15 Oktober 2026

Eine Datenstrategie legt fest, wie ein Unternehmen Daten gezielt für seine Ziele nutzen und dafür notwendige Fähigkeiten aufbauen will. Sie verbindet Anwendungsfälle, Datenbestände, Verantwortlichkeiten, technische Grundlagen und einen Umsetzungsplan. In der Produktion kann sie beispielsweise die Verbesserung von Lieferfähigkeit, Qualität oder Ressourcennutzung unterstützen. Sie ist mehr als die Auswahl einer Datenplattform oder die Sammlung möglichst vieler Messwerte.

Welche Fragen beantwortet eine Datenstrategie?

Eine Strategie schafft Orientierung für Entscheidungen, die sonst häufig getrennt getroffen werden. Ein Bereich möchte ein Dashboard, ein anderer eine KI-Anwendung und ein dritter bessere Auftragsrückmeldungen. Wenn alle unabhängig eigene Datenkopien und Begriffe aufbauen, entstehen zusätzliche Schnittstellen und widersprüchliche Ergebnisse.

Eine Datenstrategie klärt deshalb, welche betrieblichen Probleme zuerst bearbeitet werden, welche gemeinsamen Grundlagen dafür nötig sind und wer sie dauerhaft betreibt. IBM beschreibt die Verbindung von Unternehmenszielen mit Datenerfassung, Datenmanagement, Governance, Analyse und Qualität als wesentlichen Inhalt einer Datenstrategie. Die konkrete Ausgestaltung muss zur Organisation passen.

Strategische Frage	Konkretes Ergebnis
Welchen Nutzen wollen wir erreichen?	Priorisierte Ziele und messbare Anwendungsfälle
Welche Daten benötigen wir?	Benötigte Quellen, Bedeutungen und Qualitätsanforderungen
Wer entscheidet und verantwortet?	Fachliche und technische Zuständigkeiten
Wie werden Daten bereitgestellt?	Architekturprinzipien und Schnittstellenanforderungen
Was wird wann umgesetzt?	Roadmap mit Abhängigkeiten und Prüfpunkten
Wie wird Erfolg beurteilt?	Verbindung von Datenfähigkeit und betrieblicher Wirkung

Mit dem Produktionsproblem beginnen

Ein geeigneter Anwendungsfall benennt eine konkrete Entscheidung. „Mehr Daten nutzen“ ist zu unbestimmt. „Die Schichtleitung soll bestätigte Materialengpässe rechtzeitig erkennen und nachverfolgen können“ beschreibt dagegen eine Aufgabe mit Nutzern und Handlungsbezug.

Aus dieser Aufgabe ergeben sich benötigte Informationen: Auftrag, Materialbedarf, Bestand, Bereitstellungsstatus und Aktualität. Anschließend wird geprüft, was bereits zuverlässig vorhanden ist. Fehlende Grundlagen werden sichtbar, bevor ein aufwendiges Analysemodell oder eine neue Plattform ausgewählt wird.

Fraunhofer IPA stellt beim Smart Data Starter unter anderem die Anwendungsfalldefinition, Umsetzung und spätere Skalierung datenzentrierter Produktionsanwendungen in den Zusammenhang. Für die Strategie ist besonders die Frage wichtig, welche Erfahrungen eines ersten Vorhabens auf weitere Anwendungen übertragbar sind.

Anwendungsfälle priorisieren

Eine Priorisierung sollte Nutzen, Aufwand, Machbarkeit und Abhängigkeiten gemeinsam betrachten. Ein hoher erwarteter Nutzen reicht nicht, wenn benötigte Daten fehlen oder keine Handlung aus dem Ergebnis folgt. Umgekehrt kann eine begrenzte erste Anwendung sinnvoll sein, wenn sie eine wichtige gemeinsame Grundlage schafft.

Betriebliche Relevanz: Welches Problem wird tatsächlich gelöst?
Handlungsfähigkeit: Wer kann aufgrund der Information etwas verändern?
Datenlage: Sind benötigte Daten verfügbar und geeignet?
Umsetzungsaufwand: Welche Schnittstellen und Kompetenzen werden benötigt?
Wiederverwendung: Welche Grundlagen unterstützen weitere Anwendungen?
Betrieb: Wer pflegt Daten, Regeln und Anwendungen dauerhaft?

