Top 10 Bausteine einer Datenstrategie

von | 15. Juli 2022 | Grundlagen

Die Enwicklung zu einem datengetriebenen Unternehmen ist nicht einfach. Daten spielen in nahezu allen Bereichen eines Unternehmens eine Rolle. Der erste Schritt, um mehr aus diesen Daten zu machen: Eine Datenstrategie als Basis für künftige Innovationen, Experimente und Projekte. Den Erfolg einer Datenstrategie beeinflussen dabei viele und sehr unterschiedliche Faktoren. Hier sind unsere TOP10 Bausteine einer Datenstrategie, die jeder im Blick behalten sollte, der versucht sein Unternehmen „data-driven“ zu machen.

Platz 10 – Saubere Ist-Zustand Analyse

„Wo stehen wir?“ Diese Frage ist bei der Transformation zu einem datengetriebenen Unternehmen wichtiger als man denkt. Eine Datenstrategie ist immer multidimensional – daher müssen auch alle Dimensionen im Vorhinein betrachtet werden. Die Erstellung eines Reifegradmodells für jede Dimension der Transformation vor der tatsächlichen Transformation ist essentiell für den Erfolg einer Datenstrategie. Durch die Bewertung jedes Untersuchungsgebietes auf einer Skala von „nicht vorhanden“ bis „wertschöpfend“ kann die Ausrichtung eines Unternehmens in Richtung Daten & KI bewertet und weitere Schritte geplant werden.

Platz 9 – Präzise Handlungsempfehlungen

“Machen ist wie drüber reden, nur besser”. Damit eine Strategie auch wirklich umgesetzt werden kann, braucht es präzise und granulare Anweisungen. Mithilfe einer Roadmap sowie einer Daten- und Metadaten-Architektur müssen quantifizierbare und durchdachte Ziele gesetzt werden und die Maßnahmen zur Zielerreichung müssen mit den Teams im Unternehmen besprochen werden. Das verhindert Missverständnisse oder gar Ahnungslosigkeit bei der Umsetzung der anstehenden Aufgaben.

Platz 8 – Klare Vision & Strategie

Auch auf “Flughöhe 10.000 m” muss eine Datenstrategie verankert werden: Die Vision und das Ziel einer Datenstrategie spielen innerhalb des Unternehmens eine wichtige Rolle. Mit einer definierten Mission und Vision eines datengetriebenen Unternehmens kann eine Datenstrategie weiter spezifiziert und partikulär betrachtet werden. Nur mit einem datengetriebenen oder zumindest datenunterstütztem Business Model, das im Unternehmen präsent und etabliert ist, lässt sich durch eine Datenstrategie ein entsprechender ROI generieren. Mit einer Datenkultur und qualitativer Kommunikation zwischen verschiedenen Bereichen, Teams und Management Levels ist eine Datenstrategie leichter zu erreichen und Informationen sowie Insights sind im Unternehmen leichter einzusehen.

Data Culture – Die Schlüsselrolle der Datenkultur, Tech Deep Dive Artikel

Erfahren Sie in unserem neuesten Blogbeitrag, wie eine starke Datenkultur Ihrem Unternehmen in einer datengetriebenen Ära entscheidende Wettbewerbsvorteile verschaffen kann.

Data Culture – Die Schlüsselrolle der Datenkultur

Platz 7 – Use-Case-Entwicklung

Eine Datenstrategie mag sich wie ein vages Konzept zur Handhabung von Daten im Unternehmen anhören – ist es aber nicht. Durch Use Cases wird es konkret: Mithilfe der Umsetzung von Use Cases können Daten wertschöpfend eingesetzt werden. Use Cases sind spezifische Einsatzgebiete für Daten, in denen echter ROI mit Daten generiert wird. Daher ist ein globales und einheitliches Use Case Management wichtig, um Innovation voranzutreiben und Wissen im Unternehmen zu demokratisieren. In Workshops können Use Cases identifiziert und bis zum Datenprodukt weiterentwickelt werden. Durch die Priorisierung von verschiedenen Use Cases und dem Einsatz von interdisziplinären Use Case Teams sowie agilen Arbeitsmethoden können KPIs schneller und effektiver erreicht werden.

Platz 6 – KI & Algorithmen

Daten ermöglichen die Nutzung von Business Analytics und ML, um daraus wichtige Insights zu gewinnen. In der Lage zu sein, mithilfe von KI innovative Projekte umzusetzen und Daten wirklich zu nutzen, beeinflusst signifikant den ROI bei der Implementierung einer Datenstrategie. Mit gut ausgebildeten Data Science Teams können individuelle und innovative Algorithmen und damit ML-Anwendungen entwickelt und implementiert werden. Agilere Entwicklungsmethoden und eine kollaborative Kultur tragen dazu bei, die Innovation innerhalb des Unternehmens voranzutreiben. Die Innovation und Optimierung interner Data-Science-Teams und die Zusammenarbeit mit Domänenexperten sind entscheidend für die erfolgreiche Implementierung von KI-Anwendungen.

