Ein Data Citizen ist eine Person, die im Fachbereich sitzt, die Prozesse dort sehr gut kennt und bewusst mit Daten arbeitet — ohne selbst zur IT oder zum Datenteam zu gehören. Data Citizens sind damit die soziale Ebene jeder Datenorganisation: Die Architektur kann brillant sein, die Tools perfekt — wenn diese Menschen nicht mitgehen, passiert nichts. Dieser Artikel zeigt, was Data Citizens ausmacht und wie du sie entwickelst.
Data Citizen vs. Data Literacy — und die Rolle im Enablement
Die beiden Begriffe werden ständig vermischt, beschreiben aber verschiedene Dinge: Data Literacy ist die Kompetenz, Data Citizen ist die Person. Literacy — Daten lesen, Methodik hinterfragen, Entscheidungen darauf gründen — kannst du schulen; ein Data Citizen entsteht erst, wenn zur Kompetenz auch Zugang, Werkzeuge und ein Mandat kommen. Deshalb bleiben viele Data-Literacy-Programme wirkungslos: Sie trainieren Menschen, die danach weder an Daten herankommen noch etwas entscheiden dürfen.
Wie das in groß aussieht, beschreibt Jonas K. von Siemens Energy im Podcast: „So ein Data Citizen für uns ist halt jemand, der in der Fachabteilung selber sitzt, der die Prozesse sehr gut kennt, der aber kein nativer ITler ist" (zur Folge). Genau diese Kombination — Prozesswissen aus dem Fachbereich plus Datenkompetenz — macht Data Citizens zum wichtigsten Enablement-Hebel: Sie übersetzen zwischen Business und Datenteam, bauen die kleinen Use Cases, die kein zentrales Team priorisieren würde, und tragen die Datenkultur dahin, wo Schulungsprogramme nie ankommen.
Die Enablement-Aufgabe der Organisation ist dabei klar verteilt: Das zentrale Team liefert Plattform, Standards und Services (bei Siemens Energy bis hin zu Ingestion-as-a-Service, damit Citizens sich nicht mit Datenextraktion aufhalten), die Fachbereiche liefern die Menschen und die Probleme. Wo Data Citizens auf produktförmige Daten treffen, entsteht der eigentliche Hebel — mehr dazu im Leitfaden Data Products.
Was Data Citizens ausmacht
Der Begriff kommt aus der Idee, dass jede Person in einer datengetriebenen Organisation gewisse „Bürgerrechte und -pflichten" hat — analog zum politischen Staatsbürger.
Rechte:
- Zugang zu den Daten, die für seinen Job relevant sind
- Verständliche Dokumentation und Schulung
- Werkzeuge, die seine Arbeit ermöglichen
- Stimme in Governance-Entscheidungen, die ihn betreffen
Pflichten:
- Verantwortungsvoller Umgang mit Daten (Datenschutz, Ethik)
- Beitrag zur Data-Community (Feedback, Dokumentation, Mentoring)
- Eigenständige Entwicklung der eigenen Data-Kompetenz
- Respekt für Ownership und Contracts anderer
In der Folge #316 mit Jonas Kell von Siemens Energy diskutieren wir die Data-Citizen-Ebene ausführlich — dort ist sie zentraler Bestandteil der Mesh-Einführung.
Drei Typen von Data Citizens
Data Producers. Produzieren Daten als Teil ihrer Arbeit — Sales-Mitarbeiter, Marketing-Manager, Service-Agent. Ihre Verantwortung: Daten-Qualität an der Quelle.
Data Consumers. Nutzen Daten für Entscheidungen — Führungskräfte, Fachbereichs-Leiter, Analysten. Ihre Verantwortung: verantwortungsvolle Interpretation und Handlung.
Data Curators. Sind Zwischen-Rollen — Data Stewards in Domänen, Business-Analysten, Product Owner mit Daten-Fokus. Ihre Verantwortung: Brücken bauen zwischen Producers und Consumers.
In einem gesunden Mesh sind die meisten Mitarbeitenden Mischungen aus diesen drei Typen.
Unterschied zu klassischen Daten-Rollen
Klassisch gibt es:
- Data Scientists (spezialisierte ML-Arbeit)
- Data Engineers (Infrastruktur und Pipelines)
- Data Analysts (Berichte und Insights)
- BI-Entwickler (Dashboards)
Diese Rollen gibt es in Mesh-Organisationen weiterhin — aber sie sind nicht mehr exklusive Zugangs-Torhüter zu Daten. Data Citizens nutzen Daten zusätzlich, ohne auf diese Rollen warten zu müssen.
