KI erfordert Datenqualität Datenstrategie optimieren – KI-Tools leichter implementieren

Anbieter zum Thema

Cosmo Consult AG

d.velop AG

xSuite Group GmbH

Esker Software Entwicklungs-und Vertrieb

Wie können sich Unternehmen aufstellen, um die Probleme von morgen zu bewältigen? Entscheidend ist eine lebendige Datenstrategie, die Ziele abbildet und sich an veränderte Herausforderungen anpasst. Dafür sind neben der Technologie die Datenkultur und -Governance entscheidend.

Häufig ist in der Beratungspraxis zu sehen, dass die meisten KMU zwar die Bedeutung von Daten und Themen wie KI als hoch einschätzen. Dennoch fehlt häufig das Alignment zwischen einer fundierten Datenstrategie und der Unternehmensstrategie mit den konkreten Zielen – teilweise stehen die Bestrebungen sogar im Widerspruch. Welche Ziele werden insgesamt und in den einzelnen Geschäftsbereichen verfolgt? Was will das Unternehmen in seinem Markt erreichen? Wie und wie schnell möchte man wachsen? Erst die Antworten auf diese Fragen bilden die Grundlage dafür, die passenden Werkzeuge und die optimale Kultur zu finden.

In der Praxis hat sich das Framework Business Model Canvas bewährt, um Wertefluss, Kernprozesse, Lieferanten, Märkte und Stärken zu erfassen.

Ohne gelebte Datenkultur geht nichts

Beim Erarbeiten einer Datenstrategie geht es um ganz unterschiedliche Aspekte. Da ist zum einen die Datenarchitektur und die Entscheidung, welche Technologie eingesetzt wird, um die Datenlandschaft für die Zukunft operativ aufzubauen. Zum anderen geht es beim Thema Data Governance darum, den Umgang mit den Daten zu definieren. Wie werden sie über den Lebenszyklus hinweg geschützt, gesichert und gepflegt? Ebenso entscheidend ist es, eine Datenkultur aufzubauen, in der sich alle Menschen im Unternehmen wiederfinden. Dazu gehört, an konkreten Beispielen für unterschiedlichste Rollen im Betrieb zu zeigen, welche Mehrwerte mit Daten entstehen, wie sich die Entscheidungsverbindung verbessert und welchen Nutzen eine hohe Datenqualität hat.

Insgesamt gilt es, den Blick auf Daten zu verändern. Wenn den Daten ein echter Geschäftswert zugemessen wird, dann sollten sie ebenfalls als Produkte gesehen werden, für die Verantwortlichkeiten im Sinne von Data as a Product und Product Ownership definiert werden. Die Datenstrategie sollte erfassen, um welche datenbasierten Use Cases es (perspektivisch) geht und welche Daten dafür benötigt werden.

Oft wird der Schwerpunkt zu stark auf die technische Auswahl von Lösungen gelegt. Die anderen Teilbereiche der Strategie sind jedoch mindestens genauso entscheidend für den Erfolg.

Die wachsende Dynamik durch die richtige Datenstrategie bewältigen

Die Dynamiken von Märkten und in Lieferketten haben, nicht zuletzt durch technologische Innovation, aber auch durch Krisen getrieben, in den letzten Jahren stark zugenommen. Viele Branchen sehen sich mit steigenden gesetzlichen Vorgaben und wachsenden Erwartungen hinsichtlich Compliance und Zertifizierung seitens der Kunden konfrontiert. Einer der größten Road-Blocks für eine agilere Ausrichtung sind starre Unternehmenssysteme und das Silodenken. So haben traditionell Fachbereiche eigene IT-Lösungen und Datensilos mit der Entscheidungshoheit über die Daten. Selbst wenn die einzelnen Domänen sich eine abteilungsübergreifende Verfügbarkeit der Daten wünschen, ist es sehr aufwendig, in solchen Landschaften auf die Daten zuzugreifen.

