Von fragmentierten Daten zur ganzheitlichen Datenstrategie
Case Study: Datenstrategie und KI-Prototyp für ein nationales Infrastruktur-Unternehmen
Ausgangssituation
Ein großes staatliches Unternehmen steuert die Planung, den Bau und das Management nationaler Infrastrukturprojekte im Milliarden-Euro-Bereich. Über mehr als drei Jahrzehnte sind umfangreiche Datenbestände entstanden — Projektpläne, Budgets, Personalressourcen, Genehmigungsverfahren und Geoinformationen.
Diese Daten bildeten das Rückgrat der täglichen Arbeit: 80 Prozent der Mitarbeitenden bestätigten in einer späteren Befragung, dass historische Daten eine wichtige Rolle für ihre tägliche Arbeit spielen. Doch die Art, wie mit diesen Daten gearbeitet wurde, entsprach nicht mehr den Anforderungen einer zunehmend datengetriebenen Welt.
Herausforderung
Die Organisation stand vor einem klassischen Muster fehlender Data Readiness:
70 Prozent der Datenverarbeitung erfolgten manuell. Es gab keine zentrale Datenquelle — stattdessen Redundanzen, Inkonsistenzen und Medienbrüche über Abteilungen hinweg. Eine „Single Source of Truth" existierte nicht. Die Datenkompetenz der Mitarbeitenden war heterogen, automatisierte Datenflüsse fehlten fast vollständig, und der Umgang mit Daten war unzureichend sensibilisiert.
Gleichzeitig lagen wertvolle, mit Steuergeldern finanzierte Daten in organisatorischen Silos — unerreichbar für datengetriebene Analysen, KI-Anwendungen oder die Bereitstellung für externe Stakeholder und innovative Services.
Hinzu kam externer Druck: Softwarevendoren versprachen das Goldene vom Himmel und erzeugten Erwartungen, die ohne eine fundierte Strategie kaum realistisch einzuordnen waren.
Zielsetzung
Statt auf einzelne Technologielösungen zu setzen, wurde ein ganzheitlicher Ansatz gewählt. Die Datenstrategie basierte auf vier Säulen:
- Daten effizient organisieren — Data Governance, klare Verantwortlichkeiten, Abbau von Redundanzen und Aufbau einer zentralen Datenbasis
- Technologische Grundlagen schaffen — Moderne Datenarchitektur auf Open-Source-Basis, Ablösung manueller Prozesse
- Personelles Know-how aufbauen — Data Champions als Multiplikatoren in den Fachabteilungen, DevOps-Kompetenzen
- Moderne Datenkultur verankern — Data Literacy auf allen Ebenen, Verständnis für den Wert und den verantwortungsvollen Umgang mit Daten
Vorgehen
Phase 1: Datenanalyse und Strategieentwicklung
Der erste Schritt war Zuhören. In 48 persönlichen Interviews mit Mitarbeitenden aus allen Bereichen wurde ein umfassendes Bild der Ist-Situation erhoben. Das vertrauensvolle Setting der Einzelgespräche bewirkte, dass die Befragten sich offen äußerten: Sie sprachen über Schwachstellen im Tagesgeschäft, benannten konkret, wo es klemmt — brachten aber auch eigene Ideen ein, wie KI ihnen bei der täglichen Arbeit helfen könnte.
Diese Befragung war kein formaler Pflichttermin, sondern wurde zum Fundament der gesamten Strategie. Daraus entstanden nicht nur Handlungsempfehlungen, sondern auch konkrete Ansätze für prototypische KI-Anwendungen, die auf tatsächlichem Bedarf basierten statt auf theoretischen Annahmen.
Parallel wurde die bestehende Datenlandschaft analysiert: Datenquellen, Formate, Flüsse, Qualität und Zugriffsrechte. Das Ergebnis war ein 120-seitiges Strategiedokument — ein vollständiges Rezept für die digitale Transformation mit Maßnahmen, Zeitplänen, Rollenkonzepten und priorisierten Handlungsfeldern.
Phase 2: KI-Prototyp Personalplanung
Aus den Interviews kristallisierte sich ein Use Case heraus, der sowohl hohen praktischen Nutzen als auch Machbarkeit versprach: die KI-gestützte Personalplanung.
