Wertschöpfung aus Daten.

Daten sind heute allgegenwärtig. Sie entstehen in Fabriken und Onlineshops, in Forschungslaboren und in sozialen Netzwerken. Jede Transaktion, jede Interaktion und jeder Prozess hinterlässt digitale Spuren. Für Organisationen sind Daten damit längst mehr als ein Nebenprodukt — sie gelten als eine zentrale Ressource für Innovation, Effizienz und Wettbewerbsfähigkeit. Die bloße Existenz von Daten bedeutet jedoch noch nicht, dass daraus automatisch ein Nutzen entsteht. Ein großer Datenbestand allein schafft noch keine Orientierung und keine besseren Entscheidungen. Erst durch Verarbeitung, Strukturierung und Interpretation gewinnen Daten an Bedeutung. Sie müssen eingeordnet und in einen Zusammenhang gestellt werden, bevor aus ihnen Wissen werden kann.

In einem vorherigen Artikel wurde dieser Gedanke über die verschiedenen Perspektiven auf Daten eingeführt: Ein und derselbe Datenpunkt kann für einen Engineer ein technisches Signal, für einen Analysten ein Muster und für einen Stakeholder eine Entscheidungsgrundlage sein. Für die Entscheidungsrollen ist vor allem die letzte Facette entscheidend — Daten im Kontext und als Quelle von Mehrwert. Auch ohne diesen Hintergrund lässt sich die zentrale Frage formulieren:

Wie werden Daten in Wissen verwandelt, das Handlungen ermöglicht und Wert erzeugt?

Ein Modell, das genau diesen Transformationsprozess sichtbar macht, ist die Wissenstreppe nach North. Sie beschreibt in aufeinanderfolgenden Stufen, wie aus Zeichen zunächst Daten, dann Informationen, Wissen und schließlich Handlungen werden. Jede Stufe baut auf der vorherigen auf — und mit jeder Stufe wächst die Fähigkeit, aus Daten echten Wert zu schöpfen.

Daten allein sind damit nur der Ausgangspunkt. Der eigentliche Wert entsteht, wenn sie in einen Zusammenhang gebracht und schrittweise veredelt werden. Genau darum geht es in diesem Artikel. Zunächst wird erläutert, warum Daten nicht von selbst zu Wertschöpfung führen und welche Voraussetzungen erfüllt sein müssen, damit aus ihnen mehr als bloße Bestände entstehen. Im Anschluss steht mit der Wissenstreppe nach North ein Modell im Mittelpunkt, das diesen Weg strukturiert beschreibt und zeigt, wie Daten über mehrere Stufen hinweg zu Wissen und schließlich zu Handlungen werden. Anhand dieser Treppe wird deutlich, dass Wertschöpfung nicht in einem einzigen Schritt geschieht, sondern als Prozess verstanden werden muss. Abschließend wird an Beispielen verdeutlicht, wie Organisationen diesen Prozess gestalten können und welche Rolle die Verknüpfung von Daten, Wissen und Handlung für ihre Wettbewerbsfähigkeit spielt.

Daten sind der Anfang, Wert entsteht erst durch ihre schrittweise Veredelung zu Wissen und Handeln.

Daten sind nicht per se wertvoll.

Dass Daten nicht automatisch einen Wert haben, ist schnell gesagt, doch es lohnt, genauer hinzuschauen. Wer heute auf die Bestände vieler Organisationen blickt, sieht eine große Menge gespeicherter Daten — verteilt in Systemen, erzeugt von unterschiedlichsten Quellen, gesammelt aus den verschiedensten Gründen. Doch dieser bloße Bestand macht noch keinen Unterschied. Eine Zahl in einer Datenbank oder ein Logeintrag in einem System ist zunächst nicht mehr als ein Zeichen. Erst wenn er in einen Zusammenhang gestellt wird, kann er gedeutet werden. Ohne Kontext bleibt er bedeutungslos. Hinzu kommt, dass Daten in der Praxis oft nicht in idealer Form vorliegen. Manche sind unvollständig, andere widersprüchlich, wieder andere wurden nach uneinheitlichen Standards erfasst. Wer schon einmal versucht hat, Daten aus verschiedenen Abteilungen zusammenzuführen, weiß, dass es an klaren Definitionen und einheitlichen Formaten häufig fehlt. In dieser Form können Daten mehr Fragen aufwerfen, als dass sie Antworten liefern. Und selbst wenn Daten vollständig und von hoher Qualität sind, stellt sich noch eine weitere Frage: Welche Handlungsmöglichkeiten eröffnen sie? Eine Analyse kann eine interessante Erkenntnis liefern, doch solange daraus keine Entscheidung oder Maßnahme folgt, bleibt ihr Nutzen begrenzt. Daten, die in Berichten verharren, ohne Prozesse zu verändern oder Strategien zu beeinflussen, entfalten ihr Potenzial nicht.
All das zeigt, dass der Weg von Daten zur Wertschöpfung kein automatischer ist. Er muss gestaltet werden — durch Methoden, die Daten Bedeutung geben, durch Prozesse, die ihre Qualität sichern, und durch Strukturen, die sie mit Handlungen verbinden. Genau dafür bietet die Wissenstreppe nach North ein hilfreiches Modell. Sie macht sichtbar, wie Daten Schritt für Schritt in etwas verwandelt werden, das Organisationen tatsächlich voranbringt.

