so konkret wie möglich beantwortet, verwandelt eine vage Vision in eine greifbare Roadmap, die Orientierung gibt und im Arbeitsalltag verankert werden kann. Aus Zielen werden klare Prioritäten, aus Verantwortlichkeiten konkrete Zuständigkeiten, und aus Ideen nachvollziehbare Schritte. So entsteht ein gemeinsamer Rahmen, der zeigt, wie Daten tatsächlich genutzt werden können: nicht abstrakt, sondern praktisch, nachvollziehbar und wirksam.

Die zehn Fragen zur Datenstrategie

1. Welches Unternehmensziel adressieren wir?

Der Ausgangspunkt jeder Datenstrategie ist die Frage, welches übergeordnete Geschäftsziel durch die Nutzung von Daten adressiert wird. Ohne eine klare Ausrichtung laufen Datenprojekte Gefahr, ihren strategischen Fokus zu verlieren.

2. Welche Use Cases zahlen direkt darauf ein?

Nicht alle Use Cases leisten einen gleich großen Beitrag zum Erreichen der Unternehmensziele. Die relevanten Anwendungsfälle sollten beispielsweise im Rahmen von Data Thinking Workshops identifiziert und priorisiert werden.

3. Wo stehen wir aktuell?

Der Status quo lässt sich anhand der Bereiche Daten, Nutzung, Technik und Organisation erfassen. Dabei werden Datenquellen, bestehende Berichte, technische Architektur sowie Rollen und Verantwortlichkeiten geprüft, um Schwachstellen und Potenziale sichtbar zu machen.

4. Wie sieht das technologische Zielbild aus?

Die technische Infrastruktur muss klar definieren, auf welcher Basis das Unternehmen künftig arbeitet. Ob mit einem Data Warehouse, einem Data Lake oder einem hybriden Ansatz, ergänzt durch passende Tools für Integration, Analyse und Visualisierung. Für strukturierte Daten eignen sich Data Warehouses wie Snowflake, für unstrukturierte Daten Data Lakes wie Azure Data Lake. Moderne Plattformen wie Microsoft Fabric ermöglichen eine flexible Kombination beider Ansätze.

5. Wie sieht das organisatorische Zielbild aus?

Klare Verantwortlichkeiten leiten sich aus den Zielen der Datenstrategie ab und stellen sicher, dass Entscheidungen zügig getroffen, Datenqualität gesichert und regulatorische Vorgaben eingehalten werden. Abhängig von der definierten Architektur lässt sich sinnvoll bestimmen, welche Rollen, Kompetenzen und organisatorischen Strukturen erforderlich sind. Das können Rollen wie Data Owner, Data Steward, Product Owner Data, BI/Analytics/ML-Teams sowie Legal/InfoSec sein, die gemeinsam Business-Ziele, technische Umsetzung und Compliance verzahnen.

6. Welche Ressourcen und Fähigkeiten brauchen wir?

Neben klaren Rollen müssen auch personelle Ressourcen und Fähigkeiten geplant werden, sowohl in Bezug auf Anzahl und Verfügbarkeit als auch auf notwendige Kompetenzen wie Engineering, Analytics, AI und Data Governance. Unternehmen sollten entscheiden, welche Fähigkeiten intern aufgebaut und welche extern ergänzt werden, und zugleich Budget sowie Prioritäten für Investitionen eindeutig festlegen.

7. Wie verankern wir das Data Team?

Das Data Team kann zentral, föderiert oder in Form von embedded Squads, also kleinen, funktionsübergreifenden Teams, die direkt in den Fachbereichen arbeiten, verankert werden. Während das zentrale Modell für Standards, Governance und Effizienz sorgt, bringt das föderierte Modell mehr Nähe zum Business, erfordert aber stärkere Koordination. Embedded Squads bieten maximalen Fokus und Geschwindigkeit in den Fachbereichen, bergen jedoch höhere Kosten und das Risiko von Schattenlösungen. Daher empfiehlt sich immer ein starker zentraler Kern für Plattform und Governance.

8. Wie etablieren wir eine Datenkultur?

Eine Datenkultur entsteht nicht durch Tools, sondern durch vorgelebte Haltung und klare Rahmenbedingungen. Sie erfordert Führung, die Datennutzung vorlebt, einfachen Zugang zu verlässlichen Informationen, den gezielten Aufbau von Data Literacy sowie Regeln für Verantwortung und Governance. Damit Kultur im Alltag wirksam wird, braucht es zudem aktives Change-Management, klare Kommunikation und Anreize, die datenbasiertes Arbeiten sichtbar belohnen.

9. Wie planen und steuern wir die Umsetzung?

Für eine wirksame Umsetzung sollte jeder Schritt mit konkreten Verantwortlichkeiten (Ownern), einem verbindlichen Zeitrahmen und eindeutigen Erfolgskriterien („Fertig heißt …“) versehen sein. So wird sichtbar, wer wofür zuständig ist, welche Etappen wann erreicht werden sollen und wie weit die Umsetzung bereits fortgeschritten ist. Diese Transparenz schafft Orientierung, erleichtert das Nachhalten von Fortschritten und ermöglicht es, Abhängigkeiten frühzeitig zu erkennen und zu steuern.

10. Wie erzielen wir schnell sichtbaren Mehrwert?

Eine gute Datenstrategie folgt einer iterativen Logik: Sie zielt darauf ab, früh greifbaren Mehrwert zu erzeugen, wie etwa durch MVPs oder klar umrissene Pilotprojekte, die erste Ergebnisse und Lerneffekte liefern. So lässt sich Akzeptanz im Unternehmen aufbauen und gleichzeitig prüfen, ob Annahmen und Prioritäten in der Praxis tragen. Erfolgsmessung bedeutet in diesem Sinne nicht nur das Tracking von Zielen, sondern auch das regelmäßige Hinterfragen, ob diese Ziele noch zu den aktuellen Erkenntnissen passen. Eine wirksame Strategie bleibt adaptiv. Sie richtet sich immer wieder neu auf den kürzesten Weg zum tatsächlichen, nutzenstiftenden Output aus.

‍