Es gibt keine Datenstrategie, nur eine Geschäftsstrategie. Und die gilt es mit Daten und KI bestmöglich zu unterstützen. Unternehmen müssen deshalb entscheiden, welche Datenfähigkeiten sie aufbauen, wer Verantwortung trägt und welche Vorhaben zuerst Geschäftswert liefern.
Was ist eine Datenstrategie?
Eine Datenstrategie (engl. Data Strategy) ist der Teil der Geschäftsstrategie, der verbindlich festlegt, wie ein Unternehmen seine Ziele mit Daten erreicht und welche Vorhaben Vorrang haben. Dazu gehören Zielbild, Use Cases, Governance, Organisation, Architektur, Fähigkeiten, Datenkultur und Roadmap.
Die Abgrenzung zu Geschäfts- und KI-Strategie zeigt, welche Aufgabe die Datenstrategie übernimmt:
| Ebene | Leitfrage | Typische Entscheidungen |
|---|---|---|
| Geschäftsstrategie | Welche Ziele und Marktpositionen verfolgt das Unternehmen? | Wachstum, Produktivität, Kundennutzen, Risiko, Geschäftsmodelle |
| Datenstrategie | Welche Datenfähigkeiten braucht das Unternehmen für diese Ziele? | Use Cases, Datenverantwortung, Governance, Architekturprinzipien, Fähigkeiten, Roadmap |
| KI-Strategie | Wo und unter welchen Bedingungen soll KI eingesetzt und skaliert werden? | KI-Use-Cases, Modellrisiken, KI-Governance, Betrieb, Skalierung |
Ein reiner Technologieplan setzt dagegen bei Systemen und Architekturen an. Eine Datenstrategie beginnt früher, bei den Entscheidungen und Ergebnissen, die besser unterstützt werden sollen. Daraus folgen die Anforderungen an Daten, Governance, Organisation und Technologie.
Warum brauchen Unternehmen eine Datenstrategie?
Investitionen in Plattformen, Reporting, Analytics und KI laufen in vielen Unternehmen parallel. Ohne gemeinsame Prioritäten entstehen widersprüchliche Kennzahlen und Use Cases, für deren Geschäftswert niemand verantwortlich ist. Eine Datenstrategie bündelt die notwendigen Entscheidungen und macht Abhängigkeiten sichtbar.
In Projekten sehen wir immer wieder diese Anzeichen für eine fehlende oder unwirksame Datenstrategie:
- Es gibt viel Technologie, aber wenig Klarheit, wie sie eingesetzt werden soll.
- Viele Daten- und KI-Use-Cases laufen nebeneinander, Pilotprojekte schaffen es nicht in den Regelbetrieb.
- Fachbereiche, IT und Datenteams setzen unterschiedliche Prioritäten, und die Rollen, etwa für Datenqualität, sind kaum geklärt.
- Das Management kann den Geschäftswert der Investitionen nicht nachvollziehen.
Der BARC Data, BI and Analytics Trend Monitor 2026 zeigt, wo Unternehmen ihre Prioritäten setzen: Datenqualität, Datensicherheit, Datenkultur und Governance liegen noch vor KI und Advanced Analytics. Eine Datenstrategie muss diese Bereiche gemeinsam steuern, wenn Daten- und KI-Vorhaben skalieren sollen.
Wie hängen Datenstrategie und KI-Strategie zusammen?
Ob die KI-Strategie Teil der Datenstrategie ist oder daneben steht, hängt davon ab, wie ein Unternehmen organisiert ist. Eine allgemeingültige Hierarchie gibt es nicht.
Wie eng beide zusammenhängen, entscheidet in der Praxis eine einfache Frage: Braucht die KI eigene Unternehmensdaten? Solange Mitarbeiter einen vortrainierten KI-Assistenten als Sparringspartner nutzen, kommt die KI-Strategie fast ohne Datenstrategie aus. Sie regelt dann vor allem Zugang, Use Cases und Lernen. Sobald KI aber rollenspezifische Aufgaben im Unternehmen übernehmen soll, braucht sie eigene Daten. Spätestens dann lassen sich Daten- und KI-Strategie nicht mehr trennen.
