Wie man ein Datenteam organisiert, um den größten Nutzen aus Daten zu ziehen

29.03.2024

Wannes Rosiers

Um das Offensichtliche zu sagen: Ein Datenteam ist dafür da, dem Unternehmen Mehrwert zu bieten. Aber ist das wirklich so offensichtlich? Haben Unternehmen nicht zu oft ein ...

Um das Offensichtliche zu sagen: Ein Datenteam ist dafür da, Wert für das Unternehmen zu schaffen. Aber ist das wirklich so offensichtlich? Haben Unternehmen nicht zu oft ein Datenteam ohne einen Plan eingerichtet?

Monkey-Business-Lösung: Wir verpassen oft das Offensichtliche — Copywriter Daniel J. Simons

Zu oft wurden Dateninitiativen gestartet, weil Wettbewerber dies taten oder weil Datenbearbeitung irgendwie sexy klingt. Und wenn das Datenteam tatsächlich auf der Suche nach Wert ist, wie misst man das? Noch wichtiger ist, wenn man es schafft, den Wert zu messen, wie organisiert man sich, um das Ergebnis zu optimieren? All dies sind gültige Fragen, auf die wir heute eine Antwort formulieren möchten.

Das Dasein des Datenteams verstehen

Fangen wir mit dem Grund für das Dasein Ihres Datenteams an. Gehen wir nur ein paar Jahre zurück in der Zeit, haben wir oft gehört, wie Unternehmen sagten: „Wir müssen Big Data machen“. Aber als man fragte, was Big Data bedeutet, konnte niemand antworten. Es dreht sich alles um die V's, sagten sie: es ist die Vielfalt der Daten, die Geschwindigkeit und das Volumen der Daten. Aber eigentlich ging es nur um den Hype, und was wir damals als Big Data betrachteten, ist jetzt eher klein. Das war nicht das erste Mal, dass Daten gehypt wurden, und es wird auch nicht das letzte Mal sein.

Für lange Zeit war der tatsächliche Grund für das Dasein eines Datenteams, operationale Berichte zu erstellen, die zu KPI-Bäumen führten, mit denen man das gesamte Geschäft steuern kann. Dies bleibt nach wie vor eine gültige und wertvolle Verwendung von Daten, aber es ist nur die Spitze des Eisbergs. Es gibt mehr Daten als je zuvor, und Algorithmen und Modelle tauchen überall auf, was zu einer immer größeren Anzahl möglicher Anwendungsfälle führt.

Das exponentielle Wachstum möglicher Datenanwendungsfälle — Bild von Ian Usher

Immer mehr Unternehmen identifizieren diese Möglichkeiten und schaffen es, sie umzusetzen. Die Aufgaben des Datenteams verschieben sich von rein analytischen Berichten hin zur Implementierung von Lösungen in operationale Workflows und zur Steuerung automatisierter Entscheidungsfindungen. Es ist ein zeitlicher Wechsel von der Verwendung von Daten nach den Fakten zu deren Einsatz vor den Ereignissen. Dies erfordert einen ganz anderen Ansatz zur Organisation Ihres Teams. Plötzlich werden Dinge wie 24/7-Support relevant.

Die Bedürfnisse eines modernen Datenteams

Neben den herausfordernden Anforderungen an die Verfügbarkeit — die datenbasierte Steuerung von Betriebsprozessen sollte vorhanden sein — hat auch die Allgegenwart der Daten Auswirkungen auf die Anforderungen der Unternehmen beim Aufbau einer Datenorganisation. Einfach gesagt: Ab einer bestimmten Größe kann man nicht erwarten, dass eine einzige Person alle Daten im Unternehmen kennt, geschweige denn alle Geschäftszielsetzungen versteht.

Kurz gesagt, um Wert aus Daten zu ziehen, benötigen Sie:

  • Das Verständnis der Daten: den genauen Sinn jedes Datenfeldes und des Geschäftsprozesses oder Eingabekanals zu kennen, der es geschaffen hat.

