Fast jedes Unternehmen spricht heute von „datengetriebenen Entscheidungen“. In der Praxis erlebe ich aber in Projekten immer wieder dasselbe Muster: schicke Dashboards, teure Tools – und trotzdem werden die wichtigsten Entscheidungen nach Bauchgefühl getroffen. Der Grund ist fast nie ein Mangel an Daten, sondern eine schlechte Datenbasis und fest zementierte Silo-Strukturen.
In diesem Artikel geht es nicht um die nächste BI-Software oder das perfekte Data-Warehouse-Design. Es geht darum, wie Sie mit überschaubarem Aufwand eine belastbare Datenbasis aufbauen, Silos Schritt für Schritt auflösen und Ihre Organisation dahin bringen, Entscheidungen wirklich mit Zahlen zu untermauern.
Warum datengetriebene Entscheidungen in vielen Unternehmen scheitern
Wenn ich Führungskräfte frage, wie zufrieden sie mit ihren Daten sind, höre ich häufig: „Wir haben eigentlich alles – aber irgendwie stimmt nichts zusammen.“ Typische Symptome:
- Vertrieb, Marketing und Controlling haben unterschiedliche Zahlen zur gleichen Frage.
- Reporting-Zyklen sind langsam – Entscheidungen basieren auf Daten, die schon 4–6 Wochen alt sind.
- Viel Zeit geht darauf, Daten in Excel zu „bereinigen“, bevor man überhaupt analysieren kann.
- Niemand traut den Zahlen so richtig – also wird am Ende doch nach Gefühl entschieden.
Die Ursache liegt selten in der Technik, sondern in drei grundlegenden Problemen:
1. Keine gemeinsame Daten-Sprache
Wie viele „aktive Kunden“ haben Sie? Eine scheinbar einfache Frage. In der Praxis gibt es oft drei Definitionen:
- Vertrieb: alle Kunden mit Umsatz in den letzten 24 Monaten
- Marketing: alle Kontakte im CRM, die einem Unternehmen zugeordnet sind
- Controlling: alle Kunden mit Umsatz > 0 im aktuellen Geschäftsjahr
Solange Sie diese Definitionen nicht klären und vereinheitlichen, wird jedes Meeting zur Glaubensfrage.
2. Datensilos in Fachbereichen
Jeder Bereich baut sich sein eigenes Daten-Universum: Vertriebs-Excel, Marketing-Automation, Buchhaltungssoftware, Service-Tool. Daten werden doppelt gepflegt, unstrukturiert exportiert und nie sauber zusammengeführt. Die Folge: Der Blick aufs Ganze fehlt.
3. Kein klarer „Owner“ für Daten
Daten „gehören“ manchmal der IT, manchmal dem Controlling, manchmal niemandem. Ohne klare Verantwortlichkeit bleibt Datemanagement ein Nebenjob, der gegenüber dem Tagesgeschäft ständig verliert.
Was eine leistungsfähige Datenbasis ausmacht
Bevor Sie über Tools und Architekturen nachdenken, sollten Sie definieren, was für Ihr Unternehmen eine leistungsfähige Datenbasis überhaupt bedeutet. Sie muss nicht perfekt sein, aber sie muss vier Kriterien zuverlässig erfüllen:
- Vollständig genug: Die wichtigsten Geschäftsfragen können beantwortet werden.
- Konsistent: Unterschiedliche Bereiche kommen bei der gleichen Frage auf die gleichen Zahlen.
- Aktuell: Relevante Daten liegen mit der für Ihre Steuerung nötigen Aktualität vor.
- Zugänglich: Führungskräfte und Schlüsselmitarbeiter kommen ohne große Hürden an die Daten.
Eine praxisnahe Definition aus einem meiner Projekte mit einem B2B-Maschinenbauer (ca. 250 Mitarbeitende) lautete:
„Wir haben für Kunden, Angebote, Aufträge und Service-Fälle eine gemeinsame Datenbasis, die monatlich aktualisiert wird, in der alle wesentlichen Felder vereinheitlicht sind und auf die Vertrieb, Service, Produktion und Controlling über ein Standard-Dashboard zugreifen können.“
Der Punkt ist: Definieren Sie, wofür Sie Daten brauchen – nicht, welche Daten Sie theoretisch alle haben könnten. Starten Sie mit den 5–10 wichtigsten Geschäftsfragen, z. B.:
- Welche Kundensegmente sind aktuell am profitabelsten?
- Wo verlieren wir im Vertriebsprozess die meisten Chancen?
