Unternehmen investieren in neue Systeme, automatisieren Abläufe und erproben den Einsatz von KI. Wie viel diese Vorhaben im Betrieb bewirken, hängt wesentlich davon ab, wie gut die zugrunde liegenden Daten verstanden, gepflegt und genutzt werden. Eine moderne Anwendung kann nur begrenzt helfen, wenn Fachbereiche mit unterschiedlichen Definitionen arbeiten oder die Qualität wichtiger Daten ungeklärt ist.
Datenkompetenz umfasst deshalb mehr als den sicheren Umgang mit einzelnen Werkzeugen. Sie bedeutet, fachliche Zusammenhänge zu verstehen, Verantwortung für Daten zu übernehmen und deren Qualität über Systemgrenzen hinweg sicherzustellen. Bei einer Datenmigration ist das ebenso wichtig wie bei der Einführung von KI oder der Integration eines Unternehmensbereichs.
Welche Fragen beantwortet dieser Beitrag?
Wie beeinflusst Datenqualität den Nutzen von Automatisierung und KI?
Was müssen Unternehmen bei Migrationen und Veränderungen ihrer Systemlandschaft berücksichtigen?
Wie lässt sich Datenkompetenz mit einem überschaubaren, konkreten Vorhaben aufbauen?
Warum stellt Automatisierung höhere Anforderungen an die Datenqualität?
Die These „Alles, was automatisiert werden kann, wird automatisiert werden“ lenkt den Blick auf eine wichtige unternehmerische Aufgabe: Unternehmen müssen beurteilen können, welche Prozesse sich verlässlich automatisieren lassen und welche Voraussetzungen dafür noch fehlen.
In bestehenden Abläufen gleichen erfahrene Mitarbeitende viele Unstimmigkeiten aus. Sie kennen abweichende Materialnummern, ergänzen fehlende Angaben und wissen, welche Quelle für einen Bericht maßgeblich ist. Dieses Wissen ist wertvoll, bleibt aber häufig an einzelne Personen gebunden.
Für automatisierte Prozesse müssen solche Zusammenhänge in nachvollziehbare Regeln überführt werden. Andernfalls können fehlerhafte Zuordnungen oder uneinheitliche Definitionen in weitere Systeme und Auswertungen gelangen. Zur Vorbereitung gehört deshalb, relevante Daten, Ausnahmen und Prüfschritte gemeinsam mit den Fachbereichen zu klären.
Wie wirkt sich Datenkompetenz auf den Unternehmensalltag aus?
Die Gegenüberstellung zweier Unternehmen mit vergleichbarer Technologie verdeutlicht den Unterschied. In einem Unternehmen sind Datenverantwortung, Definitionen und Qualitätsanforderungen abgestimmt. Im anderen werden Unstimmigkeiten vor allem im Tagesgeschäft korrigiert. Beide können ihre Systeme betreiben, der Aufwand für Automatisierung und Veränderungen unterscheidet sich jedoch erheblich.
Datenkompetenz macht solche Abhängigkeiten sichtbar und bearbeitbar. Wie weit ein Unternehmen dabei gehen muss, richtet sich nach dem jeweiligen Prozess, den Risiken und dem erwarteten Nutzen.
Aus der Praxis: ZEISS
Klare Datenverantwortung und gemeinsame Standards in der praktischen Umsetzung.
Was zeichnet eine gesicherte Datenmigration aus?
Eine Datenmigration erfordert ein gemeinsames Verständnis der fachlichen Bedeutung von Daten und ihrer Abbildung im Zielsystem. Gleiche Feldnamen können unterschiedliche Inhalte bezeichnen, während Informationen aus mehreren Datensätzen künftig in einem Objekt zusammengeführt werden. Ein technisch erfolgreicher Import sagt daher noch wenig darüber aus, ob die späteren Arbeitsabläufe korrekt unterstützt werden.
Bei einem internationalen Pharmakonzern begleitete ascendo die Überführung von mehr als 50.000 Stammdaten aus SAP R/3 in die Environmental-Monitoring-Plattform MODA. Die unterschiedlichen Datenmodelle erforderten unter anderem eine neue Zuordnung von Testmethoden und Probenahmestellen.
Dadurch konnte sich die Anzahl der Datensätze bei der Transformation verändern. Ein Mengenvergleich zwischen Ausgangs- und Zielsystem hätte für sich genommen keine belastbare Aussage zur fachlichen Richtigkeit geliefert. ascendo verband die technische Aufbereitung deshalb mit einem risikobasierten Verifikationsansatz und der Prüfung durch die zuständigen Fachexperten.
Das Beispiel zeigt, warum Datenmigration, Prozessverständnis und Qualitätssicherung zusammen geplant werden sollten. Die maßgebliche Frage ist, ob die Informationen im neuen System vollständig, richtig zugeordnet und für den vorgesehenen Prozess nutzbar sind.
Aus der Praxis: Datenmigration im Pharmaumfeld
Wie mehr als 50.000 Stammdaten fachlich transformiert und geprüft wurden.
Welche Datenfragen stellen sich bei einer Unternehmensintegration?
Bei einer Übernahme, Eingliederung oder Ausgliederung müssen Unternehmen festlegen, welche Datenbestände übernommen, zusammengeführt oder getrennt werden. Gleichzeitig ändern sich häufig Zuständigkeiten, Berechtigungen und die Verfügbarkeit bisheriger Systeme.