Ein Umdenken ist notwendig: Die Informationen aus Daten gehören weder der Fachabteilung, noch der IT. Sie sind vielmehr ein Wert des gesamten Unternehmens. Um diese Sicht zu verankern, ist eine durchdachte Change-Begleitung notwendig. Mit dem Thema Data Governance geht es bei der Strategieplanung darum, genau zu überlegen, was erreicht werden soll und wie die nötige Datenqualität über die Zeit kontinuierlich hoch gehalten wird. Wenn hier keine Klarheit herrscht, bedeutet das ein echtes Hemmnis für Zukunftsprojekte.

KI erfordert Datenqualität

Die Verantwortung für die Daten sollte dezentral an der Stelle liegen, wo auch das Domänenwissen dazu vorhanden ist: Die Debitoren-Stammdaten checkt also am besten auch weiter die Debitorenabteilung, denn nur hier sind alle regulatorischen, organisatorischen und prozessualen Anforderungen bekannt. Allerdings liegt die Entscheidungshoheit über die Datenqualität nicht mehr beim Fachbereich. Stattdessen definiert eine übergeordnete Governance-Strategie, welche Daten eine Abteilung in welcher Form zur Verfügung stellen muss. Um wichtige Daten übergreifend verfügbar zu machen, können Datenkataloge helfen.

Datengetriebene Geschäftsmodelle basieren häufig auf KI-Lösungen, die eine Vielzahl an gut strukturierten Daten in hoher Qualität benötigen. Wurde eine saubere Datenstrategie umgesetzt, fällt die Implementierung von KI-basierten Anwendungen deutlich leichter. Hier lohnt es sich zusätzlich, ein KI-Kompetenz-Center einzurichten, das alle Use Cases begleitet und die KI-Initiativen so steuert, dass es keine Redundanzen oder Wildwuchs gibt. Vor allem dort, wo Unternehmen sich verstärkt in Richtung KI orientieren, spielt eine technologische Architektur, die Innovation unterstützt, eine zentrale Rolle. Bisher stellt die Skalierung im KI-Kontext eine große Herausforderung dar: Oft gelingt es nicht, Proofs of Concept oder Leuchtturm-Pilotprojekte wirklich in die Breite zu bringen.

Datenstrategie: Plattformen, die Datenexpertise automatisieren

Die Innovationsgeschwindigkeit im Bereich Data Analytics und KI hat mit Themen wie Generative AI noch einmal stark angezogen. Bisher stellte der Mangel an Fachkräften mit Datenexpertise ein echtes Nadelöhr dar, das die Entwicklung von KI und Big Data Analytics ausgebremst hat. Plattformen wie Microsoft Fabric ermöglichen erstmals Data Analytics as a Service und zielen darauf ab, das Datenwissen zu automatisieren und die Zusammenarbeit aller Beteiligten an Datenprodukten effizienter zu koordinieren. Durch die Kombination aus der LowCode-Entwicklung mit der Power Platform und der KI-Assistenztechnologie Copilot lässt sich die Datenanalyse weiter demokratisieren und in der Breite nutzen. Copilot übersetzt Anweisungen in natürlicher Sprache in Programm-Code. So können auch ganz normale Fachanwender Datenanalysen für die Entscheidungsfindung nutzen, die zuvor ein IT-Entwicklungsprojekt erfordert hätten.

Fabric unterstützt den architektonischen Ansatz des Data Mesh, einer dezentrale Datenarchitektur, in der Daten nicht wie bei Data-Warehouse-Ansatz immer wieder kopiert werden. Durch die übergreifende Governance wird dennoch für eine zentrale Durchgängigkeit und eine verbindliche Quelle der Wahrheit gesorgt. Ganz wichtig: Die Datenstrategie ist eine lebendige „work in progress“ und muss kontinuierlich mit Veränderungen und neuen Anforderungen abgeglichen werden.