In 90 Prozent der Firmen, die ich begleite, bedeutet „Data Literacy Programm" in Wahrheit „Tableau-Schulung". Das ist nicht dasselbe. Data Literacy ist Entscheidungs-Kompetenz, nicht Tool-Kompetenz. Dieser Artikel bricht genau diesen Reflex auf: drei Levels mit konkreten Kompetenzen, ein 12-Monats-Curriculum, das ohne LMS startklar ist, und eine ehrliche Antwort auf die Messbarkeits-Frage.
Was Data Literacy wirklich ist — und was nicht
Arbeits-Definition: Die Fähigkeit, Daten zu lesen, zu hinterfragen, für Entscheidungen zu nutzen. Das ist eine Denk-Kompetenz. Dazu gehören kritisches Lesen von Visualisierungen, Verständnis für Methodik, statistische Grundbegriffe, Einschätzung von Datenqualität.
Abgrenzung zu Tool-Skills. SQL, Tableau, Excel, Python — das sind Werkzeuge. Jemand mit exzellenten SQL-Kenntnissen kann trotzdem eine miserable Data Literacy haben, und umgekehrt. Die Verwechslung ist der häufigste strategische Fehler in Corporate-Programmen.
Abgrenzung zu Datenkultur. Kompetenz ist nicht Haltung. Du kannst eine Organisation mit hoher Literacy und miserabler Kultur haben. Beides braucht es, aufeinander abgestimmt.
Was keine Data Literacy ist:
- Dashboards öffnen können.
- Excel-Pivot-Tabellen bauen.
- Ein KI-Tool nutzen können.
Das sind alles Tool-Skills. Data Literacy ist das, was dich befähigt, zu erkennen, ob die Zahl im Dashboard vertrauenswürdig ist.
Die 3 Literacy-Levels — Consumer, Analyst, Producer
Level 1 — Consumer. Liest Dashboards, hinterfragt Methodik, trifft Entscheidungen auf Datenbasis.
- Kompetenzen: Visualisierungen lesen, einfache Statistik-Begriffe (Mittelwert, Median, Verteilung), kritische Fragen stellen (Stichprobe, Zeitraum, Kausalität vs. Korrelation).
- Testfrage: „Warum ist diese Metrik valide für deine Entscheidung?"
- Zielgruppe: Alle MA mit Entscheidungs-Verantwortung. In einem gesunden Mittelständler typischerweise 60 bis 80 Prozent.
Level 2 — Data Citizen / Analyst. Erstellt eigene Auswertungen mit Self-Service-Tools, prüft Datenqualität, versteht Metriken-Definitionen.
- Kompetenzen: SQL-Grundlagen oder No-Code-Äquivalent, Datenqualitäts-Checks, Metriken-Definition und -Kritik.
- Testfrage: „Würdest du diese Auswertung veröffentlichen?"
- Zielgruppe: Fachbereichs-Multiplikatoren. Ca. 20 bis 25 Prozent.
Level 3 — Producer. Gestaltet neue Data Products, definiert Metriken, arbeitet eng mit dem Data-Team.
- Kompetenzen: Data-Product-Thinking, Experimentelles Design, tiefere Statistik, Stakeholder-Verhandlung.
- Testfrage: „Wie würdest du diese Metrik anders bauen?"
- Zielgruppe: Daten-nahe Rollen, ca. 5 Prozent.
Wer braucht welches Level — realistische Verteilung
Ein ehrliches Verhältnis in einem Mittelständler: 70 Prozent Level 1, 25 Prozent Level 2, 5 Prozent Level 3. Das Ziel ist nicht, alle auf Level 3 zu bringen — das ist weder sinnvoll noch realistisch.
Was Level 1 für alle MA bedeutet. Pflicht-Baseline. Wer in einer Wissens-Rolle arbeitet und Level 1 nicht hat, trifft Entscheidungen, die systematisch schlechter sind als nötig. Das ist unternehmerisch relevant.
Warum Level 3 nicht in allen Abteilungen gewollt werden muss. Eine Vertriebsabteilung braucht keine 10 Producer. Sie braucht 2 bis 3, die den Rest befähigen. Der Rest arbeitet auf Level 1 oder 2. Wer alle auf Level 3 heben will, verbrennt Budget und Zeit.
Das 12-Monats-Curriculum
Monate 1–3 — Level 1 breit aufbauen. Grundlagen: Visualisierungs-Lesen, kritische Fragen, statistische Basis. Format: 4 Lunch-Sessions à 1 Stunde + 2 Case-Workshops à 2 Stunden. Zielgruppe: alle MA mit Entscheidungs-Verantwortung.
