Von Ralf Keuper

In einer vom Marktforschungsunternehmen YouGov im Auftrag von HPE durchgeführten Befragung von 803 Führungskräften (Geschäfts-, Bereichs-, Team- oder Abteilungsleitung) gaben  37 Prozent aller befragten Führungskräfte und 65 Prozent der Geschäftsführer an, dass ihr Unternehmen über keine Datenstrategie verfügt – auch nicht als Teil der IT-Strategie^[1]Datenlos durch die Nacht.

Gerade mal zwei Prozent der Unternehmen sind in der Lage, externe Datenökosysteme für ihre Wertschöpfung zu nutzen. Da helfe dann auch der Zugang zu Datenräumen und Datenpools, wie sie von GAIA-X vorgesehen sind, wenig, so Rainer Peters von HPE^[2]Keine Abkürzung auf dem Weg in die Daten-Ökonomie.

Ohne eigene Expertise können Unternehmen nicht souverän in der Datenökonomie agieren. Daher sollten, so Peters, entsprechende Strukturen aufgebaut werden, die interne Abteilungen ebenso wie Geschäftsbereiche, externe Partner und Ökosysteme umfassen. Nur so seien datengetriebene Geschäftsmodelle möglich.

Die Aussage deckt sich in Teilen mit den Erfahrungen, von denen Britt Hilt von IS Predict in einem Interview^[3]“Die größte Herausforderung ist immer noch die unzureichende Datenlage” mit SDI berichtet. Die größte Herausforderung, so Hilt, sei noch immer die unzureichende Datenbasis in den Unternehmen. Gerade kleine und mittlere Unternehmen, die in der eingangs erwähnten Befragung in Sachen Datenstrategie besonders schlecht abschnitten, verfügen über eine zu geringe Datenbasis; es fehlt zusätzlich das entsprechende Know How. Daten Scientists einzustellen, können sich KMUs kaum leisten. Selbst wenn: Welcher Data Scientist geht zu einem KMU, wenn er oder sie in einem großen Unternehmen arbeiten kann? Vorgefertigte Algorithmen bzw. öffentlich zugängliche Bibliotheken helfen hier nur bedingt weiter, da die komplexen Formeln auf die Anforderungen der KMUs erst noch angepasst werden müssen. Weiterhin sagt Hilt: “Ich glaube, dass der Weg weiter zur Data Science-Automatisierung gehen wird, wobei jedoch aufgrund der Komplexität der Datenstrukturen und Prozesse einer Automatisierung auch Grenzen gesetzt sind“.

KMUs könnten jedoch davon profitieren, dass viele Hersteller bereits KI-Lösungen in ihre Maschinen einbauen:”Die Hersteller haben wiederum die Skalierungseffekte. So kann das KMU, das vielleicht ein oder zwei Anlagen dieser Art hat, die Erfahrungen des Herstellers nutzen“.

Aber selbst Großkonzerne mit ihren großen Data Lakes scheitern häufig an dem semantischen Mapping: “Sie haben unzählige Daten in diesem „See“, jedoch wurde der Datenpunkt in Produktionslinie 1 mit dem Namen „X“ benannt. Für die Produktionslinie 2 ist jemand anderes zuständig. Dieser benennt den gleichen fachlichen Sachverhalt nach bestem Wissen und Gewissen nun aber „Y“. Wenn Sie nun Linien-übergreifend Analysen durchführen und Zusammenhänge erkennen wollen, dann müssen Sie erst die Voraufgabe erfüllen: Sie müssen verstehen, dass X in Linie 1 dem Y in Linie 2 entspricht“.

Die beste Datenstrategie hilft nichts, wenn die Datenqualität zu wünschen übrig lässt:”Das Thema Datenqualität ist auch nicht „nur“ relevant, wenn Sie eine KI-Lösung bauen. Im operativen Betrieb bleibt das Thema wichtig. Denn schlechte Daten führen nun mal zu schlechten Analyseergebnissen“, so Hilt.