Was zeichnet ein gutes Datenprodukt aus? Was unser Team in fünf Jahren gelernt hat

In den letzten Jahren haben wir es geschafft, einen praktischen Ansatz zu entwickelt, der es ermöglicht, Datenprodukte besser zu strukturieren. Er besteht aus zwei Elementen: einer Pyramide, die Datenprodukte nach ihrem Zweck ordnet, und einem Lebenszyklusmodell, welches sie von “Geburt” bis “Stilllegung” begleitet. Dieser Blogbeitrag erklärt dir beides Schritt für Schritt.

Vor Kurzem haben wir bei einem Vortrag zum Thema Datenkompetenz das Konzept mit einer Heldenreise verglichen, um unsere Ideen verständlicher zu machen. Eine Folie war dabei besonders entscheiden. Sie zeigte wo die Kommunikation zwischen Spezialist:innen und Stakeholdern besonders häufig zu Brüche geht.

Das Kernproblem: Das mentale Modell verschiebt sich bei jedem Schritt – von der Datenerfassung über die Verarbeitung bis zum Moment, in dem jemand ein Dashboard liest. (Evelyn Münster ist eine großartige Quelle, um sein Wissen zum Thema zu vertiefen. Ihre Arbeiten haben auch diese Visualisierung inspiriert.)

Wo entstehen die Probleme? Bei der Arbeit mit Daten gibt es zwei besonders kritische Punkte, an denen regelmäßig etwas schiefgeht: beim Encoding und beim Decoding.

Nach dem Vortrag fragte ein:e Teilnehmer:in: „Verstehen die Leute eigentlich, was genau wir mit Datenprodukten meinen?" Ehrlich gesagt: Meistens nicht – vor allem, wenn Datenkompetenz und organisatorische Reife noch neu sind. Damit dieses Problem gleich von Anfang an geklärt ist:

Was ist ein Datenprodukt?

Ein Datenprodukt löst ein spezifisches Problem mit Daten. Es könnte ein Empfehlungssystem, ein Prognosemodell oder ein interaktiver Report sein. Das Ziel ist immer dasselbe: Rohdaten in etwas Sinnvolles, Umsetzbares und Bedeutungsvolles für die Nutzer:innen zu verwandeln.

Da liegt ein wichtiger Unterschied: Ein Datenprodukt ist - im Gegensatz zu einem Dashboard oder einem Datensatz - keine isolierte Liefergröße. Stattdessen ist es ein greifbares Ergebnis. Wenn es richtig eingesetzt wird, schafft es einen messbaren Impact. Dieser kann eine Prozessverbesserung sein, aber auch eine bessere Entscheidungsfindung oder durch die Unterstützung eines völlig neuen Services.

Um die Tragweite des Themas angemessen auffangen zu können, hat FELD M ein ganzes Team Datenprodukten gewidmet.

Immer wieder stoßen wir auf Dateninitiativen, die in der Pilotphase stecken geblieben sind. Im Grunde gut gemeinte Projekte, die es nie in die Produktion schaffen. Sie verschwenden Ressourcen und untergraben das Vertrauen in Daten und Technologien. Deshalb konzentrieren wir uns nicht nur darauf, Dinge richtig zu bauen – sondern auch darauf die richtigen Dinge zu bauen.

Warum Datenprojekte oft nicht den Erwartungen entsprechen

Die häufigsten Gründe:

• Keine klaren Ziele: Ohne ein gut definiertes Ziel driften Projekte ab und liefern nicht die erwünschten Ergebnisse.

• Schlechte Datenqualität: Ungenaue oder unvollständige Daten untergraben jede Analyse. Ein frühes Investment in saubere, gut strukturierte Daten zahlt sich aus.

• Zu wenig Stakeholder-Einbindung: Ohne die Unterstützung der entscheidenden Personen ist es schwer, die Adaptions- und Implementierungsphase zu erreichen.

• Fehlende Anpassung an die Geschäftsbedürfnisse: Wenn eine Lösung kein echtes Problem adressiert, wird sie nicht genutzt.

• Schwaches Projektmanagement: Ohne angemessene Kontrollen sprengen Projekte oftmals die Budgets und Zeitpläne. Struktur und Disziplin sind vom ersten Tag an entscheidend.