- Welche Produkte sind für welchen Kundentyp besonders margenstark?
- Welche Service-Fälle verursachen überproportional hohe Kosten?
- Welche Marketing-Kanäle bringen wirklich profitable Kunden?
Ihre Datenbasis ist dann leistungsfähig, wenn sie diese Fragen schnell, zuverlässig und wiederholbar beantworten kann.
Typische Silo-Strukturen erkennen und aufbrechen
Silo-Strukturen sind nicht nur ein IT-Problem, sondern vor allem ein Organisations- und Führungsproblem. Drei typische Varianten begegne ich in Projekten immer wieder:
Fachbereichs-Silos
Jeder Bereich optimiert seine eigenen Kennzahlen, ohne das Gesamtbild im Blick zu haben. Der Vertrieb möchte möglichst viele Abschlüsse, der Service möglichst geringe Kosten, die Produktion hohe Auslastung. Daten werden so erhoben, wie es für den Bereich bequem ist – nicht, wie es für das Unternehmen sinnvoll wäre.
System-Silos
CRM, ERP, Ticketsystem, Excel-Listen – jedes System ist für sich genommen sinnvoll, aber es gibt keine durchgängige Datenkette. Kunden-IDs unterscheiden sich, Artikelnummern sind nicht einheitlich, Status-Codes weichen ab. Daten zu verbinden wird zur Handarbeit.
Macht-Silos
Daten werden bewusst „gehalten“, weil Informationen Macht sind. Vertrieb hält an seinen Excellisten fest, das Controlling an seinen individuellen Auswertungen, die IT an komplexen Strukturen, die nur sie versteht. Transparenz wird als Risiko, nicht als Chance gesehen.
Um diese Silos aufzubrechen, brauchen Sie zwei Dinge:
- Ein klares Zielbild für die Datennutzung (worum geht es, was soll entschieden werden, was bringt es den Bereichen konkret?)
- Klare Entscheidungsrechte: Wer legt Standards fest, wer priorisiert Datenprojekte, wer darf „Nein“ sagen?
In einem Projekt mit einer IT-Dienstleistungsfirma (ca. 120 Mitarbeitende) haben wir folgende einfache Regel eingeführt: „Jede Kennzahl, die im Management-Meeting diskutiert wird, muss aus einer gemeinsamen Datenbasis kommen.“ Eigene Excellisten waren weiterhin erlaubt – aber eben nicht für die Steuerung des Unternehmens. Das hat den Druck erhöht, sich auf gemeinsame Definitionen und Quellen zu einigen.
Pragmatischer 6-Schritte-Plan zum Aufbau einer Datenbasis
Statt ein riesiges „Data Lake“-Projekt zu starten (das gern im Sand verläuft), empfehle ich einen pragmatischen, iterativen Ansatz in sechs Schritten:
Schritt 1: Geschäftsfragen definieren
Starten Sie nicht bei den Daten, starten Sie bei den Entscheidungen. Listen Sie gemeinsam mit der Geschäftsleitung und den Bereichsleitern die 5–10 wichtigsten Fragen auf, die Sie innerhalb der nächsten 12 Monate besser beantworten wollen.
- Welche Entscheidungen hängen daran?
- Wer trifft diese Entscheidungen?
- Wie oft müssen diese Entscheidungen getroffen werden?
Schritt 2: Datenquellen identifizieren
Für jede Frage: Welche Systeme, Dateien oder Prozesse liefern heute relevante Daten? Typische Quellen in KMU:
- ERP (Aufträge, Umsätze, Margen, Artikel)
- CRM (Leads, Angebote, Aktivitäten)
- Buchhaltung (Kostenstellen, Deckungsbeiträge)
- Service-/Ticketsysteme (Störungen, Reaktionszeiten)
- Excel-/Access-Lösungen in den Bereichen
Hier geht es zunächst nicht um Perfektion, sondern um Transparenz: Wo liegen welche Daten mit welcher Qualität?
Schritt 3: Gemeinsame Stammdaten und Definitionen festlegen
Das ist der unbeliebteste, aber wichtigste Schritt. Sie brauchen ein Minimum an Stammdaten-Governance, z. B. für:
- Kundennummer und Kundentypen
- Artikelnummern und Produktgruppen
- Vertriebsphasen und Opportunity-Status
- Regionen, Branchen, Segmente
Wählen Sie für den Start 3–5 zentrale Stammdaten-Objekte und definieren Sie:
- Wie werden sie angelegt?
- Wer darf sie ändern?
- Welche Felder sind Pflicht?
- Welche Codes/Status sind erlaubt?
