Daten als Unternehmensstrategie: mehr als nur ein Schlagwort

Wie eine Datenstrategie Verantwortlichkeiten, Datenqualität und Zugriff regelt und welchen Rahmen DSGVO und Data Act setzen
Aktualisiert:
Abstract
- #Datenstrategie
- #Unternehmensstrategie
- #Datenmanagement
- #Datenkultur
- #Datenanalyse
- #Datenverarbeitung
- #Datenqualität
- #Data Governance
- #Data Act
Der Satz „Daten sind strategisch“ bewirkt nichts. Wirksam wird eine Datenstrategie erst, wenn sie Zuständigkeiten, Qualität und Ziele festlegt
In fast jeder Strategiepräsentation steht irgendwo der Satz „Daten sind ein strategisches Gut“. Kaum jemand widerspricht, und kaum etwas ändert sich danach. Der Vertrieb pflegt seine Kundenliste weiter in Excel, das ERP-System kennt andere Kundennummern als das CRM, und wenn die Geschäftsführung wissen will, wie viel Umsatz mit Neukunden im letzten Quartal entstand, liefern zwei Abteilungen zwei verschiedene Zahlen.
Das Problem ist nicht der Satz, sondern dass er keine Entscheidung enthält. Niemand würde sagen „Personal ist strategisch“ und es dabei belassen. Für Personal gibt es Zuständigkeiten, Budgets, Prozesse und Ziele. Eine Datenstrategie leistet dasselbe für Daten: Sie legt fest, welche Daten ein Unternehmen für seine Ziele braucht, wer für sie verantwortlich ist, in welcher Qualität sie vorliegen müssen und wer sie nutzen darf.
Was eine Datenstrategie ist und was nicht
Eine Datenstrategie ist kein Technologieplan. Die Auswahl einer Datenplattform, eines BI-Werkzeugs oder eines Cloud-Anbieters gehört zur Umsetzung, nicht zur Strategie. Wer mit der Frage „Welches Tool kaufen wir?“ beginnt, landet oft bei einem teuren System, das niemand nutzt, weil die Daten darin nicht stimmen.
Bewährt hat sich, eine Datenstrategie entlang von vier Bereichen zu denken:
- Ziele: Welche Geschäftsentscheidungen sollen Daten besser machen? Etwa Lagerbestände planen, Kundenabwanderung früh erkennen oder Preise kalkulieren.
- Menschen und Verantwortung: Wer pflegt welche Daten, wer entscheidet über Zugriff, wer kann sie auswerten?
- Prozesse: Wie entstehen Daten, wie werden sie geprüft, korrigiert und gelöscht?
- Technik: Welche Systeme speichern, verbinden und stellen Daten bereit?
Die Reihenfolge ist Absicht. Technik ist selten das Haupthindernis, wenn Datenprojekte scheitern. Häufiger fehlen klare Ziele, Zuständigkeiten oder die Bereitschaft, Abläufe zu ändern.
Abgrenzung zur KI-Strategie
Seit generative KI in vielen Unternehmen angekommen ist, wird die Datenstrategie oft als Vorstufe der KI-Strategie verstanden. Das ist halb richtig. Ohne gepflegte Daten bleiben KI-Anwendungen, die auf firmeneigenes Wissen zugreifen sollen, unzuverlässig. Eine Datenstrategie hat aber auch ohne KI ihren Wert, etwa für Controlling, Planung und Berichtswesen. Wie die Führung KI-Projekte auswählt und steuert, beschreibt der Beitrag zur KI-Transformation aus Sicht von Führungskräften.
Wem die Daten gehören: Verantwortung statt Besitz
Lange galt in vielen Unternehmen die stille Regel: Die IT „besitzt“ die Daten. Sie betreibt die Systeme, also ist sie auch für die Inhalte zuständig. Diese Vorstellung führt zu Engpässen. Jede Auswertung wird zum Ticket, Fachabteilungen bauen Schattenlösungen in Tabellenkalkulationen, und für Fehler in den Daten fühlt sich niemand verantwortlich, weil die IT die Inhalte fachlich gar nicht beurteilen kann.
Moderne Ansätze trennen deshalb zwei Rollen:
- Fachliche Verantwortung (häufig „Data Owner“ genannt): Die Fachabteilung, die die Daten erzeugt und am besten versteht, ist für Inhalt, Bedeutung und Qualität zuständig. Für Kundenstammdaten etwa der Vertrieb, für Artikelstammdaten der Einkauf oder das Produktmanagement.
- Technische Verantwortung: Die IT sorgt für Betrieb, Sicherheit, Schnittstellen und Datensicherung.
Dazwischen sitzen oft „Data Stewards“, Beschäftigte in den Fachbereichen, die sich im Alltag um Pflege und Definitionen kümmern. Angenommen, ein Großhändler stellt fest, dass derselbe Kunde dreimal mit unterschiedlicher Schreibweise im System steht. Mit klaren Rollen weiß jeder, wer die Dubletten bereinigt und wer die Regel festlegt, damit sie nicht wieder entstehen.