Unternehmen, die ihre Daten bereits als Datenprodukte bereitstellen, können eine KI-Strategie auch gesondert entwickeln. Sie setzt dann auf einer funktionierenden Datengrundlage auf. Zugleich erweitert KI die Anforderungen an Governance und Betrieb.
Bevor Unternehmen KI-Use-Cases skalieren, sollten sie prüfen, ob Daten, Verantwortlichkeiten und Fähigkeiten dafür bereit sind. Eine Bewertung der KI-Readiness zeigt, wo die größten Lücken liegen und welche Grundlagen zuerst geschaffen werden müssen.
Welche Bestandteile gehören in eine Datenstrategie?
Eine vollständige Datenstrategie verbindet sieben Bausteine. Alle leiten sich aus der Geschäftsstrategie ab. Wie sie konkret aussehen, hängt von Geschäftsmodell, Ausgangslage und Ambition ab.
- Geschäftliche Ziele und Zielbild Das Zielbild beschreibt, welchen Beitrag Daten zu den wichtigsten Geschäftszielen leisten sollen. Es gibt vor, welche Entscheidungen schneller, verlässlicher oder stärker automatisiert werden müssen. Daraus entsteht ein gemeinsamer Bezugsrahmen für Fachbereiche, IT und Datenteams.
- Geschäftswert und priorisierte Use Cases Use Cases machen die strategischen Ziele konkret. Jeder priorisierte Use Case braucht einen fachlichen Verantwortlichen und überprüfbare Erfolgskriterien.
- Governance und Entscheidungsrechte Data Governance legt fest, wer über Definitionen, Qualitätsanforderungen, Zugriffsregeln und Ausnahmen entscheidet. Dabei müssen nicht alle Daten überall dieselbe Qualität haben. Es kommt darauf an, für welchen Anwendungszweck welche Qualität sichergestellt werden muss. Bei BARC verstehen wir Governance als Steuerungsmechanismus der Datenstrategie. Rollen, Gremien und Richtlinien müssen deshalb an konkrete Entscheidungen und Eskalationswege gebunden sein.
- Organisation und Operating Model Das Operating Model beschreibt die Zusammenarbeit von Führung, Fachbereichen, IT und Datenteams. Es klärt, welche Aufgaben zentral, dezentral oder föderiert organisiert werden. Es regelt auch, wer Standards setzt, wer Datenprodukte verantwortet und wie gemeinsame Prioritäten finanziert werden.
- Daten, Architektur und Technologieprinzipien Architekturprinzipien geben Leitplanken für Integration, Interoperabilität, Datenzugriff, Sicherheit und Wiederverwendung. Der Architekturteil der Strategie legt Entscheidungskriterien fest und nimmt keine Produktliste vorweg.
- Fähigkeiten, Datenkultur und Verankerung Eine Datenstrategie verändert Aufgaben und Entscheidungen. Führungskräfte müssen Daten in Steuerungsprozesse einbinden. Fachbereiche übernehmen Verantwortung für Definitionen, Qualität und Nutzen. IT und Datenteams benötigen Fähigkeiten für Architektur, Governance, Analytics und Betrieb. Datenkultur entsteht, wenn Führungskräfte Erwartungen klären, Teams die nötigen Kompetenzen aufbauen und neue Arbeitsweisen im Alltag nutzen.
- Roadmap, Erfolgsmessung und Wertrealisierung Die Roadmap verbindet Initiativen, Abhängigkeiten, Ressourcen und Entscheidungspunkte. Sie sollte früh erste Ergebnisse liefern und gleichzeitig die nötigen Grundlagen aufbauen. Erfolgsmessung umfasst Geschäftsergebnisse und den Fortschritt bei Datenqualität, Nutzung, Fähigkeiten und Governance.
Wie entwickelt man eine Datenstrategie für ein Unternehmen?
Wer eine Datenstrategie für das eigene Unternehmen entwickeln will, startet bei der Geschäftsstrategie. Von dort führen sechs Schritte zu einer umsetzbaren Roadmap.
