Blog

SAP Datashere kommt. Und mit ihr der Erfolg. So einfach stellen es sich jedenfalls viele Unternehmen vor. Oft folgen Ernüchterung und die Erkenntnis, dass ein Dashboard und ein Datenmodell allein keinen Geschäftsnutzen machen. Doch wo hakt es? Und warum treffen so viele Unternehmen trotz Datasphere keine besseren Entscheidungen?

Viele Unternehmen investieren heute in moderne Datenplattformen. Mit SAP Datasphere und der SAP Business Data Cloud stellt SAP dafür zentrale Bausteine bereit. Ziel ist es, Datenintegration, semantische Modellierung, Governance und Data Products in einer gemeinsamen Umgebung zu vereinen.

Das klingt hervorragend und verspricht viel. Umso größer ist manchmal die Enttäuschung nach dem Go-live. Ja, die Datenqualität ist besser, die Transparenz höher und Dashboards sind schneller verfügbar. Trotzdem werden Diskussionen in vielen Management-Meetings nicht kürzer. Die Zahlen liegen auf dem Tisch und jeder blickt auf dasselbe Dashboard. Doch dann beginnt die Diskussion zu den immer gleichen Fragen:

„Welche Zahl stimmt eigentlich?“
„Ist das der fakturierte Umsatz oder der Auftragseingang?“
„Können wir die Daten noch einmal prüfen?“

Statt Entscheidungen zu treffen, werden Zahlen interpretiert. Statt Maßnahmen zu setzen, entstehen neue Analyseaufträge. Genau hier zeigt sich: Das Problem liegt nicht in der Datenplattform. Häufig zeigt sich vielmehr, dass zwischen Datenmodell und Entscheidung noch eine oft unterschätzte Lücke besteht.

Informationen sind noch keine Entscheidungen

SAP Datasphere kann Daten bereitstellen. Und das Dashboard beantwortet meist eine zentrale Frage: Was ist passiert? Es sorgt aber nicht automatisch dafür, dass Menschen schneller, klarer oder konsequenter entscheiden. Wer ein datengetriebenes Unternehmen, so wie McKinsey es beschreibt, sein will, muss dafür Daten tatsächlich in Interaktionen und Geschäftsprozesse einbetten.

Dazu sind wichtige Fragen zu stellen:

• Warum ist etwas passiert?
• Ist die Abweichung überhaupt relevant?
• Welche Bereiche sind betroffen?
• Welche Handlungsoptionen gibt es?
• Was passiert, wenn keine Maßnahme gesetzt wird?

Ein Vertriebsleiter kann beispielsweise innerhalb weniger Sekunden sehen, wie sich der Umsatz in Deutschland im letzten Quartal entwickelt hat. Die eigentliche Arbeit beginnt danach: Müssen Preise angepasst werden? Gibt es Lieferengpässe? Ist ein Kundensegment weggebrochen oder handelt es sich um einen saisonalen Effekt? 

Die Information steht bereit. Die Bewertung und die Entscheidung bleiben Führungs- und Fachbereichsaufgabe. 

Semantik ist nicht nur Technik, sondern Verständigung

Mit einer Datenplattform ist doch eigentlich alles bereitet, um Erfolge zu schreiben. Doch warum fällt es dann vielen Unternehmen so schwer, von Informationen zu Entscheidungen zu kommen?

Ein Grund liegt überraschend selten in fehlenden Daten. Häufiger fehlt ein gemeinsames Verständnis darüber, was die vorhandenen Daten eigentlich bedeuten. Genau deshalb spielt Semantik in Datasphere eine so zentrale Rolle.

SAP beschreibt semantische Modelle als Grundlage für ein einheitliches Verständnis von Kennzahlen, Hierarchien und Geschäftsobjekten. Auch Funktionen wie „Generate Semantics“ unterstützen, indem sie Fakten, Dimensionen, Attribute und semantische Typen vorschlagen. Gleichzeitig weist SAP darauf hin, dass wichtige fachliche Zusammenhänge, beispielsweise Hierarchien, nicht automatisch erkannt werden können. Die fachliche Klärung bleibt also weiterhin notwendig.

Auch hier lassen sich die Feinheiten und Nuancen am besten mit einem Beispiel darlegen. Nehmen wir den Begriff „Umsatz“. Je nach Fachbereich kann damit etwas völlig Unterschiedliches gemeint sein:

• Auftragseingang
• fakturierter Umsatz
• Nettoerlös nach Rabatten
• Umsatz nach Storno
• Umsatz nach Lieferdatum
• Umsatz nach Buchungsdatum

Wenn Vertrieb, Controlling und Management unterschiedliche Definitionen verwenden, entsteht kein gemeinsames Lagebild. Dann sehen zwar alle dieselbe Kennzahl, verstehen darunter jedoch etwas anderes. Semantik ist deshalb weit mehr als die Beschriftung einer Spalte. Sie ist die grundlegende Einigung darüber, was eine Zahl im Unternehmen tatsächlich bedeutet.

