Wie Unternehmen aus Datentransparenz konkrete Maßnahmen ableiten
Transformation beginnt in Unternehmen selten mit einer einzigen großen Entscheidung, meist verläuft sie in Etappen: Neue Marktanforderungen entstehen, Kunden erwarten bessere digitale Erlebnisse, Produktportfolios werden komplexer, Prozesse müssen effizienter werden und technologische Möglichkeiten entwickeln sich weiter.
Viele Organisationen spüren zwar sehr genau, dass Handlungsbedarf besteht. Aber wer sich wirklich verändern will, muss zunächst einen klaren Blick auf die eigene Ausgangslage werfen, denn was häufig fehlt, ist ein belastbares Gesamtbild. Ohne dieses Bild besteht jedoch die Gefahr, dass Einzelmaßnahmen gestartet werden, die zwar sinnvoll erscheinen, aber an den eigentlichen Ursachen vorbeigehen.
Genau hier setzt eine Analyse mit darauf aufbauender Handlungsempfehlung an. Sie hilft dabei, Komplexität greifbar zu machen, Zusammenhänge aufzuzeigen und aus vielen Einzelbeobachtungen eine klare Richtung abzuleiten. Sie schafft so eine fundierte Grundlage, um Prioritäten zu setzen, Maßnahmen sinnvoll zu bündeln und Transformation nicht dem Zufall zu überlassen.
Dabei ist es wichtig, ein Gesamtbild zu haben und alle Handlungsebenen gleichzeitig zu betrachten. Ausgehend vom jeweiligen Use Case sind dies Organisation, Prozesse, Daten und Technologie und auch die dazu gehörenden Maßnahmen, um die Mitarbeiter für die Änderungen zu begeistern.
Mit dieser neuen Blogserie möchte unser Senior Consultant Dirk Wäscher dieses Thema Schritt für Schritt greifbar machen, um die einzelnen Bestandteile verständlich und praxisnah einzuordnen. Im Mittelpunkt steht dabei die Frage, wie Unternehmen ihre Ausgangssituation strukturiert analysieren können, welche typischen Erkenntnisse sich daraus ergeben und wie daraus konkrete, strategisch sinnvolle Maßnahmen abgeleitet werden können.
Im ersten Teil dieser Serie richten wir den Blick auf Produktdaten und Customer Data. Es geht darum, wie in diesem Umfeld analysiert werden kann, welche Muster sich in der Praxis häufig zeigen, welche Fallstricke zu beachten sind und wie aus ersten Erkenntnissen konkrete Maßnahmen entstehen. Denn es zeigt sich oft, dass Daten zwar vorhanden sind, aber nicht ohne Weiteres konsistent, vollständig oder übergreifend nutzbar vorliegen. Systeme wurden für bestimmte Anforderungen eingeführt, doch im Zusammenspiel entstehen Brüche, Doppelpflege und Unsicherheiten.
Wenn Daten zum Engpass werden
In vielen Unternehmen beginnt das Thema Daten mit einem ganz praktischen Problem: eine neue Kampagne soll vorbereitet werden, ein Produktlaunch steht an, ein digitaler Vertriebskanal wird ausgebaut oder ein Reporting für die Geschäftsleitung soll bessere Entscheidungen ermöglichen. In solchen Momenten zeigt sich schnell, wie tragfähig die vorhandene Datenlandschaft wirklich ist.
Die benötigten Informationen liegen meistens vor. Produktdaten liegen im ERP, im PIM, in Shop-Lösungen oder in Tabellen. Kundendaten befinden sich im CRM, in Marketing-Tools, im Service-System oder in E-Commerce-Anwendungen. Doch sobald diese Daten zusammengeführt, verglichen oder für konkrete Maßnahmen genutzt werden sollen, werden Brüche sichtbar. Informationen sind nicht vollständig, sie unterscheiden sich je nach System oder sie lassen sich nicht ohne Weiteres miteinander verbinden.
Genau an diesem Punkt schafft eine strukturierten Analyse Transparenz. Sie zeigt, wo Daten liegen, wie sie genutzt werden, welche Schwächen bestehen und welche Maßnahmen sinnvoll sind. Vor allem aber bildet sie die Grundlage für Handlungsempfehlungen, die auf die strategische Weiterentwicklung des Unternehmens zielen.