1. Ausgangslage und Geschäftsziele klären
Erfassen Sie laufende Daten-, Analytics- und KI-Initiativen, bestehende Plattformen, Verantwortlichkeiten und bekannte Probleme. Verbinden Sie diese Bestandsaufnahme mit den Geschäftszielen. Das Ergebnis ist eine gemeinsame Sicht auf Handlungsdruck, Ambition und Rahmenbedingungen.
2. Relevante Entscheidungen und Nutzen bestimmen
Fragen Sie zuerst, welche Entscheidungen Ihr Unternehmen besser treffen muss, und erst danach, welche Technologie es dafür braucht. Das betrifft etwa Vertrieb, Einkauf, Logistik, Produktion oder Finanzen. Bestimmen Sie dort die Entscheidungen und Prozesse, in denen bessere Daten einen messbaren Unterschied machen, zum Beispiel Preissteuerung, Bestandsplanung, Kundenansprache, Risikobewertung oder Kapazitätsplanung. Formulieren Sie den erwarteten Nutzen so konkret, dass ein fachlich Verantwortlicher ihn später überprüfen kann. So entsteht die Liste möglicher Use Cases.
3. Use Cases priorisieren
Ordnen Sie Use Cases Wertfeldern zu und bewerten Sie sie nach Geschäftswert, strategischer Bedeutung, Datenverfügbarkeit, Aufwand, Risiken und organisatorischer Bereitschaft. Die Bewertung schafft ein Portfolio mit klaren Stop-, Go- und Scale-Entscheidungen. Eine lange Wunschliste ersetzt keine Priorisierung.
4. Fähigkeiten und Lücken bewerten
Prüfen Sie für die priorisierten Use Cases, welche Daten, Qualitätsniveaus, Rollen, Architekturbausteine, Kompetenzen und Governance-Entscheidungen erforderlich sind. Vergleichen Sie diese Anforderungen mit der Ausgangslage. So werden Abhängigkeiten sichtbar, bevor das Unternehmen Budgets und Termine festlegt.
Dabei gilt: Ein Unternehmen kommt nur so weit, wie seine schwächste Stelle es zulässt. Wer bei der Technologie bereits gut aufgestellt ist, gewinnt durch weitere Investitionen dort wenig. Mehr bringt es, die größte Lücke zu schließen. Oft fehlen ein gemeinsames Zielbild oder klare Verantwortlichkeiten. Diese Lücke bestimmt, wo Operating Model und Roadmap zuerst ansetzen.
5. Zielbild und Operating Model festlegen
Ergänzen Sie das Zielbild um die Frage, wie Daten künftig genutzt und gesteuert werden. Dazu gehören Entscheidungsrechte und Rollen, die Zusammenarbeit der beteiligten Funktionen im Operating Model, Architekturprinzipien und zentrale Fähigkeiten. Das Ergebnis muss konkret genug sein, um Investitionsentscheidungen zu leiten, und flexibel genug, damit Fachbereiche innerhalb gemeinsamer Leitplanken handeln können.
6. Roadmap und Erfolgskontrolle aufsetzen
Kaum ein Unternehmen startet bei null. Ordnen Sie Initiativen deshalb in eine realistische Reihenfolge, die auf bestehenden Systemen, Prozessen und Teams aufbaut. Berücksichtigen Sie Ressourcen, Abhängigkeiten, Veränderungsaufwand und Entscheidungstermine. Jede Initiative erhält einen Verantwortlichen, erwartete Ergebnisse und Kriterien für Fortführung, Anpassung oder Stopp.
Was sollte am Ende vorliegen?
Eine umsetzbare Datenstrategie passt in ein kompaktes Dokument für das Führungsteam. Darin liegen die sieben Bausteine als konkrete Entscheidungen vor. Danach ist klar, welche Maßnahmen Vorrang haben, wer Verantwortung übernimmt und wann die nächsten Entscheidungspunkte anstehen.
Datenstrategie-Beispiel: Vertriebssteuerung in einem Industrieunternehmen
Das folgende Beispiel ist fiktiv. Es beschreibt keine reale Kundenreferenz oder nachgewiesenen Projektergebnisse.
