KI, Robotik und Krypto, eingeordnet English

Daten

Datenwissenschaft im Unternehmen: Wer welche Rolle übernimmt

Eine einzige Fachkraft soll Daten säubern, Berichte bauen, Modelle trainieren und die Geschäftsführung beraten. Das geht selten gut. Welche Rollen Datenarbeit braucht und wo sie im Betrieb hingehören.

Datenwissenschaft im Unternehmen: Wer welche Rolle übernimmt

Datenwissenschaft verbindet Statistik, Programmierung und Fachwissen, um aus Daten belastbare Aussagen zu gewinnen. In vielen Unternehmen beginnt sie mit einer einzigen Einstellung. Ein mittelständischer Maschinenbauer holt sich etwa eine Datenwissenschaftlerin ins Haus, verbunden mit großen Erwartungen an Prognosen und Automatisierung.

Ein Jahr später sieht ihr Alltag anders aus als geplant. Sie zieht Exporte aus drei Systemen, gleicht Tabellen ab und erklärt, warum Vertrieb und Controlling unterschiedliche Umsätze melden. Für Modelle bleibt kaum Zeit. Das liegt nicht an ihr, sondern an einer Organisation, die Datenarbeit nicht eingeplant hat.

Dieser Beitrag beschreibt, woraus Datenarbeit im Betrieb tatsächlich besteht und welche Rollen sie braucht. Er zeigt, wer für die Daten verantwortlich sein sollte und wie Sie ein Datenteam so aufstellen, dass seine Ergebnisse im Tagesgeschäft ankommen.

Woraus Datenarbeit im Alltag besteht

Von außen wirkt Datenwissenschaft wie das Bauen kluger Modelle. Der Alltag ist bodenständiger. Bevor eine Analyse beginnt, müssen Daten aus mehreren Quellen zusammenkommen, Begriffe geklärt und Fehler gefunden werden. Was zählt als aktiver Kunde? Wann gilt ein Auftrag als abgeschlossen? Solche Fragen klingen banal und kosten doch Wochen.

Typische Aufgaben eines Datenteams sind:

  • Daten aus Warenwirtschaft, Onlineshop, Maschinensteuerung und Tabellen zusammenführen
  • Kennzahlen eindeutig festlegen und schriftlich festhalten
  • wiederkehrende Berichte automatisieren, damit niemand mehr Zahlen von Hand kopiert
  • kurzfristige Fragen beantworten, etwa nach den Folgen einer Preisänderung
  • Prognosen und Modelle bauen, testen und im laufenden Betrieb überwachen

Wer eine Fachkraft nur für den letzten Punkt einstellt, wird enttäuscht. Die ersten vier Aufgaben fallen ohnehin an. Werden sie nicht bewusst verteilt, landen sie bei der Person, die am meisten von Daten versteht.

Die Rollen im Datenteam

Größere Datenteams verteilen die Arbeit auf mehrere Rollen. Die Bezeichnungen schwanken von Firma zu Firma, die Aufgaben ähneln sich aber.

Data Engineers bauen die Datenstrecken. Sie sorgen dafür, dass Daten zuverlässig und regelmäßig aus den Quellsystemen in einen zentralen Speicher fließen. Data Analysts beantworten Fragen mit vorhandenen Daten, bauen Berichte und stehen den Fachabteilungen am nächsten.

Data Scientists entwickeln statistische Modelle, Prognosen und Experimente. Machine Learning Engineers bringen solche Modelle in den Betrieb und halten sie dort am Laufen. Hinzu kommen in den Fachabteilungen Datenverantwortliche, die über Bedeutung und Qualität ihrer Daten entscheiden.

In kleinen Firmen deckt eine Person mehrere dieser Rollen ab. Das ist kein Problem, solange klar ist, welche Aufgabe gerade Vorrang hat. Schwierig wird es, wenn alle Rollen gleichzeitig erwartet werden und niemand Prioritäten setzt.

Oft fehlt zudem eine Brückenrolle. Gemeint ist jemand, der die Sprache der Fachabteilung und die Sprache der Daten spricht. Diese Person übersetzt eine vage Bitte wie „Wir wollen die Kunden besser verstehen“ in eine Frage, die sich mit Daten beantworten lässt. Häufig sind das erfahrene Beschäftigte aus dem Fachbereich, die sich in Datenarbeit eingearbeitet haben.

Wem die Daten gehören

Ein verbreiteter Irrtum lautet: Für die Qualität der Daten ist das Datenteam zuständig. Doch Fehler entstehen dort, wo Daten erfasst werden. Der Vertrieb pflegt Kundendaten, das Lager bucht Bestände, die Fertigung meldet Stückzahlen. Ein Datenteam kann Fehler finden, aber nicht dauerhaft verhindern.

Ein typisches Beispiel sind doppelte Kundenkonten. Legt der Vertrieb denselben Kunden zweimal mit leicht anderem Namen an, verteilt sich sein Umsatz auf zwei Datensätze. Das Datenteam kann die Dubletten in jeder Auswertung mühsam zusammenführen. Dauerhaft hilft nur eine Regel bei der Erfassung, und die muss der Vertrieb tragen.

Deshalb braucht jeder wichtige Datenbereich eine verantwortliche Person in der Fachabteilung. Sie legt fest, was ein Feld bedeutet, wer es ändern darf und welche Fehler noch tragbar sind. Fachleute nennen das Data Governance, also Regeln für den Umgang mit Daten. Das klingt nach Bürokratie. In der Praxis genügt oft eine kurze Liste mit Namen, Begriffen und Zuständigkeiten.

