Auf dem letzten Data Culture Summit diskutierten Data Leader aus vielen Branchen über die Grundlagen einer nachhaltigen Datenkultur. Dabei ging es um Organisationsdesign, Führung, Enablement und langfristiges Change Management. Am Ende verdichtete sich die Diskussion auf eine zentrale Frage: Wie bringt man neue Skills wirklich in den Alltag?
Die Diskussion lief immer wieder auf denselben Punkt hinaus: Datenkultur ist kein Trainingsproblem, sondern ein organisationsweiter Veränderungsprozess. Wer sie wie einen Kurskatalog behandelt, verpasst die entscheidenden Hebel. Führung muss dranbleiben, Rollen und Anreize müssen passen, Teams brauchen Zeit und Rückendeckung.
Eine einzige, allgemeingültige Liste an Erfolgsfaktoren gibt es natürlich nicht. Jede Organisation hat ihren eigenen Weg und in der Praxis spielen viel mehr Dimensionen mit hinein. In den Roundtables auf dem Summit tauchten immer wieder sieben Themen auf. An ihnen wird besonders deutlich, wo im Alltag die größten Herausforderungen liegen und zugleich die deutlichsten Fortschritte sichtbar werden.
1. Bewusstsein auf allen Ebenen schaffen
Bewusstsein für die Relevanz von Datenkompetenz muss zwei Gruppen erreichen: Mitarbeiter, die Skills aufbauen sollen, und das Top-Management, das die Initiative unterstützen muss. Bleibt das Thema für Mitarbeiter unsichtbar, sinkt die Teilnahme. Fehlt die Awareness im Management, fehlen Ressourcen.
Das hilft in der Praxis:
- AI/Data Days oder Open Houses, bei denen Mitarbeiter Datenthemen hands-on ausprobieren können
- Executive Briefings, die Datenkultur klar mit Business Impact verknüpfen
- Regelmäßige Kommunikation, die Data Literacy sichtbar und präsent hält
Ein Satz fiel dabei immer wieder: „Communication is always more“. Über ein solches Programm kann man kaum zu viel sprechen. Sichtbarkeit schafft Engagement und Engagement hält das Thema in Bewegung..
2. Früh Rückhalt vom Top-Management sichern
Rückhalt von oben ist nicht optional. Er entscheidet, ob Data-Culture-Programme skalieren oder versanden. Dafür gibt es drei zentrale Gründe:
- Budget und Ressourcen: Kennzahlen und Lighthouse Use Cases machen Wirkung und ROI sichtbar.
- Zeitfreigabe: Führung muss Zeit fürs Lernen ermöglichen, besonders in hierarchischen Kulturen.
- Strategische Verankerung: Datenkultur braucht Anschluss an Ziele und Roadmaps. Sonst endet sie oft nach dem ersten Budgetzyklus.
Ohne Rückhalt aus dem Top-Management konkurriert die Initiative mit jeder anderen Priorität. Mit ihm wird Datenkultur Teil davon, wie die Organisation ihre Ziele erreicht.
3. In der Lernarchitektur Qualität vor Quantität stellen
Genau hier machen viele Programme einen klassischen Fehler: Sie schaffen Dutzende Kurse, Workshops und Formate. Der Katalog wird größer, die Wirkung kleiner. Das Ergebnis: Mitarbeiter fühlen sich überfordert und steigen aus. In den Roundtables war deshalb ein Punkt schnell klar: Qualität geht vor Quantität. Weniger Formate wirken oft stärker, wenn sie relevant sind und inhaltlich Substanz haben.
Was ihre Wirkung erhöht, zeigte sich ebenfalls deutlich:
- Knappheit schaffen: Premium-Formate bewusst begrenzen. Begrenzte Plätze erhöhen die Verbindlichkeit.
- Gamification nutzen: Lernen darf leicht wirken und trotzdem anspruchsvoll bleiben.
- Peer Learning fördern: Buddy-Systeme, Lunch-and-Learn-Sessions und Austauschformate schaffen eine soziale Dynamik, die kein E-Learning-Tool ersetzen kann.
- Nah an echten Bedarfen bleiben: Angebote an Aufgaben ausrichten, die Menschen in ihrem Arbeitsalltag tatsächlich lösen müssen.
Am Ende zählt nicht die Menge der Formate, sondern ihre praktische Anschlussfähigkeit. Communities of Practice, hybride Trainings mit Hands-on-Anteilen und die Arbeit an realen Projekten sind klassischen Classroom-Formaten oft überlegen.
