Perspektive auf Daten.

Ein einsamer Koffer am Flughafen erzählt drei verschiedene Geschichten, je nachdem, wer ihn betrachtet. Für einen Reisenden ist er verlorenes Gepäck, für einen Flughafenmitarbeiter ein organisatorisches Detail und für den Sicherheitsbeauftragten ein potenzielles Risiko. Der Koffer bleibt derselbe, doch seine Bedeutung verändert sich mit der Perspektive. Genau so verhält es sich mit Daten. Ein Datenpunkt kann für die einen ein technisches Signal sein, für die anderen ein Muster, für wieder andere die Grundlage einer Entscheidung.

Der zentrale Trick, um eine datengetriebene Organisation zu verstehen, besteht darin, diesen Perspektivwechsel bewusst zu vollziehen. Daten sind nicht einfach „die Wahrheit“, sondern sie erscheinen in Facetten, die eng mit den Rollen verbunden sind, die in einem Datenökosystem agieren. Wer Daten speichert, sieht etwas anderes als jemand, der sie analysiert, und wer Entscheidungen trifft, interpretiert sie wieder aus einem ganz anderen Blickwinkel.

Um diesen Zusammenhang zu verdeutlichen, lohnt der Blick auf das Datenökosystem. Es beschreibt das Zusammenspiel von Datenquellen, technischer Infrastruktur, Prozessen und Menschen, die mit Daten arbeiten. In einem solchen Ökosystem entstehen Daten an Quellen wie Maschinen oder digitalen Produkten, Engineers und Architekten schaffen die Infrastruktur, Analysts und Scientists suchen darin nach Mustern, und Stakeholder nutzen verdichtete Informationen für Entscheidungen. Dieselben Daten nehmen so je nach Rolle völlig unterschiedliche Bedeutungen an.

Im Folgenden wird gezeigt, wie ein Datenökosystem funktioniert, welche Rollen darin entscheidend sind und wie ihre Kernaufgaben jeweils eine bestimmte Perspektive auf Daten hervorbringen. Der Artikel macht sichtbar, dass gerade der Perspektivwechsel die Basis dafür bildet, Daten in Wertschöpfung zu verwandeln. Als roter Faden dient ein Beispiel aus dem Industrial Internet of Things, in dem Sensordaten vom technischen Signal bis zur strategischen Entscheidung durch viele Hände gehen — und dabei aus einem Stück Rohmaterial ein zentraler Faktor für Organisation und Erfolg werden.

Der Perspektivwechsel ist der Schlüssel, um eine datengetriebene Organisation zu verstehen.

Das Datenökosystem

Damit dieser Perspektivwechsel überhaupt nachvollziehbar wird, braucht es ein gemeinsames Verständnis davon, wie Daten in Organisationen zirkulieren. Einzelne Datenpunkte sind noch nicht interessant — spannend wird es erst, wenn man ihren Weg betrachtet: Wo entstehen sie? Wie werden sie aufbereitet? Und wie gelangen sie schließlich in den Kontext, in dem sie Nutzen stiften? Genau hier setzt das Konzept des Datenökosystems an. Es beschreibt nicht eine einzelne Datenbank oder ein spezielles Tool, sondern das Zusammenspiel vieler Elemente. Dazu gehören die Quellen, an denen Daten überhaupt entstehen — etwa Maschinen, Sensoren oder digitale Produkte. Hinzu kommt die technische Infrastruktur, die dafür sorgt, dass diese Daten gespeichert, verarbeitet und zugänglich gemacht werden. Prozesse sichern ihre Qualität und stellen sicher, dass sie in einer nutzbaren Form vorliegen. Und schließlich gibt es Menschen in unterschiedlichen Rollen, die mit den Daten arbeiten und sie für ihre Aufgaben einsetzen.

Das Datenökosystem macht damit sichtbar, dass Daten nie isoliert sind. Sie stehen nicht als neutrale Objekte im Raum, sondern durchlaufen eine Kette von Erzeugung, Verarbeitung und Nutzung. Erst dieses Zusammenspiel schafft die Grundlage dafür, dass Daten aus unterschiedlichen Perspektiven betrachtet werden können — und trotzdem dieselben Daten bleiben. Ein Sensorwert in einer Maschine ist zugleich ein technisches Signal, eine Analysegrundlage und eine mögliche Entscheidungsbasis.

