Wenn Sie eine Datenstrategie für KMU entwickeln, brauchen Sie kein Konzeptpapier für die Schublade. Sie brauchen klare Antworten auf drei Fragen: Welche Entscheidung soll besser werden, welche Daten gehören dazu, und wer verantwortet sie? Alles Weitere folgt daraus. Dieser Beitrag zeigt, wie Sie diese Fragen ordnen, bevor Sie in KI oder Automatisierung investieren.
Die großen Anbieter definieren den Begriff ähnlich. SAP beschreibt eine Datenstrategie als klar definierten Plan, um das Datenmanagement im ganzen Unternehmen effektiver zu machen. IBM betont die Nutzung von Daten für bessere Entscheidungen und optimierte Geschäftsprozesse. AWS spricht von einer langfristigen Vision für Erfassung, Speicherung, gemeinsame Nutzung und Verwendung von Daten.
Diese Definitionen stimmen, aber sie denken in Konzernstrukturen. Wer eine Datenstrategie für KMU entwickeln will, hat meist kein Datenteam und keine eigene Architekturabteilung. Deshalb muss das Ergebnis kleiner ausfallen: wenige Seiten, die Geschäftsziele, Datenquellen, Zuständigkeiten und Regeln verbinden. Das Dokument dient als Entscheidungsgrundlage, nicht als Projektplan.
Eine Strategie zu schreiben ist der leichtere Teil. Der Arbeitskreis Data Strategy & Data Products des Bitkom hält fest, dass die erfolgreiche Implementierung kein Selbstläufer ist. Business Alignment, Change Management und klare Verantwortlichkeiten nennt er als typische Hürden. Außerdem sei eine Datenstrategie nicht per se wertstiftend, weil sie sich an ihrem Beitrag zu den Organisationszielen messen lassen müsse.
Für Sie heißt das: Jeder Abschnitt der Strategie braucht einen Besitzer und ein Erfolgskriterium. Ohne beides bleibt das Papier folgenlos. Der Bitkom nennt Datenprodukte als einen Weg, eine Strategie umzusetzen, also Produktlogik auf Daten anzuwenden. In der Praxis bedeutet das, dass etwa ein Auftragsbericht einen festen Zuständigen, eine Qualitätsanforderung und einen definierten Nutzerkreis hat.
Der verlässlichste Einstieg ist ein einzelner Anwendungsfall, nicht die gesamte Datenlandschaft. Wählen Sie eine Entscheidung oder einen Prozess mit klarem Nutzen, etwa die Angebotserstellung, die Disposition oder die Bearbeitung von Kundenanfragen. Beschreiben Sie in einem Satz, was sich verbessern soll. So gewinnen Sie ein Kriterium, an dem sich jede weitere Datenfrage messen lässt.
Danach arbeiten Sie rückwärts. Welche Daten braucht dieser Fall? Wo liegen sie, und in welcher Qualität? Wer pflegt sie, und wer darf sie sehen? Das Ergebnis ist eine Mini-Strategie für genau diesen Fall, die Sie mit dem nächsten Anwendungsfall erweitern. Der Nachteil liegt auf der Hand: Querverbindungen zwischen Bereichen sehen Sie erst später. Dafür haben Sie früh etwas Nutzbares statt eines Konzepts, das niemand anwendet.
Welche Prozesse sich als Einstieg eignen, klärt unser Beitrag dazu, welche Geschäftsprozesse Sie zuerst digitalisieren sollten. Konkrete Szenarien finden Sie in den Beispielen für die Digitalisierung von Geschäftsprozessen.
Das Fraunhofer IAO schreibt in der Ankündigung seines Workshops zu KI und Datenstrategie, dass erfolgreiche KI-Nutzung weiterhin auf hochwertigen Daten beruht. Unternehmen brauchen demnach eine Datenstrategie, die Datennutzung ermöglicht und für alle Anwendungsbereiche praktikabel macht. Ob das bei Ihnen zutrifft, prüfen Sie mit vier Fragen:
Als mögliche Themen nennt das Fraunhofer IAO außerdem Datenkataloge und Retrieval Augmented Generation, also das Erschließen vorhandener Inhalte für KI-Anwendungen. Für ein KMU genügt am Anfang eine einfache Liste mit Datenquelle, Inhalt, Besitzer und Speicherort. Sie lässt sich später in einen Katalog überführen, falls der Bedarf wächst.
In kleinen Unternehmen funktioniert Datenverantwortung als Rolle, nicht als Stelle. Die Geschäftsführung legt fest, welches Ziel die Daten unterstützen. Die Fachbereichsleitung verantwortet die Qualität der Daten in ihrem Bereich, weil nur sie fachliche Fehler erkennt. IT oder ein externer Dienstleister betreibt die Systeme und die Zugriffsrechte. Halten Sie diese Aufteilung schriftlich fest, denn bei Urlaub oder Personalwechsel zeigt sich sonst schnell, dass niemand zuständig war.
