Das Transformationsprogramm steht. Die Software ist ausgewählt, der Projektplan verabschiedet, das Budget freigegeben. Sechs Monate später die Ernüchterung: Die Dashboards zeigen Zahlen, aber niemand traut ihnen. Die Portfolio-Berichte erzählen unterschiedliche Geschichten, je nachdem wer sie erstellt. Der CEO fragt nach dem Status — und bekommt drei verschiedene Antworten aus drei Abteilungen.

Was ist schiefgelaufen? Nicht die Strategie. Nicht die Software. Die Daten.

Auf einen Blick: Datenqualität ist die unsichtbare Voraussetzung für alles, was danach kommt — Portfolio-Steuerung, Digitalisierung, KI-Initiativen. Drei Muster untergraben sie systematisch: fragmentierte Quellsysteme, diffuse Verantwortlichkeiten und Datenmenge ohne Struktur. Der Weg raus beginnt nicht beim Tool, sondern bei der Frage, welche Entscheidungen überhaupt datengestützt getroffen werden sollen. Und er erfordert Führung, die bereit ist, Transparenz herzustellen — auch wenn das unbequem wird.

Das unsichtbare Fundament

Organisationen investieren Millionen in Digitalisierung, Portfolio-Management-Tools und BI-Plattformen. Was sie selten investieren: Zeit und Sorgfalt in die Qualität dessen, was diese Systeme befüllt. Datenqualität ist kein IT-Thema. Es ist ein Führungsthema.

Als ich als Director Corporate Project Management in einem Technologiekonzern mit 2,7 Mrd. EUR Umsatz die konzernweite Portfolio-Governance aufbaute, war die Ausgangslage ernüchternd: Über 100 parallele Projekte — Entwicklung, IT, Transformation — gesteuert über Excel-Listen in den einzelnen Geschäftsbereichen. Management-Entscheidungen basierten auf manuell zusammengestellten PowerPoint-Decks mit hohem Aufwand und geringer Aktualität. Jeder Bereich pflegte seine eigene Datenwahrheit. Eine übergreifende Perspektive auf Prioritäten, Abhängigkeiten und Ressourcenbindung gab es nicht. Kein Technologieproblem — ein Daten- und Strukturproblem.

Wer den Schritt in Richtung datengestützter Steuerung gehen will, muss zuerst klären, ob die Grundlage trägt. Meistens tut sie das nicht.

Drei Muster, die Datenqualität untergraben

Das erste ist fragmentierte Quellsysteme. Warenwirtschaft hier, Finanzbuchhaltung dort, Projektmanagement in Excel. Jedes System hat seine eigene Logik, seine eigene Nomenklatur, seinen eigenen Pflegerhythmus. Integration wird als IT-Aufgabe betrachtet — dabei ist sie eine Organisations-Aufgabe. Solange jede Abteilung ihre eigene Datenwahrheit pflegt, gibt es keine unternehmensweite Transparenz.

Das zweite ist fehlende Verantwortung für Datenqualität. Wer ist verantwortlich dafür, dass ein Projekt korrekt im System erfasst ist? Wer prüft, ob Budgetzahlen aktuell sind? In den meisten Organisationen: niemand explizit. Daten werden erfasst, weil es verlangt wird — nicht weil jemand sie für Entscheidungen braucht. Die Folge ist Pflichterfüllung statt Qualitätsanspruch.

Das dritte ist Quantität ohne Struktur. Es fehlt selten an Daten. Es fehlt an der richtigen Granularität, an einheitlichen Definitionen, an gepflegten Stammdaten. Ein ERP-System mit 50.000 Materialstämmen, von denen 30 Prozent veraltet sind, erzeugt keine Transparenz — es erzeugt Rauschen.

Was wirkt — und in welcher Reihenfolge

Die Lösung beginnt nicht bei der Technik. Sie beginnt bei der Frage: Welche Entscheidungen wollen wir datengestützt treffen — und was brauchen wir dafür?

In meiner Zeit als Projektleiter ERP und Leiter Warenwirtschaft bei einem Maschinenbau-Zulieferer habe ich erlebt, was passiert, wenn man diesen Weg konsequent geht. Das Unternehmen war in sechs Jahren von 30 auf 120 Mitarbeiter gewachsen, der Umsatz hatte sich auf über 20 Mio. EUR verdoppelt — die Organisation arbeitete noch vollständig analog: Excel-Angebote, Papier-Stücklisten, dezentraler Einkauf ohne Mengenbündelung. Über eine Million Euro Kapitalbindung im Lager, ohne dass jemand belastbar sagen konnte, was vorrätig war und was noch gebraucht wurde. Die ERP-Einführung war kein Software-Projekt. Es war ein Datenprojekt: Stammdaten bereinigen, Prozesse standardisieren, Verantwortlichkeiten für Datenpflege definieren. Das Ergebnis — 40 bis 50 Prozent weniger Umlaufvermögen, 80 Prozent schnellere Angebotsbearbeitung — war nicht das Verdienst der Software. Es war das Verdienst sauberer Daten in klaren Strukturen.

