Vom CDO zum Data Success Board: So gelingt die Transformation zur Data Driven Company

Ohne Daten müssen wir raten … Dass Daten einen hohen Stellenwert in unserer immer digitaler werdenden Welt haben, ist längst bekannt. Unternehmen brauchen sie, um Kundenbedürfnisse zu analysieren und Vertriebsmaßnahmen abzuleiten, um Produkte und Services zu optimieren und Prozesse effizienter zu gestalten. Allerdings waren Daten lange Zeit im Controlling verortet. Was die Daten nicht daran hinderte, auch in Fachabteilungen und Stabstellen aufzutauchen. Inzwischen haben die meisten Unternehmen einen digitalen Reifegrad erreicht, der mit einer Sensibilisierung für die Relevanz durchgehender digitaler und datengetriebener Prozesse einhergeht; Daten sollen in allen Prozessen nutzbar sein, über Abteilungen und Systeme hinweg. Nicht zuletzt, damit auch neue Technologien wie Generative KI nutzbringend zum Einsatz kommen können.

Die Krux dabei: Vielfach bleibt die konkrete Ausgestaltung der Vision des datengetriebenen Unternehmens unklar. Historisch gewachsene Anwendungslandschaften, Datensilos, Medien- und Prozessbrüche erschweren außerdem oft das Erreichen dieses Zielbilds. Die Datenlandschaft und die Datenströme müssen zunächst erfasst, konsolidiert und verschlankt werden. Erst dann lassen sich konkrete Use Cases zur Verbesserung der Datennutzung identifizieren und umsetzen. Dafür braucht es dann wiederum Kompetenzen in neuen Technologien wie Machine Learning und (Generativer) KI sowie „Data Literacy“ als allgemeine Datenkompetenz.

Case

Data Competence Training

Company-Track: Basiswissen für alle Mitarbeiter:innen
Business-Track: Datenkompetenz für Fachbereiche
Operations-Track: Technisches Know-how für IT-Fachkräfte & Analysten […]

„Um ein Kind großzuziehen, braucht es ein Dorf“

Das Sprichwort impliziert, dass für eine erfolgreiche, ganzheitliche Bildung die Erfahrung vieler Personen zusammenkommen muss. Das gilt auch im Fall der Datenstrategie. Denn wie soll ein Mensch alleine alle Abteilungen, Prozesse, Aufgaben und damit verbundenen Systeme und Daten überblicken und für alle Anwendungsfälle optimale Lösungen finden? Es braucht die Sicht der Fachabteilungen, die Tech-Perspektive, den Blick des Managements. Denn Daten lassen sich nicht einfach als ein neuer Organisationsbereich neben Business und IT stellen, sie sind vielmehr ein Querschnittsthema – das alle Unternehmensbereiche betrifft und an dem alle mitwirken sollten.

Vom CDO zum Data Success Board

Wie kann es konkret aussehen, wenn „alle“ mitwirken? Ein Modell zur Steuerung, das sich aus unserer Erfahrung in der Praxis bewährt hat, ist das „Data Success Board“. Es verankert das Thema Daten im C-Level und integriert es in den Strategieprozess. Mitglieder sind zunächst Teile der Geschäftsführung, die die Perspektiven Business und IT einbringen, sowie in vielen Fällen die Person mit der Rolle des CDO, die eine zentrale Sicht auf Daten in das Gremium einbringt. Das Board hält aufgrund seiner Besetzung enge Verbindungen zu relevanten Stakeholdern in der Organisation, z. B.:

Betriebs- bzw. Personalrat
Compliance-Beauftragte
Datenschutzbeauftragte
Vertreter:innen der Fachbereiche

Sie alle bringen ihre Erfahrung im Umgang mit Daten ein. Sie wissen, wo Prozesse stocken und Aufgaben durch fehlende, doppelte oder veraltete Daten erschwert werden und wo die Datenpflege vereinfacht werden muss. Gemeinsam können Sie den Bedarf an neuen Lösungen und Prozessverbesserungen erörtern und dabei Synergien schaffen. Und die Rolle des Chief Data Officers? Sie bleibt. Statt das Thema Datenstrategie allein zu stemmen, ist es nun aber auf mehreren Schultern verteilt. Der CDO moderiert das Board und ist im Lead, wenn es um die Umsetzung der Strategie geht.

