#101: [DSK1] Data Strategy Kompass – Was Datenstrategie ist & was nicht

Episode von Data Science Deep Dive von INWT Statistics GmbH · 27. August 2026 · 43 min

Ein Geschäftsführer will im Quartalsmeeting wissen, welche Kundengruppe die profitabelste ist – der Vertrieb antwortet mit einer Zahl aus Excel, das Controlling mit einer anderen aus SAP, und das Meeting endet ohne Entscheidung. Mit dieser Szene startet der "Data Strategy Kompass", eine vierteilige Serie über Datenstrategie im Mittelstand. In Teil 1 klären Mira und Amit, was eine Datenstrategie ist und was sie nicht ist: keine Software-Entscheidung und kein Data-Warehouse-Projekt, sondern die Frage, welche Entscheidungen ein Unternehmen künftig besser treffen will. Sie gehen die Bestandteile durch – von der Anbindung an die Unternehmensstrategie über Datenhaltung und Governance bis zum menschlichen Faktor – und diskutieren, wann sich eine Datenstrategie lohnt und wann eher nicht. Anhand von Beispielen und Gegenbeispielen aus über 15 Jahren Projektarbeit zeigen sie, woran es in der Praxis meist hängt: selten an der Technik.

**Zusammenfassung**

Datenstrategie beantwortet die Frage "Welche Entscheidungen wollen wir besser treffen?" und nicht "Welche Software kaufen wir?"

Erst Use Cases, dann Infrastruktur: Alles zu speichern und später zu schauen, wofür man es braucht, ist ein Relikt der Big-Data-Zeit

Bestandteile: Verbindung zur Unternehmensstrategie, Priorisierung von Use Cases, Datenhaltung und Architektur, Governance, Organisation und Kultur

Kein isoliertes Projekt einer Datenabteilung: Es braucht die Führungsebene, mehrere Fachbereiche und kontinuierliche Anpassung

Personalbedarf wird unterschätzt: gebraucht werden vor allem Menschen, die Pipelines bauen und Daten aufbereiten, nicht nur Data Scientists

Wann es sich nicht lohnt: zehn Mitarbeitende und ein Excel; niemand ist bereit, datenbasiert zu entscheiden; Daten dienen nur der Rechtfertigung ohnehin gefasster Meinungen

Datenbasiert heißt nicht "alle Entscheidungen datenbasiert": Strategische Weichenstellungen kommen oft ohne belastbare Datenbasis aus

Typische Stolpersteine aus der Praxis: SaaS-Tool ohne Datenexport, parallele Excel-Welten ohne Dokumentation, Compliance-Lücken bereits bei der Datenerhebung

**Zum Mitnehmen: vier Fragen für den nächsten Führungskreis**

Welche Entscheidung wurde in den letzten drei Monaten aus dem Bauch heraus getroffen, weil die Zahlen fehlten?

Wenn du heute drei wichtige Fragen an deine Daten stellen könntest, welche wären das?

Wer würde der KI (z.B. eine Prognose, nicht Chatbot ist gemeint) vertrauen, wenn sie ihr/ihm widerspricht?

Die Datenprojekte, die wir schon machen - wissen wir, wie viel sie uns eigentlich bringen?

**Links**

#33: Data Science bei Zalando – Dr. Claudia Baldermann im Gespräch über Product Development & Organisation https://www.podbean.com/ew/pb-q25zg-14b82e0

#5: Data Warehouse vs. Data Lake vs. Data Mesh https://www.podbean.com/ew/pb-a4xzx-127be01

#36: Der Data Mesh Hype und was davon bleibt https://www.podbean.com/ew/pb-7er7v-15080c1

Data Mesh Principles and Logical Architecture (Zhamak Dehghani): https://martinfowler.com/articles/data-mesh-principles.html

INWT Website: https://www.inwt-statistics.de/

📬 Fragen, Feedback oder Themenwünsche?

Schreibt uns gern an: [email protected]

Weitere Episoden von „Data Science Deep Dive“

Alle Episoden von Data Science Deep Dive · Mehr Technologie-Podcasts