Ungenutzte Datenschätze: Woran Datenprojekte im Mittelstand wirklich scheitern

Es gibt einen Satz, der in Geschäftsführungsrunden zwischen Rhein und Weser gerade oft fällt: „Wir müssen mehr aus unseren Daten machen.“ Der Satz ist richtig. Nur folgt auf ihn erstaunlich selten etwas, das über den Kauf eines Dashboards hinausgeht. Ein Jahr später existiert das Dashboard noch, es schaut nur niemand mehr drauf, und die eigentlichen Fragen des Betriebs beantwortet es nicht.

Dabei sitzen viele Mittelständler in NRW tatsächlich auf wertvollem Material. Maschinendaten aus zwanzig Jahren Fertigung, Reklamationshistorien, Verbrauchswerte, Servicetickets, Angebotsdaten samt Erfolgsquote. Das Problem ist fast nie, dass Daten fehlen. Das Problem ist, dass sie in Formen vorliegen, mit denen niemand arbeiten kann: verteilt auf ein ERP-System, vier Excel-Welten, ein stillgelegtes CRM und die Postfächer langjähriger Mitarbeiter.

Genau an dieser Stelle setzen spezialisierte Dienstleister an. NEXperts etwa bündelt unter dem Stichwort Data Innovation mit KI Beratung und Umsetzung für Unternehmen, die ihre Datenbestände erst ordnen und dann produktiv nutzen wollen, von der Bestandsaufnahme bis zum laufenden Anwendungsfall. Der Reihenfolge kommt dabei besondere Bedeutung zu, und zwar aus einem einfachen Grund: Wer die Ordnung überspringt, bezahlt sie später doppelt.

Erst die unbequeme Bestandsaufnahme

Der ehrlichste Start eines Datenprojekts ist eine Inventur. Welche Systeme erzeugen Daten? Wer pflegt sie, und wie zuverlässig? Welche Felder werden konsequent ausgefüllt, welche sind seit Jahren Datenmüll? In welchem System steht die Wahrheit, wenn sich Angaben widersprechen?

Diese Fragen klingen banal. Ihre Antworten sind es nicht. In einem typischen Betrieb stellt sich heraus, dass derselbe Kunde in drei Systemen unter drei Schreibweisen existiert, dass die Maschinendaten zwar erfasst, aber nach neunzig Tagen überschrieben werden, und dass die wichtigste Auswertung des Vertriebs auf einer Exceldatei beruht, die nur ein einziger Mitarbeiter versteht. Der ist nächstes Jahr in Rente.

Nichts davon ist ein Grund zur Scham, es ist der Normalzustand gewachsener Betriebe. Aber es erklärt, warum der direkte Sprung zur KI so oft danebengeht. Ein Prognosemodell, das mit widersprüchlichen Kundendaten gefüttert wird, liefert widersprüchliche Prognosen. Nur eben mit mehr Nachkommastellen, was das Vertrauen in die Zahlen trügerisch erhöht.

Datenqualität ist Fleißarbeit, keine Software

Für die Bereinigung gibt es Werkzeuge, und gute Dienstleister bringen sie mit. Doch der Kern der Arbeit ist organisatorisch. Es muss jemand entscheiden, welche Schreibweise gilt, welches System führend ist und wer künftig dafür sorgt, dass neue Daten sauber ankommen. Ohne diese Festlegungen ist jede Bereinigung eine Momentaufnahme, die nach sechs Monaten wieder verfallen ist.

Bewährt hat sich, die Verantwortung dorthin zu legen, wo die Daten entstehen. Der Vertrieb verantwortet die Kundendaten, die Fertigung die Maschinendaten, die Buchhaltung die Stammdaten der Lieferanten. Eine zentrale Stelle koordiniert und setzt Standards, aber sie kann nicht für den ganzen Betrieb hinterherputzen. Betriebe, die das versuchen, erzeugen eine Datenabteilung im Dauerstress und Fachabteilungen, die sich für nichts mehr zuständig fühlen.