Schritt 4: Minimum Viable Data Warehouse (MVDW) bauen
Sie brauchen nicht gleich ein großes Data Warehouse. Für viele Mittelständler reicht ein „Minimum Viable Data Warehouse“ – technisch kann das am Anfang sogar eine gut strukturierte SQL-Datenbank oder ein Cloud-Tool sein. Wichtig ist:
- Die wichtigsten Datenquellen laufen regelmäßig zusammen (z. B. 1x täglich oder wöchentlich).
- Schlüssel (z. B. Kundennummer) sind vereinheitlicht.
- Historisierung ist möglich (damit Sie Entwicklungen sehen, nicht nur Stände).
In einem Projekt haben wir bspw. mit einem Standard-ETL-Tool (Kosten < 500 € pro Monat) CRM- und ERP-Daten in eine Cloud-Datenbank geladen und mit einem BI-Tool visualisiert. Der technische Aufbau war in 6 Wochen erledigt – der Großteil der Arbeit steckte in Definitionen und Bereinigung.
Schritt 5: Standard-Dashboards und Reports entwickeln
Erst jetzt kommt das Thema „schöne Visualisierung“. Für jede zentrale Geschäftsfrage definieren Sie 1–2 Standard-Sichten:
- Welche Kennzahlen werden gezeigt?
- Auf welcher Aggregationsebene (Kunde, Produkt, Region …)?
- Wie oft werden sie aktualisiert?
- Wer ist verantwortlich für die Pflege und Interpretation?
Vermeiden Sie zu Beginn komplexe Self-Service-Lösungen für alle. Starten Sie lieber mit 3–5 robusten Management-Dashboards, die wirklich genutzt werden.
Schritt 6: Entscheidungsprozesse an Daten koppeln
Daten entfalten ihren Wert erst, wenn sie systematisch in Entscheidungen einfließen. Das heißt konkret:
- Jede wöchentliche Vertriebsrunde startet mit einem einheitlichen Pipeline-Dashboard.
- Monatliche Management-Meetings basieren auf einem vorab versendeten Standard-Report.
- Produktentscheidungen (Einführung/Abkündigung) nutzen standardisierte Margen- und Potenzialanalysen.
Stellen Sie in Meetings aktiv die Frage: „Welche Daten stützen diese Entscheidung?“ – und lassen Sie „Gefühl“ als Argument nur gelten, wenn klar ist, dass Datenlage und Zeitfenster (noch) keine Alternative zulassen.
Mini-Case: Mittelständler auf dem Weg zur Datenorganisation
Ein Praxisbeispiel: Ein Familienunternehmen (ca. 180 Mitarbeitende, B2B-Komponentenfertigung) kam mit folgendem Schmerzpunkt auf mich zu: „Wir diskutieren jede Woche über Forecasts, aber unsere Zahlen stimmen nie. Vertrieb sagt +15 %, Controlling sagt +5 %, Produktion bereitet sich auf +20 % vor.“
Ausgangssituation:
- CRM und ERP waren nicht gekoppelt.
- Vertrieb arbeitete mit Excel-Listen für Angebote.
- Es gab drei verschiedene Definitionen von „Auftragseingang“.
- Die IT war chronisch überlastet.
Vorgehen in 4 Monaten:
- Workshops mit Geschäftsführung, Vertrieb, Controlling: gemeinsame Definitionen für Lead, Angebot, Auftragseingang, Umsatzpotenzial.
- Einfache Integration von CRM und ERP über standardisierte Schnittstellen.
- Aufbau eines kleinen Datenmodells in einer Cloud-Datenbank (Angebote, Aufträge, Kunden).
- Ein zentrales Forecast-Dashboard mit folgenden Sichten:
- Pipeline nach Vertriebsphase und Wahrscheinlichkeit
- Gewonnene/Verlorene Angebote nach Ursache
- Auftragseingang vs. Ziel nach Produktgruppe
- Verankerung: Wöchentliche Vertriebsrunde basiert ausschließlich auf diesem Dashboard.
Ergebnis nach 6 Monaten:
- Prognosegüte (Abweichung Forecast vs. Ist) verbesserte sich von durchschnittlich 22 % auf 8 %.
- Diskussionszeit in Meetings über „welche Zahl stimmt“ ging deutlich zurück.
- Die Vertriebsleitung konnte erstmals bewusst entscheiden, in welche Segmente mehr Zeit investiert wird – mit messbarem Effekt auf die Marge.