Warum das Thema so oft unterschätzt wird
Produktdaten und Kundendaten begleiten heute nahezu alle wichtigen Unternehmensprozesse. Produktdaten sind nicht mehr nur technische Stammdaten für Einkauf, Produktion oder Logistik, sondern auch Grundlage für Vertrieb, Marketing, E-Commerce, internationale Kommunikation und digitale Services. Ohne eine gute Datenqualität sind Unternehmen nicht mehr in der Lage, ihre Kunden mit den geforderten Daten in der erwarteten Qualität zu beliefern, und müssen deshalb mit Preisabschlägen rechnen. Kundendaten wiederum sollen ein besseres Kundenverständnis ermöglichen, Zielgruppen schärfen, Kampagnen personalisieren und die Zusammenarbeit zwischen Marketing, Vertrieb und Service verbessern.
In vielen Unternehmen ist über Jahre hinweg keine einheitliche Sicht auf diese Daten entstanden. Es wurden Systeme eingeführt, weil sie in einem bestimmten Kontext sinnvoll waren: das ERP für operative Prozesse, das CRM für Vertriebsarbeit, ein Marketing-Tool für Kampagnen, ein Shop-System für digitale Verkäufe und häufig zusätzliche Anwendungen für Service, Analytics oder Content Management. Jedes einzelne System erfüllt für sich gesehen seinen Zweck. Die Schwierigkeit entsteht erst dort, wo Daten übergreifend betrachtet werden müssen.
Ein typisches Beispiel ist ein Unternehmen, das seine Produktkommunikation internationalisieren möchte. Technische Produktinformationen liegen zwar sauber im ERP vor, doch die Marketingtexte werden dezentral gepflegt. Im E-Commerce-Kanal fehlen bestimmte Attribute, weil sie in der ursprünglichen Produktstruktur nie benötigt wurden. Parallel dazu sollen Kampagnen zielgerichteter werden, doch Kundendaten aus CRM, Newsletter-Tool und Shop lassen sich nur eingeschränkt zusammenführen. Die Herausforderung liegt in diesem Fall nicht im Mangel an Daten, sondern in ihrer Verteilung, Uneinheitlichkeit und einer fehlenden strategischen Steuerung.
Der eigentliche Startpunkt: Transparenz statt Sofortlösung
Viele Unternehmen neigen an dieser Stelle dazu, direkt über neue Systeme zu sprechen. Schnell fallen Begriffe wie PIM, CDP, MDM oder Data Platform. Und heutzutage natürlich: KI. Das ist nachvollziehbar, denn Technologie verspricht Ordnung, Automatisierung und bessere Steuerung. Zumindest verbreitet sie aber die Hoffnung, dass alles besser wird. In der Praxis zeigt sich jedoch, dass der erste sinnvolle Schritt nicht in der Einführung eines neuen Tools liegt, sondern im Verständnis für die bestehende Situation.
Eine gute Analyse beginnt deshalb damit, die aktuelle Datenrealität sichtbar zu machen. Dazu gehört ein Blick auf die Systeme, aber eben nicht nur. Ebenso wichtig ist das Verständnis für Datenstrukturen, Verantwortlichkeiten, Pflegeprozesse und die tatsächliche Nutzung der Informationen im Alltag und die dazugehörende Data Governance.
In einem typischen mittelständischen Industrieunternehmen wird allein die Frage, wo Produktdaten entstehen und wie sie weitergegeben werden, bereits mehrere Prozessketten sichtbar machen. Technische Merkmale werden im Produktmanagement oder in der Entwicklung erfasst, operative Stammdaten im ERP gepflegt, verkaufsrelevante Informationen durch Marketing ergänzt und zusätzliche Attribute für digitale Kanäle separat aufgebaut. An keiner Stelle ist zwingend ein einzelner Fehler erkennbar. Und doch entsteht am Ende eine Struktur, in der dieselben Produkte an mehreren Stellen in unterschiedlicher Qualität und Tiefe beschrieben werden.
Ähnlich verhält es sich mit Kundendaten. Der Vertrieb pflegt Kontakte und Verkaufschancen im CRM, Marketing sammelt Reaktionsdaten aus Kampagnen, der Kundenservice hält Supportinformationen vor, und im E-Commerce entstehen Nutzungs- und Kaufdaten. Aus Sicht jeder Abteilung wirken diese Informationen schlüssig. Erst wenn ein ganzheitliches Kundenbild benötigt wird, treten Inkonsistenzen und Lücken zutage.
