Data Science im Unternehmen: Mit Daten besser entscheiden

Was Data Science leistet, welche Rollen und Werkzeuge es braucht und wie auch mittelständische Firmen mit kleinen Projekten beginnen
Aktualisiert:
Abstract
- #Data Science
- #Datenanalyse
- #Unternehmenserfolg
- #digitale Transformation
- #Machine Learning
- #Datenqualität
- #Business Intelligence
Mehr Daten allein machen kein Unternehmen klüger – entscheidend ist, welche Frage man ihnen stellt
Ein Großhändler für Sanitärbedarf bestellt seit Jahren nach Erfahrung: Im Frühjahr mehr Gartenarmaturen, vor Weihnachten weniger Baustellenware. Meistens passt das. Manchmal liegen trotzdem Paletten monatelang im Lager, während andere Artikel ausverkauft sind. Die Daten, die das hätten verhindern können, liegen längst vor – in der Warenwirtschaft, im Webshop, in den Reklamationen. Nur hat niemand sie zusammengeführt und befragt.
Genau das ist der Kern von Data Science: aus vorhandenen Daten belastbare Antworten auf konkrete Geschäftsfragen gewinnen. Seit der Begriff um 2010 populär wurde, hat sich viel verändert. Werkzeuge sind günstiger und zugänglicher geworden, generative KI hat die Erwartungen noch einmal nach oben getrieben, und mit dem AI Act und dem Data Act gibt es neue europäische Regeln. Geblieben ist eine nüchterne Erkenntnis: Der Nutzen entsteht nicht durch die Technik, sondern durch gute Fragen, saubere Daten und Menschen, die mit den Ergebnissen arbeiten.
Was Data Science eigentlich ist
Data Science verbindet drei Disziplinen: Statistik, Informatik und Fachwissen aus dem jeweiligen Geschäftsbereich. Die Statistik liefert Methoden, um Muster von Zufall zu unterscheiden. Die Informatik sorgt dafür, dass sich große und unordentliche Datenmengen überhaupt verarbeiten lassen. Und das Fachwissen entscheidet, welche Frage sich zu stellen lohnt und ob eine Antwort plausibel ist.
Hilfreich ist eine einfache Abstufung nach der Art der Frage:
- Beschreibend: Was ist passiert? Etwa: Welche Artikel wurden im letzten Quartal am häufigsten retourniert?
- Diagnostisch: Warum ist es passiert? Liegt die Retourenquote an einer bestimmten Größe, einem Lieferanten, einer Produktbeschreibung?
- Prognostisch: Was wird vermutlich passieren? Wie viele Einheiten werden in den nächsten acht Wochen nachgefragt?
- Präskriptiv: Was sollten wir tun? Welche Bestellmenge minimiert Lagerkosten und Fehlmengen zugleich?
Die ersten beiden Stufen gehören traditionell zur Business Intelligence, also zu Berichten und Dashboards. Data Science beginnt dort, wo Modelle ins Spiel kommen, die aus historischen Daten lernen und Vorhersagen treffen. Die Grenze ist fließend, und in der Praxis hängt beides voneinander ab: Wer seine Kennzahlen nicht im Griff hat, wird mit Prognosemodellen wenig anfangen können. Mehr zu den beiden oberen Stufen lesen Sie in unserem Beitrag über prädiktive und präskriptive Analytik.
Wo Data Science im Unternehmen konkret hilft
Statt abstrakter Versprechen lohnt ein Blick auf typische Einsatzfelder, die sich auch für mittelständische Unternehmen eignen.
Entscheidungen auf eine bessere Grundlage stellen
Angenommen, ein Onlinehändler überlegt, die Versandkostenfreigrenze von 50 auf 40 Euro zu senken. Statt nach Gefühl zu entscheiden, lässt sich die Änderung in einem A/B-Test für einen Teil der Besucher ausprobieren. Nach einigen Wochen zeigt sich, ob mehr Bestellungen die entgangenen Versandkosten ausgleichen. Das ist keine Raketenwissenschaft, aber es ersetzt Meinung durch Messung.
