„Wie schaffen wir effektiv Wert aus unseren Daten?“ Diese und ähnliche Fragen stellen sich viele Organisationen, wenn sie sich mit ihren Daten beschäftigen. Dabei ist die grundsätzliche Wichtigkeit von Daten unbestritten – häufig ist jedoch unklar, wie die wachsende Menge an Daten, Metadaten und Datenquellen effektiv und wiederholbar in betriebswirtschaftlichen Mehrwert verwandelt werden kann.  

Gartner veröffentlichte letztes Jahr eine Umfrage, in der 56 % der befragten Data Analytics Leadern aus weltweit 500 Unternehmen angaben, mit ihren Teams keinen effektiven Wert für ihre Organisation stiften zu können. In Zeiten von gestiegenem Effizienzdruck sind solche Aussagen besonders schmerzhaft. Die Begeisterungswelle, die Daten enthusiastisch als „das neue Öl“ feierte, ist mittlerweile abgeebbt. Somit ist es umso wichtiger geworden, nachzuweisen, welchen Mehrwert die Daten und darauf aufbauende Lösungen bringen. Es gilt also zu dokumentieren, wie sich datengetriebene Verbesserungen auf Geschäftsentscheidungen, Kosteneffektivität, Ertragspotenziale, Kundenzufriedenheit und allgemeine unternehmensweite Produktivität auswirken.  

Zudem begegnen uns in der Praxis immer wieder Herausforderungen, die die Datenwertschöpfung erschweren. Ein Lösungsansatz, der sich der Absicherung des Datenmehrwerts verschrieben hat, ist das Data Product Management.  

Wir haben drei häufigsten Herausforderungen in der Datenwertschöpfung identifiziert und erklären im Folgenden, wie Data Product Management jeweils effiziente Lösungen liefern kann:  

By loading the video you accept YouTube’s privacy policy.
Learn more

load Video

Always unlock YouTube

Herausforderungen in der Datenwertschöpfung 

Herausforderung 1: Mangelnde Nutzerorientierung 

Ohne Nutzung, kein Nutzen. Um Daten effektiv zu nutzen, muss zunächst eine Nutzergruppe definiert und die Daten entsprechend aufbereitet werden. Konkret bedeutet das, Daten so aufzubereiten, dass sie dem Verwendungszweck der Nutzer entsprechen. Das betrifft alle Datenprodukte, von Roh- und Metadaten, über verarbeitete Daten bis hin zu komplexeren Produkten wie Code-Assets, entscheidungsunterstützende Dashboards oder KI- bzw. Machine-Learning-Modelle. 

Die Datenwertschöpfung beginnt also damit, die Bedürfnisse einer Nutzergruppe bestmöglich zu verstehen und dabei homogene und stabile Bedürfnisse abzugrenzen. Oft wird jedoch dem Verständnis der Anforderungen durch User Research mit direkter Nutzerbeteiligung zu wenig Raum gegeben. Als Resultat werden Daten zwar gepflegt, verarbeitet und bereitgestellt – sie verfehlen jedoch die Nutzerbedürfnisse. In Extremfällen sind die Nutzer sogar unbekannt.  

Werden die Anforderungen nicht oder nur teilweise erfüllt, greifen Nutzer oft trotz des neuen Datenprodukts auf manuelle oder veraltete Prozesse zurück. Ein konsequentes Datenproduktmanagement vermeidet diese Fallstricke durch eine entsprechende Mehrwert- bzw. Nutzerorientierung.  

Herausforderung 2: Mangelnde Skalierbarkeit entlang des Lebenszyklus 

Die Datenwertschöpfung ist ein komplexer Prozess, der unternehmensweit akzeptierte und praxiserprobte Abläufe voraussetzt. Solche Prozesse müssen über eine Vielzahl möglicher Anwendungsfälle skalierbar sein. In der Praxis ist diese Skalierung leider oft nicht gegeben.  