  • Die Geschäftszielsetzungen erkennen: zu wissen, was man erreichen möchte, das Warum Ihrer Datenarbeit neben dem Was.

  • Über ausreichendes technisches Datenwissen verfügen: sowohl die Technologien der Datenverarbeitung oder Datenwissenschaft beherrschen, als auch Methoden wie Daten-Maschinenlernmuster oder Datenmodellierung.

  • Alles am Laufen halten, ständig: wiederum Technologie und Methodik beherrschen, mit einem Schwerpunkt darauf, Infrastruktur und Werkzeuge am Laufen zu halten und das Abdriften von Modellen zu verhindern.

Warum zentrale Datenteams scheitern

Ein zentrales, einheitliches Team wird nicht erfolgreich sein. Man kann nicht erwarten, dass jemand der technische Experte ist, sowohl für Infrastruktur als auch für Engineering, sowie der Geschäftsexperte ist, während der Expertenstatus für Datenmodelle aus dem Fokus bleibt.

Wenn es zu viel ist, werden Sie scheitern — Foto von Valery Fedotov auf Unsplash

Dies ist keine daten-spezifische Herausforderung und das Gute ist: Man kann von anderen lernen. In der Softwaretechnik sieht man den Aufstieg von funktionsübergreifenden Teams oder zumindest den Aufstieg von agilen Frameworks, um die Verbindung zwischen technischen und geschäftlichen Experten zu erhöhen.

Wenn man die Ähnlichkeit zwischen den Datenbedürfnissen und dem Aufstieg der funktionsübergreifenden Teams in der Softwaretechnik ausarbeitet, kommt man schnell auf eine Reihe benötigter Rollen. Einige dieser Rollen können natürlich von der gleichen Person übernommen werden, abhängig von Ihrem Kontext. Was sind also diese Rollen:

  • Produktinhaber: jemand, der das Warum schützt

  • Funktionaler Analyst oder Experte für Geschäftsprozesse: jemand, der das Warum in das Was übersetzen kann

  • Datenexperte: jemand, der die Eingabedaten versteht

  • Technischer Datenexperte: jemand, der die Eingabedaten in wertvolle Ausgaben umwandeln kann. Beachten Sie, dass dies je nach Anwendungsfall ein Dateningenieur, ein Experte für Datenvisualisierung oder beides sein kann.

  • Ein DevOps-Experte: jemand, der die Werkzeuge bereitstellen und warten und die CI/CD-Pipeline aufbauen kann. Auch hier könnten das sogar unterschiedliche Personen sein.

Zentrale Datenteams gruppieren diese technischen Datenexperten, möglicherweise in Kombination mit den DevOps-Experten. Dies bedeutet, dass man die Personen, die die Datenplattform erstellen, mit denen, die sie nutzen, zusammenfasst, anstatt die Datenarbeiter mit denen, die die Wertschöpfung aus Daten leiten können, zu gruppieren.

Genau darum scheitern zentrale Datenteams zu oft daran, technische Herausforderungen anzugehen, anstatt geschäftliche Herausforderungen.

Und was tun wir dagegen

Als Datenteam können wir die Lösung mit Stolz von Softwareengineering-Teams stehlen. Es geht darum, das Warum und Was der Daten zusammenzubringen. In funktionsübergreifenden Teams oder bei der Nutzung agiler Frameworks: bis zu einer bestimmten Größe oder Anzahl von Aktivitäten (eines Unternehmens) wird es sinnvoll sein, die Geschäftskompetenzen näher an ein zentrales Datenteam zu bringen; ab einer bestimmten Größe oder Anzahl von Aktivitäten passt es besser, die Datenkompetenzen zu föderieren.

