Deutsche Märkte geschlossen

Warum die meisten Datenstrategien in Unternehmen scheitern

·Lesedauer: 8 Min.

Corona treibt die Digitalisierung. Doch oft ist es der Faktor Mensch, der den Wandel zum datengetriebenen Unternehmen blockiert. Was Manager beachten müssen.

Eine Datenstrategie? Darüber hatte sich der Familienunternehmer aus dem Raum Frankfurt jahrzehntelang keine Gedanken machen müssen. Doch als um ihn herum andere Firmen anfingen, von Big Data, Künstlicher Intelligenz – kurz KI – und Metriken zu erzählen, dachte sich der Firmenpatriarch: „Da muss ich mithalten“ – und pflanzte ein Datenlabor als digitale Keimzelle seiner Firma nach Berlin. Frei nach dem Motto: Suchst du einen Innovator, bau dir einen Inkubator.

Doch schon nach kurzer Zeit kehrte Ernüchterung bei den jungen, hippen Hauptstadtkollegen ein. Statt auf Zustimmung stießen sie bei Anfragen an die Zentrale meist auf Silos. Die Folge: Informationen wurden zurückgehalten. Anfragen von einer Abteilung an die nächste verwiesen. Die lang ersehnten Dateninnovationen? Blieben aus.

Bis heute herrscht ein Kampf der Kulturen in der kleinen Firma, den es so vielfach in deutschen Unternehmen gibt, wenn es um die eigene Datenstrategie geht. Auf der einen Seite stehen die Digitalos, denen der Wandel gar nicht schnell genug gehen kann. Auf der anderen Seite halten die Digitalisierungsdinos im Unternehmen dagegen, die sich gefühlt immer noch von der Installation ihres neuesten Team-Messengers erholen müssen.

Dabei könnte alles so schön sein: Eine Fülle von Daten verspricht, eine neue Ära im Management einzuleiten. Eine, in der Entscheidungen nicht länger auf losem Bauchgefühl fußen, sondern auf der Grundlage von validen Zahlen, Daten und Fakten gefällt werden.

Gerade jetzt in der Coronakrise wäre die Chance eigentlich groß, die Digitalisierungswelle, die die Pandemie in vielen Unternehmen losgetreten hat, zu nutzen, um zufriedenere Kunden, besser abgestimmte Prozesse oder höhere Umsätze zu generieren. „Corona hat den Informationsbedarf nach Daten noch einmal massiv getrieben“, sagt Alexander Thamm, der mehrere Dax-Konzerne zum Thema Datenstrategie berät.

Laut einer Umfrage des Unternehmenssoftware-Beraters Barc unter 700 IT-Verantwortlichen in Deutschland geht ein Viertel der Befragten davon aus, dass Corona die Transformation zu einer datengetriebenen Organisation beschleunigen wird. Ein gutes Drittel denkt außerdem, dass die Wichtigkeit von Datenanalyse und Business-Intelligence-Anwendungen seit der Pandemie zugenommen hat.

Trotzdem scheint für viele eine datengetriebene Firmenkultur noch immer utopisch. Die Folge: Nur in den wenigsten Unternehmen sind Daten die universelle Grundlage für die Entscheidungsfindung. Bauch gewinnt gegen Kopf. Doch warum ist das so schwer?

Grund 1: Das C-Level steht nicht hinter dem Wandel

„Ein Wandel zu einer datengetriebenen Kultur muss von oben vorgelebt werden“, sagt Nico Reichen, Leiter des Duisburger Büros der Wirtschaftsprüfungs- und Beratungsgesellschaft PwC und Experte für den Bereich Daten und Analyse. Doch das ist leichter gesagt als getan.

Im Fall des Familienunternehmens fehlte den Mitarbeitern aus dem Inkubator zum Beispiel ein klares Mandat des Inhabers. Die Folge: Die langjährigen und etablierten Mitarbeiter ließen Anfragen aus dem Inkubator ins Leere laufen. Ein Kraftakt.

