Fast jedes Unternehmen sammelt heute Daten (das neue Öl für die ältern unter uns). Und fast jedes behandelt sie anschließend wie Müll. Nach meiner Erfahrung nach liegt ein Großteil aller Unternehmensdaten ungenutzt in Systemen – gespeichert, bezahlt, gesichert und nie wieder benutzt. Das ist der eigentliche Skandal hinter dem Modewort „datengetrieben“: Nicht der Mangel an Daten, sondern die systematische Weigerung, mit ihnen etwas zu tun.
Data to Insights (Value Chain)
Die Data Value Chain ist ein Werkzeug, das genau diese Lücke sichtbar machen soll. Dazu muss man sie jedoch gegen den Strich lesen. Die gängige Darstellung verführt nämlich zu einem teuren Denkfehler: Sie wird von links nach rechts gelesen, von der Datenerfassung bis zur Nutzung. Genau in dieser Reihenfolge investieren Unternehmen meist. Sie stecken Geld und Aufmerksamkeit in die linke Hälfte – Sammeln, Speichern und Aufbereiten – und hoffen, dass rechts irgendwann ein Wert entsteht. Das ist der Grund, warum so viele Datenprojekte scheitern. Meine These lautet daher: Eine von links aufgebaute Data Value Chain produziert vor allem volle Festplatten.
Das Konzept der Wertschöpfungskette wurde ursprünglich 1985 von Porter entwickelt, um zu zeigen, wie ein Unternehmen aus Rohstoffen über Produktion, Vertrieb und Service Schritt für Schritt Wert aufbaut. Der entscheidende Gedanke war dabei nie die Kette selbst, sondern die Frage: Welcher Schritt fügt tatsächlich Wert hinzu und welcher verbrennt nur Ressourcen? Für das Data Management ist es ein pragmatisches Konstrukt und Werkzeug, um Engpässe zu identifizieren. Genau hier liegt der Wert des Modells – und zugleich seine Gefahr. Als Analysewerkzeug ist es hervorragend geeignet. Als Poster im Data-Office oder in PPTX ist es hingegen nutzlos.
Der technische, kontrollierbare, Teil (Identify, Acquire, Store, Prepare, Cleanse, Release) ist verhältnismäßig einfach. Man kann ihn ausschreiben, an Dienstleister vergeben, in Ticketsystemen abbilden und mit Fortschrittsbalken versehen.
Wie die Daten genutzt werden und welchen Einfluss sie auf Entscheidungen haben, ist eine ganz andere Sache. Hierbei geht es nicht mehr um Technik, sondern um Menschen, Gewohnheiten und Macht. „Encourage data use for decisions“ und „Build habits of data use“ sind keine IT-Aufgaben. Es sind Verhaltensänderungen. Und Verhaltensänderungen lassen sich nicht einfach umsetzen.
Genau deshalb scheitert es in der Praxis fast immer an derselben Stelle: nach der Veröffentlichung. Das bloße Sammeln und Bereitstellen von Daten erzeugt keinen Wert. Es entstehen Kosten. Laut Gartner belaufen sich die Folgen schlechter Datenqualität auf durchschnittlich 12,9 Millionen Dollar pro Jahr und Unternehmen (https://www.gartner.com/en/data-analytics/topics/data-quality). Das ist Geld, das zum Teil für Daten ausgegeben wird, die niemand nutzt oder denen niemand traut.
„Daten sind das neue Öl“ – eine Metapher, die in die Irre führt
Die Erzählung, mit der Datenstrategien seit Ewigkeiten verkauft werden, lautet: Daten seien das neue Öl. Sie klingt gut, ist aber trotzdem falsch. Wer dieser Meinung ist, glaubt, dass der Wert von Daten in der geförderten Menge steckt. Also fördert er mehr. Er baut Data Lakes, kauft Speicher und richtet Pipelines ein.
Meiner Meinung nach wurde die Datenrevolution jedoch nicht durch das Volumen der Daten ausgelöst, sondern durch die Erkenntnis, dass Daten wertvolle Verwendungen haben. Öl hat Wert, sobald es aus dem Boden kommt. Daten hingegen haben erst dann einen Wert, wenn jemand auf ihrer Grundlage anders handelt als vorher. Ein Datensatz, der keine Entscheidung verändert, ist ökonomisch wertlos – egal, wie sauber, wie vollständig oder wie schön er visualisiert ist. Genau das verfehlt die linkslastige Denkweise: Wert entsteht ausschließlich am rechten Ende der Kette, im Schritt „Change“.
Warum Silos kein Technikproblem sind
Der meistgenannte Grund für ungenutzte Daten sind Silos, also abgeschottete Datenbestände, die nicht miteinander „sprechen”. Die übliche Reaktion darauf ist ein Technikprojekt: eine zentrale Plattform, ein Data Warehouse oder ein „Single Point of Truth“.
