70 Prozent aller Data-Transformationen scheitern. Das ist keine Studie, das ist meine Schätzung aus 15 Jahren in Daten-Führungsrollen und über 300 Gesprächen im Podcast. Und sie scheitern nicht an Technologie. Sie scheitern an einer Mischung aus unklaren Mandaten, zu großen Versprechen im ersten Quartal und einer Unterschätzung dessen, was Transformation eigentlich bedeutet: Verhaltensänderung.
Diese Seite ist der Versuch, dir zu geben, was ich selber gern gehabt hätte, als ich zum ersten Mal CDO wurde. Aus zwei Büchern bei Springer Gabler, aus meiner Zeit bei Douglas, Funke und FALKE, und aus 317 Podcast-Gesprächen destilliert. Du-Form, keine Beweihräucherung, und wenn ich keine Zahl habe, sage ich das.
Was ist eine datengetriebene Organisation?
Eine Arbeits-Definition: Eine Organisation, in der Entscheidungen strukturell mit Daten verprobt werden, nicht nur dokumentiert. Der Unterschied ist entscheidend. „Dashboard gucken" ist kein Beleg für Datengetriebenheit. Im Gegenteil — die meisten Organisationen mit den schönsten Dashboards sind genau die, in denen der Vorstand am Ende sowieso entscheidet, was er vorher schon wollte.
Was eine datengetriebene Organisation nicht ist: Kein BI-Team mit 40 Reports. Keine Cloud-Migration. Keine KI-Taskforce. Das sind Zutaten, nicht das Gericht.
Abgrenzung zu Digitalisierung: Digitalisierung ist der Weg vom Papier zum Bit. Datengetriebene Transformation ist der Weg vom Bauchgefühl zur verprobten Hypothese. Das ist nicht dasselbe. Digitalisierung kann lange gut laufen, ohne dass irgendjemand die produzierten Daten für Entscheidungen nutzt.
Mehr zum Reifegrad-Check im Data-Maturity-Modell und zum Zusammenspiel mit Datenkultur.
Warum Transformation jetzt — die drei Treiber
KI-Druck. Generative KI und Agenten-Systeme funktionieren nur auf einer sauberen Daten-Infrastruktur. Der vermeintliche KI-Hype ist in Wirklichkeit ein Daten-Hype mit Verzögerung. Firmen ohne Data Governance werden mit KI teuer scheitern — nicht weil die Modelle schlecht sind, sondern weil sie auf faulen Daten trainieren. Das merken die meisten erst, wenn es peinlich wird.
Wettbewerb. Der Spread zwischen datenreichen und datenreifen Unternehmen wird jedes Jahr größer. Datenreich sind viele — datenreif sind wenige. Wer mit 300 Datenquellen arbeitet, ohne einen Katalog zu haben, ist datenreich. Wer mit zehn Datenquellen dreimal pro Woche eine Entscheidung mit Geldwert ändert, ist datenreif.
Regulatorik. Der EU AI Act ist seit 2024 in Kraft, das volle Pflichtenheft wird 2026 bis 2027 scharf. Dazu DSGVO, Produkthaftungsrichtlinie, sektorale Regulierung (MaRisk, Medizinprodukte). Ohne Governance kannst du das nicht mehr compliant betreiben. Governance ist nicht mehr optional, nicht mal für Mittelständler.
Das Data Maturity Modell — wo steht deine Organisation?
Das Reifegrad-Modell, das ich nutze, orientiert sich am klassischen CMMI (Capability Maturity Model Integration aus der Software-Welt). Es ist kein magisches neues Framework, es ist eine ehrliche Adaption. Fünf Stufen — und ich bin ehrlich: Die meisten deutschen Mittelständler stehen auf Stufe 2, nicht auf Stufe 4, wie sie sich selbst einschätzen.
Stufe 1 — Initial. Ad hoc. Excel-Wüste. Wissen steckt in Köpfen. Wenn die Kollegin geht, geht das Wissen mit. Keine Governance, keine Plattform, keine Rollen. Das ist kein Vorwurf — viele sehr erfolgreiche Mittelständler sind hier.
Stufe 2 — Managed. Es gibt ein BI-Team, wiederkehrbare Reports, ein zentrales Dashboard-Tool. Datenqualität reagiert — wenn etwas falsch ist, wird es korrigiert. Sie agiert aber noch nicht — es gibt keine präventiven Quality-Checks. Dieser Reifegrad wird am häufigsten mit Stufe 4 verwechselt, weil die Dashboards hübsch aussehen.