Die Wissenstreppe nach North

Bevor beschrieben werden kann, wie Daten Schritt für Schritt zu Wissen und schließlich zum Wettbewerbsvorteil werden, braucht es ein gedankliches Modell, das diesen Prozess sichtbar macht. In vielen Organisationen ist unklar: Ab wann ist eine Zahl nur ein Rohsignal, wann schon eine Information, und ab wann kann man wirklich von Wissen sprechen?

Um diese Übergänge greifbar zu machen, hat der Wissensmanagement-Forscher Klaus North die sogenannte Wissenstreppe entwickelt. Sie ist eine Art Fahrplan, die verdeutlicht, dass der Mehrwert durch eine Abfolge von Etappen erreicht werden kann. Jede Stufe baut auf der vorherigen auf — und mit jeder Stufe nimmt die Bedeutung zu, die Daten für eine Organisation haben. Die Treppe beginnt unten bei den elementaren Zeichen und führt über Daten, Informationen und Wissen hin zu Können, Handeln und Kompetenz — bis an die Spitze, wo Wettbewerbsfähigkeit sichtbar wird. Diese Darstellung ist bewusst als Treppe konzipiert: Sie macht klar, dass kein Schritt übersprungen werden kann, ohne die Stabilität des Ganzen zu gefährden. Damit dient die Wissenstreppe nicht nur der Erklärung, sondern auch der Reflexion: Organisationen können sich fragen, auf welcher Stufe sie mit ihren Daten stehen, wo Übergänge gelingen und wo sie ins Stocken geraten. Sie zeigt auf einfache Weise, dass es einen gestalteten Prozess braucht, damit Daten wirklich zu einem Wettbewerbsvorteil werden.
Im Folgenden werden die einzelnen Stufen der Wissenstreppe erklärt:

• Zeichen. Am Anfang stehen einfache Zeichen: Buchstaben, Zahlen, Symbole oder Messpunkte. Sie sind noch völlig roh und tragen für sich allein keine Bedeutung. Ein einzelner Temperaturwert wie „80“ oder ein Symbol in einer Maschine sagt nichts aus, solange unklar bleibt, worauf sich der Wert bezieht. Zeichen sind das Ausgangsmaterial, aus dem erst durch Strukturierung etwas Sinnvolles entstehen kann.
• Daten (= Zeichen + Syntax). Werden Zeichen nach klaren Regeln erfasst, geordnet und in ein festgelegtes Format gebracht, werden sie zu Daten. Eine Zahl, die mit einer Maßeinheit versehen ist — „80 °C“ –, ist mehr als ein Zeichen. Daten sind strukturierte Zeichen, die sich zählen, speichern und vergleichen lassen. Noch immer fehlt ihnen jedoch jede Deutung. Sie sagen etwas über einen Zustand, aber nicht, ob dieser normal, auffällig oder kritisch ist.
• Information (= Daten + Kontext). Daten werden zu Informationen, wenn sie in einen Kontext gestellt werden. Ein Temperaturwert allein ist eine Beobachtung; im Vergleich mit einem Sollwert oder in Relation zu einem Prozessschritt wird er zur Aussage. Erst der Zusammenhang macht aus einem Messpunkt eine Information, die eingeordnet werden kann. Daten in einem Zusammenhang, in einem Kontext, sind Informationen.
• Wissen (= Informationen + Vernetzung). Wissen entsteht, wenn Informationen verstanden, verknüpft und interpretiert werden. Erfahrung und Expertise kommen hinzu. Wer weiß, dass ein Temperaturanstieg an einer bestimmten Maschine auf Verschleiß hindeutet, verbindet einzelne Informationen zu einem Muster. Wissen erklärt Zusammenhänge und ermöglicht, Ursachen und Wirkungen zu erkennen.
• Können (= Wissen + Anwendung). Wissen allein reicht nicht aus. Können bedeutet, Wissen praktisch anzuwenden. Es zeigt sich darin, dass Verfahren beherrscht werden, dass Routinen und Abläufe so verankert sind, dass sie reproduzierbar eingesetzt werden können. Können heißt, nicht nur zu verstehen, sondern auch zu handeln — und zwar verlässlich.
• Handeln (= Können + Umsetzung). Handeln ist die Umsetzung von Können in konkrete Entscheidungen und Maßnahmen. Eine Organisation, die ihr Wissen nutzt, um eine Maschine rechtzeitig zu warten oder eine Strategie anzupassen, zeigt, dass die unteren Stufen wirksam geworden sind. Erst hier wird sichtbar, ob Daten und Wissen tatsächlich Einfluss nehmen.
• Kompetenz (= Handeln + Effizienz). Kompetenz erwächst aus wiederholtem, reflektiertem Handeln. Sie zeigt sich darin, dass eine Organisation auch unter wechselnden Bedingungen konsistent gute Ergebnisse erzielt. Kompetenz bedeutet, aus Erfahrungen zu lernen, Abläufe zu verbessern und Wissen dauerhaft in Strukturen zu verankern.
• Wettbewerbsvorteil. Sie entsteht, wenn Kompetenz und Einzigartigkeit zusammentreffen. Eine Organisation, die ihre Daten schneller in Wissen übersetzt und daraus konsequent Handeln ableitet, verschafft sich einen Vorsprung gegenüber anderen. Wettbewerbsfähigkeit ist damit kein Zufallsprodukt, sondern das Ergebnis einer konsequenten Bewegung über alle Stufen der Treppe hinweg.

Die Wissenstreppe macht sehr deutlich, wie innerhalb einer Organisation aus Zeichen Daten werden, wie sich diese in Informationen verwandeln, daraus Wissen entsteht und schließlich Handeln und Kompetenz folgen. Sie ist damit ein ausgesprochen nützliches Modell, um die interne Prozesslogik der Wertschöpfung sichtbar zu machen. Wer sich entlang der Treppe bewegt, erkennt, welche Übergänge gut gelingen und an welchen Stellen Daten noch ihre Wirkung verlieren. Doch diese Sicht bleibt nach innen gerichtet. Sie beschreibt, was eine Organisation tun sollte, um aus Daten Wert zu schöpfen, sagt aber wenig darüber aus, wie weit eine Organisation mit diesem Prozess bereits gekommen ist. Aus der Perspektive einer externen Bewertung stellt sich die Frage: Befindet sich ein Unternehmen noch in den Anfängen, experimentiert mit einzelnen Datenprojekten und ad hoc Analysen? Oder sind schon Strukturen entstanden, die Daten verlässlich und skalierbar nutzbar machen? Oder ist die Organisation bereits so weit gereift, dass Daten integraler Bestandteil ihrer Strategie sind und Wettbewerbsvorteile schaffen?

Unternehmensreife in Bezug auf Daten

Hier setzt das Konzept der Data Maturity an, das Joe Reis und Matt Housley in ihrem Buch Fundamentals of Data Engineering beschreiben. Während die Wissenstreppe den inneren Mechanismus erklärt, wie Daten Stufe für Stufe Bedeutung gewinnen, liefert Data Maturity den äußeren Maßstab dafür, wie reif eine Organisation in diesem Umgang mit Daten ist. Es ist die Perspektive des Blicks von außen — nicht auf den einzelnen Prozessschritt, sondern auf das gesamte Niveau einer Organisation im Datenumgang.