Ein Anwendungsfall statt einer Strategie-Folie

Wenn die Grundlage steht, stellt sich die Frage nach dem ersten Schritt. Hier lohnt Zurückhaltung gegenüber allem, was nach Gesamtkonzept klingt. Tragfähiger ist ein einzelner Anwendungsfall mit messbarem Ergebnis, ausgewählt nach zwei Kriterien: Er muss ein echtes Problem des Betriebs treffen, und die nötigen Daten müssen in brauchbarer Qualität vorliegen oder mit vertretbarem Aufwand dorthin zu bringen sein.

Beispiele aus der Praxis gibt es genug. Ein Maschinenbauer wertet Servicetickets aus und erkennt, welche Bauteile überdurchschnittlich oft ausfallen, bevor die Gewährleistungswelle anrollt. Ein Großhändler prognostiziert Bestellmengen für Saisonware und senkt seine Restbestände. Ein Zulieferer verknüpft Prozessdaten mit Ausschussquoten und findet die Parameterkombination, die den Ausschuss treibt. Keiner dieser Fälle braucht Forschungsniveau. Alle brauchen saubere, verknüpfbare Daten.

Der messbare Erfolg des ersten Falls ist mehr wert als jede interne Präsentation. Er beantwortet die Frage, die in jedem Betrieb im Raum steht: Bringt das was? Mit einer belegbaren Zahl lässt sich das zweite Projekt leichter begründen, und das dritte begründet sich meist von selbst.

Zur Auswahl gehört auch ein realistischer Blick auf den Aufwand. Für einen ersten Fall dieser Art sind drei bis sechs Monate eine brauchbare Hausnummer, inklusive Datenaufbereitung. Die Kosten hängen stark davon ab, wie viel intern geleistet werden kann und wie viel eingekauft wird. Wichtiger als die absolute Summe ist, dass vorher eine Messgröße vereinbart wird: Restbestand in Euro, Ausschussquote in Prozent, Bearbeitungszeit in Tagen. Ein Projekt ohne vereinbarte Messgröße kann nicht scheitern, aber eben auch nicht gelingen, und genau solche Projekte dümpeln dann jahrelang durch die Statusrunden.

Die Mitarbeiterfrage nicht aufschieben

Datenprojekte scheitern selten an Rechenleistung und häufig an Menschen, die nicht mitgenommen wurden. Wenn die Fertigung den Verdacht hat, dass die neuen Auswertungen vor allem der Leistungskontrolle dienen, werden die Daten genau so gepflegt, wie man es erwarten würde: lückenhaft. Transparenz darüber, was ausgewertet wird und was nicht, ist deshalb keine Nettigkeit, sondern Voraussetzung für brauchbare Daten.

Dazu kommt der Aufbau von Grundwissen. Nicht jeder muss programmieren lernen. Aber wer mit Auswertungen arbeitet, sollte einschätzen können, was eine Prognose leisten kann und was nicht. Ein Nachmittag Schulung zu den Grenzen von Modellen erspart später viele Diskussionen über angeblich falsche Zahlen, die in Wahrheit nur falsch gelesen wurden.

Was am Ende den Unterschied macht

Der Abstand zwischen Betrieben, die von ihren Daten profitieren, und solchen, die nur davon reden, liegt selten in der Technik. Beide können dieselben Systeme kaufen. Der Unterschied liegt in der Bereitschaft, die unglamouröse Vorarbeit zu leisten: Inventur, Bereinigung, Zuständigkeiten, ein erster kleiner Fall mit echtem Ergebnis.

Das dauert, je nach Ausgangslage, ein halbes bis ein ganzes Jahr. Danach steht allerdings etwas, worauf sich aufbauen lässt, auch und gerade für die KI-Anwendungen, über die derzeit alle sprechen. Der Datenschatz im Keller wird nicht dadurch wertvoll, dass man ihn besitzt. Er wird es dadurch, dass ihn jemand hebt.