Ein zusammengeführter Kundenstamm ist beispielsweise erst dann im Alltag nutzbar, wenn auch Kundennummern, Verträge und offene Vorgänge richtig zugeordnet sind. Dafür braucht es abgestimmte Übernahmeregeln, geklärte Zugriffsrechte und Tests der betroffenen Geschäftsprozesse.
Je früher diese Abhängigkeiten in die Transformationsplanung einfließen, desto besser lassen sich Prüfumfänge und Übergangsmaßnahmen vorbereiten. Fachbereiche, IT und Projektverantwortliche sollten deshalb von Beginn an gemeinsam an den Datenfragen arbeiten.
Wie werden Unternehmen dauerhaft bereit für den KI-Einsatz?
Die Anforderungen an Daten ergeben sich aus dem jeweiligen KI-Anwendungsfall. Ein Assistent für interne Fragen benötigt beispielsweise aktuelle, geeignete Dokumente und muss die Berechtigungen des jeweiligen Nutzers berücksichtigen. Hohe Datenqualität ist dafür eine wichtige Voraussetzung, garantiert aber allein noch keine richtigen Antworten.
Zum produktiven Einsatz gehören auch geeignete Tests, eine fachliche Bewertung der Ergebnisse und ein geregelter Umgang mit Fehlern. Wenn sich Quellen, Prozesse oder Zuständigkeiten ändern, müssen diese Kontrollen weitergeführt und angepasst werden.
Mitarbeitende brauchen dafür ausreichend Wissen über die verwendeten Daten und die Grenzen der Anwendung. Verständliche Dokumentation und gezielter Wissenstransfer helfen dem Unternehmen, Systeme eigenständig zu beurteilen und auch nach Projektabschluss handlungsfähig zu bleiben.
Wie lässt sich Datenqualität schrittweise verbessern?
Ein geeigneter Einstieg ist ein klar abgegrenztes Vorhaben mit erkennbarem wirtschaftlichem Nutzen. Das kann ein monatlicher Managementbericht, ein wichtiger Stammdatenbereich, eine geplante Migration oder eine konkrete KI-Anwendung sein. Vier aufeinander aufbauende Schritte geben der Umsetzung Struktur.
Vier Schritte für ein konkretes Datenvorhaben
1. Anwendungsfall und Ziel festlegen
- Wählen Sie einen Prozess, in dem Rückfragen, Korrekturen oder Verzögerungen regelmäßig Aufwand verursachen.
- Ergebnis: ein abgegrenztes Vorhaben mit überprüfbarem Nutzen.
2. Daten und Zuständigkeiten klären
- Erfassen Sie relevante Quellen, stimmen Sie Definitionen ab und legen Sie fest, wer fachliche Fragen entscheidet.
- Ergebnis: eine gemeinsame Arbeitsgrundlage für Fachbereiche und IT.
3. Qualität mit passenden Regeln prüfen
- Prüfen Sie etwa Vollständigkeit, Dubletten und Zuordnungen. Bei einer Migration gehört die fachliche Verifikation im Zielsystem dazu.
- Ergebnis: bekannte Qualitätsmängel und nachvollziehbare Kriterien für ihre Behebung.
4. Wissen und Kontrollen im Betrieb verankern
- Dokumentieren Sie Regeln, bereiten Sie Mitarbeitende auf ihre Aufgaben vor und legen Sie regelmäßige Prüfungen fest.
- Ergebnis: ein Vorgehen, das sich im Betrieb fortführen und auf weitere Bereiche übertragen lässt.
Wie unterstützt ascendo bei der Umsetzung?
ascendo verbindet die Analyse von Daten und Prozessen mit organisatorischer und technischer Umsetzung. Dazu gehören die Verbesserung der Datenqualität, die Planung und Durchführung von Migrationen sowie die Vorbereitung der beteiligten Teams auf neue Arbeitsweisen.
Data Governance schafft dafür klare Rollen, Regeln und Verantwortlichkeiten. Analytics erschließt die aufbereitete Datenbasis für Berichte und Entscheidungen. Beides trägt zu einer Datenkompetenz bei, die sich an konkreten betrieblichen Anforderungen orientiert.
Datenkompetenz & Analytics
Unser Angebot für Datenqualität, Migration und verlässliche Analysen.
Welche Fragen sollten Sie vor dem nächsten Datenprojekt klären?
1. Was soll sich konkret verbessern?
- Anwendungsfall, Nutzen und Projektumfang festhalten.
2. Welche Daten werden dafür benötigt?
- Quellen, Definitionen und relevante Abhängigkeiten klären.
3. Wann sind die Daten gut genug?
- Prüfregeln und fachliche Freigabekriterien vereinbaren.
4. Wer übernimmt die Verantwortung?
- Zuständigkeiten für Entscheidungen und Datenpflege festlegen.
Wie gehen Sie Ihr nächstes Datenvorhaben an?
Sie bereiten einen Systemwechsel vor, möchten die Qualität Ihrer Daten verbessern oder prüfen einen KI-Anwendungsfall? In der Sprechstunde im Unternehmen besprechen wir Ihre Ausgangslage und welche fachlichen, organisatorischen und technischen Fragen Sie zuerst klären sollten.