Ein Beispiel, wie das konkret aussehen kann: Merck macht in zehn Wochen aus internen Talenten Citizen Data Scientists – ohne externe Trainer und ohne generisches E-Learning. Hier geht’s zum Beitrag: Ihre nächsten Data Leader arbeiten längst bei Ihnen
4. Ein skalierbares Operating Model mit cross-funktionalen Partnerschaften bauen
Beim Thema Skalierung herrschte weitgehend Einigkeit: Das hub-and-spoke-Modell setzt sich durch. Ein zentrales Team gibt Richtung und Qualitätsstandards vor, während Multiplikatoren das Thema in die Organisation tragen. Denn ein einzelnes Team erreicht kein ganzes Unternehmen, ein Netzwerk dagegen schon.
Damit dieses Modell funktioniert, müssen Rollen und Verantwortlichkeiten klar definiert sein. Sonst stellt man ein Team zusammen und hofft, dass es sich von selbst einspielt.
Genauso wichtig ist die frühe Einbindung von HR. In den meisten Unternehmen sind Personalentwicklung und Skill-Aufbau dort angesiedelt. Eine Datenkultur-Initiative, die daran vorbeiläuft, nutzt bestehende Strukturen nicht, sondern arbeitet gegen sie.
Programme, die hier erfolgreich sind, bauen die Partnerschaft mit HR deshalb von Anfang an auf. Das erleichtert:
- die Integration in Performance-Management und Zielsysteme
- den Zugang zu Lerninfrastruktur und Plattformen
- den Anschluss an Talent-Development-Strategien
5. Geduld einplanen und Erwartungen realistisch steuern
Datenkultur wächst Schritt für Schritt. Am Anfang geht es vor allem darum, Awareness zu schaffen und Momentum aufzubauen. Die exponentiellen Effekte stellen sich erst später ein. Wer diese frühe Phase abkürzen will, zahlt am Ende meist drauf.
Geduld braucht es dabei in zweierlei Hinsicht:
- Geduld mit dem Programm: Keine Transformation über Nacht erwarten. Erwartungshorizonte klären und Ziele von Anfang an sauber kommunizieren.
- Geduld mit Menschen: Mitarbeiter dort abholen, wo sie stehen, Einstiegshürden senken, Ängste ernst nehmen und Druck vermeiden.
Im Alltag bedeutet das, Menschen mit Empathie zu begleiten, statt mit dem Tonfall von „ihr seid zu spät“ zusätzlichen Druck aufzubauen.
6. Enablement an den Reifegrad der Datenorganisation koppeln
Enablement ohne Infrastruktur scheitert oft. Datenskills lassen sich zwar lernen, doch ohne nutzbare Tools, vertrauenswürdige Datenqualität und zugängliche Datenquellen bleiben sie im Alltag Theorie. Dann erzeugt Training eher Frust als Wirkung.
Erfolgreiche Programme denken deshalb beides zusammen: Literacy-Initiativen und den Reifegrad der Datenorganisation. Denn wenn Mitarbeiter neue Skills aufbauen, brauchen sie auch ein Umfeld, in dem sie diese unmittelbar anwenden können.
Ein Aspekt wird dabei häufig unterschätzt: Mitarbeiter sind nicht nur Anwender, sondern auch Datenproduzenten. Datenqualität entsteht nicht allein im IT-Team. Wenn Menschen ihre eigene Rolle im Daten-Ökosystem verstehen, beschleunigt das den Kulturwandel.
7. Auf die Herausforderungen vorbereitet sein, die mit Erfolg kommen
Selbst gut aufgestellte Data-Culture-Programme stoßen an Grenzen. In den Diskussionen wurden vor allem drei Herausforderungen immer wieder genannt.
- Ressourcenengpässe: Ressourcen sind fast immer knapp. Paradoxerweise verschärft sich dieses Problem oft mit dem Erfolg von Data-Culture-Initiativen. Denn je besser ein Programm läuft, desto größer wird die Nachfrage.
- Zusammenarbeit mit dem Betriebsrat: Gerade in größeren Unternehmen braucht sie Zeit, Vertrauen und viel Aufklärung. Diese Stakeholdergruppe sollte man nicht unterschätzen.
- Start ohne Fundament: Manche Organisationen müssen Datenstrategie oder Governance parallel zu Data-Culture-Programmen aufbauen. Dieses „Henne-und-Ei“-Problem verlangt eine klare Priorisierung und den Mut, trotzdem schon zu starten, auch wenn noch nicht alles steht.
Datenkultur ist kein Projekt sondern Führungsaufgabe
Eine Datenkultur entsteht nicht über Nacht. Sie braucht Geduld, Führung und Veränderung in der ganzen Organisation. Sie ist mehr als nur ein Thema für Learning & Development.
Entscheidend ist nicht ein möglichst großer Kurskatalog, sondern dass Führung, Infrastruktur, Organisationsdesign und Menschen zusammenspielen – und dass man das Programm lange genug durchhält, um messbare Wirkung zu sehen.
Kurz gesagt: Investieren allein reicht nicht. Entscheidend ist, ob man Datenkultur als strategisches Vorhaben führt.