Eine Punktbewertung kann Diskussionen strukturieren, ersetzt aber keine begründete Entscheidung. Besonders unsichere Nutzenannahmen sollten sichtbar bleiben. Die Reihenfolge ist außerdem regelmäßig zu überprüfen, wenn sich Ziele oder Rahmenbedingungen ändern.

Praxisbeispiel: Zwei Vorhaben gemeinsam planen

Das folgende Beispiel ist fiktiv. Ein Werk plant eine aktuelle Auftragsübersicht und eine spätere Analyse von Qualitätsabweichungen. Beide Anwendungen benötigen eindeutige Produkt- und Auftragskennungen. Bisher verwenden Maschine, MES und ERP teilweise unterschiedliche Bezeichnungen.

Die Datenstrategie priorisiert zunächst eine verlässliche Zuordnung und die Rückmeldung weniger wesentlicher Auftragsereignisse. Darauf baut die operative Übersicht auf. Erst danach werden Qualitätsdaten systematisch mit denselben Kennungen verbunden. Die Reihenfolge entsteht aus der gemeinsamen Abhängigkeit und nicht aus der Attraktivität der jeweiligen Benutzeroberfläche.

Für die erste Anwendung wird gemessen, wie lange das Zusammenstellen des Auftragsstands dauert. Im angenommenen Ausgangszustand sind es 30 Minuten pro Schicht, nach der Einführung zehn Minuten. Bei zwei Schichten und 220 Arbeitstagen entspricht die rechnerische Zeitdifferenz 20 × 2 × 220 = 8.800 Minuten oder etwa 146,7 Stunden pro Jahr.

Diese Zeitdifferenz ist noch keine automatisch realisierte Kosteneinsparung. Zu prüfen sind zusätzlicher Pflegeaufwand, tatsächliche Nutzung und die Frage, wofür die frei werdende Zeit eingesetzt wird. Außerdem muss die Übersicht fachlich verlässlich sein. Eine schnellere, aber falsche Information erfüllt das Ziel nicht.

Datenverantwortung und gemeinsame Begriffe

Eine Datenstrategie benötigt klare Rollen. Fachverantwortliche definieren Bedeutung und Qualitätsanforderungen. Technische Verantwortliche sichern Bereitstellung und Betrieb. Nutzer melden Probleme und prüfen, ob die Information ihre Entscheidung unterstützt. Die Rollen können je nach Unternehmensgröße von unterschiedlichen Personen oder zusammengefasst wahrgenommen werden.

Gemeinsame Begriffe sind eine wichtige Grundlage. „Fertig“ kann das Ende einer Bearbeitung, die Qualitätsfreigabe oder den vollständigen Auftragsabschluss meinen. Für eine verlässliche Integration müssen solche Unterschiede dokumentiert werden. Interoperabilität umfasst deshalb auch die fachliche Bedeutung.

Datenqualität sollte für wichtige Anwendungen messbar beschrieben werden. Dazu gehören beispielsweise erforderliche Vollständigkeit, zulässiger Rückmeldeverzug und eindeutige Kennungen. Eine allgemeine Forderung nach „guten Daten“ ist für die Umsetzung zu unpräzise.

Architektur aus den Anforderungen ableiten

Die Strategie legt sinnvolle Grundprinzipien fest, etwa die Nutzung dokumentierter Schnittstellen und nachvollziehbarer Datenquellen. Sie muss nicht jedes technische Detail vorwegnehmen. Wichtig ist, dass einzelne Projekte keine unnötigen Sonderlösungen schaffen, die später schwer zusammengeführt werden können.

Industrial Data kann lokal, zentral oder verteilt verarbeitet werden. Ob eine Cloud, eine lokale Plattform oder eine Kombination geeignet ist, hängt von den Anforderungen ab. Reaktionszeit, Verfügbarkeit, Datenmenge und Zuständigkeit sind dabei zu berücksichtigen.

Auch bestehende Systeme gehören in die Betrachtung. Ein ERP oder MES kann bereits verbindliche Daten führen. Eine zusätzliche Kopie sollte einen klaren Zweck besitzen und nachvollziehbar aktualisiert werden. Eine neue Plattform löst unklare Zuständigkeiten nicht von selbst.