Auf in die Umsetzung mit dem Data Success Board

Das Data Success Board koordiniert als Gremium die Gesamtsteuerung des Themas Daten auf der strategischen Ebene und erarbeitet die Vision für die Transformation zum datengetriebenen Unternehmen. Damit diese Vision operativ in Wirkung kommt, bedarf es einer tragfähigen Struktur für die Umsetzung. Hierbei haben sich fünf operative Säulen bewährt, auf denen das Data Success Board ruht. Jede Säule ist dabei als Arbeitsstrang innerhalb des Gesamtvorhabens zu verstehen, jeweils mit einem eigenen Lead. Eine hohe horizontale Vernetzung zwischen den Bereichen ist dabei ein wesentlicher Erfolgsfaktor in der Umsetzung.

In diesem Bereich liegt der Fokus auf der Entwicklung und Umsetzung einer klaren und umfassenden Use Case Roadmap. Sie soll die strategischen Ziele des Unternehmens unterstützen und umfasst potenzielle Anwendungsfälle, die einen geschäftlichen Mehrwert erzeugen und deren Aufwand im Verhältnis zu diesem Mehrwert vertretbar ist. Beispiele reichen von einer Verbesserung der Erkennungsquote von Kundenanfragen im Inputmanagement von Versicherern über die mit GenAI optimierte Störungsbehebung in der Produktion bis hin zur automatisierten Bearbeitung von IT-Tickets. Unternehmen jeder Branche und jeder Größe haben entlang ihrer gesamten Wertschöpfungskette das Potenzial, Daten zu nutzen. Best Practices zur Umsetzung von Daten-, ML- und KI-Projekten geben weitere Orientierung, was alles möglich und realistisch umsetzbar ist.

Drei Leitfragen zum Start:

Welche geschäftlichen Ziele sollen durch datengetriebene Lösungen erreicht werden?

Welche potenziellen Anwendungsfälle können dazu beitragen, diese Ziele zu erreichen?

Welche Fachanforderungen müssen berücksichtigt werden, um diese Anwendungsfälle erfolgreich umzusetzen?
Hier liegt der Fokus auf der Gestaltung einer robusten und skalierbaren Datenarchitektur, welche die Grundlage für datengetriebene Entscheidungen bildet. Dies beinhaltet die Definition von Datenmodellen, die Auswahl geeigneter Datenbanktechnologien und die Implementierung von Datenpipelines zur Erfassung, Speicherung und Verarbeitung von Daten. Das Datenmanagement umfasst zudem die Entwicklung von Strategien zur Datenqualitätssicherung, Datenintegration und Datensicherheit. Denn nur so können die benötigten Daten zuverlässig, konsistent und geschützt genutzt werden. All das erfordert entsprechendes technisches Know-how und ist je nach Unternehmensgröße und IT-Landschaft entsprechend komplex. Durchblick bringt die zuvor beschriebene Use Case Roadmap: Sie stellt die Anforderungen dafür, welche Anwendungsfälle wann umgesetzt werden sollen und welche Datenassets in welcher Qualität, Quantität und Bereitstellungsgeschwindigkeit entsprechend auf- und ausgebaut werden müssen. So ergibt sich eine Data Roadmap, die eng auf die Use Case Roadmap abgestimmt und idealerweise agil angepasst wird.

Drei Leitfragen zum Start:

Wie gut erfüllt die aktuelle Dateninfrastruktur des Unternehmens die Anforderungen der Anwendungsfälle und des Gesamt-Zielbilds?

Welche Datenmodelle und -standards sind erforderlich, um über alle definierten Ziele und Cases hinweg eine konsistente und hochwertige Datenverwaltung zu gewährleisten?

Welche Datenpipelines und -prozesse müssen implementiert werden, um die Erfassung, Speicherung und Verarbeitung von Daten effizient zu gestalten?
In diesem Bereich geht es um den Aufbau und die Verwaltung der (technischen und organisatorischen) Infrastruktur für Datenanalyse, Machine Learning und KI. Dies beinhaltet die Implementierung von Tools und Plattformen für Datenvisualisierung, Analyse und Modellentwicklung sowie die Etablierung von MLOps-Praktiken zur Automatisierung und Skalierung von ML-Workflows. Mehrwert entsteht aber erst durch die Operationalisierung von Daten- & KI-Services, d. h. durch die Integration in operative Geschäftsprozesse. Damit dies gelingt, muss die Infrastruktur so gestaltet werden, dass sie flexibel, skalierbar und zuverlässig ist, um allen Anforderungen der vorhandenen und geplanten Cases gerecht zu werden und eine effektive Nutzung von Daten und Analytics in den Geschäftsprozessen zu ermöglichen.

