__________

Viele Unternehmen investieren in Analytics. In Tools, in Dashboards, in Dateninfrastruktur. Und trotzdem entsteht am Ende oft nicht das, was eigentlich versprochen wurde: Entscheidungen, die auf verlässlichen Daten basieren.

Das liegt meistens daran, dass zwei Dimensionen auseinanderfallen, die zusammengehören: analytische Qualität und Business-Relevanz.

Analytische Qualität meint: Sind die Daten verlässlich? Ist die Berechnungslogik sauber? Werden die richtigen Kennzahlen gemessen, mit den richtigen Methoden, auf einer soliden Datenbasis?

Business-Relevanz meint: Werden diese Daten tatsächlich genutzt? Beantworten sie die Fragen, die im Arbeitsalltag gestellt werden? Helfen sie, konkrete Entscheidungen zu treffen?

Beides klingt selbstverständlich. Aber in der Praxis wird fast immer nur eine Achse optimiert. Das hat Konsequenzen.

Ein Orientierungsrahmen: die Analytics-Matrix

Um die verschiedenen Ausprägungen greifbar zu machen, hilft eine einfache 2x2-Matrix mit den zwei Achsen analytische Qualität und Business-Relevanz.

Sie ergibt vier Quadranten, von denen drei beschreiben, wie Analytics scheitert und einer, wie es funktioniert.

 

Scheitern Modus 1: Technisch brillant

Hohe analytische Qualität, niedrige Business-Relevanz

Das ist der am häufigsten übersehene Misserfolg, weil er von außen wie Erfolg aussieht.

Das Dashboard ist sauber gebaut. Die Datenquellen sind angebunden, die Berechnungslogik ist dokumentiert, die Visualisierungen sind durchdacht. Technisch gibt es nichts zu beanstanden.

Aber die Fragen, die das Team wirklich hat, beantwortet es nicht.

Das passiert, wenn Reporting ohne ausreichende Einbindung der Menschen geplant wird, die damit arbeiten sollen. Die Planer – oft IT, BI-Teams oder externe Dienstleister – bauen das, was technisch möglich und methodisch korrekt ist. Was fehlt, ist die Auseinandersetzung damit, welche Entscheidungen auf welcher Ebene getroffen werden und welche Informationen dafür tatsächlich fehlen.

Ein Reporting, das niemand nutzt, ist keine schlechte Investition in gute Daten. Es ist eine Ressourcenverschwendung, egal wie sauber die Daten sind.

Das Muster ist erkennbar: Dashboards existieren, aber niemand öffnet sie. Datenanfragen kommen trotzdem per E-Mail, weil das Dashboard die richtige Frage nicht beantwortet. Entscheidungen werden weiterhin aus dem Bauchgefühl heraus getroffen.

Scheitern Modus 2: Gefährlich

Niedrige analytische Qualität, hohe Business-Relevanz

Dieser Quadrant ist der problematischste, weil er am wenigsten sichtbar ist.

Hier werden Entscheidungen auf Basis von Daten getroffen, deren Qualität fragwürdig ist.

In Unternehmen ist dieser Quadrant seltener als man denkt. Erstens werden üblicherweise ausgebildete Datenanalysten eingesetzt, die viel Wert auf analytische Qualität legen. Zweitens halten schlechte Daten und Analysen nur wenig stand. Wer intern mit fragwürdigen Zahlen argumentiert, riskiert Widerspruch und gewinnt wenig. Andere Teams haben dieselben Daten, andere Berechnungen, andere Definitionen. Der Fehler fällt auf.

Häufiger zeigt sich dieser Modus in einer subtileren Form: Eine Kennzahl wird außerhalb des Kontexts verwendet, für den sie ursprünglich gebaut wurde. Eine Metrik, die für eine bestimmte Fragestellung sinnvoll war, wird auf eine andere Fragestellung angewendet, ohne dass jemand das hinterfragt. Oder ein neuer Use Case kommt hinzu, der in der ursprünglichen Berechnung nicht mitgedacht war. Oder unterschiedliche Berechnungsmethoden führen zu unterschiedlichen Zahlen und niemand weiß, welche die "offizielle" ist.

In öffentlichen und politischen Debatten ist dieser Quadrant dagegen deutlich häufiger anzutreffen. Dort werden Zahlen nicht primär auf Qualität geprüft, sondern auf Wirkung. Eine Zahl, die eine Position stützt, wird unabhängig davon verwendet, ob die Datengrundlage hält, was sie verspricht. Der Widerspruch kommt, wenn überhaupt, zu spät und im falschen Thread.

Das strukturelle Unterschied ist real: Wer im Unternehmen mit schlechten Daten argumentiert, bekommt Widerspruch. Wer es in einer öffentlichen Debatte tut, bekommt manchmal Applaus.

Scheitern Modus 3: Datenfriedhof

Niedrige analytische Qualität, niedrige Business-Relevanz

Dieser Quadrant braucht die wenigste Erklärung und kommt häufiger vor als zugegeben wird.

Daten werden gesammelt, weil es möglich ist. Dashboards werden gebaut, weil es eine Anforderung gab. Reports werden verschickt, weil es immer so gemacht wurde.

Niemand fragt mehr, warum.

Der Datenfriedhof entsteht meistens nicht durch eine einzelne schlechte Entscheidung, sondern durch das schrittweise Entkoppeln von Datenproduktion und Datennutzung. Irgendwann hat niemand mehr den Überblick, welche Daten wozu dienen und es ist einfacher, alles weiterlaufen zu lassen, als aufzuräumen.

Das kostet: Speicher, Wartung, Aufmerksamkeit. Und es verstellt den Blick auf das, was tatsächlich relevant wäre.

Funktionieren: Entscheidungsunterstützung

Hohe analytische Qualität, hohe Business-Relevanz

Gute Analytics ist kein Kompromiss zwischen Qualität und Relevanz. Sie ist das Ergebnis einer Zusammenarbeit, in der beide Dimensionen von Anfang an mitgedacht werden.

Das bedeutet konkret: nicht zuerst fragen, welche Daten verfügbar sind, sondern welche Entscheidungen auf welcher Ebene getroffen werden und welche Informationen dafür fehlen. Nicht ein Dashboard bauen und dann hoffen, dass es genutzt wird, sondern gemeinsam mit den Teams entwickeln, die damit arbeiten sollen.

Es bedeutet auch, regelmäßig zu prüfen, ob eine Kennzahl noch misst, was sie messen soll oder ob sich das Verhalten bereits um sie herum angepasst hat.

Und es bedeutet, Daten nicht als Endprodukt zu verstehen, sondern als Grundlage für ein Gespräch. Ein Dashboard bereitet Entscheidungen vor. Die Entscheidung selbst – mit all ihrer strategischen Abwägung, ihrem Kontext, ihren Widersprüchen – entsteht im Austausch zwischen Menschen.

Was das für die Praxis bedeutet

Die häufigste Frage, die ich in Projekten höre, ist: "Wie können wir das skalieren?" Seltener höre ich: "Für wen bauen wir das eigentlich?"

Beide Achsen der Matrix – Qualität und Relevanz – verlangen eine Antwort auf die zweite Frage. Qualität ohne Relevanz skaliert ins Leere. Relevanz ohne Qualität skaliert das falsche Signal.

Die Unternehmen, die oben links landen, sind nicht unbedingt die mit den besten Tools oder den größten Datenteams. Es sind die, in denen Analytics als gemeinsame Aufgabe verstanden wird und nicht als Dienstleistung, die ein Team für ein anderes erbringt.