Thought Leadership
Die effektive Nutzung von Daten ist ein Schlüssel zum Erfolg in der digitalen Wirtschaft. Doch wie etabliert man eine datengetriebene Kultur? Dieser Beitrag präsentiert drei Praxisbeispiele, die zeigen, wie Unternehmen durch innovative Ansätze Vertrauen in Daten aufbauen, Nutzerfreundlichkeit steigern und verantwortungsvolle Governance umsetzen.
In der heutigen digitalisierten Geschäftswelt ist die Fähigkeit, Daten effektiv zu nutzen, ein entscheidender Wettbewerbsvorteil. Insbesondere für mittelständische Unternehmen bietet der Aufbau einer datengetriebenen Kultur enorme Chancen – von der Optimierung interner Prozesse bis hin zur Erschließung neuer Märkte.
Die Herausforderung: Komplexität und Vertrauensbildung
Doch die großen Datenmengen, die Komplexität der Analyse und mangelndes Vertrauen verhindern in vielen Unternehmen noch immer die Nutzung von Daten für strategische Prozesse. Um diese Herausforderung zu lösen, helfen benutzerfreundliche Technologien und Transparenz.
Einen möglichen Weg veranschaulichen die folgenden drei Beispiele aus der Praxis:
- Erste Schritte mit einer niedrigschwelligen aber sicheren Dateninfrastruktur
- Die Etablierung von benutzerfreundlichen und effektiven Datenanwendungen
- Die Ausarbeitung und Einführung eines verantwortungsvollen und strategischen Governance-Rahmens
Praxisbeispiel 1: Vertrauensbildung durch selbstgehostete KI-Lösungen
Ein innovativer Ansatz, um das Vertrauen in die Sicherheit unternehmenseigener Daten sowie datengetriebene Prozesse zu stärken, ist die Einführung leichtgewichtiger, selbstgehosteter KI-Lösungen.
Für Avenga hat unser Data Science Team aus diesem Grund eine schlanke und schnelle Lösung entwickelt, die auf einem selbst gehosteten Open Source Large Language Model (LLM) mit Retrieval-Augmented Generation (RAG) basiert. Dieses System ermöglicht es unseren Mitarbeitern, interne Dokumente wie PDFs, Präsentationen oder Tabellen maschinell zu analysieren und komplexe Fragen dazu zu stellen. Dabei verbleiben sämtliche Daten “in house”, also auf eigener Infrastruktur und werden nicht in die Cloud hochgeladen.
Diese Datenhoheit räumt Bedenken hinsichtlich Datenschutz und -sicherheit aus. Ein nutzerfreundliches Interface zum Hochladen der Daten und zur interaktiven Analyse der Dokumente in einem Chat-Fenster macht die Nutzung der Lösung niedrigschwellig, da sie keine technischen Kenntnisse erfordert. Das demokratisiert den Zugang zu datenverarbeitenden Prozessen für das Unternehmen.
Ein konkretes Anwendungsbeispiel verdeutlicht den Nutzen: Ein Vertriebsmitarbeiter lädt den aktuellen Quartalsbericht hoch und fragt: „Welche Produktlinie hat das größte Wachstumspotenzial und warum?“ Das System analysiert den Bericht, einschließlich Tabellen und Grafiken, und liefert eine fundierte Antwort.
Durch die Einführung dieses Systems erleben Mitarbeiter hautnah, wie moderne KI-Tools die Komplexität von Daten reduzieren und gleichzeitig die Datensicherheit gewährleisten können. Dies fördert das Vertrauen in datengetriebene Prozesse und motiviert zur aktiven Nutzung.
Praxisbeispiel 2: Nutzerzentrierte Datenmodellierung in der Forschung
Data Stewards verwalten Datenbestände und gewährleisten deren Qualität, Integrität und Compliance. Data Custodians sind für die technischen Aspekte der Datenspeicherung, -sicherheit und -zugänglichkeit zuständig. Viele Unternehmen haben diese Positionen bereits etabliert. Die aktuelle Aufgabe besteht darin, die Arbeit dieser Spezialisten enger mit den Tätigkeiten der einzelnen Abteilungen zu verzahnen. Diese Integration zielt darauf ab, Siloeffekte abzubauen, Synergien zu nutzen und die Effizienz an Schnittstellen zu erhöhen.
