Montagmorgen, 08:30. Der CFO will wissen, warum die Marge im Januar abkippt. Operations sagt: «Bei uns sieht das stabil aus.» Vertrieb zeigt eine andere Grafik, Einkauf eine dritte. Nach 15 Minuten ist klar: Niemand diskutiert die Massnahme. Alle diskutieren die Zahl.
Das ist der Moment, in dem Unternehmen merken, dass sie nicht an «fehlenden Insights» leiden, sondern an fehlender Entscheidungsfähigkeit. Und die hängt weniger an Tools als an einem unsichtbaren Fundament: Daten, die sich nicht widersprechen.
Data-driven Decision Making klingt nach Analytics. In der Praxis ist es viel banaler – und viel härter: Es bedeutet, dass eine Organisation sich auf eine gemeinsame, belastbare Sicht einigen muss, bevor sie entscheidet.
Datensilos sind nicht nur Technik. Sie sind fünf verschiedene Probleme
Wenn man «Silos» sagt, denken viele an Systeme. In der Praxis sind Silos häufig eine Kombination aus fünf Ebenen:
Technische Silos
Daten liegen in getrennten Systemen (ERP, MES, CRM, Projekttools, POS, E-Commerce). Schnittstellen sind alt, Exporte manuell, Updates langsam.
Semantische Silos (Definitionen)
«Umsatz» kann alles bedeuten: brutto/netto, mit/ohne Retouren, nach Rechnungsdatum/Leistungsdatum. Zwei Reports, zwei Wahrheiten – beide «korrekt».
Organisatorische Silos
Abteilungen optimieren lokal: Produktion denkt in Schichten, Finance in Perioden, Vertrieb in Regionen. Jede Logik ist sinnvoll – aber nicht kompatibel.
Prozess Silos
Daten entstehen entlang von Prozessen. Wenn Prozesse nicht durchgängig sind oder Medienbrüche haben, entstehen Lücken: manuelle Korrekturen, Workarounds, Excel.
Security- und Zugriffs Silos
Nicht jeder darf alles sehen – zurecht. Aber wenn Zugriffskonzepte unklar sind, entstehen Schattenkopien und «private Wahrheiten».
Wichtig: Darum scheitert «Wir bauen ein Dashboard» so oft: Dashboards kaschieren technische Silos, aber zeigen semantische Silos noch deutlicher.
Woran Sie erkennen, dass Silos längst Geld kosten
Es ist selten ein einziger grosser Schaden – es sind stille Muster:
Abstimmung frisst Zeit: Meetings drehen sich um Datenherkunft statt Entscheidung.
Reporting-Latenz: Der Report ist da, wenn die Massnahme schon zu spät ist.
Excel als Klebstoff: Daten werden «zusammengezogen», aber niemand weiss, welche Version gilt.
Misstrauen: Fachbereiche bauen eigene Zahlen, weil sie den zentralen nicht trauen.
Entscheidungen werden politisch: Wer die Zahl kontrolliert, kontrolliert die Story.
Diese Muster sind nicht spektakulär. Aber sie sind konstant – und im Kern das Gegenteil von Data-driven Decision Making.
Warum Industrie, Bau und Handel besonders anfällig sind
Ohne unnötigen Branchen-Overload, nur die realen Muster:
Industrie: hohe Granularität, viele Zeithorizonte (Schicht, Tag, Woche, Periode). Wenn Zeitlogiken nicht harmonisieren, entstehen scheinbar widersprüchliche KPIs.
Bau: projektgetrieben, viele Rollen, viele Tools. Kostenstand, Fortschritt, Lieferstatus – oft jeweils «korrekt», aber nicht konsistent.
Handel: kanalgetrieben (POS, Online, Promotion, Retouren). Wenn Kanäle getrennt sind, bleibt die zentrale Frage unbeantwortet: «Was hat wirklich gewirkt?»
Es geht nicht darum, alles zu vereinheitlichen. Es geht darum, entscheidungsrelevante Datenflüsse zu vereinheitlichen.
Sieben Diagnosefragen, die sofort Klarheit bringen
Diese Fragen sind oft erhellender als jeder Audit:
Welche 3 Entscheidungen kosten uns heute am meisten Zeit?
Welche KPI wird am häufigsten diskutiert – und warum?
Wo unterscheiden sich Definitionen (Zeitraum, Granularität, Abgrenzung)?
Wo entstehen Daten manuell, weil der Prozess reisst?
Welche Reports sind kritisch – aber kommen zu spät?
Wo existieren parallele Excel-«Wahrheiten»?
Wer besitzt die Daten fachlich – und wer entscheidet bei Konflikten?
Wenn Sie diese Fragen beantworten können, sind Sie weiter als viele Data-Projekte nach sechs Monaten.
Nicht jedes Silo ist «böse» – die oft vergessene Nuance
Es gibt Silos aus gutem Grund: Datenschutz, Risikosteuerung, Zugriffstrennung. Das Ziel ist nicht «alles offen», sondern klar und kontrolliert.
Genau hier schliesst Data-driven Decision Making an die grössere Data-Intelligence-Logik an: Eine gute Entscheidungsbasis ist später die Grundlage für Automatisierung und verantwortbare KI. Aber der erste Schritt ist immer: eine gemeinsame Wahrheit für Entscheidungen.