Roadmap und Umsetzung

Ausgangslage erfassen: Ziele, wichtige Datenquellen und bekannte Hindernisse dokumentieren.
Anwendungsfälle auswählen: Nutzen und Voraussetzungen bewerten.
Gemeinsame Grundlagen planen: Kennungen, Qualität und Schnittstellen priorisieren.
Pilot umsetzen: Einen begrenzten Ablauf einschließlich Nutzung und Betrieb erproben.
Wirkung prüfen: Datenqualität und Prozesswirkung gemeinsam bewerten.
Gezielt erweitern: Bewährte Grundlagen auf weitere Anwendungen übertragen.

Prüfpunkte sollten auch Entscheidungen zum Ändern oder Beenden eines Vorhabens ermöglichen. Wenn ein Pilot keinen nutzbaren Beitrag zeigt, ist die automatische Ausweitung nicht sinnvoll. Die Roadmap ist ein Steuerungsinstrument und keine unveränderliche Liste von Softwareinstallationen.

Typische Fehler

Häufig wird mit einer Technologie begonnen und erst später nach einem passenden Problem gesucht. Ein anderer Fehler ist die Beschränkung auf Pilotprojekte ohne Betriebsverantwortung. Nach dem ersten Erfolg fehlen dann Pflege, Schulung oder eine verlässliche Bearbeitung von Datenfehlern.

Auch reine Aktivitätskennzahlen können täuschen. Die Zahl angebundener Maschinen oder gespeicherter Datensätze zeigt einen technischen Fortschritt, aber nicht automatisch bessere Entscheidungen. Für Industrial AI und andere Anwendungen muss der Zusammenhang mit dem betrieblichen Ziel nachgewiesen werden.

Häufige Fragen zur Datenstrategie

Ist eine Datenstrategie nur für große Unternehmen sinnvoll?

Nein. Auch kleinere Betriebe müssen entscheiden, welche Datenaufgaben Vorrang haben und wer sie betreut. Der Umfang sollte angemessen sein. Wenige klar beschriebene Ziele, Zuständigkeiten und Umsetzungsschritte können hilfreicher sein als ein umfangreiches Dokument ohne praktische Wirkung. Entscheidend ist die Verbindung mit den tatsächlichen betrieblichen Entscheidungen.

Was unterscheidet Datenstrategie von IT-Strategie?

Die IT-Strategie betrachtet breiter Anwendungen, Infrastruktur und deren Betrieb. Die Datenstrategie konzentriert sich darauf, welche Daten für welche Ziele benötigt und wie sie verlässlich genutzt werden. Beide müssen zusammenpassen. Eine Datenstrategie betrifft außerdem fachliche Definitionen, Verantwortlichkeiten und Arbeitsabläufe, die nicht allein durch technische Entscheidungen geregelt werden können.

Muss zuerst eine Datenplattform beschafft werden?

Nein. Zunächst sollten Anforderungen und vorhandene Möglichkeiten geprüft werden. Ein erster Anwendungsfall kann unter Umständen mit bestehenden Systemen umgesetzt werden. Eine Plattform ist dann sinnvoll zu bewerten, wenn sie konkrete benötigte Funktionen und Wiederverwendung unterstützt. Ihre Beschaffung allein schafft weder Datenqualität noch eine klare Nutzung im Prozess.

Wie wird der Erfolg einer Datenstrategie gemessen?

Durch die Verbindung von aufgebauten Fähigkeiten mit betrieblichen Ergebnissen. Beispiele sind verlässlichere Rückmeldungen, weniger Korrekturaufwand oder schnellere begründete Entscheidungen. Technische Kennzahlen können ergänzen, sollten aber nicht allein stehen. Der Nutzen muss zudem den laufenden Aufwand für Datenpflege, Anwendungen und organisatorische Betreuung berücksichtigen.

Wie oft sollte die Strategie überprüft werden?

Regelmäßig und zusätzlich bei wesentlichen Änderungen von Zielen, Prozessen oder Systemen. Ein fester Zeitraum kann Orientierung geben, reicht aber nicht für jede Situation. Erkenntnisse aus Pilotprojekten sollten zeitnah einfließen. Die Strategie bleibt wirksam, wenn Prioritäten und Annahmen überprüft werden, statt lediglich den ursprünglichen Plan fortzuschreiben.

Quellen und weiterführende Informationen

IBM: What is Data Strategy?, Ziele und Handlungsfelder.
Fraunhofer IPA: Smart Data Starter, Anwendungsfalldefinition und Umsetzung datenzentrierter Produktionsanwendungen.

Stand: Oktober 2026. Werkbeispiel und Zeitrechnung sind fiktiv.