Ein Beispiel für die Einführung einer benutzerfreundlichen Datenanwendung liefert unser Kunde aus der medizinischen Forschung, der bereits Strukturen und Prozesse für den Umgang mit komplexen Daten implementiert hatte. Die Zusammenarbeit interdisziplinärer Teams aus Data Stewards und Wissenschaftlern konnten wir stärken, indem wir gemeinsam mit UI/UX-Experten und Datenvisualisierungs-Spezialisten intuitive Dashboards zur Datenexploration entwickelten, über die beide Nutzergruppen an einem gemeinsamen Prozess arbeiten.
Ein besonderer Fokus lag auf der Personalisierung in der Anwendung, was zu einem tieferen Verständnis der Datenzusammenhänge führte und teamübergreifende Synergien schaffte. Ergänzt wurde dies durch eine geführte Benutzeroberfläche, die Dateninterpretation und -analyse erleichtert und die Datenkompetenz der Wissenschaftler kontinuierlich erweitert.
Das Ergebnis ist zukunftsweisend: Die Wissenschaftler fühlen sich befähigt, komplexe Daten selbstständig in Zusammenhänge zu bringen und in ihre Forschungsergebnisse einzubeziehen, was zu einer Erhöhung der Innovationsrate führt.
Praxisbeispiel 3: KI- Fund ML-Governance-Framework
Ein weiterer Kunde, ein mittelständisches Technologieunternehmen, stand vor der Herausforderung, seine KI- und Machine-Learning-Initiativen zu skalieren und gleichzeitig die damit verbundenen Risiken zu managen. Dafür musste ein umfassendes KI- und ML-Governance-Frameworks implementiert werden. Das Rahmenwerk umfasst verschiedene Schlüsselaspekte, darunter Erklärbarkeit, Transparenz, Zuverlässigkeit und Fairness, und fördert eine enge Zusammenarbeit zwischen verschiedenen Fachbereichen und Rollen innerhalb der Technologie- und Business-Teams.
Ein wichtiger Aspekt war die Einführung eines nachvollziehbaren Dokumentationssystems, das alle KI- und ML-Aktivitäten transparent und überprüfbar macht. So gibt es etwa einen etablierten Prozess, der die explizite Genehmigung der Data Owner für die Verwendung von Daten in KI- und ML-Projekten vorsieht.
Ein weiterer zentraler Baustein des Frameworks sind Richtlinien für die Einhaltung ethischer Prinzipien. Dafür wurden regelmäßige Überprüfungen auf mögliche Verzerrungen in den KI- und ML-Modellen (Model Drift und Concept Drift) eingeführt, um Fairness und Objektivität zu gewährleisten.
Als Herzstück des Governance-Frameworks dient ein KI-Kompetenzzentrum. Dieses zentrale Gremium übernimmt die Verantwortung für die Beaufsichtigung aller KI- und ML-Initiativen im Unternehmen. Es fördert eine Kultur des Wissensaustauschs und der Best Practices innerhalb der Organisation und fungiert als Innovationszentrum für KI- und ML-Technologien.
Die Implementierung dieses Frameworks ermöglicht eine verantwortungsvolle und effektive Nutzung von KI-Technologien, minimiert Risiken und schafft Vertrauen bei allen Stakeholdern. So können nicht nur regulatorische Anforderungen erfüllt, sondern auch die Position als Vorreiter im Bereich ethischer KI-Nutzung eingenommen werden.
Der Weg zur datengetriebenen Unternehmenskultur führt über die Einbindung der Mitarbeiter
An erster Stelle steht die Nutzerzentrierung. Datentools und -prozesse müssen konsequent auf die Bedürfnisse der Anwender zugeschnitten sein. Nur wenn die Mitarbeiter einen klaren Mehrwert in der Nutzung von Daten erkennen und die entsprechenden Tools intuitiv bedienen können, werden sie diese auch aktiv in ihren Arbeitsalltag integrieren.
Ebenso wichtig sind Sicherheit und Transparenz. Eine offene Kommunikation über Datenquellen, Analysemethoden und deren Limitationen schafft Vertrauen. Alle Beteiligten müssen verstehen können, woher die Daten stammen, wie sie verarbeitet werden und welche Schlussfolgerungen daraus gezogen werden können.
Nicht zuletzt ist der kulturelle Wandel von entscheidender Bedeutung. Die Unterstützung der Führungsebene und die aktive Förderung einer datengetriebenen Denkweise sind unerlässlich.