Das Regelwerk aus Rollen, Richtlinien und Abläufen nennt man Data Governance. Es klingt schwerfällig, beginnt aber klein: eine Liste der wichtigsten Datenbereiche mit je einer verantwortlichen Person reicht für den Anfang.
Datenqualität: der unspektakuläre Kern
Daten werden häufig mit Rohstoffen verglichen; „Daten sind das neue Öl“ ist ein viel zitierter Satz. Der Vergleich stimmt in einem Punkt: Wie Rohöl sind Rohdaten wenig wert, solange sie nicht aufbereitet werden. In einem anderen Punkt hinkt er. Öl verbraucht sich, Daten veralten. Eine Adresse, die vor drei Jahren stimmte, ist heute vielleicht falsch.
Datenqualität lässt sich an einigen Dimensionen festmachen: Vollständigkeit (fehlen Pflichtfelder?), Richtigkeit (stimmen die Werte?), Aktualität, Eindeutigkeit (keine Dubletten) und Einheitlichkeit (gleiche Begriffe und Formate in allen Systemen). Wichtig ist, Qualität dort zu sichern, wo Daten entstehen. Ein Pflichtfeld oder eine Plausibilitätsprüfung im Erfassungsformular kostet wenig. Eine spätere Bereinigung kostet viel.
Ein oft unterschätzter Baustein ist ein gemeinsames Begriffsverständnis. Was ist ein „aktiver Kunde“? Wer im letzten Jahr gekauft hat, oder wer einen laufenden Vertrag hat? Solange Vertrieb und Controlling das unterschiedlich definieren, helfen auch die schönsten Dashboards nicht. Eine Strategie für dauerhaft gute Datenqualität beschreibt der Leitfaden zur nachhaltigen Datenmanagement-Strategie.
Zugang zu Daten: offen, aber kontrolliert
Daten nützen nur, wenn die richtigen Menschen sie nutzen können. Viele Unternehmen sind zu restriktiv: Wer eine Auswertung braucht, wartet Wochen auf einen Bericht. Das Gegenmodell ist der Selbstbedienungsansatz, bei dem Fachabteilungen mit BI-Werkzeugen wie Power BI selbst auswerten.
Offener Zugang heißt aber nicht, dass alle alles sehen. Personenbezogene Daten, Gehälter oder Vertragsdetails brauchen Schutz. Bewährt hat sich ein rollenbasiertes Zugriffsmodell: Wer welche Daten sehen darf, hängt von der Aufgabe ab, wird dokumentiert und regelmäßig überprüft. Oft lassen sich Auswertungen auch mit zusammengefassten oder pseudonymisierten Daten erledigen, bei denen Namen durch Kennungen ersetzt sind.
Der rechtliche Rahmen: DSGVO, Data Act und Wettbewerbsrecht
Eine Datenstrategie bewegt sich in einem rechtlichen Rahmen, der in der EU in den letzten Jahren deutlich dichter geworden ist. Die folgenden Punkte sind eine allgemeine Übersicht, keine Rechtsberatung.
- DSGVO: Für personenbezogene Daten gelten seit 2018 die Grundsätze der Datenschutz-Grundverordnung, darunter Zweckbindung, Datenminimierung und Speicherbegrenzung. Wer Kundendaten für neue Zwecke auswerten will, etwa für ein Prognosemodell, muss prüfen, ob es dafür eine Rechtsgrundlage gibt.
- Data Act: Die Verordnung (EU) 2023/2854 gilt seit dem 12. September 2025. Sie gibt Nutzern vernetzter Produkte, etwa von Maschinen, Fahrzeugen oder Haushaltsgeräten, ein Recht auf Zugang zu den Daten, die bei der Nutzung entstehen, und regelt den Wechsel zwischen Cloud-Anbietern. Für Hersteller vernetzter Geräte bedeutet das neue Pflichten, für deren Kunden neue Möglichkeiten.
- Data Governance Act: Die Verordnung (EU) 2022/868 regelt seit September 2023 unter anderem Datenvermittlungsdienste und die Weiterverwendung bestimmter Daten öffentlicher Stellen.
- Wettbewerbsrecht: Große Plattformen dürfen Daten nicht beliebig zum eigenen Vorteil einsetzen. Die EU-Kommission akzeptierte 2022 Zusagen von Amazon, nicht öffentliche Daten unabhängiger Händler nicht mehr für das eigene Handelsgeschäft zu nutzen. Zuvor war kritisiert worden, dass Amazon Verkaufsdaten auswertete, um eigene Produkte wie die Eigenmarke Amazon Basics zu platzieren.