Die Data Maturity besteht aus folgenden Ebenen:

• Starting with data. Ganz unten auf der Reifeskala stehen Organisationen, die gerade erst beginnen, Daten systematisch einzusetzen. Ziele sind oft noch unscharf, die Infrastruktur steckt in den Kinderschuhen, und vieles geschieht auf Zuruf. Berichte entstehen ad hoc, die Verantwortung liegt meist bei einer kleinen Gruppe oder sogar Einzelpersonen. In dieser Phase übernehmen Data Engineers eine Generalistenrolle: Sie entwerfen erste Architekturen, bauen kleine Pipelines und übernehmen oft auch analytische Aufgaben. Das Ziel ist es, erste Erfolge sichtbar zu machen und im Unternehmen Akzeptanz zu schaffen. Doch diese frühen Schritte sind anfällig für technische Schulden: Wer zu schnell Ergebnisse liefert, ohne eine solide Basis zu schaffen, legt Stolpersteine für die Zukunft.
• Scaling with data. In der nächsten Stufe haben Organisationen die Anfänge hinter sich gelassen. Datenarbeit wird professionalisiert und in stabilere Strukturen überführt. Ad-hoc-Analysen treten zurück, stattdessen entstehen skalierbare Architekturen und wiederverwendbare Prozesse. Rollen spezialisieren sich: Engineers konzentrieren sich stärker auf Pipelines und Infrastruktur, Analysts und Scientists können auf eine verlässlichere Datenbasis zurückgreifen. Praktiken wie DataOps und DevOps halten Einzug, um Qualität und Automatisierung zu sichern. Die Herausforderung dieser Phase liegt weniger in der Technik selbst, sondern im Maßhalten: Nicht jedes „hippe“ Werkzeug aus dem Silicon Valley ist sinnvoll, wichtiger ist, Architekturen aufzubauen, die wirklich tragen.
• Leading with data. Auf der höchsten Stufe sind Daten vollständig in die Organisation eingebettet. Entscheidungen beruhen kontinuierlich auf verlässlichen Datenflüssen, Self-Service-Analytik ermöglicht es Teams, selbstständig Erkenntnisse zu gewinnen, und Machine Learning ist Teil der Prozesse. Neue Datenquellen lassen sich ohne großen Aufwand integrieren, und Themen wie Governance, Qualitätssicherung und Metadatenmanagement sind selbstverständlich etabliert. Für Data Engineers bedeutet dies einen Rollenwandel: Sie schaffen keine punktuellen Lösungen mehr, sondern gestalten ein Ökosystem, das den dauerhaften Umgang mit Daten ermöglicht. Gleichzeitig steigt die Verantwortung, die Strukturen kontinuierlich zu pflegen, denn auf dieser Stufe droht die Gefahr, sich in Routine oder technischer Spielerei zu verlieren.

Am Ende wird deutlich, dass es zwei Blickrichtungen braucht, um Wertschöpfung aus Daten zu verstehen. Die Wissenstreppe beschreibt die innere Prozesslogik: Sie zeigt, wie Zeichen zu Daten werden, wie Informationen Bedeutung gewinnen, wie Wissen entsteht und schließlich in Handeln, Kompetenz und Wettbewerbsfähigkeit übergeht. Sie macht sichtbar, dass Wert nicht plötzlich entsteht, sondern Stufe für Stufe aufgebaut wird. Die Data Maturity hingegen liefert die externe Bewertungsperspektive. Sie fragt, wie weit eine Organisation insgesamt in diesem Prozess gereift ist. Ob sie gerade erst beginnt und erste Strukturen aufbaut, ob sie Datenarbeit professionalisiert und skaliert oder ob sie bereits datengetrieben handelt und Daten nahtlos in ihre Strategie integriert hat.
Zusammengenommen entsteht ein vollständiges Bild: Die Treppe erklärt den Weg im Inneren, Data Maturity misst die Reife im Außen. Wer beide Perspektiven zusammendenkt, versteht nicht nur, wie Daten in Wert verwandelt werden, sondern auch, wie konsequent und professionell eine Organisation diesen Weg bereits beschreitet.

Die Wissenstreppe zeigt den Prozess der Wertschöpfung aus Daten — Data Maturity zeigt, wie weit eine Organisation dabei ist.

Fallbeispiele

Modelle wie die Wissenstreppe und die Data-Maturity-Sicht geben den theoretischen Rahmen, um Wertschöpfung aus Daten zu verstehen. Doch wirklich greifbar werden sie erst, wenn man sie auf konkrete Geschäftsmodelle anwendet. Zwei besonders anschauliche Beispiele sind Netflix und Amazon. Beide Unternehmen haben es geschafft, Daten nicht nur zu sammeln, sondern systematisch in Wettbewerbsvorteile zu verwandeln — und beide lassen sich rückwärts entlang der Wissenstreppe nachvollziehen: von der erreichten Wettbewerbsfähigkeit bis hinunter zu den zugrunde liegenden Daten.
Gleichzeitig verdeutlichen diese Beispiele auch den Reifegrad ihrer Datenstrategien. Netflix und Amazon befinden sich längst nicht mehr in der Phase, in der Daten nur ad hoc genutzt oder erste Architekturen aufgebaut werden. Beide operieren auf höchster Stufe der Data Maturity: Sie „führen mit Daten“. Ihre Systeme sind so weit gereift, dass Daten in nahezu allen Prozessen eine Rolle spielen, von der operativen Steuerung bis zur strategischen Entscheidung.

