Interviews
Siddharth Rajagopal & Sujay Dutta, Autoren von Data as the Fourth Pillar – Interview-Serie
Sujay Dutta ist ein erfahrener Technologie- und Geschäftsführer mit über 25 Jahren internationaler Erfahrung. Er glaubt, dass die Zukunft an der Kreuzung von KI, Geschäftsergebnissen, Kultur und Daten (“A.B.C.D.”) gestaltet wird. Derzeit arbeitet er als Global Account Lead bei Databricks.
Siddharth (Sidd) Rajagopal ist ein Chief Architect in der Field CTO Organization bei Informatica. In seiner Rolle arbeitet er mit Senior-Exekutiven in Unternehmen zusammen, um Thought Leadership rund um Daten und Datenmanagement zu bieten, indem er seine Erkenntnisse und Erfahrungen teilt.
Data as the Fourth Pillar präsentiert den Fall für die Behandlung von Daten als grundlegendes Element des Unternehmenserfolgs, auf gleicher Ebene mit Menschen, Prozessen und Technologie. Das Buch richtet sich an Vorstände, CEOs und Senior-Exekutive und skizziert einen strukturierten Ansatz, um Datenstrategie in die Kernentscheidungen des Unternehmens zu integrieren. Es führt ein Reifegradmodell und praktische Metriken wie Total Addressable Value (TAV) und Expected Addressable Value (EAV) ein, um Organisationen dabei zu helfen, den Einfluss von Dateninitiativen zu quantifizieren. Die Autoren untersuchen auch die Wechselwirkung zwischen Daten und künstlicher Intelligenz und zeigen, wie jede die andere stärkt. Unterstützt durch eine Fallstudie von AUDI AGs Rüdiger Eck, verbindet das Buch Theorie mit realer Anwendung und bietet somit einen praktischen Leitfaden für Führungskräfte in kleinen und großen Unternehmen, die in der heutigen wettbewerbsorientierten, datengesteuerten Landschaft navigieren.
Ihr Buchtitel bezieht sich auf Daten als die vierte Säule. Können Sie die ersten drei Säulen zusammenfassen und erklären, warum Daten als vierte Säule betrachtet werden sollten?
Die ersten drei traditionellen Säulen sind Menschen, Prozesse und Technologie. Jede Säule wurde im Laufe der Jahre hinzugefügt, als Unternehmen gereift sind. Historisch gesehen waren Daten lediglich ein operativer Nebenprodukt dieser Säulen, das von der IT verwaltet wurde. Jetzt, in der heutigen KI-Ära, sind Daten nicht länger ein Nebenprodukt. Sie sind der primäre Treiber von Wert, können aber auch das Existenzrisiko eines Unternehmens darstellen – daher bezeichnen wir Daten als “Feuer”. Um erfolgreich zu sein, müssen Daten zu einer gleichberechtigten vierten Säule erhoben werden. Mit Daten als vierte Säule erzeugt jede Säule einen Flugzeugeffekt mit den anderen Säulen, der sie ermöglicht und von ihnen profitiert. Daten als vierte Säule stellen sicher, dass Daten die gleiche Aufmerksamkeit auf C-Level und Vorstandslevel erhalten wie Menschen, Prozesse und Technologie, und sie von einem Kostenzentrum in ein messbares Unternehmensvermögen verwandeln, das Geschäftswachstum antreibt.
Die Position des Chief Data Officers (CDO) wird als eine Kernrolle beschrieben, die mit dem CEO, CTO und anderen Senior-Exekutiven zusammenarbeiten sollte. Können Sie uns eine hochrangige Übersicht über diese Position und ihre Schlüsselverantwortlichkeiten geben?
Der CDO als Leiter der Daten-Säule ist ein Werttreiber, der Geschäftsergebnisse beschleunigt; entwickelt ein Verständnis für Datenintensität (QCS – Qualität, Compliance und Geschwindigkeit) für Geschäftsanwendungen; balanciert und wächst kontinuierlich die Daten-Nachfrage und -Angebot (durch das Data-Operating-Modell); bringt Ausführungsexzellenz in Bezug auf Menschen, Prozesse und Technologie für die Daten-Säule; und ist ein Veränderungsagent für die Planung und Ausführung der strukturellen Veränderung im gesamten Unternehmen, mit der Unterstützung des Vorstands und des CEO sowie der Beteiligung der Leiter der anderen Säulen.
Warum ist das Sammeln und Umsetzen von Daten so kritisch für die Nutzung von KI im großen Maßstab?