Was in einer Analyse tatsächlich betrachtet werden muss
Eine belastbare Analyse in diesem Umfeld untersucht immer das Zusammenspiel mit Organisation, Prozessen und Systemen. Für die Datenebene steht die Frage im Mittelpunkt, wie konsistent und nutzbar die Informationen tatsächlich sind. Sind Attribute einheitlich definiert? Gibt es gleiche Begriffe mit unterschiedlicher Bedeutung oder unterschiedliche Begriffe für denselben Sachverhalt? Sind Pflichtfelder vollständig gepflegt? Lassen sich Kundensegmente sauber bilden oder verhindern Dubletten und unvollständige Datensätze eine verlässliche Sicht? Gerade bei Produktdaten ist die Antwort für viele Unternehmen ernüchternd: Technische Vollständigkeit bedeutet nicht automatisch kommunikative Nutzbarkeit. Ein Produkt kann für Produktion und Logistik vollständig beschrieben sein, für Marketing und E-Commerce aber dennoch unzureichend.
Im Zusammenspiel mit der Prozessebene wird sichtbar, wie Datenqualität tatsächlich entsteht. Daten sind kein statisches Objekt, sondern das Ergebnis von Abläufen. Wenn etwa neue Produkte eingeführt werden sollen, stellt sich die Frage, wann welche Informationen in welchem Detailgrad benötigt werden und wer sie ergänzt. Wenn bei Kundendaten unterschiedliche Teams unterschiedliche Ausschnitte eines Kunden pflegen, muss geklärt werden, wie daraus ein Gesamtbild entstehen kann. Viele Datenprobleme sind letztlich Prozessprobleme in anderer Form.
Schließlich gehört zur Analyse auch die organisatorische Perspektive. In vielen Unternehmen ist unklar, wer für die Datenqualität eigentlich verantwortlich ist. Es gibt Systemverantwortung, aber keine klare Verantwortung für Dateninhalte. Es gibt operative Pflege, aber keine übergreifende Governance. Genau hier entstehen auf Dauer viele Schwierigkeiten, weil Systeme zwar betrieben, Daten aber nicht strategisch gesteuert werden.
Welche Erkenntnisse typischerweise aus der Analyse entstehen
Die Ergebnisse einer solchen Analyse ähneln sich von Unternehmen zu Unternehmen stärker, als viele zunächst vermuten. Denn auch wenn die Ausgangslagen unterschiedlich sind, tauchen bestimmte Muster immer wieder auf.
Eine häufige Beobachtung ist, dass Daten in mehreren Systemen parallel existieren. Was dazu führt, dass technische Informationen, Marketinginformationen und kanalbezogene Informationen nebeneinander wachsen, ohne dass klar geregelt ist, welche Quelle im Zweifel maßgeblich ist. Wenn dieselbe Eigenschaft aber an mehreren Stellen unterschiedlich gepflegt wird, verliert das Unternehmen das Vertrauen in die eigene Datenbasis.
Ebenso häufig wird sichtbar, dass Kundendaten zwar in großer Menge vorhanden sind, aber kein integriertes Bild ermöglichen. Marketing kennt den digitalen Kontaktverlauf, Vertrieb die geschäftliche Beziehung, Service wiederkehrende Themen und der Shop weiß um das Kaufverhalten. Doch ohne eine saubere Zusammenführung bleibt die Kundensicht fragmentiert. Entscheidungen werden dann auf Teilinformationen gestützt, obwohl eigentlich ein umfassenderes Verständnis möglich wäre.
Ein weiteres typisches Ergebnis ist die Erkenntnis, dass Datenqualität selten an fehlendem Engagement scheitert. Meist arbeiten die beteiligten Teams durchaus sorgfältig. Die Schwächen entstehen dadurch, dass Standards fehlen, Prozesse nicht durchgängig definiert sind und Datenpflege an den Grenzen zwischen Abteilungen unscharf wird. Genau deshalb genügt es nicht, Datenprobleme nur technisch zu betrachten.
Von der Analyse zur Handlungsempfehlung
Die eigentliche Stärke einer Analyse zeigt sich erst dann, wenn aus den Erkenntnissen konkrete Handlungsempfehlungen entstehen und aus Datentransparenz eine strategische Richtung wird.
Eine gute Handlungsempfehlung ordnet die Erkenntnisse zunächst in ein Zielbild ein. Sie beantwortet die Frage, wie das Unternehmen künftig mit Produkt- und Kundendaten arbeiten will und welche Fähigkeiten dafür aufgebaut werden müssen. Erst daraus ergibt sich, welche Projekte sinnvoll sind, welche Reihenfolge tragfähig ist und welche Maßnahmen kurzfristig oder langfristig Priorität haben.