Brian O'Neill hat es in seinem Seminar über “human-centered data products” Seminar passend ausgedrückt: Wenn du die Person fragst, die eine schlaflose Nacht hat, wenn das Problem nicht gelöst wird, dann findest du die wichtigen Probleme. Diese Frage bringen wir in jedes Kundengespräch mit.

Was zeichnet ein gutes Datenprodukt aus?

Ein gutes Datenprodukt ist mehr als nur ein technisches Artefakt. Es folgt dem FAIR(ER)-Prinzip:

• Findable (Auffindbar): Leicht zu lokalisieren für die Nutzer:innen, die danach suchen.

• Accessible (Zugänglich): Für autorisierte Nutzer:innen ohne unnötige Barrieren verfügbar.

• Interoperable (Interoperabel): Funktioniert reibungslos mit anderen Systemen und Datenquellen.

• Reusable (Wiederverwendbar): Konzipiert für die Nutzung in mehreren Kontexten oder durch verschiedene Teams.

• Evaluable (Messbar): Performance und Impact sind messbar.

• Reproducible (Reproduzierbar): Unter denselben Bedingungen liefert es konsistente Ergebnisse.

Diese Prinzipien garantieren, dass Datenprodukte nicht nur funktional, sondern nachhaltig und wertvoll im Laufe der Zeit sind und bleiben.

Darüber hinaus teilen alle guten Datenprodukte drei weitere Qualitäten:

• Erwünscht: Es erfüllt ein reales Bedürfnis bei den Stakeholdern.

• Nutzbar: Es ist intuitiv und praktisch. Die Nutzer:innen wollen es verwenden.

• Machbar: Es kann effizient gebaut und gewartet werden, innerhalb der Grenzen von Zeit, Budget und rechtlichen Anforderungen.

Die "Data Product Pyramid": Ein strukturierter Weg, die Dinge zu betrachten

Datenprodukte haben viele Formen, können aber grundsätzlich zu einer von drei Kategorien zugeordnet werden. Die Unterscheidungsmerkmale liegen in Zweck, Komplexität und wie unmittelbar sie Entscheidungen oder Maßnahmen unterstützen. Man kann sich die drei Kategorien auch als Bausteine vorstellen. Je weiter du nach oben aufsteigst, desto raffinierter werden die Produkte und desto größer ihr Wert für Stakeholder.

Lass uns die Pyramide Schritt für Schritt erarbeiten:

1. Foundational Products: Bausteine für Wiederverwendung und Skalierbarkeit

Das sind die Datensätze und Services, die alles andere möglich machen. Foundational Products liefern keine direkten Insights. Stattdessen ermöglichen sie zuverlässige, skalierbare und effiziente Datennutzung in der gesamten Organisation.

Beispiele:

• Bereinigte und kuratierte Datensätze

• Standardisierte APIs oder Datenpipelines, die konsistenten Zugang zu Schlüsselquellen bieten

• Master-Data-Services oder Semantic Layer, die Business-Begriffe und Metriken klar definieren

Warum sie wichtig sind: Ohne ein starkes Fundament scheitern Advanced-Use-Cases leicht. Foundational Products sichern Konsistenz, Datenqualität und Wiederverwendbarkeit – damit Teams nicht jedes Mal von vorne anfangen müssen. Sie reduzieren doppelte Arbeit und bauen Vertrauen in die Datenlandschaft auf.

2. Analytical Products: Von Daten zu Insights

Diese Produkte unterstützen interne Entscheidungsfindung. Sie wandeln Rohdaten in verständliche, oft visuelle Formate um. Business-Teams, Analysten und Domain-Experten nutzen sie, um Performance zu überwachen, Trends zu erkennen oder Probleme zu untersuchen.

Beispiele:

• Interaktive Dashboards für Marketing-Performance

• Self-Service-Reporting-Tools, mit denen Teams KPIs erkunden und in spezifische Bereiche einsteigen können

Warum sie wichtig sind: Analytical Products geben Teams zeitnahe, relevante Insights – ohne dass sie sich durch Rohdaten wühlen müssen. Sie schaffen Klarheit, beschleunigen Entscheidungen und unterstützen strategisches Denken. Aber sie funktionieren nur, wenn sie an echten Business-Fragen ausgerichtet sind und durch starke Foundational Products gestützt werden.

