Woran scheitert die Wertschöpfung aus Daten?
Die Gründe lassen sich auf wenige Kernprobleme verdichten:
1. Fehlendes Fundament: Ohne saubere Daten, klare Governance-Strukturen, eine gelebte Datenkultur und das nötige Kompetenzniveau im Unternehmen ist nachhaltige Wertschöpfung unmöglich. Fehlende Datenqualität, isolierte Datensilos und unklare Verantwortlichkeiten bremsen viele Initiativen und Projekte aus.
2. Falscher Fokus: Der Hype um Generative KI führt häufig zu einseitigen Investitionen, vor allem in Marketing und Sales. So gehen laut der MIT-Studie etwa 50% der GenAI-Budgets in diese beiden Bereiche. Dabei bleiben andere Bereiche mit hohem Automatisierungspotenzial – etwa Back-Office-Prozesse – ungenutzt, obwohl sie oft den besseren ROI bieten.
3. „Lösung sucht Problem“ statt „Problem sucht Lösung“: Viele Projekte starten technologiegetrieben: Ein Tool – oft basierend auf Generativer KI - wird eingeführt, ohne dass ein konkreter Business Case dahintersteht. Viel mehr wird versucht, Tools wie ChatGPT und Copilot als Lösung für verschiedenste Anwendungsfälle zu nutzen – viel zu oft unabhängig davon, ob große Sprachmodelle für das jeweilige Problem die beste Lösung bieten. So verpufft die Wirkun, und Projekte enden in Pilotphasen.
4. Fehlende Messbarkeit: Ohne definierte Erfolgskriterien – etwa Berarbeitungszeiten, Kostenreduktionen oder Qualitätsmetriken – bleibt unklar, ob ein Projekt wirklich Nutzen bringt. Oft scheitert die Erfolgsmessung bereits daran, dass keine Vergleichswerte vorliegen, wie lange zum Beispiel ein Prozess ohne KI-Unterstützung benötigt hat. Hier sind Unternehmen mit einer guten Datenkultur im Vorteil.
5. Technologieabhängigkeiten: Unternehmen binden sich oft zu stark an einzelne Anbieter oder proprietäre Tools. Neue Lösungen werden dann oftmals um das bestehende Toolset herumentwickelt. Das schafft Abhängigkeiten und erhöht das Risiko, nicht immer die richtige Lösung für das jeweilige Problem und die Workflows & Anforderungen zu wählen.
Wie gelingt die Datenwertschöpfung?
Nachhaltig erfolgreiche Wertschöpfung aus Daten basiert auf einem ganzheitlichen Ansatz – vom organisatorischen und kulturellen Fundament bis zu den Technologiebausteinen:
Fundament aufbauen
- Datenqualität sichern: Vollständige, aktuelle und konsistente Daten sind die Basis. Daten sollten zentral zugänglich und integriert sein, um Informationsinseln zu verhindern und die Zusammenarbeit zwischen Abteilungen zu fördern. Das Rahmenwerk für den richtigen Umgang mit Daten bietet eine Data Governance. Sie umfasst im Idealfall klare Regeln, Verantwortlichkeiten und Standards für den Umgang mit Daten.
- Datenkultur fördern: Entscheidungen auf Basis von Daten statt Intuition – und zwar auf allen Ebenen. Dafür braucht es ein gemeinsames Verständnis in einer Organisation, dass datenbasierte Entscheidungen den Unternehmenswert steigern und aktiv gefördert werden. Datenkultur steht für Offenheit, Zusammenarbeit und Verantwortungsbewusstsein im Umgang mit Daten.
- Kompetenz entwickeln: Neben der Datenqualität und -kultur ist die dritte wichtige Säule des Fundaments datengetriebener Unternehmen die Datenkompetenz. Die Datenkompetenz ist die Fähigkeit, Daten zu suchen, zu sammeln, aufzubereiten, zu analysieren und korrekt interpretieren zu können – kurzum sie verantwortungsvoll und sinnstiftend nutzen zu können. Hinzu kommt die KI-Kompetenz als Fähigkeit, KI-Ergebnisse kritisch zu bewerten und ethische, rechtliche und gesellschaftliche Aspekte von KI berücksichtigen zu können.
Use Cases mit Mehrwert identifizieren
Welcher Prozess hat ein hohes Automatisierungspotenzial? Welche Information verbessert unsere Entscheidungen? Welcher Zusatzservice steigert die Customer Journey? Fragen wie diese können helfen, die Anwendungsfälle für KI und Co. zu identifizieren, die wirklich Mehrwerte stiften. Um diese Fragen sinnvoll beantworten zu können, lohnt es sich Prozesse in Teilaufgaben zu zerlegen und zu überprüfen. Dadurch lassen sich leichter Anknüpfungspunkte für datengetriebene Lösungen finden.
Ein Anwendungsbeispiel für daten- und KI-gestützte Prozessautomatisierung: Wir bei eoda unterstützen derzeit das Eidgenössische Institut für Geistiges Eigentum – das Schweizer Kompetenzzentrum für Patent-, Design- und Markenschutz – dabei, den aufwändigen Prozess der Markenprüfung mithilfe von KI deutlich zu vereinfachen.
Im Bereich der Entscheidungsunterstützung arbeiten wir für den europäischen Energieversorger Primeo: Hier entwickeln wir Prognosen zum zukünftigen Ausbau der Photovoltaik, um eine bedarfsgerechte Planung des Netzausbaus zu ermöglichen.
Erfolgskriterien festlegen
Wer Erfolg messbar macht, schafft Überzeugung und Vertrauen in datengestützte Lösungen. Dabei gilt es zwei Arten von Benchmarks zu unterscheiden: Qualitäsbenchmarks (z. B. Accuracy, RMSE, BLEU..), die Auskunft darüber geben, wann Ergebnisse vertrauenswürdig sind und damit auch den Umgang mit ihnen maßgeblich beeinflussen. Gerade hier braucht es ein gutes Verständnis über den Use Case und Data-Science-Kompetenzen, um die richtigen Metriken definieren und Schlüsse daraus ziehen zu können. Impactbenchmarks hingegen ermöglichen eine möglichst belastbare Einschätzung darüber, ob wirklich eine Datenwertschöpfung eingetreten ist – z.B. durch Kostenreduktionen mittels eingesparter Arbeitszeit oder eine Umsatzsteigerung.
Technologie bewusst wählen
Statt auf den großen „One-Stop-Shop“ zu setzen, lohnt sich oft ein modularer Tech-Stack: Open-Source-Komponenten, europäische Cloud-Anbieter (IONOS etc.) und flexible Orchestrierungslösungen schaffen Unabhängigkeit und oftmals passgenauere Lösungen – insbesondere in politisch turbulenten Zeiten.
Fazit: Ganzheitlichkeit ist bei der Datenwertschöpfung der Schlüssel
Datenwertschöpfung gelingt nicht durch punktuelle KI-Projekte, sondern durch eine ganzheitliche Strategie: Ein stabiles Fundament, klare sowie messbare Ziele, die richtigen Use Cases und eine durchdachte Technologieauswahl.
AutorIn
Starten Sie jetzt durch:
Wir freuen uns auf den Austausch mit Ihnen.