Die Ausgangslage
Ein Industrieunternehmen stellt technische Komponenten her und verkauft sie über internationale Vertriebseinheiten. Es möchte bestehende Kunden gezielter entwickeln und profitabler verkaufen. Dashboards und Managementberichte sind bereits vorhanden.
In einer Vertriebsbesprechung zeigt sich dann das Problem. Bei einem wichtigen Kunden sinkt der Umsatz. Bestellt der Kunde weniger, kauft er andere Produkte oder haben sich die Konditionen verändert? Vertrieb und Controlling bringen unterschiedliche Auswertungen mit. Kundenzuordnungen und Margendefinitionen stimmen nicht überein. Statt Maßnahmen zu beschließen, diskutiert die Runde über die Zahlen.
Die erste Reaktion ist der Wunsch nach einem neuen Dashboard und einer leistungsfähigeren Datenplattform. Die Datenstrategie setzt früher an. Welche Kunden soll der Vertrieb entwickeln? Welche Produkte soll er dabei anbieten? Und auf welcher Grundlage werden Preise und Konditionen beurteilt?
Die strategischen Entscheidungen
Die Geschäftsführung priorisiert Kundenentwicklung und Vertriebssteuerung als erstes Wertfeld. Andere Reporting- und KI-Ideen werden zurückgestellt, bis Nutzen und Voraussetzungen geklärt sind.
Das Unternehmen entscheidet, Kunden- und Produktdefinitionen sowie die Kennzahlenlogik gemeinsam festzulegen. Diese Grundlagen sollen zuerst dem Vertrieb dienen und später auch Produktmanagement und Unternehmensplanung unterstützen. Die regionalen Vertriebseinheiten bleiben für ihre Kundenmaßnahmen verantwortlich. Lokale Auswertungen ergänzen die gemeinsame Lösung nur bei begründetem Bedarf und nutzen dieselben Definitionen.
Auch die Zusammenarbeit wird verbindlich geregelt. Der Vertrieb verantwortet die Geschäftsfragen und die Nutzung im Kundenmanagement. Controlling sichert die abgestimmte Kennzahlenlogik. Benannte Datenverantwortliche kümmern sich um Kunden- und Produktdaten. IT und Datenteam verantworten Integration, Berechtigungen und Betrieb. Ohne fachlich verantwortlichen Business Owner und Zeit für Klärung, Tests und Abnahme startet kein Vorhaben.
Die Umsetzung und das Zielbild
Die Umsetzung beginnt in einem ausgewählten Vertriebsbereich. Zunächst werden Kundenzuordnungen bereinigt, Kennzahlen abgestimmt und die Informationen in die Kundenplanung eingebunden. Technische Ergänzungen werden daraus abgeleitet. Ob eine neue Plattform nötig ist, bleibt eine zu prüfende Entscheidung.
In der künftigen Vertriebsbesprechung soll die gemeinsame Datengrundlage erkennen lassen, ob ein Umsatzrückgang aus Absatz, Produktmix oder Konditionen entsteht. Die Runde kann dann entscheiden, ob ein Kundenbesuch, ein ergänzendes Produktangebot oder eine Überprüfung der Konditionen sinnvoll ist. Verantwortliche und nächste Schritte werden festgehalten.
Ob das gelingt, wird an Nutzung, Abstimmungsaufwand und der Umsetzung von Vertriebsmaßnahmen überprüft. Die Entwicklung von Umsatz und Marge wird ebenfalls bewertet, ohne Veränderungen automatisch der Datenlösung zuzuschreiben.
Die Datenstrategie führt damit nicht einfach zu einem weiteren Dashboard. Sie legt fest, welche Entscheidungen unterstützt werden, welche Grundlagen das Unternehmen gemeinsam aufbaut und wer für deren Nutzung und Wirkung verantwortlich ist.
Welche Fehler schwächen eine Datenstrategie?
Die meisten Fehler haben eine gemeinsame Ursache: Die Datenstrategie verliert den Bezug zur Geschäftsstrategie. In Kundengesprächen geht es oft um Tools, Plattformen und Governance. Meist fehlen aber Klarheit darüber, welche Entscheidungen anstehen, und ein realistischer Weg vom heutigen Stand zur Umsetzung.
