Eine Datenstrategie klärt insbesondere die Frage nach dem Sinn und Zweck der Daten, also wie sie der Gesamtstrategie eines Unternehmens dienen können. Eine Datenstrategie muss sich also in erster Linie an der Unternehmensstrategie ausrichten, und ihre Berechtigung nicht aus technologischer Perspektive als reinen Selbstzweck erschaffen.

Definition von Datenstrategie

Eine Datenstrategie umfasst technologische Aspekte (Hardware, Software), betriebswirtschaftliche und organisatorische Aspekte (u.a. Zielsetzungen, KPIs, Strukturen und Prozesse) sowie rechtliche Aspekte (u.a. Datenschutz). Die Entwicklung einer Datenstrategie erfordert daher im besten Fall eine Zusammenarbeit aus Datenspezialisten, Betriebswirten, Organisations- und Datenschutzexperten.

Zwei wichtige Bestandteile einer Datenstrategie sind die Datenarchitektur und die Informationsarchitektur.

  • Die Datenarchitektur beschreibt wie die definierten Daten gesammelt, gespeichert, transformiert, verteilt und konsumiert werden. Ebenso enthält die Datenarchitektur Regeln für Datenbanken, Datensysteme und für solche Systeme, die die Daten mit den jeweiligen Geschäftsprozessen verbinden. Die Datenarchitektur kann somit als ein Regel- und Strukturwerk bezeichnet werden, mit dem ermöglicht wird, dass die richtigen Daten and die richtigen Stellen kommen, um daraus Informationen zu generieren.
  • Die Informationsarchitektur ist demnach das Regelwerk und die Prozessabfolge, die mit Hilfe von einer Kontextualisierung aus Daten Informationen werden lässt. Wenn also beispielsweise Conversion-Rate Daten gemeinsam mit Tageszeiten in ein Performance-Dashboard eines Retailers fließen, lässt sich hieraus die Information ableiten zu welchen Tageszeiten die Kunden am meisten kaufen.

Offensive vs. defensive Datenstrategie

Eine Datenstrategie hat immer offensive und defensive Elemente:

  • Offensive Datenstrategie: Wie aggressiv soll die Datenstrategie die Geschäftsziele, wie z.B. Umsatz oder Kundenzufriedenheit unterstützen?
  • Defensive Datenstrategie: Soll die Datenstrategie eher auf die Minimierung von Risiken ausgerichtet sein? Dieser defensive Fokus äußert sich beispielsweise in der Nutzung IT forensischer Systeme und der Sicherstellung der Datenintegrität durch die Identifizierung, Standardisierung und Verwaltung entscheidender Daten in einer “single source of truth”.

Je nach Unternehmen und Branche können die Ausprägungen beider Ausrichtung unterschiedlich stark gewichtet sein und sich gegebenenfalls auch konterkarieren, so dass eine Datenstrategie häufig auch einen Kompromiss zwischen defensiver und offensiver Ausrichtung finden muss.

Denn während defensive Prozesse eher mit standardisierten, also vereinheitlichten Daten durchzuführen sind, vor allem bei der Einhaltung regulatorischer Anforderungen, erfordert eine offensive Datenstrategie eher flexible/ transformierbare Daten (bspw. in Business Intelligence oder Big Data Prozessen). Die Datenstrategie muss daraus oftmals resultierende Konflikte lösen.

Bewertung der strategischen Position

Folgende 16 Zielsetzungen können mit einer Datenstrategie verbunden sein und dementsprechend als Checkliste dienen. Es sollten nicht mehr als 5 Ziele ausgewählt werden, da die Datenstrategie ansonsten ihren Fokus verliert und somit zu scheitern droht.

  • 1. Reduzierung der allgemeinen Betriebskosten
  • 2. Erfüllung der branchenspezifischen gesetzlichen Anforderungen
  • 3. Verhindern von Cyberangriffen und Datenschutzverletzungen
  • 4. Minimierung operativer Risiken wie mangelhafte Zugriffskontrollen und Datenverluste
  • 5. Verbesserung der IT-Infrastruktur und Senkung der datenbezogenen Kosten
  • 6. Optimierung von Backoffice-Systemen und -Prozessen
  • 7. Verbesserung der Datenqualität (Vollständigkeit, Genauigkeit, Aktualität)
  • 8. Rationalisierung mehrerer Daten- und Informationsquellen (Konsolidierung und Beseitigung von Redundanzen)

  • 9. Umsatzsteigerung durch Cross-Selling, strategische Preisgestaltung und Kundengewinnung

  • 10. Erstellung neuer Produkte und Dienstleistungen

  • 11. Schnelle Reaktion auf Wettbewerber und Marktveränderungen

  • 12. Einsatz ausgefeilter Kundenanalysen zur Steigerung der Geschäftsergebnisse

  • 13. Neue Quellen für interne und externe Daten nutzen

  • 14. Monetarisierung von Unternehmensdaten (Verkauf als Produkt oder Dienstleistung)