Oft zitiert wird in diesem Zusammenhang eine Auswertung, die Andrew McAfee und Erik Brynjolfsson vom MIT 2012 in der Harvard Business Review veröffentlichten: Unternehmen, die sich selbst im oberen Drittel ihrer Branche bei datengestützten Entscheidungen sahen, waren im Schnitt rund 5 bis 6 Prozent produktiver als ihre Wettbewerber. Solche Zahlen sind ein Indiz, aber kein Beweis. Sie zeigen einen Zusammenhang, keine Ursache – gut geführte Firmen nutzen vielleicht einfach auch Daten besser.
Prognosen für Planung und Einkauf
Bedarfsprognosen gehören zu den ältesten und zugleich ergiebigsten Anwendungen. Ein Modell, das Absatzdaten mit Saisonalität, Feiertagen, Wetter oder Aktionen verknüpft, sagt die Nachfrage meist genauer voraus als ein Durchschnitt der Vorjahre. Für das Beispiel des Großhändlers bedeutet das weniger gebundenes Kapital im Lager und weniger verärgerte Kunden. Ähnlich funktionieren Prognosen für Personalbedarf im Kundenservice oder für Energieverbrauch in der Produktion.
Qualität und Wartung in der Produktion
In der Industrie werten Modelle Sensordaten von Maschinen aus, um Verschleiß früh zu erkennen. Diese vorausschauende Wartung (Predictive Maintenance) klingt nach Großkonzern, lässt sich aber auch an einer einzelnen kritischen Anlage erproben. Ähnliches gilt für Bildanalyse in der Qualitätskontrolle, bei der eine Kamera fehlerhafte Teile erkennt.
Personalisierung und Kundenbindung
Empfehlungen im Webshop, die Einschätzung, welche Kunden vermutlich abwandern, oder die Frage, welche Angebote bei welchem Segment ankommen: Hier geht es um Muster im Kundenverhalten. Gerade in diesem Feld ist der Datenschutz besonders wichtig, denn es werden personenbezogene Daten verarbeitet. Dazu mehr weiter unten.
Wer Data Science macht: Rollen und Werkzeuge
Das Bild vom einzelnen Data Scientist, der alles kann, hat sich als unrealistisch erwiesen. In der Praxis teilen sich mehrere Rollen die Arbeit:
- Data Engineers bauen die Datenpipelines, also die Wege, auf denen Daten aus ERP, CRM, Webshop oder Maschinen zusammengeführt, bereinigt und gespeichert werden.
- Data Analysts beantworten Fragen mit vorhandenen Daten, bauen Berichte und Dashboards und sind oft die erste Anlaufstelle für Fachabteilungen.
- Data Scientists entwickeln statistische Modelle und Machine-Learning-Verfahren, also Algorithmen, die aus Beispieldaten Regeln ableiten.
- ML Engineers bringen solche Modelle in den Betrieb, überwachen sie und sorgen dafür, dass sie bei veränderten Daten nicht schleichend schlechter werden.
In kleineren Unternehmen übernimmt eine Person oft mehrere dieser Rollen, oder ein Teil wird extern vergeben. Nötig ist in jedem Fall jemand aus dem Fachbereich, der die Ergebnisse versteht und einordnen kann.
Bei den Werkzeugen haben sich einige Standards herausgebildet. SQL bleibt die gemeinsame Sprache für Datenbanken. Python ist mit Bibliotheken wie pandas und scikit-learn die verbreitetste Sprache für Analyse und Modellbau, R ist vor allem in der Statistik und Forschung zu Hause. Für Berichte nutzen viele Unternehmen BI-Werkzeuge wie Power BI oder Tableau. Und ja, Excel ist weiterhin im Spiel – als Werkzeug für schnelle Auswertungen durchaus legitim, als Datenbank für das ganze Unternehmen dagegen ein Risiko.