Ohne Data Citizens skaliert kein Mesh. Wenn jeder Daten-Zugriff über Data-Team-Tickets läuft, ist man wieder bei zentralen Gatekeepern — mit neuer Etikette.
Kompetenzen von Data Citizens
Basis-Level (alle Mitarbeitende):
- Grundverständnis von Datenquellen und -systemen
- Kompetenz zur Interpretation von Dashboards
- Kritisches Denken zu Datenqualität („kann die Zahl stimmen?")
- Grundlegendes Verständnis von Datenschutz
Intermediate (Power-User):
- Eigenständige Abfragen in BI-Tools
- SQL-Grundkenntnisse oder Tool-Äquivalent
- Basiskompetenz in statistischer Interpretation
- Fähigkeit, einfache Analysen selbständig durchzuführen
Advanced (Daten-affine Fachbereichs-Mitarbeiter):
- SQL und Python-Grundlagen
- Eigenständige Analysen und Hypothesen
- Mitgestaltung von Data Products (als Owner oder Stakeholder)
- Kompetenz in Data-Engineering-Basics
Nicht jeder muss Advanced werden. Aber Basis-Level ist in einer Mesh-Organisation Pflicht.
Wie man Data Citizens entwickelt
1. Data Literacy als Firmen-Initiative. Ein strukturiertes Programm, nicht einzelne Workshops. Mindestens 12 Monate, idealerweise dauerhaft. Details siehe Data Literacy Programm.
2. Self-Serve-Tools, die wirklich self-serve sind. Ein BI-Tool, das 3 Stunden Training braucht, wird nicht genutzt. Self-Serve heißt: 30 Minuten Onboarding, dann selbständige Arbeit möglich.
3. Data-Community aufbauen. Intern sichtbare Community (Slack-Channel, Lunch-&-Learn, interne Blog-Posts). Menschen lernen voneinander.
4. Zeit für Daten-Arbeit freigeben. Wer „nebenbei" zum Data Citizen werden soll, wird's nicht. Mindestens 10 Prozent der Arbeitszeit explizit für Daten-Arbeit reservieren.
5. Datengestützte Argumentation belohnen. Kulturell: Entscheidungen mit Datenbasis werden höher bewertet als Bauchgefühl. In Führungs-Meetings wird nach der Datenbasis gefragt.
6. Champion-Programm. Identifizierte Advanced-Data-Citizens werden als Multiplikatoren eingesetzt — mit Zeit-Budget und Anerkennung.
Die Community-Dimension
Data Mesh ohne Community ist Organigramm-Projekt. Mit Community ist es Bewegung.
Community-Bausteine:
- Data-Slack-Channel: Öffentliche Kanäle für Fragen, Antworten, News
- Data-Wiki: Kollektive Wissensbasis, editiert von allen Data Citizens
- Data-Lunch: Informelle regelmäßige Treffen (monatlich)
- Data-Gilde: Formalisierte Cross-Domain-Rolle für Multiplikatoren
- Data-Demo-Day: Vierteljährlich präsentieren Teams ihre Data-Products
Community-Aufbau ist weniger strukturelle Arbeit als Kultur-Arbeit. Sie braucht Zeit und konsistente Führungs-Unterstützung.
Data Citizens und Governance
Data Citizens sind auch Teilnehmer der Governance. In einem federated Mesh sollte das Governance-Council nicht nur aus Data-Experten bestehen, sondern auch aus Domain-Vertretern, die Data Citizens sind.
Das verändert die Governance-Arbeit: Weniger Top-Down-Regeln, mehr gemeinsame Standard-Entwicklung. Langsamer, aber nachhaltiger.
Häufige Fehler
Fehler 1 — Data Citizens als Label ohne Substanz. Alle werden „Data Citizens" genannt, aber nichts ändert sich im Alltag.
Fehler 2 — Tool statt Entwicklung. „Wir haben Looker eingeführt, jetzt sind alle Data Citizens." Werkzeug ohne Kompetenzaufbau wirkt nicht.
Fehler 3 — Nur Technik-affine Mitarbeiter. Data Citizens sollen ALLE sein, die mit Daten arbeiten — nicht nur die, die eh schon affin sind.
Fehler 4 — Zu hoher Einstiegs-Anspruch. Wer Data Citizens direkt auf SQL-Kompetenz festlegt, verliert 80 Prozent der Organisation. Basis-Level zuerst.
Verbindungen: Einführung für die Prinzipien. Organisationsmodell für Team-Setup. Data Literacy für die Entwicklungs-Seite.