Netflix Originals

Wettbewerbsfähigkeit. Netflix hat mit seinen Eigenproduktionen einen Vorsprung geschaffen, den klassische Fernsehsender oder andere Streamingdienste nur schwer einholen können. Serien wie Stranger Things oder House of Cards sind nicht nur Unterhaltungsprodukte, sondern strategische Assets. Sie binden Abonnenten langfristig, erzeugen Aufmerksamkeit im Markt und sichern Netflix eine klare Differenzierung. Aus Sicht der Data Maturity operiert Netflix damit eindeutig auf der höchsten Stufe: Das Unternehmen führt mit Daten. Neue Inhalte, Formate und selbst Produktionsentscheidungen beruhen konsequent auf Datenanalysen. Handeln. Um diese Exklusivität aufzubauen, trifft Netflix Produktionsentscheidungen, die eng mit Daten verknüpft sind. Statt allein auf Intuition zu setzen, prüft das Unternehmen, welche Genres, Schauspieler oder Regisseure beim Publikum besonders ankommen. So wurde House of Cards nicht zufällig produziert, sondern basierte auf dem Befund, dass politische Dramen hoch im Kurs standen, während Regisseur David Fincher und Schauspieler Kevin Spacey in der Nutzergunst besonders weit oben rangierten. Die Entscheidung für die Produktion war also ein datengestütztes Handeln — und der Erfolg bestätigte diese Vorgehensweise.
Können. Diese Handlungsfähigkeit fußt auf einer über Jahre aufgebauten Kompetenz. Netflix hat sich von einem DVD-Verleih zu einem vollwertigen Produktionsstudio entwickelt. Der Aufbau eigener Studios, die Kontrolle über Produktionsprozesse und die Fähigkeit, Inhalte selbst zu entwickeln, sind Ausdruck dieses Könnens. Möglich wurde es durch die systematische Integration von Daten in alle Wertschöpfungsschritte — vom Nutzerfeedback bis zur Budgetplanung.
Wissen. Im Kern nutzt Netflix tiefe Analysen des Zuschauerverhaltens. Verhaltensmodellierungen und Milieuanalysen machen sichtbar, welche Formate in welchen Gruppen besonders gut ankommen. Dazu gehören auch Binge-Watching-Analysen: Wie viele Folgen werden in einer Sitzung geschaut, wann brechen Zuschauer ab, und wie wirkt sich die Episodenlänge auf die Bindung aus? Dieses Wissen bildet die Grundlage für Formatentscheidungen und Veröffentlichungstaktiken.
Informationen. Um zu solchen Erkenntnissen zu gelangen, setzt Netflix Daten in Relation. Ein einzelner Like oder eine Bewertung sagt wenig; erst in Kombination mit Sehdauer, Abbruchraten oder Gerätepräferenzen entsteht Information. Ob ein Nutzer eine Serie bis zum Ende schaut, ist oft aussagekräftiger als ein Klick auf „Gefällt mir“.
Daten. Am Anfang stehen Rohdaten in schier unendlicher Fülle: Sehdauer, Pausen, genutzte Endgeräte, Uhrzeiten des Konsums. Netflix erfasst und speichert diese Daten systematisch, um daraus Muster zu formen. Sie sind die Basis, ohne die weder Informationen noch Wissen oder Handlung entstehen könnten.

Amazon Basics

Wettbewerbsfähigkeit. Amazon hat mit seiner Eigenmarke Amazon Basics eine Produktlinie geschaffen, die den Wettbewerb unter Druck setzt. Produkte sind günstig, qualitativ solide und exakt auf die Bedürfnisse der Kundschaft zugeschnitten. Für Amazon ist dies ein klarer Wettbewerbsvorteil: Das Unternehmen nutzt Daten, um Marktlücken zu identifizieren und sie schneller als andere zu besetzen. Auch hier ist die Data-Maturity-Stufe eindeutig: Leading with data. Amazon verfügt über eine Infrastruktur, die Daten in Echtzeit integriert und Entscheidungen in großem Maßstab möglich macht.