Die Technologieentscheidung steht am Anfang
Wer mit der Plattformauswahl beginnt, diskutiert über Anbieter und Funktionen, bevor klar ist, welche Entscheidungen unterstützt werden sollen. Am Ende stehen teure Systeme, die nur wenige nutzen. Klären Sie zuerst Geschäftsziele und Use Cases und leiten Sie daraus die Architekturkriterien ab.
Use Cases werden nicht priorisiert
Ohne gemeinsame Bewertungskriterien setzt sich oft der Vorschlag durch, der am lautesten eingefordert wird. Budget verteilt sich auf zu viele Vorhaben, und keines erreicht den Regelbetrieb. Legen Sie fest, wer über das Portfolio entscheidet, und stoppen Sie Vorhaben, die ihre Erfolgskriterien verfehlen.
Verantwortung bleibt bei Datenteams oder IT
IT und Datenteams können Plattformen und Datenprodukte bereitstellen, den Geschäftswert aber nicht allein verantworten. Nutzen entsteht erst, wenn Fachbereiche Use Cases in ihre Prozesse übernehmen. Die Unternehmensleitung muss die Datenstrategie sichtbar mittragen und Zielkonflikte zwischen Bereichen entscheiden. Ein Chief Data Officer (CDO) oder eine vergleichbare Rolle koordiniert den Gesamtprozess, sofern es diese Rolle im Unternehmen gibt.
Governance bleibt auf dem Papier
Rollen wie Data Owner oder Data Steward stehen im Organigramm, werden im Alltag aber nicht gefragt. Qualitätsprobleme löst dann jedes Team auf eigene Faust. Prüfen Sie an einem konkreten Fall, etwa einer umstrittenen Kennzahl, ob die vorgesehenen Rollen tatsächlich entscheiden.
Die Roadmap ignoriert Abhängigkeiten
Plant jedes Vorhaben seine Grundlagen für sich, entstehen doppelte Arbeit und neue Silos. Plant die Roadmap nur Grundlagen, sieht das Management lange keine Ergebnisse. Bauen Sie Grundlagen dort auf, wo sie mehrere priorisierte Vorhaben gleichzeitig unterstützen.
Die Einführung wird zu spät vorbereitet
Neue Rollen, Standards und Werkzeuge verändern den Arbeitsalltag. Wer Mitarbeiter erst beim Start informiert, erlebt Widerstand oder Umgehungslösungen wie eigene Excel-Auswertungen. Binden Sie betroffene Fachbereiche früh ein und planen Sie Lernen und Kommunikation als Teil der Umsetzung.
Wann sollte eine Datenstrategie überprüft werden?
Eine Datenstrategie sollte überprüft werden, sobald sich ihre Annahmen oder die Bedingungen für ihre Umsetzung ändern. Unabhängig davon empfiehlt sich eine feste Prüfung, etwa im Rahmen der Jahresplanung.
Typische Auslöser sind:
- eine neue Geschäftsstrategie oder ein neues Geschäftsmodell
- größere Investitionen in Datenplattformen oder KI
- die Modernisierung einer bestehenden Plattform
- die Ablösung oder Weiterentwicklung von SAP BW
- neue regulatorische Anforderungen
- Übernahme von Unternehmen
- Warnsignale wie stockende Piloten oder fehlender Wertnachweis, obwohl bereits eine Strategie existiert
Die Roadmap braucht regelmäßige Entscheidungspunkte. An jedem dieser Punkte sollten Führungskräfte prüfen, welche Annahmen noch gelten, welche Use Cases ihren erwarteten Nutzen erreichen und welche Fähigkeiten für die nächste Umsetzungsstufe fehlen.
Ihre Datenstrategie mit BARC entwickeln
Ob Sie eine Datenstrategie neu aufsetzen oder eine bestehende überprüfen: Am Anfang steht meist dieselbe Frage. Welche Entscheidungen soll die Strategie besser unterstützen, und was muss dafür zuerst passieren?
Unsere unabhängige Datenstrategieberatung baut auf dem Research von BARC auf und begleitet Sie von der ersten Orientierung bis zur umsetzbaren Roadmap.