Wichtig: Die eingesetzten Tools waren Standardprodukte aus der Cloud, keine individuellen Großprojekte. Der Schlüssel waren klare Definitionen, fokussierte Fragen und die Entkopplung vom „Tool-Fetischismus“.
KPIs und Kontrollpunkte: Woran Sie Fortschritte messen
Wenn Sie Ihre Organisation datengetriebener machen wollen, brauchen Sie auch hier belastbare Messgrößen. Drei Ebenen haben sich in der Praxis bewährt:
1. Datenqualität
- Quote der Datensätze mit fehlenden Pflichtfeldern (z. B. fehlende Kundensegmente im CRM)
- Anteil der fehlerhaften Dubletten (z. B. doppelt angelegte Kunden)
- Aktualität (z. B. Wie alt sind die letzten Aktivitäts-Einträge im Schnitt?)
2. Nutzung
- Anzahl der aktiven Nutzer in BI-/Reporting-Tools
- Häufigkeit der Nutzung (z. B. Logins pro Woche, aufgerufene Reports)
- Grad der Standardisierung (Anteil der Management-Entscheidungen, die auf Standardreports basieren)
3. Business-Impact
- Verbesserung der Forecast-Güte
- Steigerung der Marge in priorisierten Segmenten
- Reduktion von Prozesszeiten (z. B. Angebotsdurchlaufzeit) durch datenbasierte Optimierungen
Legen Sie für 3–5 dieser Kennzahlen konkrete Zielwerte für die nächsten 6–12 Monate fest und überprüfen Sie monatlich, ob Sie auf Kurs sind.
Praktische Checklisten für den Start in den nächsten 90 Tagen
Damit es nicht bei guten Vorsätzen bleibt, hier ein konkreter 90-Tage-Plan, den Sie direkt adaptieren können.
Checkliste: Die ersten 30 Tage
- Top-Management legt 5–10 Kernfragen fest, die zukünftig datenbasiert entschieden werden sollen.
- Für jede Frage:
- Verantwortlicher Entscheider benennen
- Entscheidungsfrequenz klären (wöchentlich, monatlich, quartalsweise)
- Schmerzpunkte der aktuellen Datensituation sammeln
- Übersicht aller relevanten Datenquellen erstellen (Systeme, Dateien, „hidden Excel“).
- 3–5 zentrale Stammdaten-Objekte priorisieren (z. B. Kunde, Produkt, Opportunity).
- Data Owner benennen (Fachverantwortliche, nicht nur IT).
Checkliste: Tage 31–60
- Workshops mit den Data Ownern:
- Definition der wichtigsten Begriffe (z. B. „aktive Kunden“, „Auftragseingang“)
- Festlegung von Pflichtfeldern und Standards (z. B. Status-Codes, Segmentierungen)
- Technisches Konzept für das Minimum Viable Data Warehouse erstellen:
- Welche Quellen werden zuerst integriert?
- Wie oft werden Daten geladen?
- Wie werden Schlüssel vereinheitlicht?
- Prototyp eines zentralen Dashboards für 1–2 Kernfragen bauen.
- Mit ausgewählten Führungskräften testen und Feedback einholen.
Checkliste: Tage 61–90
- Regelmäßige Datenladeprozesse etablieren (z. B. nächtlicher Import).
- Standard-Dashboards für alle Kernfragen finalisieren.
- Meetings konsequent auf die neuen Dashboards umstellen:
- Agenda: erst Blick auf die Zahlen, dann Diskussion über Maßnahmen
- Verzicht auf individuelle Excellisten als Entscheidungsbasis
- Monitoring einführen:
- Datenqualitäts-KPIs messen
- Nutzung der Dashboards auswerten
- Backlog für Verbesserungen und Erweiterungen anlegen (Change Requests strukturiert sammeln).
Wenn Sie diesen 90-Tage-Plan seriös umsetzen, haben Sie keinen „perfekten“ Datenhaushalt – aber Sie haben einen funktionierenden Kern, auf dem Sie weiter aufbauen können. Vor allem aber haben Sie erste Silos aufgebrochen, Verantwortlichkeiten geklärt und begonnen, Entscheidungsprozesse systematisch an Daten zu koppeln.
Entscheidend ist nicht, wie modern Ihre Technologie ist, sondern wie konsequent Ihre Organisation bereit ist, sich von alten Gewohnheiten zu verabschieden: individuelle Excellisten, unklare Definitionen, Machtspiele um Informationsvorsprung. Wer diese Muster aktiv angeht, hat einen klaren Wettbewerbsvorteil – nicht, weil er „mehr“ Daten hat, sondern weil er sie besser nutzt.