Data ist also der zweite Schritt nach Digital und fügt den digitalen Prozessen ein Gedächtnis und maschinelles Lernen hinzu. Hier kommt die künstliche Intelligenz ins Spiel, deren weitere Entwicklung das begonnene neue Jahrzehnt dominieren und vermehrt operative Entscheidungen in Unternehmen übernehmen wird.
Digital- versus Datenstrategie
Vor diesem Hintergrund unterscheiden Pionier-Unternehmen klar zwischen einer Digitalstrategie und einer Datenstrategie. So gibt es beispielsweise innerhalb desselben Konzerns sowohl Digital Labs als auch Data Labs. Das Digital Lab beschäftigt sich vornehmlich mit Themen wie Software-Entwicklung für mobile Anwendungen, Social Media, Blockchain oder Internet of Things (IoT). Im Data Lab geht es hingegen um die Speicherung und Analyse von Daten aus der klassischen IT-Infrastruktur sowie aus den neuen Anwendungen. Solche Aufgaben übernehmen Experten wie Data Engineers und Data Scientists.
Auf ähnliche Weise lassen sich auch Digital- und Datenstrategien voneinander abgrenzen. Die Digitalstrategie befasst sich beispielsweise damit, wie sich Services für Kunden über mobile Anwendungen verbessern lassen oder wie Produkte mithilfe von Sensoren und Displays auch als Datenlieferanten genutzt werden können.
Die Datenstrategie beschäftigt sich hingegen mit der effizienten Speicherung der Daten, der Einhaltung einer Data Governance unter Berücksichtigung von Datensicherheit und Datenschutz sowie mit den analytischen Methoden und Tools zur Erreichung der Ziele, die mit der Nutzung der generierten Daten verbunden ist. Das heißt jedoch nicht, dass die Datenstrategie nicht ein eigener Teil innerhalb einer Digitalstrategie sein kann.
Ein "Data-Driven Thinking" im Unternehmen zu verankern, ist ein langfristiges Projekt. Um dennoch bereits heute strukturiert in die Datennutzung einsteigen und diese kontinuierlich ausbauen zu können, bedarf es eines Fahrplans für Projekte mit konkreten Problem- und Lösungsbeschreibungen. Dabei sollten Unternehmen die Ziele festlegen sowie die richtigen Datenquellen und Analysemethoden identifizieren.
Zu klären sind auch Fragen zur benötigten Software, Hardware, der Teamorganisation sowie zu den Qualifikationen der Mitarbeiter. Data Analytics im Allgemeinen und künstliche Intelligenz im Speziellen benötigen viele Daten in guter Qualität an den richtigen Stellen. Eine Datenstrategie arbeitet auf diese Ziele hin. Sie kann somit auch als ein Business-Plan für die Datennutzung verstanden werden, der die Ziele und Voraussetzungen für diese Nutzung beschreibt, aber auch weitere Anforderungen, Grenzen und das Vorgehen klärt.
Nicht nur für Großunternehmen
Die Möglichkeiten der Datennutzung sind nahezu unbegrenzt, wenn der Zugriff auch auf unternehmensexterne Datenquellen in die Datenstrategie aufgenommen wird. Schon mittelständische Betriebe verfügen heute über einen großen Schatz an Daten aus internen Quellen. Damit lassen sich etwa Einkaufsprozesse und Lieferketten optimieren, Kundennachfragen besser verstehen und interne Finanzrisiken genauer bewerten. Eine Datenstrategie ist deshalb nicht nur für große Unternehmen interessant. Auch Startups bauen ihr Business-Modell vielfach direkt auf Daten und KI auf.