Denn oft schaffen es viele Use Cases nicht vom Projekt zum Produkt. Wunschlisten und Anforderungen können zwar formuliert werden, jedoch bedingen die mangelnde Nutzerorientierung und fehlenden Validierungsschritte zur Absicherung des Mehrwerts oft teure Fehlentscheidungen bei der Produktentwicklung. Als Konsequenz werden unter hohem Einsatz von Ressourcen Lösungen entwickelt, die dann vor der Produktivsetzung im Sande verlaufen. 

Zudem werden die Weiterentwicklung und Pflege vor allem in den späteren Lebenszyklusphasen vernachlässigt. Das ist besonders ärgerlich, wenn ein existierendes „produktives“ Datenprodukt als Grundlage für weitere Datenprodukte/Anwendungen dienen soll. Das betrifft dann beispielsweise auch aktuelle Ansätze aus dem Bereich Generative AI. Hier eröffnet beispielsweise Retrieval Augmented Generation (RAG) neue Möglichkeiten im Wissensmanagement. Die beste Suchfunktion hilft aber nicht, wenn die zugrundeliegenden Dokumente und Daten nicht ausreichend gepflegt und somit veraltet sind.  

Damit diese Prozesse unabhängig von den Voraussetzungen eines spezifischen Use Cases funktionieren, müssen klar definierte Standards, Rollen und Prozessschritte innerhalb der Organisation gelebt werden. Nur, wenn das gewährleistet ist, kann eine Organisation von wichtigen Skalen- und Lernkurveneffekten profitieren. Data Product Management entlang der Lebenszyklusphasen liefert hierfür die Grundlagen. 

Herausforderung 3: Mangelnde Wiederverwendbarkeit 

Wie die zweite Herausforderung bereits erläutert, können Datenprodukte auch aufeinander aufbauen. Der Nutzwert der zugrundeliegenden Datenprodukte vervielfacht sich, wenn bereits entwickelte Datenlösungen über Abteilungs- und Teamgrenzen hinweg wiederverwendet und kombiniert werden.  

Diese Wiederverwendbarkeit zu gewährleisten, ist jedoch die nächste Herausforderung, der viele Organisationen nicht gewachsen sind. Ein Grund dafür ist, dass sie Data (Analytics)-Verantwortlichen einen Perspektivwechsel abverlangt: weg vom Denken in einzelnen Anwendungsfällen, und hin zu einem systemischen Denken in Produktportfolios. Dieser Perspektivwechsel ist deshalb wichtig, weil nur so ein effektives Management von Abhängigkeiten und Synergien zwischen Datenlösungen gewährleistet ist – nur so gelingt die Erstellung von werthaltigen, interoperablen und skalierbaren Datenlösungen. 

Ein großes Hindernis ist dabei das Schaffen von Transparenz. Viele Organisationen haben im Laufe der letzten Jahre Datenkataloge aufgebaut. In der Realität kämpfen diese Kataloge aber mit verschiedenen Problemen, wie einem hohen Pflegeaufwand oder unvollständige Erfassungen. Aus Portfoliosicht ist daher auch eine Priorisierung notwendig, um eine Datenlandkarte aufzubauen, die auf die relevanten Datenprodukte fokussiert ist. 

Fazit 

Die bisher beschriebenen Aspekte sind in der Welt der Daten nicht neu, sondern seit vielen Jahren im Fokus verschiedener Initiativen im Datenmanagement. Allerdings wurden diese Herausforderungen bisher nicht adäquat angegangen. Auch heute sind Datenwertschöpfungsketten noch nicht vollständig nachvollziehbar, Metadaten nicht vorhanden oder gepflegt und zentralisierte Lösungen nicht nutzerorientiert genug.  

Data Product Management eröffnet eine vielversprechende Perspektive für Organisationen, um die zuvor genannten Herausforderungen anzugehen und die eigene Datenwertschöpfung maßgeblich zu verbessern. Im Data Product Management gilt das konsequente Verständnis und Management von Daten/Datenlösungen als Produkte. Es stellt damit eine Abkehr vom Konzept der Daten-Assets dar, die wie ein Schatz gehortet (und eben nicht geteilt!) werden. Das wird auch an unserer Definition eines Datenproduktes deutlich: Die nutzerzentrierte Integration von Daten und Informationstechnologie, um Aufgaben so zu unterstützen, dass echter Mehrwert entsteht.