Die Organisation managte gleichzeitig zahlreiche Großprojekte mit langen Laufzeiten von teils mehr als zehn Jahren. Die Personalplanung erfolgte bisher einmal jährlich und rein projektbasiert. In einem Markt mit knappen Fachkräften bedeutete das: Personalbedarfe wurden zu spät erkannt, Ressourcen konnten nicht rechtzeitig gesichert oder optioniert werden.
Der entwickelte KI-Prototyp vollzog einen Paradigmenwechsel — von der projektbasierten zur personalbedarfsgesteuerten Planung. Das Machine-Learning-Modell analysierte historische Projektverläufe, Planungsänderungen und Ressourcenallokationen und erreichte eine Prognosegenauigkeit von 90 Prozent.
Angesichts der Datenlage — wenige, aber komplexe Langzeitprojekte statt massenhafter Consumer-Datenpunkte — stellte dies das bestmögliche Ergebnis dar. Der Prototyp demonstrierte klar: Vorausschauende Personalplanung ist möglich, Bedarfsänderungen können frühzeitig erkannt werden, und die Planung kann dynamisch angepasst werden statt nur im Jahresrhythmus.
Phase 3: Refinement und Architektur
In der dritten Phase wurde die Datenstrategie auf Basis der Erfahrungen aus dem KI-Prototyp verfeinert. Architekturentscheidungen wurden konkretisiert, Governance-Strukturen geschärft und der Fahrplan für die organisationsweite Umsetzung aktualisiert.
Ergebnisse
Das Projekt lieferte drei zentrale Ergebnisse:
Das Strategiedokument
Ein 120-seitiges Werk, das als Anleitung für die Einstellung neuer Rollen und den weiteren Ausbau der Datenorganisation dient. Jede Maßnahme ist mit Zeitplan, Verantwortlichkeit und Abhängigkeiten versehen. Es ist das komplette Rezept für die digitale Transformation — von der Data-Governance-Struktur bis zum Technologie-Stack.
Der KI-Prototyp
Ein funktionsfähiges Prognosemodell mit 90 Prozent Genauigkeit, das den Paradigmenwechsel von jährlicher zu dynamischer Personalplanung ermöglicht. Statt einmal im Jahr wird der Personalbedarf kontinuierlich auf Basis aktueller Planungsstände prognostiziert — entscheidend in einem engen Fachkräftemarkt.
Die Mitarbeiterbefragung als Change-Management-Instrument
48 strukturierte Interviews, die nicht nur Daten lieferten, sondern auch Vertrauen und Akzeptanz für die Transformation schufen. Die Befragung identifizierte Handlungsfelder, die ohne den direkten Dialog mit den Mitarbeitenden unsichtbar geblieben wären.
Erfolgsfaktoren und Lessons Learned
Die repräsentative Mitarbeiterbefragung erwies sich als der wichtigste Erfolgsfaktor. Das persönliche, vertrauensvolle Setting sorgte dafür, dass nicht nur Probleme benannt, sondern auch konstruktive Ideen eingebracht wurden. Die Kombination aus Bedarfserhebung und KI-Ideensammlung in einem Schritt war hocheffizient.
Die Verfügbarkeit steuerfinanzierter Daten war ein struktureller Vorteil: Die Datenbasis existierte bereits, sie musste nicht erst geschaffen werden — sie musste zugänglich und nutzbar gemacht werden.
Die Budget-Sicherung für die Umsetzung muss früh im Projekt adressiert werden — idealerweise vor Projektstart. Im öffentlichen Sektor können politische Prioritätenwechsel und Budgetkürzungen selbst die beste Strategie ausbremsen. Wir haben ein vollständig implementierbares Ergebnis geliefert; die Umsetzung scheiterte nicht an der Qualität der Strategie, sondern an fehlendem Folge-Budget.
Externe Softwarevendoren mit unrealistischen Versprechen stellten eine permanente Herausforderung dar. Eine unabhängige, herstellerneutrale Beratung ist in solchen Umfeldern besonders wertvoll — sie ermöglicht es, Versprechen realistisch einzuordnen und technologische Entscheidungen auf Fakten statt auf Vertriebsgespräche zu stützen.
Diese Case Study beschreibt ein anonymisiertes Kundenprojekt. Branche und Unternehmenskontext sind korrekt wiedergegeben, identifizierende Details wurden verändert.