Produktdenken und Produktdesign, kürzlich auftauchende Lösungen für Daten — Foto von Edho Pratama auf Unsplash

Die kürzliche Einführung des Produktdenkens in Daten ist sowohl ein Ergebnis dieses Bedarfs, das Warum und Was zusammenzubringen, als auch ein Auslöser zur Schaffung funktionsübergreifender Teams. Dieses Produktdenken hat auch zur Einführung des Plattformdenkens geführt, was im Wesentlichen bedeutet, dass man seine Datenplattform als Produkt betrachtet, das von seinen Datenarbeitern genutzt wird und von einem separaten funktionsübergreifenden Team aufgebaut und gewartet wird.

Nochmals, bis zu einer bestimmten Größe (jetzt des Datenteams) ist es logisch, die Verantwortung für die Verwaltung einer Datenplattform und den Aufbau von Anwendungsfällen zu kombinieren — so wie in Start-ups, wo jeder eintritt, um die jeweils erforderliche Aufgabe zu erledigen — aber ab einer bestimmten Größe wird der Fokus zunehmend relevant, und man muss das Team in ein Plattformteam und Datenwerteinheiten aufteilen, die über die gesamte Organisation verteilt sind.

Fokus durch Produkt- und Plattformtrennung — Bild vom Autor

Wenn Sie mehr erfahren möchten, laden wir Sie ein, an einer Veranstaltung teilzunehmen, bei der wir tief in die Abkürzung zum Datenwert: Plattform- und Produktdenken annehmen. Am Donnerstag, den 18. April von 15:00 bis 18:00 in Leuven, werden wir diese Veranstaltung gemeinsam mit unserer Produktmarke Conveyor und einem unserer geschätzten Kunden Luminus veranstalten.

Gemeinsam erkunden wir die Evolution der Datengovernance von zentralen Initiativen über den föderierten Daten-Mesh-Ansatz bis hin zum Aufstieg der Datenverträge. Entdecken Sie, wie diese Initiativen, die alle im Konzept des „Produktdenkens“ verwurzelt sind und die verteilte Natur von Daten anerkennen, darauf abzielen, Daten über Ihre gesamte Organisation hinweg effektiv zu steuern. Hier registrieren


Latest

Why not to build your own data platform

A round-table discussion summary on imec’s approach to their data platform

Securely use Snowflake from VS Code in the browser
Securely use Snowflake from VS Code in the browser
Securely use Snowflake from VS Code in the browser

Securely use Snowflake from VS Code in the browser

A primary activity among our users involves utilizing dbt within the IDE environment.

The benefits of a data platform team
The benefits of a data platform team
The benefits of a data platform team

The benefits of a data platform team

For years, organizations have been building and using data platforms to get value out of data.

Hinterlasse deine E-Mail-Adresse, um den Dataminded-Newsletter zu abonnieren.

Hinterlasse deine E-Mail-Adresse, um den Dataminded-Newsletter zu abonnieren.

Hinterlasse deine E-Mail-Adresse, um den Dataminded-Newsletter zu abonnieren.

Belgien

Vismarkt 17, 3000 Leuven - HQ
Borsbeeksebrug 34, 2600 Antwerpen


USt-IdNr. DE.0667.976.246

Deutschland

Spaces Kennedydamm,
Kaiserswerther Strasse 135, 40474 Düsseldorf, Deutschland


© 2025 Dataminded. Alle Rechte vorbehalten.


Vismarkt 17, 3000 Leuven - HQ
Borsbeeksebrug 34, 2600 Antwerpen

USt-IdNr. DE.0667.976.246

Deutschland

Spaces Kennedydamm, Kaiserswerther Strasse 135, 40474 Düsseldorf, Deutschland

© 2025 Dataminded. Alle Rechte vorbehalten.


Vismarkt 17, 3000 Leuven - HQ
Borsbeeksebrug 34, 2600 Antwerpen

USt-IdNr. DE.0667.976.246

Deutschland

Spaces Kennedydamm, Kaiserswerther Strasse 135, 40474 Düsseldorf, Deutschland

© 2025 Dataminded. Alle Rechte vorbehalten.