Handeln. Produkte entstehen nicht zufällig, sondern basierend auf den Analysen von Nachfrage und Markttrends. Wird etwa deutlich, dass Laptop-Taschen stark nachgefragt sind, entwickelt Amazon ein eigenes Modell und vertreibt es als Amazon Basics. Die Datengrundlage sorgt dafür, dass Angebot und Nachfrage eng verzahnt sind.
Können. Dieses Handeln ist möglich, weil Amazon gelernt hat, Kundenbedürfnisse konsequent in Produktentwicklung zu übersetzen. Die Fähigkeit, eigene Produktions- und Lieferketten aufzubauen und mit den riesigen Datenbeständen zu verbinden, ist Ausdruck eines spezifischen Könnens, das kontinuierlich geschärft wird.
Wissen. Grundlage dieses Könnens ist das Wissen um Kundenpräferenzen. Amazon analysiert Verkaufszahlen, Retourenquoten und Produktbewertungen und erkennt daraus, welche Produkte funktionieren, welche Schwächen haben und wo neue Chancen liegen.
Informationen. Damit dieses Wissen entstehen kann, werden Daten in Kontexte eingebettet. Verkaufszahlen allein sagen wenig; erst in Kombination mit Bewertungen oder Retouren werden Zusammenhänge erkennbar. So wird deutlich, warum ein Produkt gut läuft oder wo Verbesserungen nötig sind.
Daten. Die Basis bilden Bestellungen, Klicks, Lagerbestände, Bewertungen und Rücksendungen — riesige Datenmengen, die kontinuierlich gesammelt werden. Aus dieser Rohmasse entsteht am Ende eine Produktauswahl, die so eng an den Bedürfnissen der Kundschaft ausgerichtet ist, dass sie den Markt prägt.

Netflix und Amazon zeigen exemplarisch, wie Wertschöpfung aus Daten funktioniert: von Rohdaten über Informationen, Wissen und Können bis hin zu Handeln und Wettbewerbsfähigkeit. Rückwärts gelesen wird klar, dass der heutige Vorsprung beider Unternehmen nicht zufällig entstanden ist, sondern auf einem konsequenten Aufstieg über die Stufen der Wissenstreppe beruht. Gleichzeitig wird sichtbar, dass beide Organisationen eine Data Maturity erreicht haben, die weit über das Experimentieren hinausgeht: Sie führen mit Daten — und setzen sie als strategischen Vorteil ein.

Am Ende zeigt sich: Wertschöpfung aus Daten ist kein Zufallsprodukt. Sie entsteht nicht allein durch das Sammeln großer Datenmengen, sondern durch den bewussten Umgang mit ihnen. Die Wissenstreppe nach North verdeutlicht, dass aus Zeichen erst Daten, dann Informationen und Wissen werden, bevor daraus Können, Handeln und schließlich Wettbewerbsfähigkeit erwachsen. Jede Stufe ist notwendig, keine lässt sich überspringen, ohne das Fundament zu schwächen. Die externe Sicht ergänzt dieses Bild. Mit dem Konzept der Data Maturity beschreiben Reis und Housley, wie weit eine Organisation insgesamt darin gereift ist, diesen Weg zu beschreiten. Ob ein Unternehmen noch in den Anfängen steckt, Strukturen aufbaut und erste Datenprozesse etabliert, ob es den Sprung zur Skalierung schafft oder ob es Daten bereits zum selbstverständlichen Kern seiner Strategie gemacht hat — all das lässt sich in dieser Logik verorten.
Die Beispiele von Netflix und Amazon machen schließlich deutlich, wie Theorie und Praxis ineinandergreifen. Beide Unternehmen haben ihre Wettbewerbsfähigkeit gezielt aus Daten heraus entwickelt. Rückwärts gelesen entlang der Wissenstreppe wird klar: Der Vorsprung beruht nicht auf spontanen Einfällen, sondern auf einer systematischen Bewegung von Daten über Wissen hin zu Handlung und Kompetenz. Gleichzeitig zeigt sich in beiden Fällen, dass sie auf höchster Stufe der Data Maturity angekommen sind — sie führen mit Daten und nutzen sie als klaren Wettbewerbsvorteil.