Was sich durch generative KI verändert hat
Seit dem Erscheinen von ChatGPT Ende 2022 fragen viele Unternehmen, ob klassische Data Science überhaupt noch nötig ist. Die kurze Antwort: ja, aber die Arbeit verschiebt sich.
Große Sprachmodelle helfen beim Schreiben von SQL-Abfragen und Python-Code, beim Zusammenfassen von Freitext wie Kundenrezensionen oder Tickets und beim Erklären von Ergebnissen. Viele BI-Werkzeuge bieten inzwischen Assistenten, denen man Fragen in natürlicher Sprache stellen kann. Das senkt die Einstiegshürde spürbar.
Was Sprachmodelle nicht ersetzen, sind saubere Daten und statistisches Urteilsvermögen. Ein Sprachmodell formuliert eine falsche Analyse genauso überzeugend wie eine richtige. Für Absatzprognosen oder Betrugserkennung auf Basis strukturierter Tabellen sind klassische Verfahren nach unserer Erfahrung zudem meist genauer, schneller und günstiger. Unsere Einschätzung: Generative KI ist ein nützliches Werkzeug im Data-Science-Alltag, aber kein Ersatz für die Grundlagen.
Daten, Datenschutz und Regulierung
Der häufigste Grund für gescheiterte Projekte ist nicht ein falsches Modell, sondern schlechte Daten. Doppelte Kundenstammsätze, unterschiedliche Artikelnummern in zwei Systemen, fehlende Werte oder Felder, die jede Abteilung anders befüllt: Der alte Grundsatz „Müll rein, Müll raus“ gilt unverändert. Erfahrungsgemäß fließt ein großer Teil der Projektzeit in das Aufbereiten der Daten.
Sobald personenbezogene Daten im Spiel sind, gilt die Datenschutz-Grundverordnung (DSGVO). Es braucht eine Rechtsgrundlage für die Verarbeitung, und Daten dürfen nicht ohne Weiteres für ganz andere Zwecke verwendet werden als die, für die sie erhoben wurden. Häufig lassen sich Analysen mit pseudonymisierten oder aggregierten Daten durchführen. Bei automatisierten Einzelentscheidungen mit erheblicher Wirkung, etwa einer Kreditablehnung, sieht die DSGVO zusätzliche Schutzrechte vor.
Hinzu kommen zwei jüngere EU-Verordnungen. Der AI Act (Verordnung (EU) 2024/1689) stellt Anforderungen an KI-Systeme, die je nach Risikoklasse sehr unterschiedlich ausfallen; ein Prognosemodell für den Lagerbestand fällt typischerweise nicht unter die strengen Regeln für Hochrisiko-Systeme, eines für die Bewerberauswahl dagegen schon. Der Data Act (Verordnung (EU) 2023/2854) regelt unter anderem, dass Nutzer vernetzter Geräte Zugang zu den dabei erzeugten Daten erhalten können. Diese Hinweise ersetzen keine Rechtsberatung; für konkrete Vorhaben sollten Sie Datenschutz und Rechtsabteilung früh einbinden.
So starten Sie mit Data Science
Der Weg zur datengetriebenen Organisation beginnt selten mit einer großen Plattform, sondern mit einer gut gewählten ersten Frage.
- Mit einem Geschäftsproblem beginnen, nicht mit der Technik. „Wir wollen KI einsetzen“ ist kein Projekt. „Wir wollen die Fehlmengen im Lager um ein Fünftel senken“ schon.
- Den Datenbestand prüfen. Welche Daten gibt es, wo liegen sie, wer ist verantwortlich, und wie verlässlich sind sie? Oft ist diese Bestandsaufnahme schon aufschlussreich.
- Klein anfangen und messen. Ein Pilotprojekt mit klarer Erfolgskennzahl und einigen Wochen Laufzeit zeigt schneller, ob ein Ansatz trägt, als ein Jahresprogramm.