Die Akteure im Ökosystem

Im Datenökosystem sind es nicht Maschinen oder Algorithmen allein, die über Wertschöpfung entscheiden, sondern die Akteure in ihren jeweiligen Rollen. Sie bringen unterschiedliche Aufgaben, Kompetenzen und Sichtweisen ein — und genau aus dieser Vielfalt entsteht das, was man als datengetriebene Organisation bezeichnet.

Am Ursprung stehen die Datenquellen. Sie sind das Fundament, ohne das kein Ökosystem existieren könnte. In einer Fabrik liefern Sensoren unablässig Messwerte: Temperaturen, Drücke, Schwingungen. In digitalen Produkten entstehen Klicks, Logins oder Transaktionen. Diese Rohdaten wirken banal, ja fast zufällig. Doch sie bilden die Basis, auf der alles Weitere aufsetzt. Ihre Perspektive ist schlicht die Existenz — sie stellen Daten bereit, ohne selbst zu wissen, was daraus wird.

Damit aus diesem Rohmaterial mehr werden kann, braucht es eine bewusste Gestaltung. Hier treten die Datenarchitekten auf den Plan. Ihre Aufgabe ist es, die Vielfalt an Quellen in eine Landkarte zu übersetzen. Sie entscheiden, welche Daten erfasst werden, in welchem Format sie gespeichert werden sollen und wie sie später zugänglich gemacht werden. Ein Architekt denkt über Strukturen und Beziehungen nach. Für ihn sind Daten nicht nur Zahlen, sondern Bausteine in einem größeren Entwurf. Seine Perspektive ist die Ordnung — er sieht Daten in Modellen, Schemata und Flüssen.

Auf diesem Fundament baut das Data Engineering auf. Wenn Architekten Pläne entwerfen, dann sind Data Engineers diejenigen, die das Gebäude errichten. Sie sorgen dafür, dass Datenströme tatsächlich fließen, dass Speicher zuverlässig arbeiten, dass Transformationen laufen, wenn sie gebraucht werden. Ein Engineer denkt in Pipelines, Latenzen und Schnittstellen. Für ihn sind Daten vor allem ein Objekt, das in seiner Größe, Geschwindigkeit und Qualität verstanden werden muss. Seine Perspektive ist die Machbarkeit — er betrachtet Daten als etwas, das effizient und skalierbar durch Systeme bewegt werden soll.

Sind die Daten technisch greifbar gemacht, treten die analytischen Rollen in Erscheinung. Data Analysts sind die ersten, die mit den aufbereiteten Beständen arbeiten. Ihre Aufgabe ist es, Muster sichtbar zu machen, Hypothesen zu prüfen und Fragen zu beantworten, die oft noch unscharf formuliert sind. Eine Analystin taucht tief in Datensätze ein, erstellt Berichte, vergleicht Entwicklungen, sucht nach Anomalien. Für sie sind Daten Rohstoff für Erzählungen, die erklären, warum etwas passiert ist. Ihre Perspektive ist die Entdeckung — sie sieht in Daten Möglichkeiten, Antworten zu formulieren, die vorher niemand kannte.

Data Scientists knüpfen an, gehen jedoch weiter. Sie entwickeln Modelle, die nicht nur Vergangenes erklären, sondern auch Zukünftiges prognostizieren. Maschinelles Lernen oder Empfehlungssysteme sind ihre Werkzeuge. Für sie sind Daten nicht nur Beschreibungen, sondern Trainingsmaterial, um Algorithmen beizubringen, Muster eigenständig zu erkennen. Ihre Perspektive ist die Prognose — sie sehen Daten als Grundlage für Systeme, die Entscheidungen vorbereiten oder gar automatisiert treffen.