Stufe 3 — Defined. Prozesse sind dokumentiert. Rollen sind benannt (Data Owner, Data Steward, Data Product Manager). Governance läuft — teuer, aber belastbar. Dieser Sprung von 2 auf 3 ist der mit Abstand teuerste, und hier bleiben die meisten hängen.
Stufe 4 — Quantitatively Managed. Du misst nicht nur dein Business mit Daten, sondern auch deine Datenarbeit selbst. Data Products haben SLAs. Datenqualität wird als Metrik geführt. Wer hier ist, hat Governance nicht nur als PowerPoint.
Stufe 5 — Optimizing. Kontinuierliche Verbesserung ist strukturell verankert. Federated Governance (in der Regel eine Form von Data Mesh). Datenkultur ist real, nicht Wunsch. Das erreichen sehr wenige — und wer es erreicht, darf es nicht für gesichert halten. Bei einem Führungswechsel fällt das schnell auf Stufe 3 zurück.
<JonasTake number={1}> Der Sprung von Stufe 2 auf Stufe 3 ist der teuerste, und die meisten bleiben in einer teuren Managed-Paralyse stecken. Warum? Weil Stufe 2 mit BI-Tools und ein paar Dashboards noch politisch billig ist — man kauft Tableau und fertig. Stufe 3 verlangt Rollen, Verantwortlichkeiten, Policies, und vor allem: Entscheidungen, wer bei Konflikten das letzte Wort hat. Das ist teuer in Politik, nicht in Lizenzen. Wer das nicht versteht, kauft sich den Sprung nie frei. </JonasTake>
Vertiefung zum Reifegrad-Sprung im Data-Maturity-Cluster.
Die Rolle des CDO — wer treibt die Transformation?
Ein CDO macht fünf Dinge, nicht zwanzig. Wenn du eine Stellenanzeige mit zwanzig Aufgaben liest, wird daraus fast immer eine Frustrations-Rolle, keine Wirkungs-Rolle.
Erstens: Strategie, die im Vorstand überlebt. Nicht die schönste Strategie-Folie, sondern die, die drei Quartale nach Abnahme noch handlungsleitend ist.
Zweitens: Operating Model für Datenarbeit. Wer macht was, mit welchen Ressourcen, bis wann? Klingt banal, ist aber 80 Prozent der Arbeit.
Drittens: Governance, die nicht in Folien stehenbleibt. Der Unterschied zwischen Governance als Compliance-Reflex und Governance als Vertrauens-Infrastruktur.
Viertens: Data-Team-Aufbau. Die richtigen Rollen zur richtigen Zeit. Dazu später mehr.
Fünftens: Business Cases mit Geldwert. Nicht „Effizienzsteigerung", nicht „bessere Entscheidungen". Sondern benennbare Entscheidungen mit benennbarem Euro-Betrag.
Die klassische Verwechslung: CDO vs. CIO vs. CAIO vs. CDO (Chief Digital Officer, was ein ganz anderer Job ist). Im Cluster zur CDO-Rolle findest du die Matrix, die ich gerne in Vorständen herumreiche, wenn wieder einmal „wer ist für Daten zuständig?" nicht klar ist.
Brauchst du wirklich einen CDO, oder reicht ein Head of Data? Meine Faustregel: Wenn Daten in die Strategie gehören sollen, dann CDO mit C-Level-Mandat. Wenn es um saubere Reports geht, dann Head of Data unter dem CIO. Beides sind ehrliche Wege. Unehrlich wird es, wenn du einen CDO-Titel vergibst ohne C-Level-Mandat — das ist politisches Burnout-Vorprogramm.
<CTA> Du bist frisch in einer CDO- oder Head-of-Data-Rolle und brauchst einen externen Blick auf deinen 100-Tage-Plan? Sparringspartner für deine Data-Strategie — 60 Minuten, konkret statt generisch. Beratung anfragen → </CTA>
Data-Team-Aufbau — die fünf Rollen, die du brauchst
Ich treffe jede Woche CDOs, die drei Data Analysts eingestellt haben und sich wundern, warum das Data-Team keine Wirkung zeigt. Drei Analysts machen schöne Dashboards. Sie bauen keine Daten-Organisation. Dafür brauchst du fünf Rollen, und zwar nicht fünf Köpfe gleichzeitig — aber fünf Rollen im Operating Model.
Data Engineer — das Fundament. Pipelines, Plattform, Data Contracts. Das Fehlbild: „Data Engineer schreibt Skripte für Reports." Das ist Analytics Engineer.