Monate 4–6 — Level 2 fokussiert. Für Multiplikatoren in den Fachbereichen. Self-Service-Tools, Datenqualität, Metriken-Definition. Format: 6 Halbtages-Sessions, Peer-Learning-Gruppen, je ein echtes Projekt aus dem eigenen Fachbereich als Capstone.
Monate 7–9 — Level 3 für Multiplikatoren. Data-Product-Thinking, Experimente, tiefere Methoden. Format: 3 Tages-Workshops plus 3 Monate begleitetes Projekt mit dem Data-Team.
Monate 10–12 — Konsolidierung + Refresher + Community. Die oft vergessene Phase. Literacy ist wie Fremdsprache — ohne Wiederholung verblasst sie. Monthly Data Moments, quartalsweise Refresher, Community of Practice.
<JonasTake number={1}> Warum du nicht bei Level 3 starten darfst. Das attraktivste Curriculum ist ein Intensiv-Programm mit einer kleinen Gruppe auf Level 3. Clever, messbar, wirkungsvoll — auf dem Papier. In der Realität erzeugst du damit eine Data-Elite und eine größer werdende Literacy-Kluft zum Rest der Organisation. Nach 18 Monaten hast du 20 Data-Champions, die niemand mehr versteht. Starte bei Level 1 breit, dann Level 2, dann Level 3. Das ist langsamer, aber baut die Organisation auf, nicht eine Enklave. </JonasTake>
Formate — was wirklich funktioniert
- Lunch-Sessions (1 Stunde, regelmäßig). Niedrige Einstiegshürde, gut für Level 1.
- Masterclasses (Halbtages-Workshop mit externem Experten). Für Level 2 / 3, wenn Tiefe gefragt ist.
- Peer-Learning-Gruppen (2-wöchentlich, 6 MA, Case-basiert). Sehr wirksam, günstig — wenn jemand moderiert.
- Case-Challenges (monatlich, teamübergreifend). Konkurrenz als Lern-Hebel, funktioniert gut in vertriebsnahen Bereichen.
Was nicht funktioniert: Reine E-Learning-Zertifikate ohne Anwendung. Das ist HR-Dokumentation, kein Lernen. 80 Prozent der Zertifikats-Absolventen können eine Woche später nichts davon anwenden.
Der „Data-Buddy"-Ansatz aus der Praxis. Jeder Level-1-Absolvent bekommt einen Level-2- oder Level-3-Kollegen als Buddy für drei Monate. Die Frage, die immer gestellt werden darf: „Kann ich dich das schnell fragen?" Das beschleunigt Lernen massiv und kostet wenig.
Fortschritt messen — ehrlich statt gamifiziert
Proxy-Metriken, die funktionieren:
- Abgeschlossene Module (pro Level, pro Person).
- Self-Service-Tool-Nutzung über Zeit (aktive User, Query-Frequenz).
- Decision-Log-Einträge mit Datenbasis (wer hat wann wie referenziert).
- Peer-Feedback (360-Grad, strukturiert).
Warum reine Zertifikats-Quoten irreführend sind. Eine hohe Zertifikats-Quote sagt, dass Kurse besucht wurden. Sie sagt nichts über Kompetenz-Anwendung. Wer nur die Quote misst, misst Input, nicht Outcome.
Jährliches Literacy-Assessment als Anker. Einmal im Jahr ein strukturiertes Assessment — nicht als Prüfung, sondern als Standortbestimmung. Das schärft Ansprüche und liefert Daten für die nächste Programm-Iteration.
Aus meiner DHBW-Erfahrung: Literacy-Assessments funktionieren am besten, wenn sie Case-basiert sind, nicht Multiple-Choice. Eine reale Entscheidung plus Datenlage vorlegen und dokumentieren lassen, wie jemand dranginge — das differenziert viel schärfer als Wissensfragen.
Häufig gestellte Fragen
<FAQ />
Weiterhören im Podcast
<WeiterhoerenBlock topic="Data Literacy" categories={["data_strategy"]} limit={3} />
<CTA> Curriculum-Sparring mit Jonas — 60 Minuten, inklusive DHBW-Erfahrung aus mehreren Jahren Lehre zum Thema. Beratung anfragen → </CTA>
Dieser Artikel ist Teil meines Leitfadens zur datengetriebenen Transformation.