Wie es besser geht, zeigt die Datenpolitik der Deutschen Bahn: Dort hat der Vorstand erst vor Kurzem eine Art Beweislastumkehr beim Umgang mit unternehmenseigenen Daten beschlossen. Seither müssen Abteilungen begründen, wenn sie ihre Daten nicht mit anderen Bereichen des Konzerns teilen möchten. Solche Regelungen gibt es auch in anderen Großkonzernen, berichtet Thamm: „Sie führen dazu, dass Daten schneller dort landen, wo sie hingehören“ – die Basis für jede Datenstrategie.

Grund 2: Das Management hat kein Gespür für die Skeptiker

Viel häufiger als am fehlenden Mandat des Vorstands scheitern Datenstrategien daran, dass das Management es nicht schafft, die Mitarbeiter auf allen Ebenen mitzunehmen. Gerade das mittlere Management fühle sich beim Datenthema oft überfordert, berichtet Thamm aus der Praxis: „Sie kriegen die Anweisungen von oben, eine neue Datenstrategie durchzudrücken, die sie oft selbst nicht verstehen, und wundern sich dann, warum keiner mitzieht.“ Dabei ist bei Veränderungsprozessen, Neudeutsch Change, eine Spaltung der Belegschaft ein Stück weit normal.

Um einen Überblick zu bekommen, wie groß die Lagerbildung in der Belegschaft tatsächlich ist und wo genau Bedenken liegen, könnten gerade größere Unternehmen regelmäßige Umfragen zur eigenen Datenstrategie durchführen, sagt PwC-Experte Reichen. An den Meinungsverschiedenheiten im Unternehmen ändere das natürlich wenig. „Aber“, sagt der Datenexperte, „man bekommt ein Stimmungsbild“ – und kann anschließend auf Einzelfälle gezielter eingehen.

Grund 3: Die Anwendungsbeispiele sind zu abgehoben

Am leichtesten überzeugen lassen sich Skeptiker, wenn sie etwas zum Anschauen vorgesetzt bekommen. Der ADAC etwa veranstaltet regelmäßig interne Hausmessen, auf denen Mitarbeiter der Zentrale neue Anwendungen aus dem Bereich KI ausprobieren können. Darunter sind Algorithmen, die das Anrufvolumen im Kundenservice oder die Wahrscheinlichkeit eines Mitgliederaustritts vorhersagen. Aber auch eine App, die Mitgliedern auf Basis ihres bisherigen Reiseverhaltens neue Ziele vorschlägt.

„Wir schüren das Interesse für das Thema Daten beim ADAC, indem wir ganz konkrete Ergebnisse unserer Arbeit vorstellen und so Ängste abbauen“, sagt ADAC-Digitalchef Gerrit Pohl, der vorher als Manager bei Microsoft gearbeitet hat. Wer abgehoben von Robotik und Machine Learning erzähle, „ohne zu erklären, was das im Einzelfall bedeutet, wird auf wenig Verständnis stoßen“, so Pohl, der die nächsten KI-Events Corona-bedingt virtuell abhalten wird.

Tatsächlich sei es clever, mit kleineren Anwendungsbeispielen anzufangen, „statt die ganz große Strategie auf dem Reißbrett zu entwerfen – und so am Ende des Tages nichts als Traumschlösser zu produzieren“, sagt auch Berater Thamm. Sein Tipp: in der Strategieumsetzung lieber in kleinen Schritten denken und diese vorführen. „Das bringt schneller Erfolge“ – und erhöht die Akzeptanz in der Belegschaft.

Grund 4: Der Mehrwert fürs Geschäft ist unklar

So gut konkrete Beispiele sind, oft schaffen es die technikverliebten Digitalexperten nicht, den Entscheidern im Unternehmen die Vorteile ihrer Vorhaben ausreichend schmackhaft zu machen.

Vor drei Jahren hat das Berliner „Innovation Hub“ der Lufthansa zum Beispiel eine Webseite entwickelt, auf der sich Passagiere voll automatisiert einchecken lassen können – allerdings nicht nur auf Lufthansa-Flügen, sondern auch auf Strecken der Konkurrenz. In der Frankfurter Zentrale fragten sich daraufhin viele: Kannibalisieren wir uns so nicht selbst?