Analytics Engineer / Data Scientist — der Hebel. Transformations-Logik, Metriken-Kataloge, Experimente. Seit der Modern Data Stack sinnvoll getrennt.
Data Product Manager — der oft fehlende Link. Discovery, Roadmap, KPI-Ownership. Wird in deutschen Mittelständlern typischerweise zwei Jahre zu spät besetzt. Und das ist der teuerste Fehler, weil das Team ohne diese Rolle an Problemen vorbeibaut.
Data Translator — die teuerste Rolle, die keiner haben will. Hybrides Profil zwischen Fachbereich und Daten. Nicht Assistenz, nicht PowerPoint-Bauer — eine eigenständige Rolle.
Data Governance Lead — der unbeliebte Retter. Policies, Katalog, Access, Compliance-Übersetzung. Läuft in kleinen Teams mit — ab 20 Data-Mitarbeitern nicht mehr.
Der komplette Aufbau-Pfad mit Hire-vs.-Freelance-Empfehlung steht im Data-Team-Cluster.
Data Governance — ohne Regeln kein Vertrauen
Governance scheitert selten an Regeln. Sie scheitert an Bürokratie. Wenn dein Data-Katalog nach drei Monaten niemand mehr pflegt, hast du kein Regel-Problem, sondern ein Anreiz-Problem.
Das Framework, das ich nutze, hat vier Säulen: Quality, Security, Privacy, Access. Nicht zwanzig. Vier. Und jede Säule hat messbare Kennzahlen, nicht „wir achten darauf".
Zur zentralen Entscheidung gehört: zentral oder federiert? Zentral ist der Klassiker — ein Governance-Team hält die Regeln. Federiert ist das Data-Mesh-Modell — Domain-Owner halten die Regeln mit zentralen Leitplanken. Unternehmen unter 1.000 MA fahren fast immer besser mit zentral. Ab 1.000 MA und mehreren Domänen wird federiert interessant.
<JonasTake number={2}> „Wir machen Data Mesh" ist in 7 von 10 Fällen, die ich sehe, die politisch korrekte Formulierung für „wir schaffen Governance ab, weil sie uns zu anstrengend geworden ist". Data Mesh ist ein starkes Konzept — aber es ist mehr Governance, nicht weniger. Verteilt, aber sichtbarer und verbindlicher als vorher. Wer Data Mesh einführt, um Governance zu umgehen, baut in 18 Monaten Chaos auf. </JonasTake>
Vertiefung im Governance-Cluster und zum Mesh-Ansatz im Data-Mesh-Pillar.
Datenkultur entwickeln — der weichere, härtere Teil
Kultur ist die Sache, die alle in die Roadmap schreiben und dann zuletzt angehen. Und es funktioniert einfach nicht. Tools allein bauen keine Datenkultur. Keine KPI-Kaskade baut Datenkultur.
Drei Hebel, die in meiner Erfahrung funktionieren:
Führung. Was entscheidet der Chef, und wie? Wenn der Vorstand Meetings mit Hypothesen öffnet statt mit Meinung, hast du in sechs Monaten eine andere Organisation.
Ritual. Wie wird Datenarbeit sichtbar? Ein „Monthly Data Moment" — ein Team präsentiert in 20 Minuten eine Entscheidung und die Daten, die dahinterstehen. Keine Dashboards, sondern Entscheidungen.
Incentives. Was belohnst du? Wenn OKRs zur Pflicht eine Datenverknüpfung haben, wird das Verhalten folgen. Wenn nicht, bleibt Datenkultur Lyrik.
Ein häufiger Fehler: zu viel Data Literacy, zu wenig Kultur. Kompetenz ohne Haltung ist leer, Haltung ohne Kompetenz ist naiv. Beides braucht es — im Datenkultur-Cluster steht, wie du sie parallel aufbaust.
Change Management für Data — Verhaltensänderung, nicht Kommunikation
Kotter kennst du. Acht Stufen, von der Dringlichkeit bis zur Verankerung. Das Framework ist gut — aber Data-Change ist nicht klassisches Change Management.
Daten können der Führung widersprechen. Das ist der große Unterschied zu klassischem Change. Wenn du Change von A nach B machst, liefern Daten Beweise, ob A oder B besser ist. Das ist politisch unangenehm. Ein Vorstand, der in zwei Quartalen nicht hören will, was die Zahlen sagen, kippt ein Data-Programm leiser, als du „Kotter Phase 5" sagen kannst.