Ein Unternehmen, das stärker in digitale Kanäle investieren will, braucht beispielsweise nicht nur bessere Produktdaten. Es braucht eine Datenstruktur, die kanalübergreifend funktioniert, international skalierbar ist und schnell gepflegt werden kann.
Ein Unternehmen, das Marketing und Vertrieb enger verzahnen möchte, benötigt nicht einfach mehr Kundendaten, sondern ein gemeinsames Verständnis darüber, welche Kundeninformationen relevant sind, wie sie zusammengeführt werden und wie daraus konkrete Maßnahmen entstehen.
Die Handlungsempfehlungen enthalten deshalb immer sowohl strategische als auch operative Komponenten. Sie bleiben weder im Detail einzelner Datenfelder stecken noch verharren sie in allgemeinen Zukunftsbildern. Sie müssen beides verbinden.
Die strategische Komponente: Ein Zielbild für Daten entwickeln
Der strategische Teil der Handlungsempfehlung beschreibt, wohin sich das Unternehmen entwickeln soll. Er ist mehr als eine technische Architekturzeichnung. Er formuliert, wie Produkt- und Kundendaten künftig genutzt, gesteuert und weiterentwickelt werden sollen.
Für Produktdaten kann ein solches Zielbild bedeuten, dass ein Unternehmen künftig eine zentrale, konsistente und kanalfähige Produktdatenbasis schaffen will. Das bedeutet nicht zwangsläufig sofort die Einführung eines neuen Systems, wohl aber die klare Festlegung, dass technische, kommunikative und vertriebsrelevante Informationen strukturiert zusammengeführt werden sollen. Marketing, E-Commerce, Vertrieb und Service greifen dann auf denselben Kernbestand zu, auch wenn sie unterschiedliche Sichten auf die Daten benötigen.
Für Kundendaten kann das strategische Zielbild darin bestehen, ein integriertes Kundenverständnis aufzubauen. Hier geht es in erster Linie um die Fähigkeit, relevante Informationen aus unterschiedlichen Touchpoints sinnvoll zu verbinden. Ziel ist, dass Entscheidungen über Segmente, Kampagnen, Vertriebsansätze oder Services auf einer konsistenteren Kundensicht basieren.
Ebenso wichtig ist die strategische Verankerung in der Organisation. Unternehmen, die Daten langfristig als Asset nutzen wollen, benötigen klare Rollen, Standards und Regeln. Ohne Data Governance werden selbst gut gestartete Initiativen oft wieder verwässert. Das strategische Zielbild muss daher immer auch beschreiben, wie Verantwortung, Steuerung und Weiterentwicklung organisiert werden sollen.
Aus Zielbildern werden Programme und Projekte
Damit die zu treffenden Maßnahmen für eine Handlungsempfehlungen im Unternehmen greifbar werden, hilft eine steckbriefartige Beschreibung der geplanten Vorhaben. Dies bringt Klarheit, ohne schon zu tief in die Umsetzungslogik einzusteigen. Ein guter Projektsteckbrief beschreibt knapp, worum es geht, welches Ziel verfolgt wird, welchen Nutzen das Unternehmen erwarten kann, welche Bereiche betroffen sind und worauf besonders geachtet werden muss.
Ein typisches Vorhaben kann etwa unter dem Titel „Harmonisierung der Produktdatenstruktur“ beschrieben werden. Im Mittelpunkt steht dabei die Entwicklung eines einheitlichen Verständnisses darüber, welche Produktattribute für welche Zwecke benötigt werden und wie sie systemübergreifend definiert sein sollen. Der Nutzen liegt in einer konsistenteren Produktkommunikation, geringerer Doppelpflege und einer besseren Nutzbarkeit für digitale Kanäle. Betroffen sind meist Produktmanagement, Marketing, E-Commerce und IT. Kritisch ist dabei, dass das Datenmodell nicht ausschließlich aus IT-Sicht entwickelt wird, sondern vor allem die tatsächlichen Anforderungen der Fachbereiche abbildet: Das Business führt.
Ein weiteres Projekt kann den Titel „Aufbau eines integrierten Kundenbildes“ tragen. Ziel ist hier die bessere Verknüpfung relevanter Kundendaten aus CRM, Marketing, Service und E-Commerce. Erwartet werden ein besseres Verständnis von Kundenbeziehungen, eine verbesserte Segmentierung und eine stärkere Verzahnung zwischen Marketing und Vertrieb. Beteiligt sind typischerweise Marketing, Vertrieb, Service, Data/Analytics und IT. Besondere Aufmerksamkeit erfordert die Frage, welche Kundensicht tatsächlich benötigt wird und wie Datenschutz, Datenqualität und fachliche Nutzbarkeit zusammengebracht werden.
