Data & Analytics Strategie im SAP-Umfeld

Ein Beitrag von Caroline Hettwer, SAP Consultant aus dem Team Data, Analytics & Sustainability DAS der BA Business Advice GmbH.

Die meisten Unternehmen haben keine Wissenslücke beim Thema Daten. Sie wissen, dass Datenqualität wichtig ist, dass Excel keine Analyseplattform ist und dass KI ohne saubere Datenbasis nicht funktioniert. Trotzdem stecken viele noch im selben Muster fest: Berichte werden manuell zusammengebaut, Zahlen aus verschiedenen Systemen widersprechen sich, und KI bleibt höchstens ein Pilotprojekt, das nie in den Betrieb übergeht.

Woran liegt das und wie kommt man da raus?

Das eigentliche Problem ist selten technisch. Wenn Analytics-Vorhaben nicht vorankommen, liegt das meistens nicht an fehlender Technologie. SAP Datasphere, SAP Analytics Cloud, S/4HANA Embedded Analytics – die Werkzeuge existieren. Das Problem liegt woanders. In der Praxis sehen wir immer wieder drei Muster:

1. Keine strategische Grundlage: Die Technologieentscheidung fällt, bevor klar ist, welche Geschäftsfragen überhaupt beantwortet werden sollen. Das führt zu Systemen, die technisch funktionieren, aber niemand wirklich nutzt.
2. Unbekannte Datensilos: Daten liegen verteilt über ERP, CRM, Legacy-Systeme und Excel-Listen, die sich über Jahre zum inoffiziellen Herzstück der Berichterstattung entwickelt haben. Wer diese Landschaft nicht systematisch erfasst hat, baut auf unbekanntem Fundament.
3. Governance, die im Projektstress vergessen wird: Wer darf Daten pflegen? Wer ist verantwortlich, wenn Zahlen nicht stimmen? Ohne klare Antworten entstehen dieselben Probleme nach der Einführung einer neuen Plattform erneut – nur mit teurerer Software darunter.

Zwei Beispiele, die das greifbar machen

Lagerkosten im Handel:
Ein Handelsunternehmen kämpft mit hohen Lagerbeständen. Der Einkauf arbeitet mit eigenen Excel-Prognosen, der Vertrieb meldet Abverkäufe mit Zeitverzug, das ERP zeigt den aktuellen Bestand – aber nicht, was in zwei Wochen benötigt wird.

Das Problem ist nicht, dass das ERP schlechte Daten liefert. Das Problem ist, dass niemand alle relevanten Datenströme zusammenführt und daraus eine Forecasting-Logik ableitet. Erst wenn klar ist, welche Daten wo liegen und wie sie zusammenspielen müssen, macht eine technische Lösung – etwa KI-gestützte Nachfrageprognosen oder ein Live-Dashboard für Ladenhüter – wirklich Sinn.

Vertriebseffizienz in der Industrie:
Ein Industrieunternehmen möchte seine Vertriebspipeline transparenter machen. Es wird ein Dashboard eingeführt. Sechs Monate später nutzt es kaum jemand – weil die Daten, die darin erscheinen, von Vertriebsmitarbeitern als unzuverlässig eingestuft werden.

Das ist ein klassisches Governance-Problem: Wer pflegt CRM-Daten, nach welchem Standard, und was passiert, wenn sie fehlen? Ein Dashboard auf schlechter Datenbasis schafft kein Vertrauen – es verstärkt das Misstrauen. Bevor man in Visualisierung investiert, muss die Datenbasis stimmen.

Was eine Analytics-Strategie leisten muss – und was nicht

Vor jeder Implementierung sollten vier Fragen bezüglich einer Data & Analytics Strategie beantwortet sein:

Wo stehen wir heute?
Das klingt banal, ist es aber nicht. Ein ehrlicher Blick auf die aktuelle Datenlandschaft zeigt meistens: mehr Redundanzen, mehr manuelle Prozesse und mehr Abhängigkeit von Einzelpersonen als gedacht. Ohne diese Bestandsaufnahme fehlt die Grundlage für alle weiteren Entscheidungen.

Was wollen wir wirklich erreichen?
Allein „Bessere Daten“ ist kein brauchbares Ziel. Konkreter könnte es heißen: „Wir wollen Lagerbestände so steuern, dass gebundenes Kapital um 15 % sinkt“ oder „Vertriebsleiter sollen Forecast-Abweichungen selbst erkennen können, ohne wöchentliche Reports abzuwarten.“ Solche Ziele lassen sich in technische Anforderungen übersetzen. „Bessere Daten“ nicht.

Welche Architektur passt dazu?
Nicht jedes Unternehmen braucht dasselbe. Ein mittelständisches Industrieunternehmen mit klarer SAP-Landschaft hat andere Anforderungen als ein Konzern mit heterogener IT. Die Architekturentscheidung sollte aus den Zielen folgen – nicht aus dem, was gerade im Markt Aufmerksamkeit bekommt.

Wie wird das Ganze betrieben?
Ein neues System, das nach 18 Monaten wieder von Excel-Listen flankiert wird, war kein Erfolg. Governance-Strukturen, Rollen und Self-Service-Fähigkeiten müssen Teil des Konzepts sein – nicht ein Thema für später.

Strategie zuerst, Technologie danach

Die Frage ist nicht, ob SAP Analytics Cloud, Datasphere oder ein anderes Tool das richtige ist. Die Frage ist, was das Unternehmen konkret erreichen will, was dafür an Daten und Strukturen gebraucht wird und wie das dauerhaft betrieben werden soll.

Wer diese Fragen vor der Technologieentscheidung beantwortet, spart sich teure Kurswechsel auf halbem Weg. Wer sie danach beantwortet, merkt es spätestens dann, wenn das nächste Excel-Sheet auftaucht.

Und wer diesen Schritt nicht alleine gehen möchte: Wir begleiten Unternehmen genau in dieser Phase. Von der Bestandsaufnahme bis zur fertigen Data & Analytics Roadmap.