Messbarkeit ist Waffe und Vorteil zugleich. Data-Change kannst du messen, klassischen Change oft nicht. Das macht dich angreifbar, weil deine Misserfolge quantifiziert sind. Gleichzeitig ist es dein Schutz, wenn du die Messung fair führst.
Echo-Chambers fallen schwerer. „Wir sind alle data-driven, oder?" ist die Fragerunde, in der 80 Prozent ja sagen und 70 Prozent lügen. Du brauchst Metriken jenseits von Self-Report-Surveys.
Die vier Kipppunkte, die ich immer wieder sehe: Monat 3 („Zahlen, die der Vorstand nicht glaubt"), Monat 6 („die Initiative wird leise"), Monat 9 („Schatten-IT entsteht"), Monat 14 („Führungswechsel stellt alles in Frage"). Details im Change-Management-Cluster.
Data Literacy — deine größte Skalierungs-Hürde
Data Literacy ist nicht SQL. Data Literacy ist die Fähigkeit, Daten zu lesen, zu hinterfragen und Entscheidungen darauf zu gründen. Das ist eine Denk-Kompetenz, keine Tool-Kompetenz. Das wird laufend verwechselt, und deshalb werden 90 Prozent aller Literacy-Programme faktisch Tableau- oder PowerBI-Schulungen.
Drei Levels, die ich in meinen DHBW-Vorlesungen und in Corporate-Programmen nutze:
Level 1 — Consumer. Liest Dashboards, hinterfragt Methodik, nutzt Daten für eigene Entscheidungen. Das Minimum für jede Mitarbeiter-Rolle mit Verantwortung.
Level 2 — Data Citizen / Analyst. Erstellt eigene Auswertungen mit Self-Service-Tools, prüft Datenqualität, versteht Metriken-Definitionen.
Level 3 — Producer. Gestaltet Data Products, definiert Metriken, arbeitet eng mit dem Data-Team. In einer gesunden Organisation haben ungefähr 5 Prozent der MA Level 3.
Das 12-Monats-Curriculum steht im Data-Literacy-Cluster.
Buy-in-Management — Vorstand, Mittelbau, Basis
<JonasTake number={3}> Der typische Fehler in Monat 6. Du hast Quick Wins gezeigt, der Vorstand war begeistert, Budget läuft, alles gut. Und genau dann tritt er ein — der leise Moment, in dem keiner mehr nach Updates fragt. Das ist kein Zeichen, dass es gut läuft. Das ist das Zeichen, dass die Initiative aus dem Fokus gerutscht ist. Wenn du in Monat 5 merkst, dass du nur noch proaktiv über dein Programm sprichst und niemand mehr nachfragt, ist das dein Warnsignal. Die Lösung: Quick Wins in Business-Sprache neu erzählen, nicht in Data-Sprache. Und einen harten Vorstandstermin in Monat 7 setzen, in dem eine Entscheidung ansteht — nicht nur Update. </JonasTake>
Buy-in ist nicht einstufig. Du brauchst drei Ebenen gleichzeitig:
Vorstand / C-Level. ROI-Argumentation in Entscheidungen mit Geldwert, nicht in Effizienz-Phrasen. Sponsorship, der hält, wenn es politisch wird.
Mittelbau. Die schwierigste Ebene. Typische Bremse: Kompetenz-Angst, Kontrollverlust, Datenqualitäts-Skepsis (oft berechtigt). Lösung: einbinden, nicht umgehen.
Anwender. Passive Nicht-Nutzung ist der stille Tod jedes Data-Programms. Lösung: konkreter Nutzen pro Person, nicht „wir machen das Unternehmen besser".
Im Buy-in-Cluster findest du die zitatfähigen Sätze für jede Ebene — die Formulierungen, die ich aus Vorstandsterminen mitgebracht habe.
<BuchBox title="Das Datengetriebene Unternehmen" subtitle="Rashedi / Greiner / Geuer / Borlik · 2022 · Springer Gabler" description="Der Praxisleitfaden zur datengetriebenen Transformation. 5-Phasen-Prozess, Reifegradmodell, Operating Model." href="https://link.springer.com/book/10.1007/978-3-658-37003-2" />
Häufig gestellte Fragen
<FAQ />
Weiterhören im Podcast
<WeiterhoerenBlock topic="Datengetriebene Transformation" categories={["data_strategy", "leadership"]} limit={3} />
<CTA> Sparringspartner für deine Data-Strategie — 60 Minuten, konkret statt generisch. Ob du frisch in der CDO-Rolle bist, den Vorstand gewinnen musst oder einen Reifegrad-Check willst. Beratung anfragen → </CTA>