Zwischen Quick Wins und langfristiger Datenstrategie

‍

Was braucht es, um datengetriebene Entscheidungen zu treffen? Im Remote-Interview erklären Data Consultant und Projektmanagerin Simone sowie Data Engineer Felix, wann sich der Aufbau einer Datenplattform lohnt und wann ein BI-only-Ansatz ausreicht.

‍

Viele Unternehmen wollen datengetriebener arbeiten und starten mit Dashboards. Ist das aus eurer Sicht der richtige Ansatz?

‍Simone: Ja, definitiv. Dashboarding ist oft der beste Einstieg, weil es Daten sichtbar und greifbar macht. Wenn Mitarbeiter sehen, wie leicht sie auf Informationen zugreifen können und wie sich Entscheidungen mit echten Zahlen untermauern lassen, steigt die Akzeptanz enorm. Dadurch werden Daten Teil des Arbeitsalltags und das ist die Basis für jede Datenkultur.

‍

„Dadurch werden Daten Teil des Arbeitsalltags.“

‍

Felix: Ich sehe das genauso. Dashboards schaffen einen schnellen Mehrwert und zeigen, wie mächtig Daten eigentlich sind.

‍

Was sind denn die Grundvoraussetzungen, damit Reporting überhaupt zuverlässig funktioniert?

‍Simone: Die größte ist ganz klar die Datenqualität. Wenn die Daten nicht stimmen, kann auch das schönste Dashboard keine verlässlichen Ergebnisse liefern. Wie sagt man so schön: Shit in, shit out. Außerdem braucht es ein Grundverständnis für die Daten, sonst werden Fehler gar nicht erkannt. Und: Reporting ist ein Prozess. Es ist normal, dass es anfangs Unstimmigkeiten gibt. Wichtig ist, sie zu beheben, statt zurück zu Excel zu flüchten.

‍

Felix: Und dazu kommt die Organisation. Unternehmen müssen die richtigen Rollen und Verantwortlichkeiten schaffen, also klar definieren, wer für Datenqualität, Architektur und Business-Logik zuständig ist. Sonst entstehen Lücken oder Doppelarbeit, und am Ende vertraut keiner den Zahlen. Aber Dashboards sind nur der Anfang. Sobald mehr Datenquellen dazukommen oder komplexere Analysen gefragt sind, stoßen Unternehmen mit einem reinen BI-Ansatz an Grenzen.

‍

Viele Unternehmen bauen Dashboards, bevor sie überhaupt eine Datenplattform haben. Kann das trotzdem funktionieren?

‍Simone: Für den Start ja. Wenn man schnell etwas zeigen oder erste Ergebnisse liefern möchte, ist das sinnvoll, zum Beispiel, um das Management zu überzeugen. Aber langfristig wird es schwierig. Die Daten liegen dann oft verstreut, es gibt keine einheitlichen Definitionen und Performance-Einbußen. Spätestens, wenn Daten aus mehreren Systemen kombiniert werden sollen, braucht es eine solide Architektur im Hintergrund.

‍

Felix: Ohne Datenplattform wird es irgendwann mühsam, weil jedes Dashboard seine eigene Logik entwickelt. Eine zentrale Datenplattform sorgt für Konsistenz, Wiederverwendbarkeit und Skalierbarkeit. Sie ist quasi das Fundament, auf dem Unternehmen nachhaltig aufbauen können. Egal, ob für Reporting, Advanced Analytics und später auch KI.

‍

„Ohne Datenplattform wird es irgendwann mühsam.“

‍

Warum wird die Datenplattform mit Blick auf KI so wichtig?

‍Felix: Weil KI nur so gut ist wie die Daten, auf denen sie basiert. Eine moderne Datenplattform sorgt für saubere, konsistente und aktuelle Daten. Das ist die Grundvoraussetzung für jedes Machine-Learning-Modell. Außerdem bieten Plattformen wie Databricks, Fabric oder Snowflake heute schon integrierte KI-Funktionen, mit denen man Modelle trainieren, überwachen und ausrollen kann. Das senkt die Einstiegshürde enorm.

‍

Simone: Und gleichzeitig hilft eine gute Datenplattform auch den Analysten, weil sie dafür sorgt, dass alle mit denselben, geprüften Daten arbeiten. Das stärkt Vertrauen sowohl in die Dashboards als auch in die späteren KI-Anwendungen.

‍

‍

Welche Plattformen sind aktuell besonders relevant und worauf sollten Unternehmen bei der Auswahl achten?

‍Felix: Im Moment sind Databricks, Microsoft Fabric und Snowflake am weitesten verbreitet. Die Entscheidung hängt stark vom Skillset des Teams ab: Wenn das Team viel mit Python arbeitet, sind Databricks oder Fabric meist die bessere Wahl, während Snowflake sich eher für SQL-erfahrene Teams eignet. Auch der Use Case spielt eine Rolle. Für klassische BI-Szenarien sind Fabric und Snowflake stark, Databricks entfaltet seine Stärken bei KI und Machine Learning. Und natürlich spielt das Budget eine Rolle. Die Kostenstrukturen unterscheiden sich erheblich.

‍

Simone: Es lohnt sich, mit einem klar abgegrenzten Use Case zu starten und die Plattform praktisch zu testen. So erkennen Unternehmen schnell, was wirklich zu den Anforderungen passt, bevor sie sich langfristig festlegen.

‍

Wie hoch ist der Aufwand, um so eine Plattform aufzubauen?

‍Felix: Das hängt natürlich vom Umfang ab, also von der Zahl der Datenquellen, der Komplexität der Transformationen und dem gewünschten Automatisierungsgrad. Aber Unternehmen müssen nicht gleich alles auf einmal bauen. Viele starten mit einem MVP, also einem Minimum Viable Product, das in wenigen Wochen steht und echten Nutzen liefert. Danach können sie schrittweise erweitern.

‍

Simone: Genau. Entscheidend ist, dass früh sichtbare Ergebnisse entstehen. Das schafft Vertrauen und Motivation. Wenn Daten den Arbeitsalltag spürbar erleichtern und Prozesse durch die Plattform einfacher werden, wächst die Akzeptanz ganz von selbst.

‍

Was ist aus eurer Sicht der entscheidende Erfolgsfaktor für datengetriebenes Arbeiten?

‍Simone: Für mich ist es die Kombination aus Qualität und Kultur: gute Daten, aber auch Menschen, die sie verstehen, hinterfragen und nutzen wollen.

‍

„Die Basis ist und bleibt die Datenqualität.“

‍

Felix: Und eine Architektur, die das Ganze trägt: skalierbar, transparent und flexibel genug, um sich weiterzuentwickeln. Datenstrategie, Plattform und Menschen müssen zusammenspielen. Nur dann wird Datenarbeit nachhaltig.

‍