Einfache Fragen erfordern klare Definitionen

Mit Just Ask können Anwender:innen in SAP Analytics Cloud Fragen in natürlicher Sprache stellen und Antworten als Kennzahlen oder Diagramme erhalten. Joule bietet ebenfalls einen dialogorientierten Zugang zu analytischen Informationen. Dabei greifen beide Funktionen auf vorbereitete Analysemodelle zurück, die fachlich konsistent beschrieben und strukturiert sein müssen.

Damit werden Analysen deutlich leichter zugänglich. Die Anforderungen an das zugrunde liegende Datenmodell steigen jedoch. Eine scheinbar einfache Frage wie „Zeige mir die Marge nach Produktgruppe“ wirft sofort weitere Fragen auf:

• Welche Marge ist gemeint?
• Deckungsbeitrag 1 oder 2?
• Mit oder ohne Frachtkosten?
• Nach welcher Produktgruppendefinition?
• Für Ist, Plan oder Forecast?

Je einfacher die Oberfläche wird, desto eindeutiger müssen Kennzahlen, Dimensionen und Geschäftsbegriffe darunter definiert sein. Natürliche Sprache erleichtert den Zugang zu Daten, ersetzt aber keine klaren Definitionen.

Data Products brauchen Verantwortung

Gehen wir also mal davon aus, dass Kennzahlen und Begriffe definiert wurden. Dann sollte der Erfolg doch schon zum Greifen nah sein, oder? Schön wäre es. Doch ist diese Hürde überwunden, stellt sich schon die nächste in den Weg: Wer übernimmt die Verantwortung dafür?

Mit dem Konzept der Data Products versucht SAP genau dieses Problem zu adressieren. Daten sollen nicht nur technisch verfügbar sein, sondern auch als wiederverwendbare, fachlich verständliche und „gegovernte“ Produkte bereitgestellt werden. In der Praxis jedoch werden Modelle aufgebaut, Views entwickelt und Dashboards erstellt. Fragt man später nach dem Verantwortlichen, wird es oft still.

Dabei braucht es Antworten auf folgende Fragen:

• Wer ist fachlicher Owner?
• Wer entscheidet über KPI-Definitionen?
• Wer prüft die Datenqualität?
• Wer dokumentiert bekannte Einschränkungen?
• Wer gibt ein Modell offiziell frei?

Wie groß diese Problematik werden kann, wenn diese Dinge nicht geklärt sind, wird gerade bei bereichsübergreifenden Modellen sichtbar. Ein Customer-360-Modell enthält beispielsweise Daten aus Vertrieb, Service, Faktura und möglicherweise externen Quellen. Solange nicht klar geregelt ist, welche Kundendefinition führend ist oder wie Dubletten behandelt werden, bleibt Raum für Diskussionen.

Ein Datenprodukt entfaltet seinen Wert erst dann, wenn klar geregelt ist, wer für Inhalt, Qualität und Weiterentwicklung verantwortlich ist.

Entscheidungen müssen im Prozess landen

Der vielleicht häufigste Grund für ausbleibenden Geschäftsnutzen liegt jedoch noch an einer anderen Stelle. Viele Unternehmen erstellen gute Analysen. Die daraus abgeleiteten Entscheidungen bleiben jedoch außerhalb der Geschäftsprozesse, wie einige typische Beispiele aus unterschiedlichen Bereichen zeigen:

Working Capital

Ein Dashboard zeigt überfällige Forderungen. Wichtiger als die Analyse wäre oft die Frage:

• Welche Kunden müssen heute kontaktiert werden?
• Wer übernimmt das?
• Welche Eskalationsregel gilt?

Vertrieb

Ein Forecast weicht von der Pipeline ab. Die eigentliche Fragestellung lautet:

• Welche Opportunities sind kritisch?
• Welche Annahmen haben sich verändert?
• Wer entscheidet über Gegenmaßnahmen?

Auch auf die Gefahr hin, dass ich mich wiederhole, wird klar: Ein Dashboard ist kein Prozess. Es wird erst dann wirksam, wenn daraus eine konkrete Handlung entsteht.

Die letzte Meile ist die schwerste

Auf der letzten Meile zwischen Daten und echter Entscheidung stellen sich fünf einfache Fragen:

1. Verstehen alle dieselbe Kennzahl?
2. Ist klar, welche Datenquelle führend ist?
3. Gibt es einen fachlichen Verantwortlichen?
4. Ist die Erkenntnis mit einer Handlung verbunden?
5. Wird überprüft, ob die Entscheidung tatsächlich gewirkt hat?

Wer diesen Weg geht und die Fragen beantworten kann, ist fast dort, wo Unternehmen mit modernen Datenplattformen hinwollen. Darin zu investieren, ist wichtig und richtig. Die meisten Unternehmen haben damit inzwischen Zugriff auf mehr Daten als jemals zuvor. Der Business Impact entsteht aber nicht durch die Plattform allein, sondern durch gemeinsame Definitionen, klare Verantwortlichkeiten und Entscheidungen, die konsequent in Geschäftsprozesse überführt werden.