Sobald personenbezogene Daten in einen Anwendungsfall fließen, gilt die DSGVO. Das betrifft Kundendaten, Mitarbeiterdaten und oft auch E-Mail-Inhalte. Halten Sie deshalb pro Datenquelle fest, ob sie personenbezogene Daten enthält, zu welchem Zweck Sie sie nutzen und welcher Dienstleister sie verarbeitet. Setzen Sie externe KI-Dienste ein, gehört die Frage dazu, wo die Verarbeitung stattfindet. Welche Rechtsgrundlage und welche Verträge im Einzelfall nötig sind, klären Sie mit Ihrer Datenschutzbeauftragten oder Ihrem Rechtsbeistand, denn das hängt von Branche und Datenart ab.
Auch der europäische Rahmen entwickelt sich. Die EU-Kommission beschreibt als Ziel ihrer Datenstrategie einen Binnenmarkt für Daten. Laut t3n sollen Mitgliedstaaten und Unternehmen ihre Datenschätze teilen und besser ausnutzen können. Für Ihren Betrieb ist das kein Grund zur Eile, wohl aber ein Grund, Datenzugang und Datenweitergabe in Verträgen bewusst zu regeln.
Mit einer klaren Datenbasis entscheiden Sie leichter, wie Sie den Anwendungsfall umsetzen. Standard-Tools passen, wenn Ihr Prozess gängig ist und die Daten bereits in einem System mit Schnittstelle liegen. Eine Eigenentwicklung lohnt eher, wenn der Prozess Ihr Geschäftsmodell prägt oder mehrere Systeme zusammenspielen müssen. Die Kosten schwanken stark mit Umfang und Datenlage. Verlangen Sie deshalb von jedem Anbieter eine Aufstellung, die die Datenaufbereitung getrennt ausweist, weil dieser Posten häufig unterschätzt wird.
Planen Sie KI und Workflow-Automatisierung gemeinsam, finden Sie bei Xerx unter KI-Automatisierung einen Überblick über unsere Leistungen. Wer die Forschungsseite verfolgen möchte, findet im Projektverzeichnis des DFKI Forschungsprojekte des Deutschen Forschungszentrums für Künstliche Intelligenz, etwa zu Sprache und Textverstehen. Für Ihre Entscheidung ist das Hintergrund, keine Pflichtlektüre.
Ein Pilot prüft nicht nur die Technik, sondern auch Ihre Annahmen über die Daten. Legen Sie vorab drei Messgrößen fest, etwa Bearbeitungszeit, Fehlerquote und Aufwand für die Datenpflege. Zeigt sich, dass Daten lückenhaft sind, ist das ein nützliches Ergebnis und kein Scheitern. Passen Sie dann die Strategie an, bevor Sie ausrollen. So wird jede Pilotrunde ein Baustein, wenn Sie Ihre Datenstrategie für KMU entwickeln und Schritt für Schritt erweitern.
Ja, in schlanker Form. Sobald Sie Daten für Entscheidungen, Automatisierung oder KI nutzen, brauchen Sie Klarheit über Quellen, Qualität und Zuständigkeiten. Dafür genügen oft wenige Seiten.
Die Datenstrategie regelt, welche Daten Sie wie erfassen, pflegen und nutzen. Eine KI-Strategie baut darauf auf und legt fest, wofür Sie KI einsetzen. Ohne verlässliche Daten bleibt die KI-Planung wenig belastbar.
Das hängt von Umfang und Datenlage ab. Ein einzelner Anwendungsfall lässt sich deutlich schneller abbilden als die gesamte Datenlandschaft. Lassen Sie sich von Ihrem Umsetzungspartner einen Zeitplan nennen.
Die Geschäftsführung trägt die Zielsetzung, die Fachbereiche verantworten die Datenqualität in ihrem Bereich. IT oder ein externer Dienstleister betreibt die Systeme.
Weiterlesen
Chatbot, Assistent oder Agent: Ein nüchterner Überblick über die Typen von KI-Agenten und eine Entscheidungshilfe, wie viel Autonomie zu Ihrem Prozess passt.
Nicht jeder Prozess gehört automatisiert. Fünf Filter, ein Bewertungsbogen und klare Ausschlusskriterien helfen Ihnen, den richtigen ersten Kandidaten für einen Pilot zu wählen.
Bevor Sie ein Tool wählen, klären Sie Aufgabe, Befugnis und Datenlage. So treffen Geschäftsführer die Entscheidung zwischen Eigenbau, Standard-Tool und Partner.