Die Reihenfolge ist nicht verhandelbar: Erst die Daten, dann die Steuerung, dann die Optimierung. Portfolio-Governance ohne belastbare Daten ist Meinungsmanagement. Digitalisierung ohne Datenqualität ist Automatisierung von Chaos. KI-Initiativen ohne strukturierte Datengrundlage sind Experimente ohne Fundament. Wer diese Reihenfolge umkehrt, investiert in Werkzeuge, die auf Sand gebaut sind.

Was ein Interim Manager hier konkret tut

Datenqualität herzustellen ist unbequem. Es bedeutet, in Abteilungen einzugreifen, Verantwortlichkeiten neu zu definieren, liebgewonnene Excel-Lösungen abzulösen. Es erzeugt Widerstand — weil es Transparenz erzeugt. Und Transparenz ist nicht für jeden im Unternehmen bequem.

Als Interim Manager bringe ich dafür die nötige Unabhängigkeit mit. Ich habe kein Interesse daran, bestehende Datensilos zu schützen, weil sie jemandem politisch nutzen. Was ich in solchen Mandaten konkret tue:

Bestehende Datenlandschaft analysieren: Wo liegen die Brüche, wer pflegt was, welche Quellen widersprechen sich?
Entscheidungsrelevante Datenfelder definieren — von der Frage her, nicht von der Systemlogik her
Stammdaten bereinigen und Pflegeprozesse aufbauen, die nach dem Mandat selbstständig weitergetragen werden
Datenverantwortung explizit vergeben und in bestehende Rollen verankern
Governance für Datenpflege etablieren: Wer prüft wann, was passiert bei Abweichungen

Das Ergebnis ist keine technische Lösung. Es ist eine Organisation, die ihren eigenen Daten traut.

Wenn Sie gerade eine Digitalisierungsinitiative planen oder ein Portfolio-Reporting aufbauen, das belastbare Entscheidungen ermöglichen soll — sprechen Sie vorher über die Daten. Nicht über die Dashboards. Ein offenes Gespräch darüber, wo die Grundlage steht, ist oft aufschlussreicher als jeder Projektplan. Kein Angebot, keine Präsentation.

Quellenverzeichnis

Gartner: Data and Analytics — Datenqualität als strategische Führungsaufgabe und Voraussetzung für datengetriebene Steuerung
McKinsey Digital: Unlocking success in digital transformations — Warum technische Investitionen ohne Daten- und Prozessfundament scheitern
PMI: Pulse of the Profession — Jährlicher Report zu Projektmanagement-Reife, Datenqualität und Portfolio-Steuerung

Häufige Fragen

Was kostet schlechte Datenqualität ein Unternehmen wirklich?

Die Kosten schlechter Datenqualität sind schwer zu isolieren, weil sie selten direkt sichtbar werden. Sie stecken in fehlerhaften Entscheidungen, in Zeitverlust durch manuelle Korrekturen, in Projektverzögerungen und in falschen Steuerungsimpulsen. Gartner schätzt, dass Unternehmen durch schlechte Datenqualität durchschnittlich mehrere Millionen Euro pro Jahr verlieren — die meisten wissen das nur nicht, weil sie keine Grundlage haben, den Schaden zu messen.

Warum ist Datenqualität eine Führungsaufgabe und keine IT-Aufgabe?

IT kann Systeme bereitstellen und technische Schnittstellen bauen. Sie kann aber nicht entscheiden, welche Daten für welche Entscheidungen gebraucht werden. Und sie kann nicht erzwingen, dass Abteilungen ihre Daten ordentlich pflegen. Das erfordert klare Verantwortlichkeiten, Konsequenzen bei Nichteinhaltung und eine Governance, die Führungskräfte als ihre eigene betrachten — nicht als IT-Problem, das sich irgendwie von selbst löst.

Ab wann lohnt sich eine ERP-Einführung wirklich?

Eine ERP-Einführung lohnt sich dann, wenn die Grundlage stimmt: klare Prozesse, bereinigte Stammdaten, definierte Verantwortlichkeiten. Ohne diese Vorarbeit wird das ERP-System bestehende Probleme nicht lösen — es skaliert sie. In meinen Mandaten beginne ich die Systemauswahl deshalb erst, wenn das Datenfundament steht. Das dauert oft länger als geplant. Die Einführung selbst läuft danach erheblich reibungsloser.

Wie lange dauert es, Datenqualität herzustellen?

Das hängt vom Ausgangszustand ab. In einem typischen Mittelständler mit gewachsenen Systemlandschaften und heterogenen Datenquellen braucht ein erster belastbarer Stand drei bis sechs Monate. Das Ziel ist nicht Perfektion — sondern eine Grundlage, der die Führung vertraut und auf der Entscheidungen getroffen werden können.

Was unterscheidet ein Daten-Projekt von einem IT-Projekt?

Ein IT-Projekt endet mit einer lauffähigen Systeminstallation. Ein Daten-Projekt endet mit einer Organisation, die ihre Daten kennt, pflegt und für Entscheidungen nutzt. Der Unterschied liegt nicht in der Technik — er liegt in der Frage, ob Menschen ihr Verhalten ändern. Das ist Führungsarbeit, keine Implementierungsarbeit.