Das behandelt jedoch nur das Symptom. Silos entstehen jedoch selten, weil die Technik es erzwingt. Sie entstehen, weil Abteilungen ihre Daten als Besitz begreifen und das Teilen als Kontrollverlust erleben. Selbst wenn man die schönste Plattform baut, wird der Vertrieb seine Daten weiter zurückhalten, in schlechter Qualität (Aggregate, Teilmengen) einspeisen oder ein eigenes System nutzen, wenn er weiterhin fürchtet, dass offengelegte Zahlen seine Schwächen zeigen. Der teuerste Flaschenhals sitzt fast nie in der Datenbank. Er liegt in den Anreizen der Menschen, die die Daten produzieren und nutzen sollen. Daher wird selbst die beste Datenproduktstrategie ohne eine Verhaltensänderung nur wenig Wirkung zeigen.
Es gibt ein starkes Gegenargument, das man nicht kleinreden sollte: Ohne eine solide linke Hälfte (die Technik) gibt es keine rechte (den Nutzen). Wer schlechte, unvollständige oder nicht vertrauenswürdige Daten produziert, darf sich nicht wundern, wenn niemand danach handelt. Vertrauen entsteht durch Transparenz und Nachvollziehbarkeit – beides muss bereits beim Sammeln und Aufbereiten der Daten gewährleistet sein. Datenqualität ist kein Luxus schlechte Daten kosten Millionen und lassen inzwischen sogar KI-Projekte scheitern, nur sieht man diese Kosten nicht. Sie entstehen durch Doppelarbeit und falsche Entscheidungen.
Der Einwand ist daher zwar richtig, trifft die These aber trotzdem nicht. Denn es geht nicht um die Reihenfolge des Bauens, sondern um die Reihenfolge des Denkens. Die Kette muss weiterhin von links nach rechts durchlaufen werden. Aber man muss sie von rechts nach links planen. Die erste Frage lautet nicht „Welche Daten haben wir?“, sondern „Welche Entscheidung soll geändert werden und welche Informationen bräuchte es dafür?“ Von dieser Antwort aus arbeitet man rückwärts: Welche Analyse, welche Aufbereitung, welche Datenquelle? Alles, was auf diesem Rückweg nicht benötigt wird, muss nicht gesammelt werden.
Der erste Schritt heißt daher nicht „Daten sammeln“, sondern „Consult with stakeholders & determine levels of granularity“. Der Bedarf steht am Anfang, nicht die Quelle. Die meisten Umsetzungen ignorieren diesen ersten Schritt und beginnen de facto bei „Acquire Data“. Damit ist die ist der Kern für ein Scheitern eines Datenprojekts schon gelegt, bevor die erste Zeile geschrieben ist.
Was das für die Umsetzung heißt
Eine Data Value Chain zu implementieren bedeutet daher zunächst einmal, für jedes geplante Datenprodukt eine konkrete Entscheidung zu benennen, die es verändern soll, sowie eine Person, die diese Entscheidung trifft. Gibt es diese Person nicht oder kann sie keine Auskunft darüber geben, was sie anders tun würde, wird das Produkt nicht gebaut. Kein Dashboard ohne Adressaten. Kein Datensatz ohne Verwendung. Das klingt hart, aber nur so kann man später einen Nutzen bestimmen.
Der zweite Schritt besteht darin, die Nutzung statt der Produktion zu messen. Die meisten Datenteams berichten, wie viele Datenquellen sie angebunden haben, wie viele Reports sie erstellt haben oder wie oft ein Report aufgerufen wurde. Das ist die Fördermenge, nicht der Nutzen. Interessant ist die einzige Zahl, die zählt: Wie viele Entscheidungen wurden anders getroffen, weil die Daten vorhanden waren? Diese Zahl ist unbequem, weil sie oft klein ist und sich nur schwer ermitteln lässt. Genau deshalb wird sie selten erhoben.
Im dritten Schritt sollte die einfachste Lösung bevorzugt werden, die den Zweck erfüllt. Nicht jede Frage braucht eine Plattform – was die meisten Hersteller sicherlich verneinen würden. Manche benötigen eine saubere Tabelle und eine Person, die sie erläutert. Komplexe Probleme dürfen komplexe Antworten verlangen, doch Komplexität hat ihren Preis. Wenn eine schlichte Regel dasselbe leistet wie ein Governance-Apparat, sollte die Regel den Vorzug erhalten.
Die eigentliche Frage
Bevor also die nächste Plattform beschafft und der nächste Data Lake befüllt wird, lohnt sich die folgende Frage: Wenn Ihr Unternehmen morgen aufhören würde, neue Daten zu sammeln, und stattdessen nur die vorhandenen wirklich nutzen würde – würde irgendjemand den Unterschied überhaupt bemerken? Wer diese Frage ehrlich beantwortet, braucht die halbe Strategie nicht mehr.
Quellen
