Daten haben die Schlüsselrolle bei der Digitalisierung und Automatisierung von Geschäftsprozessen, als Basis für neue Geschäftsmodelle oder zur Generierung von Analysen und Infights. Interne Systeme, IoT-Plattformen und externe Quellen produzieren immer mehr Daten und vom Umgang mit dieser wertvollen Ressource hängt der geschäftliche Erfolg digitaler Innovationen ab.

Das Datenmanagement und die Datenqualität unternehmensweit in den Griff zu bekommen, ist jedoch eine Herkulesaufgabe. Spezialisierte Systeme können hier nur einen Teil zur Lösung beitragen. So zeigt es sich beispielsweise in Data & Analytics-Projekten, dass Unternehmen derzeit eher mit organisatorischen Themen zu kämpfen haben. Auf Data & Analytics-Plattformen laufen unterschiedlichste Datenformen zusammen und werden für Analysezwecke aufbereitet und verteilt.

Bei der Entwicklung einer solchen zentralen Plattform gilt es zunächst, sich einen Überblick über die vorhandene Daten- und Systemlandschaft des Unternehmens und die Verwendung von Daten in diversen Prozessen zu verschaffen. Hierfür sind Fragen zu beantworten wie: Was sind die relevanten Datenquellen, sind diese nur Datenlieferanten oder auch Datenkonsumenten? Welche Transformation durchlaufen Daten zwischen Systemen? Wer hat die Hoheit über die Stammdaten? Wo werden die Metadaten verwaltet? Wer definiert die Standards bei der Semantik zur Beschreibung der Daten? Exportiert man auch Daten an Partner? Sind bestimmte Anwendungsfälle geschäftskritisch?

Intransparente Verantwortung

Diese Fragen sind oft schwer zu beantworten, weil die Verantwortlichkeit für Datenobjekte wie „Kunden“, „Produkte“, „Mitarbeitende“ oder „Partner“ im Unternehmen nicht hinreichend geklärt ist. Während es definierte Systemverantwortliche gibt, fehlt die klare Zuständigkeit für fachlich kategorisierte Datenobjekte. Das hat seine Gründe: Datenobjekte werden prozessübergreifend eingesetzt. Ihre thematische Einteilung mit allen Attributen ist nicht deckungsgleich mit den typischen Geschäftsprozessen und damit auch nicht mit der klassischen Linienorganisation, in der die Prozesse gebündelt sind – Vertrieb, Einkauf, Produktion, Finanzen oder Personalwesen greifen überschneidend auf Datenobjekte zu und nutzen sie jeweils im eigenen Tagesgeschäft.

Crossfunktionales Management von Datenobjekten

Das Management eines Datenobjektes als Asset passt nicht zwingend zur üblichen Fachbereichs-Organisation. Die Verantwortlichkeit für Daten kann deswegen nicht der klassischen Linieneinteilung des Business folgen, sondern muss prozessübergreifend für das gesamte Unternehmen in einer eigenen Organisationsstruktur geregelt werden. Mitunter werden dabei in den Projekten oft zwanzig bis vierzig Haupt-Datenobjekte mit großer Bedeutung in der Prozesslandschaft identifiziert.

Eine wesentliche Herausforderung für ein unternehmensweites Datenmanagement liegt demnach in einer zusätzlichen datenorientierten Organisation, die „quer“ zur typischen funktionalen oder regionalen Organisationsstruktur von Unternehmen verläuft. Dabei ist allerdings zu beachten, dass die Daten genau dann Mehrwert bringen, wenn sie tief im Business verankert sind und in den fachlichen Prozessen optimal genutzt werden. Folglich ist das Wissen der Business User unbedingt gefragt, um Daten hinsichtlich ihrer fachlich und rechtlich korrekten Nutzung zu beurteilen und einzusetzen. Die Erfahrung in Projekten hat gezeigt, dass beispielsweise unternehmensweite Initiativen für Datenqualitätsmanagement, die ein zentral auf Konzernebene angesiedeltes Team ohne organisatorische Verzweigung in die Fachbereiche durchführt, keine große Aussicht auf Erfolg haben.

