Data Science & KI

Wie Sie eine Daten Plattform auswählen, die wirklich Mehrwert schafft

Erfahren Sie, wie Unternehmen die richtige Datenplattform wählen und dabei echten Business Value statt technologischer Komplexität erzielen.

Wenn ich mit Unternehmen über Datenplattformen spreche, erlebe ich immer wieder ein ähnliches Muster: Die Diskussion dreht sich sehr schnell um Technologien, Hersteller, Cloud-Provider und Feature-Listen – und erstaunlich wenig um die eigentliche Frage, die am Anfang stehen sollte: Welchen geschäftlichen Nutzen wollen wir mit unseren Daten überhaupt erreichen?

Eine Data Management Plattform ist kein Prestigeprojekt für die IT und auch kein Selbstzweck, nur weil es gerade überall um Daten, KI und GenAI geht. Sie ist dann sinnvoll, wenn sie hilft, echte Business-Probleme zu lösen und messbaren Wert zu erzeugen – sei es durch effizientere Prozesse, bessere Entscheidungen oder neue Geschäftsmodelle.

Vendor Lock-in: Wenn man sich zu früh festlegt

Viele Unternehmen landen in einem Vendor Lock-in, ohne es zu merken. Man entscheidet sich relativ früh für eine bestimmte, häufig proprietäre Plattform, schließt Verträge, baut erste Lösungen – und stellt später fest, dass man an vielen Stellen nur noch eingeschränkt handlungsfähig ist. Ein Wechsel wäre teuer, organisatorisch schwierig und politisch heikel.

Hinzu kommt: Nicht selten merkt man erst nach der Entscheidung, dass zentrale Anforderungen nur mit erheblichem Zusatzaufwand umgesetzt werden können. Manche Workloads werden zu teuer, bestimmte Szenarien performen nicht ausreichend, oder wichtige Funktionalitäten sind zwar „irgendwie möglich“, aber nur mit vielen Workarounds.

Ein weiterer Punkt, den wir in Projekten regelmäßig sehen, sind Skill-Mismatches. Die gewählte Technologie passt nicht zu den Fähigkeiten der Menschen im Unternehmen. Dann besteht die Einführung zu einem großen Teil aus Schulungs- und Organisationsprojekten und verliert schnell an Fahrt, weil der Druck aus dem Business gleichzeitig steigt: Use Cases sollen geliefert werden – nicht in zwei Jahren, sondern in wenigen Monaten.

Die fragmentierte Realität in den meisten Unternehmen

Theoretisch klingt vieles sauber: Eine zentrale Plattform, klare Datenmodelle, definierte Governance, eine gemeinsame Wahrheit für Kennzahlen.

Die Realität ist oft eine andere: Es gibt zahlreiche operative Systeme – ERP, CRM, Lagerverwaltung, Speziallösungen, externe Datenlieferanten, IoT- oder Telematikdaten. Darüber liegen gewachsene Reporting- und Analyselandschaften: BI-Tools, Excel-Auswertungen, Embedded Analytics in Fachsystemen, einzelne KI-PoCs, Planungsanwendungen.

Diese Welt ist in vielen Fällen historisch punktuell verdrahtet worden: Direkte Anbindungen, individuelle Schnittstellen, Fachbereichslösungen, die „schnell mal“ gebaut wurden. Das führt zwangsläufig zu Datensilos, abweichenden Definitionen von Kennzahlen und einer Governance, die nur schwer noch konsistent zu beherrschen ist.

Parallel versuchen manche Unternehmen, ihr ERP-System als zentrale Auswertungsplattform zu nutzen und dort alle Daten irgendwie zusammenzuführen. Das widerspricht dem Clean-Core-Gedanken fundamental. ERP-Systeme sind für Transaktionen optimiert, nicht für komplexe, cross-funktionale Analytics-Szenarien über unterschiedlichste Datenquellen hinweg. Spätestens wenn KI- oder GenAI-Szenarien dazukommen, stößt dieser Ansatz sehr schnell an Grenzen.

Was eine Datenplattform wirklich leisten soll

Wenn wir das Thema einmal von der Technologie abstrahieren, bleibt eine relativ klare Aufgabenstellung übrig: Eine Data Management Plattform soll Daten aus verschiedenen Quellen integrieren, harmonisieren und kuratieren und diese Daten wiederverwendbar machen – für Reporting, Planung, Advanced Analytics, KI, Automatisierung.

Sie schafft damit eine gemeinsame Basis, auf der unterschiedliche Rollen im Unternehmen arbeiten können: Data Engineers, Analyst*innen, Controller*innen, Data Scientists und letztlich auch Fachbereiche, die Self-Service-Funktionalitäten nutzen.

Der entscheidende Punkt ist das Prinzip „einmal sauber modelliert, vielfach genutzt“. Wenn jede Fachabteilung ihre eigenen Datenmodelle, Ableitungen und KPIs pflegt, multiplizieren sich der Aufwand und die Fehlerquellen. Eine Datenplattform hilft, zentrale Modelle und Governance-Mechanismen aufzubauen, die dann für viele Anwendungsfälle genutzt werden können. Das spart mittelfristig erheblich Zeit, Geld und Nerven.