Wiederum sind Daten wie Feuer. Sie treiben KI an. Ein KI-Modell muss Muster, Beziehungen und Verhaltensweisen direkt aus den Daten lernen, die es erhält, um Geschäftswirkung zu erzielen. Darüber hinaus werden für KI unstrukturierte Daten (wie PDFs, Bilder und Videos) kritisch. Die meisten Unternehmen sind derzeit nicht ausreichend ausgereift, um unstrukturierte Daten zu verarbeiten. KI-Modelle werden/haben sich zu einer Ware entwickelt – Daten schaffen die Differenzierung durch die Nutzung eines KI-Modells.
Das Buch geht auf die Datenintensität ein. Können Sie kurz erklären, was das bedeutet und warum es so wichtig ist?
Datenintensität ist ein Maß dafür, wie “zweckgerecht” Ihre Daten für die Beschleunigung von Geschäftswert sind, insbesondere für die Skalierung von KI. Jeder Geschäftsfall erfordert Daten auf unterschiedliche Weise, mit unterschiedlicher Intensität. Unser Buch führt das QCS-Rahmenwerk ein, um Datenintensität über drei kritische Dimensionen zu messen:
- Qualität: Sind die Daten genau, vollständig, konsistent und zuverlässig? Dies ist das Prinzip “Müll rein, Müll raus”. Niedrigwertige Daten führen zu fehlerhaften Analysen und unzuverlässiger KI.
- Compliance: Erfüllen die Daten alle gesetzlichen und ethischen Standards, wie Datenschutzbestimmungen (wie DSGVO) und branchenspezifische Regeln? Nicht konforme Daten schaffen enormes Risiko.
- Geschwindigkeit: Sind die Daten schnell genug verfügbar, um nützlich zu sein? Dies bezieht sich auf die Geschwindigkeit, mit der Daten gesammelt, verarbeitet und für Entscheidungen bereitgestellt werden (z. B. Echtzeit- vs. Batch-Verarbeitung). Traditionell haben Unternehmen sich darauf konzentriert, in einer oder zwei Dimensionen auszureifen. Eine Bank würde in der Lage sein, in den Dimensionen Q und C zu liefern, während ein Start-up sich auf Q und S konzentrieren würde. Die Herausforderung für Unternehmen in der KI-Ära ist es, auf hohem Niveau in allen drei Dimensionen (Q, C und S) gleichzeitig und konsistent zu agieren.
Warum ist die Definition einer Datenstrategie so wichtig, und warum wird sie oft übersehen?
Die Definition einer Datenstrategie ist kritisch, da sie als Blaupause dient, die alle Datenaktivitäten direkt mit der Unternehmensstrategie verbindet. Sie skizziert den Fahrplan für die Entwicklung und Nutzung von Datenfähigkeiten, um Geschäftsergebnisse zu beschleunigen, wie z. B. Umsatzsteigerung, Effizienzverbesserung und Wettbewerbsvorteil.
Trotzdem wird eine Datenstrategie oft aus mehreren Gründen übersehen. Geschäftsführer haben historisch gesehen Daten als Nebenprodukt von Geschäftsoperationen und als technisches IT-Problem betrachtet, anstatt als strategische C-Level-Funktion. Ohne einen klaren Eigentümer, wie einen Chief Data Officer, fällt diese wesentliche Arbeit oft in eine Führungsvakanz. Dies führt dazu, dass Unternehmen direkt zu aufregenden KI-Projekten springen, ohne eine solide Datenbasis, was der Hauptgrund dafür ist, warum so viele von ihnen scheitern.
Können Sie uns erklären, was ein Datenregierungsrahmen ist, wie er sich von einer Datenstrategie unterscheidet und warum er benötigt wird, um Risiken im Zusammenhang mit der Datennutzung zu mindern?
Ein Datenstrategie definiert die Ziele, die ein Unternehmen mit seinen Daten erreichen möchte. Im Gegensatz dazu ermöglicht ein Datenregierungsrahmen es den Geschäftsanwendungen, Daten mit der erforderlichen Datenintensität (Q, C und S) zu nutzen, um den erwarteten Wert zu liefern.
Der Datenregierungsrahmen ist entscheidend, um Risiken zu mindern. Ohne Regierung werden Daten zu einer Belastung. Er stellt sicher, dass die Datenschutzbestimmungen wie DSGVO eingehalten werden, um massive Geldstrafen und rechtliche Probleme zu vermeiden. Er etabliert die Sicherheits- und Datenschutzstandards, die vor Datenlecks und dem daraus resultierenden Rufschaden schützen. Die Durchsetzung von Datenqualität verhindert teure Geschäftsentscheidungen auf der Grundlage fehlerhafter Informationen. Und KI-Agenten sind nur nützlich, wenn sie die Daten mit der erforderlichen Geschwindigkeit erhalten.
