Früher waren wertvolle Firmendokumente physisch greifbar: der Konstruktionsplan auf Mikrofilm, das gerahmte Industriepatent, die Kundenkartei, die Geschäftsbücher. Heute generieren und verwalten Unternehmen ihren Wissensbestand überwiegend digital, und das in immer größerem Umfang. Neue Technologien wie vernetzte Geräte und intelligente Software machen es möglich, Informationen in Echtzeit zu übermitteln, Prozesse genauer zu analysieren und weiter zu automatisieren. Einkauf, Produktion, Logistik, Verwaltung, Kundenansprache – all das lässt sich mithilfe präziser Daten und geeigneter Programme noch einfacher und gezielter steuern. Im besten Fall tragen Daten dazu bei, das Maximum aus einer Organisation herauszuholen. Oder sie bilden sogar die Basis für neue Geschäftsfelder.

Digitales Vermögen bewerten und ausschöpfen

Dennoch sind Daten an sich weder das neue Öl noch pures Gold. Unternehmen müssen sie erst in Informationen umwandeln, mit denen sich konkret etwas anfangen lässt. Der Zweck, den das Unternehmen verfolgt, bestimmt den Wert der Daten. Beispiel: Echtzeit-Bewegungsdaten von Fahrzeugen sind für einen Lkw-Hersteller, der zusätzlich ein Logistik-Managementsystem anbietet, von großer Bedeutung. Weniger wertvoll sind diese Daten dagegen für einen Wettbewerber, der nicht auf den Software-Markt strebt. Einige Firmen lassen ihre digitalen Vermögenswerte bereits von spezialisierten Ratingagenturen bewerten. Geht es jedoch darum, sämtliche Daten auch effizient zu verwalten und gewinnbringend einzusetzen, stehen die meisten Unternehmen noch am Anfang. Wertvolle, verborgene Informationen bleiben ungenutzt; weniger relevante Daten werden aufwändig gepflegt, ausgediente Daten nicht gelöscht.

Unternehmen, die ihr digitales Vermögen effektiver managen wollen, müssen drei Schritte gehen:

• Die Organisation braucht eine Data Governance, also klare Regeln dafür, wie sie Daten generiert, speichert, verwaltet und verarbeitet. Für jede Datenkategorie ist zum Beispiel festzulegen, wer darauf Zugriff erhält, wie sie gesichert wird und wie lange das Unternehmen sie vorhält. Rechtliche Vorgaben definieren die Pflicht, wirtschaftliche Kosten-Nutzen-Erwägungen die Kür.
• Wissenssilos sind aufzubrechen. Mitarbeiter sollten Daten anderer Abteilungen unkompliziert einsehen, gezielt auffinden und verwenden können. Dazu müssen die Daten gewisse technische Voraussetzungen erfüllen.
• Das Unternehmen muss Expertise aufbauen: Nicht nur Data Scientists werden gebraucht, sondern ein ganzes internes Netzwerk, in dem Datenverarbeitungs-Experten mit Fachkräften aus unterschiedlichen Geschäftsbereichen zusammenarbeiten. Die Beteiligten tauschen sich über aktuelle Fragestellungen des Business sowie die Herkunft und Bedeutung vorliegender Daten aus.

Sehr viele Einzelheiten sind zu beachten: Welche Angaben erhebt das Unternehmen weltweit, beispielsweise über Lieferanten? Welche Mitarbeiter und externen Partner haben Zugang zu diesen Daten? Welche Gesetze sind in unterschiedlichen Ländern zu befolgen, wenn Informationen geteilt werden, beispielsweise Adressen? Um nicht den Überblick zu verlieren, bietet sich ein agiles Vorgehen an: Ein Projektteam fängt mit grundlegenden Data-Governance-Richtlinien an und arbeitet zusammen mit dem jeweiligen Fachbereich an einzelnen Anwendungsfällen. Die ersten Erkenntnisse fließen dann wieder in die Data Governance ein und erweitern die Wissens-Basis des Unternehmens.

Maschinendaten für Mitarbeiter nutzbar machen

Es geht aber noch weiter ins Detail. Denn in der Regel müssen Unternehmen ihre Daten anders aufbereiten und verwalten, um ihren Wert auszuschöpfen. Dateninhalte, -formate und -banken sollten für die Mitarbeiter verschiedener Abteilungen und Standorte möglichst leicht zu nutzen sein. Es hilft zum Beispiel, wenn das Unternehmen seine Umsätze in einer einheitlichen Referenzwährung ausweist. Weniger trivial ist das Problem unstrukturierter Informationen: Auf den Servern vieler Firmen liegen massenhaft Daten, generiert von Maschinen für Maschinen. Hier kann eine andere Programmierung notwendig sein, die aussagekräftige Meta-Daten hinzufügt, damit Mitarbeiter mit den Zahlenreihen überhaupt etwas anfangen können. Im Optimalfall entstehen Daten, die den sogenannten FAIR-Kriterien für die internationale Datenwissenschaft entsprechen.

Klingt nach einem Großprojekt? Das trifft es durchaus, allerdings müssen Unternehmen nicht gleich den Rundumschlag planen. Man kann pragmatisch beginnen, mit einem Arbeitsbereich, der direkt von verbesserten Datenanalysen profitiert, zum Beispiel der Einkauf. Land für Land werden die entsprechenden Daten klassifiziert, bewertet, „fair“ gemacht und untereinander geteilt. Damit jeder Einkäufer beliebige Informationen finden kann, muss das Unternehmen ein internes Datensuchportal aufbauen (etwa nach dem Vorbild von Google Dataset Search).

Beteiligte müssen neue Routinen verinnerlichen

Federführend bei diesem Projekt ist in der Regel die Business Intelligence in der IT. Als technische Experten müssen sie sich mit Ansprechpartnern in den Geschäftsbereichen abstimmen, welche die Sachzusammenhänge und die Herkunft der Daten kennen. Wichtig ist, die Neuerungen auch den Mitarbeitern in den Geschäftsbereichen nahe zu bringen, denn sie müssen die Hintergründe verstehen und anders mit Daten umgehen. Je wertvoller die Informationen, desto wichtiger ist es, dass die Mitarbeiter motiviert sind, ihre Daten zu pflegen. Eine nutzerfreundliche Software, die Anwender Schritt für Schritt durch die neue Routine führt, genügt oft nicht. Ergänzende Workshops und Trainings, Online-Hilfen und ein spezieller IT-Support können notwendig sein.

Ist das Pilot-Projekt abgeschlossen, kann das Unternehmen auf diesen Erfahrungen weiter aufbauen. Ein Nebeneffekt der Transformation: Für Mitarbeiter wird es transparenter, wie ihr Unternehmen mit Daten umgeht. Sie erleben Digitalisierung positiv – als Chance für die Firma und als Entwicklung, die ihnen alltägliche Aufgaben erleichtert.