3. Smart Products: Datengestützte Aktion und Automatisierung

Smart Data Products setzen Insights direkt in Aktion um – oft automatisch. Sie integrieren datengestützte Intelligenz in Business-Prozesse, Tools oder kundenseitige Systeme.

Beispiele:

• Personalisierungs-Engines, die Inhalte oder Empfehlungen in Echtzeit anpassen

• Prognosemodelle, die Kundenabwanderung oder Nachfrage vorhersagen

• Optimierungs-Tools, die ihre Ausgabe anpassen, während sich die Eingaben ändern

Warum sie wichtig sind: Smart Products steuern Entscheidungen direkt. Da sie in Workflows, Plattformen und Nutzererfahrungen integriert sind – oft in Echtzeit – müssen technische, geschäftliche und rechtliche Stakeholder eng zusammenarbeiten. Machbarkeit, Compliance und Effektivität sind hier entscheidend.

Der “Data Product Lifestyle”: Von der Idee zum Impact

Ein Datenprodukt durchläuft vier Phasen:

• Explore: Das Problem verstehen. Anforderungen sammeln und definieren, was am wichtigsten ist.

• Build: Ein Minimum Viable Product (MVP) entwickeln. Anhand von Stakeholder-Feedback den Prozess wiederholen.

• Produce: Das Produkt in die Produktion nehmen. Warten und überwachen.

• Retire: Den laufenden Impact bewerten. Wenn ein Produkt seinen Zweck nicht mehr erfüllt, stelle es ein. Nicht jedes Dashboard oder jeder Datensatz sollte für immer bestehen.

Mit einer guten Verwaltung des Lebenszyklus’ stellt man sicher, dass Datenprodukte wertvoll bleiben und sich an verändernde Geschäftsbedürfnisse.

Unser Ansatz bei FELD M

Wir kombinieren Expertise in Data Engineering, Data Science und Business Intelligence, um Datenprodukte zu schaffen, die unsere Anforderungen erfüllen:

• Nutzerorientiert: Entworfen für den Endnutzer, Adoption und Nutzbarkeit stehen im Fokus.

• Geschäftsorientiert: Gebaut rund um spezifische Geschäftsziele und Herausforderungen.

• Technisch fundiert: Aufgebaut auf robusten, skalierbaren Technologien.

• Iterativ entwickelt: Verfeinert durch kontinuierliches Feedback und Verbesserung.

Wir verankern unsere Arbeit in Design Thinking und Agile-Prinzipien.

Eine vergrößerte Version der Graphik findest du  hier.

• Double-Diamond-Ansatz: Wir erforschen das vorliegende Problem gründlich, bevor wir anfangen eine Lösung zu entwickeln. Das heißt: Wir hinterfragen Annahmen und stellen die schwierigen Fragen. Nur so stellen wir sicher, dass wir das richtige Problem lösen.

• Agile Iterationen: Wir arbeiten in kurzen Zyklen, bauen Prototypen und sammeln regelmäßig Feedback von unseren Kund:innen. So bleiben wir mir den Anforderungen unserer Kunden synchron und umgehen teure Fehlinvestitionen.

• Hohe Standards, praktischer Ansatz: Wir streben nach nachhaltigen, hochwertigen Ergebnisse. Das bedeutet: Wir passen unsere Arbeit an Budget, Zeitplan und Kundenbedürfnisse an. Und wir sind bereit, das Kernproblem während des Vorgehens immer wieder neu zu bewerten, wenn sich die Erkenntnisse ändern.

Fazit

Für uns bedeutet ein Datenprodukt messbare geschäftliche Ergebnisse. Wir lösen die richtigen Probleme mit den richtigen Lösungen.

Wir schaffen Struktur und Transparenz bei jeder Zusammenarbeit. Das heißt: klare Ziele, bevor wir bauen. Prototypen, die du frühzeitig testen kannst. Und einen Lebenszyklus, der geplant ist statt dem Zufall überlassen.

Du hast ein Datenprodukt, das nicht vorankommt? Lass uns darüber sprechen.