Viele Unternehmen haben heute Data Lakes, BI-Tools und KI-Initiativen und treffen trotzdem Entscheidungen mit Excel.
Das Problem ist selten Technologie. Es ist die Organisation der Daten.
Das Daten-Paradox
Die Dashboards existieren. Die Plattform läuft. Die Daten sind technisch verfügbar. Und trotzdem liefern zwei Reports zum selben Thema unterschiedliche Zahlen. Controlling rechnet anders als BI. Der Fachbereich traut keiner der Versionen. Das Vertrauen in Daten sinkt – obwohl mehr investiert wurde als je zuvor.
Dieses Muster ist kein Einzelfall. Es ist strukturell.
Ein Praxisbeispiel
In vielen Datenprojekten beginnt die Anforderung so:
„Wir brauchen den Purchasing Cube – den hatten wir die letzten fünf Jahre auch.“
Das Problem: Niemand kennt mehr die ursprüngliche Berechnungslogik. Kennzahlen stammen aus mehreren Systemen. Definitionen haben sich über Jahre verändert. Dokumentation fehlt. Das neue System reproduziert die Unklarheit des alten.
Das eigentliche Problem: Semantik und Ownership
Datenmodelle definieren Tabellen, Felder und Datentypen. Was häufig fehlt, ist die fachliche Bedeutung dahinter. Wer ist verantwortlich für eine Kennzahl? Wo ist die Berechnungslogik dokumentiert?
Ohne diese Grundlagen entstehen inkonsistente Zahlen – nicht weil die Technologie schlecht ist, sondern weil die Semantik implizit bleibt.
Konsequenzen für Analytics und KI
Analytics und KI benötigen stabile Datenstrukturen. Ein ML-Modell, das eine instabile Kennzahl als Feature nutzt, liefert Ergebnisse, die sich bei jeder Neudefinition verschieben. Vertrauen bricht weg. Entscheidungen wandern zurück in manuelle Abstimmungen.
Was erfolgreiche Organisationen anders machen
Drei Hebel machen den Unterschied: klare Data Ownership – jede Kennzahl hat eine verantwortliche Stelle. Explizite KPI-Definitionen – Berechnungslogiken werden dokumentiert und versioniert. Und Datenprodukte statt Datenpipelines – mit klaren Verantwortlichkeiten und messbarer Qualität.
Fazit
Die meisten Datenprobleme sind Organisationsprobleme. Technologie ist notwendig – aber nicht hinreichend. Unternehmen, die Data Ownership klären, Kennzahlen explizit definieren und Datenprodukte konsequent aufbauen, schaffen die Grundlage für echte datengetriebene Entscheidungen.
Nicht als einmaliges Projekt – sondern als dauerhaftes organisatorisches Fundament.