Doch all dies hätte wenig Bedeutung, wenn es nicht in den organisationalen Kontext eingebettet würde. Hier kommen die Business Stakeholder und Produktmanager ins Spiel. Sie sind diejenigen, die Daten als Entscheidungsgrundlage benötigen. Ein Stakeholder sieht keine Tabellen mit Millionen von Zeilen, er sieht die verdichtete Information auf einem Dashboard, die sagt, ob eine Produktionslinie stabil läuft oder ob ein Projekt sein Ziel erreicht. Ein Produktmanager interessiert sich für Kennzahlen, die Aufschluss geben, ob ein Feature genutzt wird oder ob ein Markt Potenzial bietet. Für diese Rollen sind Daten nicht technisch oder statistisch, sondern strategisch. Ihre Perspektive ist die Steuerung — sie sehen in Daten das Instrument, mit dem Organisationen gelenkt und Produkte verbessert werden.

So entsteht ein Geflecht von Rollen, das sich gegenseitig bedingt. Ohne Quellen gibt es nichts zu sammeln. Ohne Architekten und Engineers gibt es keine Strukturen, die Daten tragfähig machen. Ohne Analysts und Scientists gibt es keine Erkenntnisse. Und ohne Stakeholder gibt es keine Entscheidungen, die den eigentlichen Wert schaffen. Dieselben Daten — ein Sensorwert, ein Logeintrag, eine Transaktion — erscheinen je nach Rolle als Signal, als Muster, als Prognose oder als Entscheidung.

Die Perspektiven

Wenn man die Rollen im Datenökosystem betrachtet, entsteht zunächst ein buntes Bild: Architekten, Engineers, Analysts, Scientists, Stakeholder — alle mit eigenen Aufgaben, Sprachen und Werkzeugen. Doch bei genauerem Hinsehen lassen sich diese verschiedenen Blickwinkel verdichten. Hinter den Unterschieden stehen drei grundlegende Perspektiven, die immer wiederkehren, egal in welcher Organisation man hinschaut. Im folgenden werden die drei Perspektiven beschreiben und anhand einer Kernaufgabe einer jeweiligen Rolle verdeutlicht:

1. Charakteristik & Eigenschaften. Die erste Perspektive ist die der Charakteristik und Eigenschaften. Hier werden Daten als technisches Objekt verstanden: Welche Struktur haben sie, in welchem Volumen treten sie auf, wie können sie gespeichert und bewegt werden? Diese Sicht prägt vor allem die Arbeit von Architekten und Engineers. Für sie ist entscheidend, dass Daten handhabbar sind — zuverlässig erfasst, sauber strukturiert und in Systeme integriert, die auch unter Last funktionieren.
Diese Perspektive verdeutlich die Hauptaufgabe der Data Engineers. Ihre Verantwortung umfasst den Data Engineering Life Cycle.

2. Muster & Vorhersagen. Die zweite Perspektive richtet den Blick auf Muster und Vorhersagen. Daten erscheinen hier nicht als Tabellen oder Ströme, sondern als Hinweisgeber auf Zusammenhänge. Analysts suchen in ihnen nach Antworten auf offene Fragen, Scientists entwickeln Modelle, die zukünftige Entwicklungen prognostizieren. Diese Sicht ist explorativ und erklärend, sie macht aus Daten Erkenntnisse über Verhalten, Ursachen und mögliche Zukünfte.
Unabhängig ob in der Rolle der Data Analysts oder Scientists, kann man behaupten, dass ein Modell angewandt oder erstellt wird. Um gedanklich Fortzufahren gehen wir von einem einfachen linearen Modell aus, das für alle bekannt sein sollte: y = mx + b.

3. Kontext & Mehrwert. Die dritte Perspektive schließlich ist die des Kontexts und Mehrwerts. Hier stehen nicht die Daten selbst im Vordergrund, sondern das, was sie für eine Organisation bedeuten. Stakeholder und Produktmanager brauchen keine Rohdaten und keine statistischen Modelle im Detail. Sie brauchen verdichtete Informationen, die unmittelbar in Entscheidungen übersetzt werden können — sei es ein operativer Eingriff oder eine strategische Weichenstellung.
Mit dieser Perspektive können wir verstehen, weshalb Daten selbst zu einem Geschäftsmodell werden und damit die Wertschöpfung aus Daten zu einer Hauptaufgabe wird.

