top of page
DATEN ALS ENTSCHEIDENDER ROHSTOFF

Datenstrategie in 8 Schritten

In einer zunehmend digitalen Welt werden Daten als der entscheidende Rohstoff für den Einsatz von Künstlicher Intelligenz (KI), Robotik und den zukünftigen Unternehmenserfolg angesehen. Dennoch erhalten sie oft nicht die notwendige Aufmerksamkeit des Managements – eine verpasste Chance, die langfristig sehr teuer werden kann.

​

Die Digitalisierung lässt die Datenberge kontinuierlich anwachsen. Studien zeigen, dass nur etwa 50% der strukturierten Daten und weniger als 1% der unstrukturierten Daten in Organisationen aktiv für Entscheidungen und Innovationen genutzt werden. Mitarbeitende verbringen zudem oft sehr viel Zeit damit, relevante Informationen aus verschiedenen Quellen zu suchen und aufzubereiten. Hier zeigt sich klar, dass der Umgang mit Daten in vielen Unternehmen weit hinter den Möglichkeiten zurückbleibt.

Verantwortlichkeit.jpg

Datenstrategie als Grundlage

Gute Daten sind entscheidend für den Geschäftserfolg, stellen jedoch weiterhin eine grosse Herausforderung dar. Viele Firmen haben Schwierigkeiten, zeitnah auf bestehende Datenquellen zuzugreifen. Datensilos, ineffiziente Prozesse, veraltete Strukturen und ungeeignete ICT-Systeme sind dafür oft verantwortlich. Hinzu kommen unzureichende analytische Fähigkeiten der Mitarbeitenden, die veraltete oder ungenaue Daten nicht gewinnbringend nutzen können.

​

Eine Datenstrategie ist die Grundlage dafür, Daten als Wettbewerbsvorteil zu nutzen. Wer schnell auf qualitativ hochwertige Daten zugreifen kann, hat enorme Vorteile bei Innovation, Geschäftsmodellentwicklung, Kundenservice und in strategischen Geschäftsentscheidungen.

​

8 Schritte der Datenstrategieentwicklung​

​

1. Unternehmensziele klären und Datenstrategie ausrichten
 

  • Was will das Unternehmen erreichen? (Kostensenkung, Kundenbindung, neue Geschäftsmodelle, etc.)

  • Die Datenstrategie muss diese Ziele unterstützen – nicht umgekehrt

  • Ein Beispielziel: Verbesserte Kundenerkenntnisse, um personalisierte Angebote zu entwickeln

​

2. Daten identifizieren und Bestand aufnehmen
 

  • Inventur der Datenquellen: Welche Daten sind bereits vorhanden (z. B. ERP-, CRM-Systeme, Produktionsdaten, externe Quellen)?

  • Datenqualität prüfen: Sind Daten vollständig, konsistent und aktuell?

  • Lücken ermitteln: Welche Informationen fehlen, um die gewünschten Analysen durchzuführen?

​

3. Governance und Organisation aufbauen

​

  • Rollen und Verantwortlichkeiten definieren (z. B. Data Owner, Data Steward)

  • Richtlinien und Prozesse festlegen (Datenschutz, Compliance, Gesetzliche Vorgaben)

  • Verantwortung für Freigaben, Datenzugriff und Datenqualität eindeutig zuordnen​

​

4. Technologische Infrastruktur und Tools festlegen

​

  • Datenarchitektur (Data Warehouse, Data Lake, Data Lakehouse) konzipieren

  • Analyse-Tools bestimmen (BI-Lösungen, Advanced-Analytics-/Machine-Learning-Plattformen)

  • Cloud vs. On-Premises: Entscheidung über Betriebsmodelle; Sicherheit und Skalierbarkeit spielen eine große Rolle

  • Sicherheitskonzepte: Verschlüsselung, Zugriffskontrollen, Monitoring

​5. Datenprozesse und Workflows etablieren

​

  • Datenintegration (ETL/ELT-Prozesse) für verschiedene Datenquellen

  • Automatisierte Aufbereitung und Qualitätssicherung (beispielsweise regelmässige Validierung)

  • Monitoring: Kontinuierliche Überwachung, um Fehler frühzeitig zu erkennen

​

6. Datenkultur und Kompetenzen fördern

​

  • Schulungen und Trainings: Mitarbeitende im Umgang mit Daten und Analysen fit machen

  • Offene Datenkultur: Verantwortung und Zugang zu Daten möglichst breit verteilen, damit Ideen aus allen Bereichen kommen können

  • Vorbildfunktion des Managements: Die Führungsebene sollte datenbasierte Entscheidungen vorleben

​

7. Pilotprojekte und Quick Wins vorantreiben

​

  • Kleine Use Cases zuerst umsetzen (z. B. automatisiertes Reporting, erstes KI-gestütztes Analysetool)

  • Schnelle Erfolge sichtbar machen, um Akzeptanz und Motivation zu steigern

  • Iteratives Vorgehen: Aus Erfolgen und Fehlschlägen lernen, Prozesse kontinuierlich verbessern

​

8. Messung und kontinuierliche Verbesserung

​

  • KPIs (Key Performance Indicators) definieren, um den Fortschritt der Datenstrategie zu beurteilen (z. B. Zeitersparnis, Umsatzwachstum, Prozessqualität)

  • Regelmäßige Reviews: Passt die Datenstrategie noch zu den Unternehmenszielen?

  • Skalierung erfolgreicher Pilotprojekte auf weitere Bereiche

​

Fazit

 

Die nächste Welle der digitalen Transformation wird massgeblich von KI und Robotik auf der Grundalge von Daten angetrieben. Unternehmen mit einer soliden Datenbasis und einer klar definierten Datenstrategie können Kundenpräferenzen besser antizipieren, Prozesse effizienter gestalten und neue Geschäftsmodelle erschliessen. Gleichzeitig braucht es eine Unternehmenskultur, die datengetriebene Entscheidungen fördert, sowie ein Management, das die Bedeutung von Daten erkennt und dafür einsteht.

​

Unternehmen, die diese 8 Schritte beherzigen, legen den Grundstein, um in der BANI-Welt von morgen auch zu bestehen – eine Welt, in der Daten nicht länger ein Nischenthema sind, sondern das Herzstück für erfolgreiche KI-Anwendungen, Innovationen, Geschäftsmodelle und nachhaltigen Geschäftserfolg.

Autor: Michael Achermann, www.achermann.ch

Sollten Sie Fragen haben, die über diesen Beitrag hinausgehen, dann freuen wir uns auf Ihre Kontaktaufnahme – für ein persönliches Gespräch oder eine unverbindliche Erstberatung.
bottom of page