Operativ verankerte Data Governance

Zu empfehlen ist daher die Einführung eines datenorientierten Rollenmodells im Rahmen der Data Governance. Dafür kommt ein Framework zum Einsatz, das integraler Bestandteil einer ganzheitlichen Datenstrategie ist. Diese umfassende Strategie gibt vor, wie ein Unternehmen seine Daten im Sinne der strategischen Geschäftsziele möglichst gewinnbringend einsetzt. Außer der Datenarchitektur definiert sie auch technologische Komponenten sowie Richtlinien und Veränderungsprozesse für eine effektive und korrekte Nutzung von Daten.

Das Rollenmodell bildet den Rahmen für unternehmensweite Datenaufgaben wie beispielsweise Stamm- und Metadatenmanagement. Eine wichtige Rolle ist dabei natürlich die klassische Funktion des Data Owner, der die Datenhoheit über bestimmte Datenobjekte hat. Neben dieser taktischen Funktion steht die operative Rolle des Data Steward, der die Adaption von Daten im Businessprozess mitgestaltet und als Ansprechpartner für Fachanwender bereitsteht. Beide Rollen sollten im gesamten Unternehmen verteilt und klar positioniert werden. Sie tragen das benötigte Know-how in die Fachbereiche und sorgen für eine enge Verzahnung der Datenstrategie in die Prozesse.

Datenhoheit mit Durchgriff auf Prozesse

Übergeordnet im Rollenmodell steht das Data Board, das Datenthemen auf der Management-Ebene diskutiert. Dieses Board muss crossfunktional ausgerichtet sein, um die Steuerung von Datenobjekten zu ermöglichen, die über mehrere Prozesse fließen. Hier können auch Entscheidungen zu Prozessanpassungen angesiedelt sein, die für eine Optimierung der Datenqualität oder zur besseren Nutzung von Daten in Prozessen nötig werden. So kann sich die Datenorientierung beispielsweise bis hin zur Änderung des Sales-Prozesses auswirken. Diese Entscheidungsgewalt aus Daten-Sicht ist in Unternehmen bislang kaum geregelt, wird aber in Zukunft immer öfter gefragt sein.

Geführt wird die datenorientierte Organisation vom Head of Data Governance auf Konzernebene. Die Leitung hat die Aufgabe, das Thema Governance voranzutreiben, den Know-how-Aufbau zu steuern und die Querschnittsfunktionen im Unternehmen zu verankern. Hier sind strategisches Vorgehen und Durchsetzungskraft gefordert, denn schließlich steht ein echter Kulturwandel an, der sich bis in die Organisation niederschlägt. Auf der operativen Ebene geht es etwa darum, dass die Sachbearbeiter einer Abteilung konstruktiv mit dem zuständigen Data Steward zusammenarbeiten. Um die Akzeptanz der Datenexperten im Tagesgeschäft zu fördern und ein allgemeines Bewusstsein für die Daten als Wertschöpfungsfaktor zu schaffen, sind offene Kommunikation und Schulung nötig, am besten begleitet durch ein gezieltes Change Management.

Daten als Asset begreifen

Um neue crossfunktionale Funktionen zu etablieren, ist selbstverständlich auch die Rückendeckung durch die Unternehmensleitung erforderlich. Datenmanagement ist jedoch kein originäres Thema des Top-Managements. Der Mehrwert von Investitionen in Dateninitiativen ist auch auf dieser Ebene erklärungsbedürftig. Herausforderungen wie z. B. die unterschiedlichen Wirkungsbereiche von Datenobjekten und Prozessen sind nicht als Wissen vorauszusetzen.

Sinnvoll ist an dieser Stelle eine einführende Schulung auch für das mittlere und Top-Management. In Projekten ließen sich dabei regelmäßig Aha-Effekte feststellen. Ein Einblick in den wertschöpfenden Einsatz von Daten und die damit verbundenen Herausforderungen fördert das Committent des Managements für die Anstrengungen, die benötigten Kapazitäten und die organisatorischen Auswirkungen eines qualifizierten Datenmanagements.

Wer Daten als Asset begreift, wird ein Datenmanagement mit weitreichenden Konsequenzen angehen müssen. Die Ernsthaftigkeit von Initiativen zeigt sich bei der Umsetzung, wenn die Veränderungen in der gesamten Organisation spürbar werden. Aber nur wer eine konsequente Datenstrategie verfolgt, wird dabei künftig im Wettbewerb der digitalen Innovationen mithalten und seine Geschäftspotenziale nutzen können.