So wird sichtbar, dass die Vielzahl der Rollen in drei große Facetten mündet: die technische, die analytische und die strategische Sicht. Sie sind keine Gegensätze, sondern Ergänzungen. Jede Facette macht einen Teil des Bildes sichtbar, und erst gemeinsam ergeben sie das Ganze. Derselbe Datenpunkt — etwa die Vibration eines Maschinenteils — ist für den Engineer ein Signal, das stabil durch eine Pipeline laufen muss, für den Analysten ein Muster, das auf Verschleiß hindeutet, und für den Stakeholder eine Entscheidungsvorlage, ob eine Maschine gewartet werden soll.

Am deutlichsten wird dieser Perspektivwechsel, wenn man ihn in einem konkreten Szenario nachzeichnet. Ein gutes Beispiel dafür ist das Industrial Internet of Things, kurz IIoT. In einer modernen Fabrik sind Maschinen heute mit Sensoren ausgestattet, die in hoher Frequenz Daten erzeugen: Temperaturen, Vibrationen, Druckwerte oder Stromstärken. Täglich entstehen so Milliarden von Messpunkten, die scheinbar unspektakulär sind, aber im Zusammenspiel enorme Bedeutung haben können.

Für einen Data Engineer ist dieser Strom an Sensordaten zunächst ein technisches Problem. Er fragt: Wie lassen sich diese Daten überhaupt zuverlässig einsammeln? Welche Pipeline transportiert sie, ohne dass sie verloren gehen? Wie werden sie gespeichert, sodass auch Monate später noch Analysen möglich sind? Seine Perspektive ist die der Charakteristik und Eigenschaften: Es geht um Struktur, Volumen, Formate und die Frage, wie all das technisch beherrschbar bleibt.
Ein Data Analyst oder Data Scientist sieht dieselben Daten mit einem anderen Blick. Für sie steckt in den Vibrationen der Maschinen vielleicht ein Muster, das auf bevorstehenden Verschleiß hinweist. Aus historischen Daten und aktuellen Strömen entwickeln sie Modelle, die Wartungsbedarfe vorhersagen können. Ihre Perspektive ist die Suche nach Mustern und Vorhersagen: Daten als Quelle für Erkenntnis und Prognose.
Für einen Business Stakeholder schließlich — zum Beispiel den Leiter der Produktion — haben die Daten noch eine andere Bedeutung. Ihn interessiert nicht, wie groß die Datenbank ist oder welches Modell mathematisch am besten passt. Er braucht eine einfache Anzeige: Welche Maschine muss wann gewartet werden, damit die Produktion nicht zum Stillstand kommt? In dieser verdichteten Form werden Daten zur Entscheidungsgrundlage, die direkten geschäftlichen Mehrwert stiftet.

So entsteht im IIoT ein durchgängiger Zusammenhang: Derselbe Sensorwert wird nacheinander als technisches Signal, als Muster im Datenstrom und als Entscheidungsvorlage interpretiert. Jede Facette baut auf der vorherigen auf, und erst im Zusammenspiel entfaltet sich der volle Wert.

Am Ende zeigt sich: Daten sind kein einheitliches Objekt mit einer festen Bedeutung. Sie sind vielschichtig, und ihre Relevanz entfaltet sich erst durch den Blickwinkel derjenigen, die mit ihnen arbeiten. Für den Engineer sind sie technische Signale, für den Analysten Muster, für den Stakeholder Entscheidungsgrundlagen. Jede dieser Sichtweisen ist berechtigt — und keine kann für sich allein den vollen Wert erschließen. Genau deshalb ist der Perspektivwechsel der zentrale Trick, um eine datengetriebene Organisation zu verstehen. Wer bereit ist, die Sichtweise anderer Rollen einzunehmen, erkennt mehr Facetten der Daten, versteht ihren Weg vom Rohsignal bis zur Handlung und kann die Zusammenarbeit im Datenökosystem besser gestalten. Erst im Zusammenspiel von technischer, analytischer und strategischer Perspektive entsteht aus Daten Wertschöpfung.

Der einsame Koffer vom Anfang ist dafür ein treffendes Bild. Er bleibt derselbe Gegenstand, doch seine Bedeutung ändert sich je nach Rolle. Genauso bleibt auch ein Datenpunkt derselbe — doch im Ökosystem einer Organisation kann er ganz unterschiedliche Geschichten erzählen. Und genau darin liegt seine Kraft: nicht im Objekt selbst, sondern in den Perspektiven, die ihn sichtbar machen.