Drei Leitfragen zum Start:

Wie gut erfüllen die derzeit für Datenvisualisierung, Analyse und Modellentwicklung verwendeten Tools und Plattformen die Anforderungen der Anwendungsfälle?

Wie kann eine Infrastruktur aufgebaut werden, die flexibel und skalierbar ist und eine effektive Nutzung von Daten und Analytics ermöglicht?

Welche MLOps-Praktiken eignen sich, um die Automatisierung und Skalierung von ML-Workflows zu verbessern und die Modellleistung zu optimieren?
Diese Säule konzentriert sich darauf, eine datenorientierte Kultur mit entsprechender Datenkompetenz (oft auch als „Data Literacy“ bekannt) im Unternehmen auszubauen. Dies beinhaltet die Schulung und Weiterbildung der Mitarbeiter:innen sowie die Schaffung eines Umfelds, das die Zusammenarbeit und den Wissensaustausch fördert. Durch eine offene und lernende Kultur wird das Bewusstsein für die Bedeutung von Daten gestärkt und die Fähigkeit der Mitarbeiter:innen verbessert, datenbasierte Entscheidungen zu treffen und innovative Lösungen zu entwickeln. Damit können sie selbst unmittelbar zur Verbesserung ihres Arbeitsalltags und des gesamten Unternehmens beitragen.

Drei Leitfragen zum Start:

Wie ist die aktuelle Datenkultur im Unternehmen und wie stark ist das Bewusstsein für die Bedeutung von Daten und Analytics?

Welche Kompetenzen und Fähigkeiten müssen aufgebaut werden, um datenbasierte Entscheidungen zu treffen und innovative Lösungen zu entwickeln?

Wie kann eine Umgebung geschaffen werden, die die Zusammenarbeit und den Wissensaustausch in Bezug auf Daten fördert und eine offene und lernende Kultur unterstützt?
Hier geht es um die Definition und Implementierung von Richtlinien, Prozessen und Kontrollmechanismen zur Sicherstellung der Datensicherheit sowie von Datenschutz und Compliance. Zugleich sind entsprechende Leitplanken zentrale Elemente für die Akzeptanz von KI- und datengetriebenen Produkten und Services durch die Endkund:innen sowie die eigenen Mitarbeiter:innen. Konkret umfasst dies etwa die Entwicklung von Richtlinien zur Datenklassifizierung und zur Zugriffskontrolle, die Einhaltung gesetzlicher Vorschriften wie der EU-DSGVO und des EU AI Acts und die Berücksichtigung ethischer Aspekte im Umgang mit Daten. Durch die Etablierung einer soliden Data Governance-Struktur werden Integrität, Vertraulichkeit und Verfügbarkeit der Daten gewährleistet und das Vertrauen der Stakeholder in die Nutzung der Daten gestärkt.

Drei Leitfragen zum Start:

Welche Richtlinien und Prozesse sind derzeit vorhanden, um Datensicherheit, Datenschutz und Compliance zu gewährleisten?

Wie können diese Richtlinien und Prozesse verbessert und an die sich ständig ändernden regulatorischen Anforderungen angepasst werden?

Wie kann das Bewusstsein für ethische Aspekte im Umgang mit Daten geschärft und sichergestellt werden, dass datenbasierte Entscheidungen verantwortungsbewusst getroffen werden?

Datenstrategie nachhaltig verankern & operationalisieren

Die Einführung eines Data Success Boards und die Implementierung der fünf Säulen bieten Unternehmen einen strukturierten Ansatz, um die Transformation zu einer Data Driven Company erfolgreich umzusetzen. Der Weg dorthin ist jedoch keine einmalige Aufgabe, sondern ein kontinuierlicher Prozess, der eine ständige Weiterentwicklung und Anpassung erfordert. Das hier vorgestellte Methoden-Set bietet genau hierfür die entsprechende Grundlage.

Wenn Sie sich näher zum Data Success Board und dem Thema Datenstrategie austauschen wollen, wenden Sie sich gerne an Dr. Markus Knappitsch und seine Kolleg:innen. Hier können Sie Kontakt aufnehmen.