- Die Fachabteilung von Anfang an beteiligen. Ein Modell, dem die Disponentin nicht traut, wird sie nicht nutzen. Ergebnisse verständlich aufzubereiten ist deshalb Teil der Arbeit, nicht Kür.
- Kompetenz im Haus aufbauen. Externe Unterstützung kann einen Start beschleunigen. Auf Dauer braucht es aber Mitarbeitende, die Daten lesen und kritisch hinterfragen können.
Wie sich daraus eine tragfähige Strategie entwickelt, beschreibt unser Infothek-Artikel zur skalierbaren Data-Science-Strategie. Für den Schritt von der Auswertung zur Entscheidung empfiehlt sich außerdem unser Leitfaden Von Daten zu Taten.
Was das für Ihr Unternehmen bedeutet
Data Science ist kein Allheilmittel und auch kein Selbstzweck. Überschätzt wird oft die Rolle ausgefeilter Algorithmen, unterschätzt die Arbeit an Datenqualität, Prozessen und Akzeptanz. Für die meisten mittelständischen Unternehmen liegt der größte Hebel nicht in neuronalen Netzen, sondern darin, vorhandene Daten zusammenzuführen, verlässliche Kennzahlen zu schaffen und einzelne wiederkehrende Entscheidungen – Einkauf, Preisgestaltung, Personalplanung – mit Prognosen zu unterstützen.
Wer so vorgeht, sieht oft innerhalb weniger Monate erste Ergebnisse und schafft zugleich die Grundlage für anspruchsvollere Anwendungen, einschließlich KI. Wer dagegen mit einer teuren Plattform beginnt, ohne zu wissen, welche Fragen sie beantworten soll, hat am Ende vor allem eine teure Plattform.
Wenn Sie ein erstes Data-Science-Projekt planen oder Ihr Team schulen möchten, finden Sie auf unserer Themenseite Data Science: Beratung, Coaching und Seminare einen Überblick über unsere Angebote. Geht es zunächst um Berichte und Kennzahlen, ist die Seite zu Business Intelligence der passende Einstieg.
Häufige Fragen zu Data Science im Unternehmen
Ist Data Science nur etwas für große Unternehmen?
Nein. Auch kleinere Unternehmen verfügen über verwertbare Daten aus Buchhaltung, Warenwirtschaft, Webshop oder CRM. Entscheidend ist nicht die Datenmenge, sondern eine klare Fragestellung. Viele nützliche Analysen kommen mit einigen Zehntausend Datensätzen aus.
Braucht man für Data Science ein Mathematikstudium?
Für die Entwicklung anspruchsvoller Modelle sind solide Kenntnisse in Statistik nötig. Für viele Aufgaben in Fachabteilungen reichen aber Grundlagen in Datenanalyse, ein kritischer Blick auf Zahlen und der Umgang mit Werkzeugen wie SQL, Python oder einem BI-Programm. Diese Grundlagen lassen sich in Schulungen gezielt aufbauen.
Wie lange dauert es, bis sich Ergebnisse zeigen?
Ein gut abgegrenztes Pilotprojekt, etwa eine Absatzprognose für eine Produktgruppe, kann nach einigen Wochen erste belastbare Ergebnisse liefern. Größere Vorhaben wie eine unternehmensweite Datenplattform brauchen Monate. Bewährt hat sich, mit kleinen Projekten zu beginnen und auf deren Erfahrungen aufzubauen.
Was ist der Unterschied zwischen Data Science und Business Intelligence?
Business Intelligence beschreibt vor allem, was war und was ist – in Berichten und Dashboards. Data Science geht weiter und versucht vorherzusagen, was sein wird, oder Empfehlungen abzuleiten. Beide ergänzen sich: Ohne verlässliche BI-Grundlage fehlt der Data Science das Fundament.
Kategorien
Schlagworte
- #Data Science
- #Datenanalyse
- #Digitale Transformation
- #Machine Learning
- #Business Intelligence