Klare Antwort der Digitalexperten aus dem Hub: Nein. Ganz im Gegenteil. Denn über die Plattform im Internet erhalte der Konzern wertvolle Passagierdaten. So kann die Lufthansa via Datenzugang Leuten, die ohnehin mit einer anderen Airline flögen, zumindest noch ein Hotel oder einen Transport anbieten, an dem der Konzern mit dem Kranich mitverdiene. Höherer Umsatz und höhere Kundenzufriedenheit – „das waren die schlagenden Argumente für das Projekt“, erinnert sich Gleb Tritus, Chef des Innovationslabors von Lufthansa. Heute ist die Webseite AirlineCheckins.com eine etablierte Ausgründung des Konzerns. Auch wenn der Weg dahin zäh war: Immer wieder musste das Datenteam den Prototyp anfassen, bis der Vorstand zufrieden war.

Grund 5: Der Mehrwert für die Mitarbeiter ist unklar

„Um wirklich hinter einer Datenstrategie zu stehen, sollte jeder Mitarbeiter nicht nur den Mehrwert fürs Unternehmen, sondern auch den Mehrwert für sich selbst sehen“, sagt Digitalberater Thamm. Der Einsatz von KI in der Produktion bei BMW zeigt, wie sich diese beiden Welten in Einklang bringen lassen. So sind im Werk München an den Robotern im Karosseriebau mehr als 600 Schweißzangen im Einsatz. Geht hier bei laufender Produktion etwas kaputt, kostet das Zeit und damit Geld. Bisher wurden die Zangen deshalb täglich von einem Mitarbeiter begutachtet.

Seit Neuestem messen jedoch Sensoren dreimal pro Schicht die Reibung an den Geräten und melden, wenn etwas nicht stimmt. Eine Software kann auf Basis dieser Daten vorhersagen, wann ein Ausfall droht. So helfe KI nicht nur dabei, die Produktion beim Autobauer intelligent zu managen, wie Thomas Michel, Bereichsleiter im Werk München erklärt. „Mithilfe dieser neuen Anwendung im Karosseriebau können die Mitarbeiter ihre Arbeiten in der Instandhaltung auch deutlich besser planen.“ Bisher mussten Störungen ad hoc behoben werden. Das spart Zeit – und Stress.

Grund 6: Die Datenbasis weist grobe Lücken auf

Oft liegen Wunsch und Wirklichkeit bei Datenprojekten weit auseinander, wie das Beispiel eines Windparkbetreibers aus dem Ruhrgebiet zeigt. Der machte seinen Leuten vor einiger Zeit die Vorgabe, mithilfe von KI vorauszusagen, wann genau das Rotorblatt einer Windturbine abreißt.

Als sich die Experten daranmachten, Daten zu dem Anwendungsfall zu sammeln, fragte einer der Spezialisten, wie oft sich so ein Szenario in letzter Zeit ereignet habe. Antwort: zweimal – in fünf Jahren. Dass sich auf Basis so niedriger Fallzahlen kein Algorithmus programmieren lässt, hätte eigentlich auch dem Management klar sein müssen. Da waren aber einige Tage Arbeit schon ins Land gegangen. Am Ende entschied man sich dazu, nicht die Instandhaltung, sondern den Nutzungsgrad des Windparks zu optimieren, weil hier mehr und bessere Daten vorhanden waren.

Der Fall macht klar: Datenprojekte funktionieren oft nach dem Trial-and-Error-Prinzip. Ein Denken, das in Start-ups zwar verbreitet ist, „mit dem sich aber gerade große, etablierte Unternehmen schwertun“, wie Thamm sagt. Und: Um zu wissen, was funktioniert und was nicht, müssen Entscheider einen Überblick über ihre Daten haben.

Dabei helfen sogenannte Cloud Data Warehouses, die Daten aus vielen verschiedenen Quellen und Geschäftsbereichen integrieren und so aufbereiten, dass sie sich bereichsübergreifend verbinden, analysieren und auf wenige Kennzahlen reduzieren lassen. Die Auswahl der Indikatoren sollte eng mit Abteilung, Datenexperten und Management abgestimmt werden.

PwC-Experte Reichen rät in diesem Zusammenhang, dass Mitarbeiter maximal fünf Kennzahlen im Blick haben – je nach Ziel, das sie gerade verfolgen. „Sonst wird es schnell unübersichtlich.“ Kein Manager müsse selbst Algorithmen programmieren können, beruhigt Reichen. „Aber er sollte verstehen, auf welchen Daten sie basieren.“