Was ist eine Analytics Strategie – und warum haben so wenige Unternehmen eine?
Im AI or DIE Podcast hat mich Host Ulrik gefragt: „Was ist eigentlich eine Analytics Strategie?" Die Antwort, die ich gegeben habe, lässt sich in einem Satz zusammenfassen: Die meisten Unternehmen, die glauben, sie hätten eine Analytics Strategie, haben in Wirklichkeit nur eine Sammlung von Projekten.
Das klingt hart. Aber nach über 15 Jahren in der Praxis – von Accenture über EY, ALDI DX bis zu MADSACK – habe ich dieses Muster immer wieder erlebt. Und ich glaube, es ist das zentrale Problem, das darüber entscheidet, ob Analytics im Unternehmen tatsächlich Wert schafft oder als teures Experiment endet.
Was eine Analytics Strategie NICHT ist
Lass mich mit den häufigsten Missverständnissen beginnen.
Eine Analytics Strategie ist nicht:
- Eine Liste von Dashboards, die gebaut werden sollen
- Ein Technologie-Fahrplan (Data Lake, Cloud-Migration, etc.)
- Ein Org-Chart mit einem neuen Analytics-Team
- Ein Budget-Plan für Data Engineering
Alle diese Dinge können Bestandteile einer Strategie sein. Aber sie sind keine Strategie.
Das eigentliche Problem: Viele Unternehmen starten mit der Lösung, bevor sie das Problem definiert haben. Sie kaufen Tableau, weil der Wettbewerb Tableau hat. Sie bauen einen Data Lake, weil „alle" Data Lakes bauen. Und am Ende fragt niemand: „Welche Entscheidungen treffen wir heute schlechter, weil uns die richtigen Daten fehlen?"
Die drei Kernfragen jeder Analytics Strategie
In der Podcast-Episode habe ich drei Fragen genannt, die jede ehrliche Analytics Strategie beantworten muss:
1. Welche Entscheidungen wollen wir besser treffen?
Das klingt selbstverständlich, ist aber selten explizit gemacht. Bei ALDI DX haben wir mit genau dieser Frage angefangen. Die Antwort war nicht „wir wollen mehr Daten haben", sondern konkret: Wir wollen Promotion-Entscheidungen besser treffen. Wir wollen Einkaufskonditionen besser verhandeln. Wir wollen Liquidität besser planen.
Erst wenn diese Fragen beantwortet sind, können wir rückwärts ableiten: Welche Daten brauchen wir dafür? Welche Modelle? Welche Tools?
2. Wer muss diese Entscheidungen treffen – und sind die bereit?
Analytics schafft keinen Wert im Vakuum. Die beste Analyse ist wertlos, wenn der Entscheidungsträger ihr nicht vertraut, sie nicht versteht oder sie nicht in seine Prozesse integriert.
Das ist das Change-Management-Problem in Analytics-Projekten, über das kaum jemand spricht. Ich habe Projekte erlebt, bei denen exzellente Modelle gebaut wurden – die dann niemals genutzt wurden, weil die Organisation nicht vorbereitet war. Der Aufbau von Vertrauen und Data Literacy ist kein Nice-to-have. Es ist Kernarbeit.
3. Was ist der messbare Wert – und wann wissen wir, ob wir erfolgreich sind?
Ohne klare Erfolgsdefinition driftet Analytics in zwei Richtungen: Entweder wird es zum Selbstzweck (wir bauen weil wir bauen), oder es scheitert still, weil niemand weiß, ob es funktioniert hat.
Bei ALDI DX haben wir jeden Use Case mit einem ROI-Ziel versehen: Welchen EBIT-Impact erwarten wir, in welchem Zeitraum, messbar wie? Das hat zwei Effekte: Erstens priorisiert es automatisch – schlecht begründete Projekte verschwinden schnell. Zweitens schafft es Accountability, die zu besseren Ergebnissen führt.
Technologie, Daten und Business: Die Dreiecksbeziehung
Eine der Diskussionen im Podcast drehte sich um das Verhältnis von Technologie, Daten und Business-Kontext. Meine Position ist klar: Technologie ist Mittel zum Zweck, kein Selbstzweck.
Ich erlebe regelmäßig Organisationen, die in modernste Datentechnologie investiert haben – und trotzdem keinen Wert schaffen. Und ich erlebe Organisationen, die mit einfachen Mitteln außerordentliche Ergebnisse erzielen, weil sie das Business-Problem wirklich verstanden haben.
Die entscheidende Fähigkeit ist nicht technisches Know-how allein – es ist die Fähigkeit, zwischen der Welt der Daten und der Welt der Entscheidungsträger zu übersetzen. Das ist die Rolle, die ich als „Brückenbauer" bezeichne: Jemand, der sowohl den Boardroom versteht als auch den Maschinenraum.
Ethik ist kein Compliance-Thema
Im Gespräch haben wir auch über die ethische Dimension von Datenverarbeitung gesprochen – und ich merke, dass dieses Thema in vielen Unternehmen immer noch als Compliance-Aufgabe behandelt wird.
Das ist ein Fehler. Ethik in Analytics ist eine strategische Frage.
Was ich damit meine: Die Frage, wie wir Kundendaten nutzen, ob Algorithmen diskriminieren könnten, welche Transparenz wir über datengetriebene Entscheidungen herstellen – das sind Fragen, die Vertrauen aufbauen oder zerstören. Und Vertrauen ist in einer datenzentrierten Welt ein wesentlicher Wettbewerbsfaktor.
Bei MADSACK bedeutet das zum Beispiel: Wie nutzen wir KI zur Content-Generierung, ohne das Vertrauen der Leser zu gefährden? Das ist keine Frage der IT-Abteilung. Das ist eine Editorial- und Strategiefrage.
Was jetzt?
Wenn ich gefragt werde, wo Unternehmen anfangen sollen, sage ich immer dasselbe: Bevor ihr eine einzige Zeile Code schreibt oder eine Technologie evaluiert, schreibt einen halben Satz auf:
„Wir wollen Analytics nutzen, um [konkrete Entscheidung] besser zu treffen, was zu [messbarem Ergebnis] führt."
Wenn ihr diesen Satz nicht ausfüllen könnt, habt ihr noch keine Strategie. Wenn ihr ihn ausfüllen könnt, habt ihr den wichtigsten Schritt schon gemacht.
Dieser Artikel basiert auf meiner Episode im AI or DIE Podcast mit Host Ulrik (April 2025). Wer das vollständige Gespräch hören möchte: 36 Minuten, direkt und ohne Buzzword-Bingo.