Das Datenteam kann Fehler finden, beheben müssen sie die Abteilungen, in denen sie entstehen.

Zentral, verteilt oder gemischt

Für die Organisation gibt es drei Grundmodelle. Ein zentrales Team bedient das ganze Unternehmen. Methoden und Werkzeuge bleiben einheitlich, und die Fachleute lernen voneinander. Dafür entsteht Abstand zu den Abteilungen, und Anfragen stauen sich in einer Warteschlange.

Im verteilten Modell sitzen Analysten direkt in den Abteilungen. Sie kennen die Fragen aus nächster Nähe. Dafür baut jede Abteilung eigene Zahlen, und dieselbe Kennzahl wird mehrfach und unterschiedlich berechnet.

Viele größere Unternehmen landen mit der Zeit bei einer Mischform. Ein zentrales Team betreut Plattform, Standards und schwierige Fälle. Analysten in den Abteilungen arbeiten nah am Geschäft, folgen aber gemeinsamen Regeln. Kleine Firmen beginnen meist zentral, schon weil es anfangs nur eine Person gibt.

Wichtig ist auch, an wen das Team berichtet. Hängt es nur an der IT, wird es leicht zum technischen Dienstleister. Berichtet es an Geschäftsführung oder Controlling, steht es näher an den Entscheidungen. Eine richtige Lösung für alle gibt es nicht, aber die Wahl sollte bewusst fallen.

Wie Ergebnisse im Tagesgeschäft ankommen

Datenarbeit wirkt erst, wenn sie Entscheidungen oder Abläufe verändert. Einige Gewohnheiten helfen dabei. Jede größere Analyse hat einen benannten Auftraggeber und eine konkrete Frage. Ergebnisse erscheinen dort, wo Menschen ohnehin arbeiten, etwa direkt in der Warenwirtschaft statt in einem eigenen Portal.

Ein Beispiel: Ein Großhändler lässt den Absatz je Artikel für die kommenden Wochen vorhersagen. Liegt die Prognose in einer separaten Datei, schaut die Disposition selten hinein. Erscheint sie dagegen als Bestellvorschlag direkt in der Bestellmaske, wird sie täglich genutzt. Die Disponenten können ihn übernehmen oder ändern, und ihre Änderungen zeigen dem Datenteam, wo das Modell danebenliegt.

Datenteam und Fachabteilung sprechen regelmäßig miteinander, nicht nur zum Start neuer Projekte. Jedes Modell im Betrieb hat eine Person, die merkt, wenn seine Vorhersagen schlechter werden. Gemessen wird der Erfolg nicht an der Zahl der Berichte, sondern daran, welche Entscheidungen anders und besser ausfallen.

Hilfreich ist ein einfaches Verzeichnis aller Berichte und Modelle mit Zweck und Ansprechperson. Was niemand mehr nutzt, wird abgeschaltet. So wächst die Datenlandschaft nicht unkontrolliert, und das Team behält Zeit für neue Fragen.

Was KI-Werkzeuge an der Arbeitsteilung ändern

Mit Sprachmodellen können Beschäftigte Daten inzwischen in normaler Sprache abfragen. Das senkt die Hürde, erhöht aber den Wert sauberer Begriffe. Ist „Umsatz“ im Unternehmen dreimal unterschiedlich definiert, wählt das Werkzeug eine Variante, ohne nachzufragen.

Die Rollen verschieben sich dadurch. Routineabfragen schreibt künftig öfter die Maschine. Datenteams kümmern sich stärker um gepflegte Daten, verbindliche Definitionen und Prüfungen. Datenarbeit wird damit ein Stück Infrastruktur, so selbstverständlich wie Buchhaltung oder Personalwesen.

Fragen und Antworten

Was unterscheidet einen Data Analyst von einem Data Scientist?

Data Analysts beantworten vor allem Fragen mit vorhandenen Daten und bauen Berichte. Data Scientists entwickeln zusätzlich statistische Modelle und Prognosen. In der Praxis überschneiden sich die Rollen stark, und viele Stellen verlangen von beidem etwas.

Ab welcher Größe braucht ein Unternehmen ein eigenes Datenteam?

Eine feste Grenze gibt es nicht. Deutliche Signale sind viele Berichte, die von Hand entstehen, Streit über die richtigen Zahlen und Entscheidungen, die auf Auswertungen warten. Oft genügt anfangs eine Person, die bei Bedarf von einem externen Partner unterstützt wird.

Wer sollte für die Datenqualität verantwortlich sein?

Die Fachabteilung, in der die Daten entstehen. Sie kennt die Abläufe und kann Fehler an der Quelle abstellen. Das Datenteam unterstützt mit Prüfregeln und macht Fehler sichtbar.

Sollte das Datenteam zur IT gehören?

Das kann funktionieren, birgt aber die Gefahr, dass das Team vor allem technische Aufträge abarbeitet. Eine Anbindung an Geschäftsführung, Controlling oder eine eigene Stabsstelle bringt es näher an die Entscheidungen. Eine enge Zusammenarbeit mit der IT ist in jedem Fall nötig.

Brauchen wir für den Anfang eine teure Datenplattform?

Meist nicht. Für die ersten Schritte reichen oft eine zentrale Datenbank und ein Werkzeug für Berichte. Eine größere Plattform lohnt sich, wenn klar ist, welche Daten regelmäßig gebraucht werden und wer sie pflegt.