Platz 5 – Teams & Skills

Ein datengetriebenes Unternehmen zu werden benötigt mehr als nur Technologie. Die Mitarbeiter:innen, die sich mit der Erstellung, dem Teilen und Verwalten von Daten beschäftigen, sollten die nötigen Ressourcen, Kompetenzen und Fähigkeiten besitzen, um mit der Transformation umzugehen. Datenkultur muss gefördert und durch das ganze Unternehmen hinweg gelebt werden. Ein Data-Team mit tiefem Fachwissen, Standards und Leitlinien kann das Wissen effektiv über die ganze Organisation hinweg weitergeben. Gerade Trainings sowie Wissensdatenbanken sind essentiell, um Know-How über Daten unternehmensweit zu verteilen sowie neue Kollaboration und Ideen zu unterstützen. Die Etablierung einer „data-driven culture“ ist wichtig und kann zu einer intrinsischen Motivation für die Nutzung von Daten zur Beantwortung von Hypothesen innerhalb des Unternehmens führen.

Platz 4 – Governance & Organisation

Data Governance ist das, was letztendlich ein unternehmensweites Teilen von Daten erlaubt. Data Governance stellt sicher, dass Berechnungen im gesamten Unternehmen auf den richtigen Daten basieren. Data Lineage bietet die Möglichkeit, die Datenherkunft sowie den Umwandlungsprozesses nachzuvollziehen. Weiterführend müssen im Unternehmen Rollen und Verantwortlichkeiten zur Pflege, Instandhaltung und Entscheidungsgewalt über gewisse Daten definiert werden. Dadurch wird dafür gesorgt, dass sich auch jemand über die Daten „kümmert“. Außerdem gewährleistet Data Governance letztlich, dass die richtigen Personen Zugriff auf die richtigen Daten haben.

Platz 3 – Technologie & Architektur

Bei der Arbeit mit großen Datenmengen sind bestimmte Werkzeuge und Infrastrukturen erforderlich, um eine Datenstrategie effektiv umzusetzen. Es wird eine ausreichende Datenarchitektur mit verschiedenen Schichten oder Zonen für bestimmte Anwendungsfälle sowie eine schnelle und effektive Datenaufnahme benötigt. Durch die Implementierung eines hohen Automatisierungsgrades in den Prozess der Infrastrukturbereitstellung kann eine hohe Skalierbarkeit der Architektur erreicht werden. Darüber hinaus müssen Datensicherheitsmechanismen etabliert werden, und die Überwachung der Architektur und die Kostenoptimierung sind wichtige Bestandteile, um das System am Laufen zu halten.

Platz 2 – Data Fundamentals

Die grundlegendste Komponente jeder Datenstrategie sind (logischerweise) die zugrundeliegenden Daten. Die Beschaffung und korrekte Speicherung interner und externer Daten ist entscheidend für deren effektive Nutzung. Datenspeicherungstechnologien wie Data Lakes oder Data Warehouses sollten in ein funktionierendes Datenökosystem implementiert werden. Mit einem unternehmensweiten Nutzungskonzept dieser Daten sowie einem einheitlichen und anwendungsangepassten Datenmodell wird eine effektive und nahtlose Nutzung der Daten gewährleistet. Um ein unternehmensweit einheitliches Verständnis der vorhandenen Daten zu fördern, kann ein Datenkatalog mit Metadaten implementiert und etabliert werden.

Platz 1 – Return on Investment

Wir müssen über Geld reden: Ohne einen ausreichenden Return on Investment wird es sehr schwierig, die Investition in eine Datenstrategie auf der Führungsebene zu rechtfertigen. Daher müssen Use Cases für die Implementierung ausgelotet und die Gesamtrendite geprüft werden. Eine breite Unterstützung in der Organisation ist dabei wichtig, insbesondere für diese Art der multidimensionalen Transformation. Frühe Leuchtturmprojekte, Meilensteine und Erfolge untermauern die Notwendigkeit einer Datenstrategie und treiben die Geschwindigkeit und den Erfolg der Transformation auf allen Ebenen weiter voran.

Autor:innen

Lukas Lux

Lukas Lux ist Werkstudent im Bereich Customer & Strategy bei der Alexander Thamm GmbH. Neben seinem Studium des Sales Engineering & Product Management mit dem Schwerpunkt IT-Engineering beschäftigt er sich mit den aktuellsten Trends und Technologien im Bereich Data & AI und stellt diese in Zusammenarbeit mit unseren [at]Experten für euch zusammen.

0 Kommentare