Warum Feature-Listen selten zu guten Entscheidungen führen

Ein Klassiker in Auswahlprojekten ist der Vergleich von Plattformen anhand großer Feature-Matrizen. Auf dem Papier wirkt das sehr strukturiert: Spalten mit Anbietern, Zeilen mit Funktionen, überall Häkchen und Halbpunkte.

Das Problem: Solche Vergleiche suggerieren eine Objektivität, die es in der Tiefe selten gibt. Funktionen sind oft auf unterschiedlichem Abstraktionsniveau beschrieben, lassen sich nicht 1:1 vergleichen oder werden im Detail sehr unterschiedlich umgesetzt. Viel wichtiger ist aber etwas anderes: Der Business Value hängt selten an einem einzelnen Feature.

Die zentrale Frage ist nicht „Wer hat das eine Feature etwas besser implementiert?“, sondern: Mit welcher Plattform können wir unsere konkreten Anwendungsfälle nachhaltig, wirtschaftlich und skalierbar umsetzen – mit den Menschen, die wir heute und in Zukunft haben?

Das bedeutet: Bevor Sie ernsthaft Plattformen vergleichen, sollten die IT-Abteilung und die Fachbereiche ein klares, gemeinsames Bild haben, welche Use Cases in den nächsten ein bis zwei Jahren wirklich umgesetzt werden sollen, welcher Wertbeitrag damit verbunden ist und welche Daten dafür benötigt werden. Erst dann macht eine technologische Bewertung Sinn.

Governance, Skalierbarkeit und Vendor Lock-in im Blick behalten

Zwei Themen sind unbequem und werden deshalb gerne nach hinten geschoben: Data Governance und Skalierbarkeit.

Solange nichts schiefgeht, wirken Governance-Themen wie ein Bremselement. Spätestens beim ersten Audit, beim ersten Security-Vorfall oder bei der ersten kritischen Datenschutzfrage wird schlagartig klar, wie teuer fehlende Strukturen werden können. Eine Plattform, die keine sauberen Mechanismen für Rollen, Rechte, Nachvollziehbarkeit und Datenschutz bietet, ist langfristig ein Risiko.

Ähnlich ist es mit der Skalierung: Am Anfang funktionieren Pilotprojekte fast immer. Erst wenn mehr Fachbereiche angebunden werden, mehr Datenquellen integriert sind und die Nutzung steigt, zeigt sich, ob eine Plattform wirklich skaliert – fachlich, technisch und wirtschaftlich.

Beim Thema Vendor Lock-in geht es weniger darum, ihn vollständig zu vermeiden – das ist in der Realität kaum möglich –, sondern darum, ihn bewusst zu gestalten. Offene Formate, klare Entkopplungspunkte, ein durchdachtes Datenmodell und eine Architektur, die Wechseloptionen zumindest offenhält, sind hier entscheidend. Sonst wird jede Weiterentwicklung zur Kraftanstrengung.

Eine pragmatische Herangehensweise

Aus meiner Erfahrung funktioniert ein pragmatischer Weg deutlich besser als die Suche nach der perfekten Lösung. Dazu gehört, zunächst sauber auf der Business-Seite anzusetzen: Welche Anwendungsfälle liefern einen messbaren Beitrag – sei es durch Effizienzgewinne, neue Umsätze oder verbesserte Steuerbarkeit des Geschäfts?

Diese Use Cases werden dann in eine ROI-basierte Roadmap überführt. Eine Datenplattform wird nicht als Selbstzweck eingeführt, sondern als Enabler dieser Roadmap. Die Plattformwahl folgt den Use Cases – nicht umgekehrt.

Parallel lohnt es sich, einen ehrlichen Blick auf die vorhandenen Skills zu werfen. Jede moderne Plattform – egal wie sehr sie sich als „Low Code“ positioniert – wird an irgendeiner Stelle Programmierung, Modellierung und technisches Verständnis erfordern. KI-gestützte Code-Vervollständigung senkt zwar Hürden, ersetzt aber kein grundlegendes Verständnis von Daten und Modellen.

Fazit: Datenplattformen sind Mittel zum Zweck

Am Ende ist es relativ einfach zusammenzufassen: Eine Data Management Plattform ist erfolgreich, wenn sie hilft, mit Daten bessere Entscheidungen zu treffen und neue Potenziale zu erschließen. Sie ist dann gut gewählt, wenn sie die Use Cases Ihres Unternehmens unterstützt, Governance und Skalierbarkeit berücksichtigt und zu den Menschen passt, die mit ihr arbeiten sollen.

Wenn Sie Ihre Entscheidung nicht an Feature-Listen ausrichten, sondern an konkreten Geschäftsbedarfen, realistischen Skills und einer klaren Wertlogik, vermeiden Sie einen Vendor Lock-in – und machen Ihre Datenplattform zu einem echten Baustein Ihrer Unternehmensstrategie.