  • 15. Optimierung und Erweiterung der bestehenden Kompetenz von Analysten und Datenwissenschaftlern

  • 16. Return on Investment durch eine große Daten- und Analyseinfrastruktur

Fallstricke einer Datenstrategie

Um mit der Masse an Daten erfolgreich umzugehen muss sichergestellt werden, dass die Daten richtig definiert, aufgabenbezogen und strukturiert sind. Das mag trivial klingen, aber statt dass Daten „aufgabenbezogen“ bearbeitet werden, erhofft man sich in vielen Unternehmen mit einer unstrukturierten und nicht zuletzt dadurch auch überforderten Arbeitsweise irgendwie eine Antwort darauf zu finden mit welchen Daten man welche Probleme lösen oder Fragen beantworten kann. Das Hauptproblem für solch eine Datenüberforderung liegt meistens in der unkontrollierten Entstehung von Datensilos innerhalb des Unternehmens.

Datensilos

Jede Abteilung nutzt für sich entsprechende Tools, um für sich relevante Daten zu erheben und zu bearbeiten – im besten Fall. Der ganzheitliche Überblick über die Tool- und Datenstruktur geht dabei verloren. Oftmals kommt hinzu, wie zuvor auch indirekt angesprochen, dass Tools und IT-Systeme mehr mit der naiven Hoffnung implementiert werden, dass diese Tools und Systeme irgendwie und irgendwelche Daten ausspucken, die einem schon sagen was wichtig ist, und was gemacht werden muss.

Die Auseinandersetzung mit Problemstellungen und daraus ableitbarer konkreter Fragestellungen und Bedarfsformulierungen im Rahmen einer Digital Due Diligence, kommt in vielen Fällen zu kurz. Entgegen der „mehr hilft mehr“ Mentalität ist es die notwendige Aufgabe des Managements im Rahmen des Geschäftsmodells klar vorzugeben, für welche betriebswirtschaftlich relevante Ziele Daten verwendet werden sollen.

Sollen beispielsweise Daten verkauft werden, sollen im IoT Sinne Daten gezielt durch Produkte und Services generiert werden um somit bspw. Prozesse zu optimieren und effizienter zu gestalten, oder sollen die Daten der besseren strategischen Entscheidungsfindung dienen? Derartige Fragen, die den Business Value betreffen, müssen definiert und vorgegeben werden, andernfalls entsteht eine Orientierungslosigkeit, die sich in fragmentierten und in isolierten Silos.

Organisatorische Schwächen

Allein die Tatsache, dass überhaupt mehr oder weniger unkontrollierte und ineffiziente Datensilos entstehen können zeigt das Paradoxon, dass, obwohl Daten als das neue Gold gesehen werden, nicht entsprechend mit ihnen umgegangen wird. Hauptgrund dafür ist in den meisten Fällen eine fehlende Expertise in Unternehmen, und der Grund hierfür wiederum ist der, dass das Management noch immer eine gedankliche Schere im Kopf hat, die zwischen IT und Business trennt.

Und gerade diese Notwendigkeit des Verständnisses von IT und Business als eine gemeinsame Einheit, erfordert ebenso, dass die „Datenexperten“ ebenso auch ein fundiertes betriebswirtschaftliches Verständnis entwickeln. Es bedarf also eines wechselseitigen Verständnisses und Austausches, und nicht einfach nur Top-Down Ansagen im Sinne von „digitalisiert mal die Prozesse“. Somit sind auch die Unternehmensstruktur und Unternehmenskultur äußerst wichtige Faktoren, die über Erfolg und Misserfolg einer Datenstrategie entscheiden. Denn letztlich sind Datensilos immer das Ergebnis organisatorischer Silos.

So sind sich also Führungskräfte der Bedeutung von Daten bewusst, aber in der Regel können sie nicht auf einfache Fragen wie „Welche Daten sind für das Unternehmen wichtig“ oder „wie plant ihr eure Daten direkt oder indirekt zu monetarisieren“? Wer also im erfolgreichen Umgang mit Daten denkt, dass, überspitzt gesagt, die EDV Abteilung das schon neben Drucker-Installationen und Server-Backups machen kann, oder ausschließlich externe Dienstleister, wird scheitern. Das Unternehmen muss ganzheitlich an einer zu planenden und definierenden Datenstrategie ausgerichtet werden.

Zu hohe Erwartungen

Ein weiteres Problem durch das Datenstrategien gefährdet werden können, sind zu hohe Erwartungen. Unternehmen, die sich der Bedeutung von Daten und eines entsprechenden Umgangs damit bewusst sind, starten häufig mit zu komplexen und zu teuren Systemen, statt langsam und kostengünstiger zu skalieren. Auch dieses Problem ist in den meisten Fällen auf zu wenig Expertise, auf zu geringe horizontale und vertikale Kommunikation und auf die dafür nicht vorhandenen Strukturen zurückzuführen.