Ein drittes Vorhaben kann auf den ersten Blick weniger spektakulär wirken, ist aber oft von großer Bedeutung: „Einführung von Data Governance für Produkt- und Kundendaten“. Hier geht es um die Klärung von Verantwortlichkeiten, Standards und Freigabeprozessen. Der Nutzen zeigt sich meist in langfristig stabilerer Datenqualität und geringerer Reibung zwischen Bereichen. Betroffen sind Fachbereiche und IT gleichermaßen. Hierbei besteht die Gefahr, dass Data Governance als zusätzliche Bürokratie wahrgenommen wird, deshalb muss klar werden, dass sie Voraussetzung für Verlässlichkeit und Skalierbarkeit ist.
Was sich durch KI verändert – und was nicht
Mit dem zunehmenden Einsatz künstlicher Intelligenz verändert sich auch das Tätigkeitsfeld rund um Produkt- und Kundendaten. Das betrifft sowohl die Analyse als auch die späteren Maßnahmen.
KI kann helfen, Datenqualität schneller zu bewerten, Unstimmigkeiten zu erkennen, Dubletten besser zu identifizieren oder fehlende Informationen plausibel zu ergänzen. Im Produktdatenumfeld entstehen zusätzliche Möglichkeiten bei der automatisierten Klassifikation, der Übersetzung und der Generierung von Produkttexten. Im Kundenkontext können Verhaltensmuster analysiert und Segmente geschärft werden.
Trotzdem bleibt eine zentrale Erkenntnis bestehen: KI ersetzt keine saubere Datenarbeit. Im Gegenteil. Je stärker Unternehmen KI einsetzen wollen, desto wichtiger werden klare Datenstrukturen, verständliche Verantwortlichkeiten und belastbare Prozesse. Ein Unternehmen mit fragmentierten Daten und unklarer Data Governance kann KI zwar punktuell testen, wird aber Schwierigkeiten haben, daraus nachhaltig verlässliche Ergebnisse zu gewinnen.
Deshalb gewinnt die strategische Komponente von Handlungsempfehlungen weiter an Bedeutung. Unternehmen müssen nicht nur entscheiden, welche Systeme sie benötigen, sondern auch, welche Datenbasis sie für künftige Automatisierung und KI-Nutzung aufbauen wollen. Wer heute Projekt-Roadmaps für Produkt- und Kundendaten erstellt, plant damit immer auch die Zukunftsfähigkeit des Unternehmens.
Fazit: Analyse ist nur dann wertvoll, wenn sie in Richtung übersetzt wird
Produkt- und Kundendaten sind heute kein Randthema mehr. Sie beeinflussen die Qualität von Produktkommunikation, die Wirksamkeit von Marketing, die Effizienz von Vertriebsprozessen, die Leistungsfähigkeit digitaler Kanäle und zunehmend auch die Nutzung von KI. Umso wichtiger ist es, Daten nicht nur technisch zu verwalten, sondern strategisch zu verstehen.
Eine gute Analyse schafft dafür die notwendige Transparenz. Sie macht sichtbar, wie Systeme, Daten und Prozesse zusammenwirken und wo die eigentlichen Ursachen von Problemen liegen. Ihr größter Wert entsteht jedoch erst in der Übersetzung dieser Erkenntnisse in klare Handlungsempfehlungen.
Ausblick
Dieser Beitrag bildet den Einstieg in unsere Blogserie zum Thema Analyse und Handlungsempfehlung. Die kommenden Artikel richten den Blick auf weitere zentrale Ebenen erfolgreicher Transformation: Prozesse, Organisation und Technologie und insgesamt um die Frage, wie Verantwortlichkeiten, Abläufe und Governance so gestaltet werden können, dass Veränderungen nicht nur konzipiert, sondern auch im Alltag wirksam werden und warum echte Transformation immer auch bedeutet, Erwartungen, Erlebnisse und Daten aus Kundensicht neu zusammenzudenken. So, dass Schritt für Schritt ein Gesamtbild darüber entsteht, wie Unternehmen aus Analysen eine tragfähige Handlungsempfehlungen und daraus konkrete Entwicklungspfade ableiten können.