Denken Sie daran: Ihre Strategie ist das Ziel auf einer Karte; Ihr Regierungsrahmen sind die Verkehrsregeln, die Sie befolgen, um dorthin zu gelangen, ohne zu crashen.
Sie diskutieren auch das Konzept des Data-Operating-Modells (DOM). Können Sie erklären, was das ist und wie es Organisationen hilft, ihre Datenstrategie umzusetzen?
Ein Data-Operating-Modell (DOM) ist der Motor, der die Lieferung von Daten erfüllt, um die Daten-Nachfrage zu decken. Das DOM operationalisiert die Strategie, indem es hochrangige Ziele in konkrete, wiederverwendbare Aktionen übersetzt. Es ist ein praktischer Rahmen, der die Lieferung von Daten mit der erforderlichen Datenintensität industrialisiert, bestehend aus Menschen, Prozessen und Technologie.
Während die richtigen Datenstrategien und -regierungen gute Absichten sicherstellen, hängt der Erfolg oft von der Datenadoption und dem Daten-Engineering-Management ab. Können Sie diese beiden Elemente kurz diskutieren und erklären, warum Exekutiven ihnen besondere Aufmerksamkeit schenken sollten?
Der Erfolg mit Daten hängt von Datenadoption und Daten-Engineering-Management ab.
Datenadoption ist die kulturelle Seite – mit Ihren Teams, die tatsächlich Daten verwenden, um tägliche Entscheidungen zu treffen. Ohne Adoption geht die gesamte Investition in die Daten-Säule verloren.
Daten-Engineering-Management ist die technische Grundlage – den Bau und die Wartung der zuverlässigen “Datenfabrik”, die Daten sammelt und verarbeitet, um die Datenintensität (QCS) zu erfüllen.
Führungskräfte müssen beide Aspekte fördern. Eine schlechte Adoption bedeutet, dass die Investition verschwendet wird. Eine schlechte Technik bedeutet, dass das Unternehmen auf untauglichen Daten basiert (d. h. Daten, die die erforderliche Datenintensität nicht erfüllen), was zu teuren Fehlern, Vertrauensverlust, Compliance-Problemen und der Unmöglichkeit jeder KI-Initiative führt.
Das Buch ist für größere Unternehmen konzipiert, in denen Rollen wie CDO, Datenrisikomanagement, Datenzugriffsmanagement und Datenqualitäts- und Beobachtungsteams klar definiert sind. Warum sollten auch kleinere Unternehmen dieses Buch berücksichtigen, und wie können sie die fehlenden Rollen kompensieren?
Für ein kleines Unternehmen ist Daten in den meisten Fällen der größte Differenzierer. Es ist viel einfacher, die “Daten als vierte Säule”-DNA von Anfang an richtig aufzubauen, als ein großes, traditionelles Unternehmen später zu reparieren. Die richtige Datenbasis von Anfang an bietet einen massiven Wettbewerbsvorteil für Wachstum und zukünftige KI-Adoption. Wie ein CEO eines SMB-Unternehmens uns sagte: Für mich sind Daten die erste Säule, und ich bin auch der CDO.
Wenn es einen Schlüsselausklang aus Ihrem Buch gibt, was wäre das?
Der entscheidende Ausklang ist, dass Unternehmen sofort die strukturelle Veränderung umsetzen müssen, um Daten als vierte Säule des Betriebsmodells zu etablieren, gleichberechtigt mit Menschen, Prozessen und Technologie. Dies ist eine existenzielle Entscheidung, die von Vorständen und CxOs gefördert werden muss, da Daten der entscheidende Differenzierer und die unverzichtbare Grundlage sind, die erforderlich ist, um KI erfolgreich zu skalieren und einen Wettbewerbsvorteil in der Zukunft zu sichern. Unternehmen, die es versäumen, Daten als Kernsäule zu integrieren, riskieren Irrelevanz und wird in der KI-Ära nicht mithalten können. Die Zeit zum Handeln ist JETZT!
Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Data as the Fourth Pillar lesen.
Haftungsausschluss: Die in diesem Artikel geäußerten Ansichten sind die der Autoren und spiegeln nicht unbedingt die Ansichten ihrer aktuellen oder früheren Arbeitgeber wider.