Das Amazon-Beispiel zeigt beides: wie viel Wert in Daten steckt, die im Tagesgeschäft ohnehin anfallen, und dass ihre Nutzung Grenzen hat. Für mittelständische Unternehmen ist vor allem der Data Act interessant. Wer Maschinen eines Herstellers betreibt, kann nun unter bestimmten Voraussetzungen die Betriebsdaten anfordern und selbst auswerten oder an einen Dienstleister weitergeben.
Von der Strategie zur Umsetzung: ein realistischer Fahrplan
Eine Datenstrategie muss kein hundertseitiges Dokument sein. Für die meisten Unternehmen genügen einige klare Schritte:
- Geschäftsfragen sammeln: Welche drei bis fünf Entscheidungen würden mit besseren Daten deutlich besser? Daraus ergibt sich, welche Daten wirklich wichtig sind.
- Bestand aufnehmen: Wo liegen diese Daten heute, in welcher Qualität, und wer pflegt sie?
- Verantwortung festlegen: Für jeden wichtigen Datenbereich eine fachlich verantwortliche Person benennen.
- Mit einem Pilot beginnen: Ein Bereich, eine konkrete Fragestellung, ein messbares Ergebnis, etwa ein verlässlicher Umsatzbericht, auf den sich Vertrieb und Controlling einigen.
- Kompetenzen aufbauen: Beschäftigte brauchen Grundwissen im Umgang mit Daten, von der Interpretation von Diagrammen bis zum kritischen Blick auf Kennzahlen. In vielen Teams gibt es bereits Menschen mit Interesse und Talent dafür, die sich als Ansprechpartner eignen.
- Fortschritt messen: Etwa die Zeit bis zu einer Auswertung, die Zahl der Dubletten oder den Anteil der Berichte, die auf einer gemeinsamen Datenbasis beruhen.
Mit dem ersten Pilot sind oft vergleichsweise schnell sichtbare Verbesserungen möglich. Der Wandel der Arbeitsweise, also dass Entscheidungen selbstverständlich auf geprüften Daten beruhen, braucht deutlich länger.
Was das für Ihr Unternehmen bedeutet
Eine Datenstrategie ist weniger eine Frage der Technik als der Organisation. Die größten Hebel sind unspektakulär: klare Zuständigkeiten, gemeinsame Begriffe und Qualitätssicherung bei der Erfassung. Wer diese Grundlagen schafft, profitiert mehrfach, bei Berichten und Planung ebenso wie später bei KI-Anwendungen.
Überschätzt wird oft der Nutzen großer Plattformprojekte zu Beginn. Unterschätzt wird, wie viel ein einzelner sauber gelöster Anwendungsfall bewirkt, weil er zeigt, dass sich der Aufwand lohnt. Und mit Data Act und DSGVO lohnt es sich, rechtliche Fragen früh mitzudenken statt sie nachträglich zu klären.
Unsere Empfehlung: Beginnen Sie mit den Geschäftsfragen und den Verantwortlichkeiten, nicht mit dem Werkzeug. Wer Rollen, Richtlinien und Abläufe für den Umgang mit Daten aufbauen will, findet unter Data Governance unsere Angebote zu Beratung und Seminaren. Für die Auswertung selbst gibt es Unterstützung bei Datenanalyse-Tools und Dashboards.
Häufige Fragen zur Datenstrategie
Brauchen wir eine Datenstrategie, wenn wir schon BI-Werkzeuge einsetzen?
Ja. Ein BI-Werkzeug zeigt Daten an, sorgt aber nicht dafür, dass sie stimmen, einheitlich definiert sind oder dass jemand für sie verantwortlich ist. Gerade wenn mehrere Abteilungen eigene Berichte bauen, wird eine gemeinsame Grundlage wichtig.
Wie passen offener Datenzugang und Datenschutz zusammen?
Über ein rollenbasiertes Zugriffsmodell. Beschäftigte sehen die Daten, die sie für ihre Aufgaben brauchen. Viele Auswertungen kommen mit zusammengefassten oder pseudonymisierten Daten aus. Schulungen im Datenschutz gehören dazu.
Wie lange dauert es, bis eine Datenstrategie wirkt?
Ein gut gewählter Pilot kann vergleichsweise schnell erste Ergebnisse liefern. Eine Arbeitsweise, in der Entscheidungen selbstverständlich auf geprüften Daten beruhen, entsteht dagegen erst über einen deutlich längeren Zeitraum. Feste Zeitangaben sind wenig seriös, weil sie stark von Größe, Ausgangslage und Systemlandschaft abhängen.
Betrifft uns der Data Act, wenn wir keine vernetzten Geräte herstellen?
Möglicherweise als Nutzer: Wenn Sie vernetzte Maschinen, Fahrzeuge oder Geräte einsetzen, können Sie unter bestimmten Voraussetzungen Zugang zu deren Nutzungsdaten verlangen. Außerdem erleichtert der Data Act den Wechsel zwischen Cloud-Diensten.