Mit dem Business & Process Automation Reifegrad-Check von Axians bestimmen Sie Ihren aktuellen Stand – und erfahren, wo die grössten Hebel liegen. 

Doch nicht nur auf die Speicherung, vor allem auch auf die Qualität der Daten kommt es an. Datenqualität ist die grösste Herausforderung für Schweizer Unternehmen, die Daten strukturiert nutzen wollen. Über 80 % der Führungskräfte stufen diesen Faktor als «sehr bedeutend» ein – noch vor Datensicherheit, Betrieb und Finanzierung (swissdataaliance.ch).

Gleichzeitig fehlt es an Interoperabilität: Mehr als 75 % sehen technische, semantische und organisatorische Interoperabilität als kritisch an – aber die grösste Einzelhürde bleibt laut einer Studie der Berner Fachhochschule im Auftrag von digitalswitzerland und der Swiss Data Alliance die «Definition, Durchsetzung und Einhaltung standardisierter Formate».

Hinzu kommt ein strukturelles Muster: Die meisten Daten-Initiativen in der Schweiz sind in öffentlich-rechtlichen oder stark regulierten Sektoren angesiedelt. Industrie und Fertigung sind mit je 5 % stark untervertreten (swissdataaliance.ch). Im privatwirtschaftlichen Umfeld fehlt dabei oft nicht der Wille, sondern die strukturelle Grundlage: eine klare Plattformstrategie, verbindliche Standards und definierte Governance.

Fehlende Datenqualität und Integration haben direkte Auswirkungen auf Entscheidungen, Prozesse und Wettbewerbsfähigkeit. Nur 8 % der Schweizer Unternehmen verfügen über eine konsistente Datenstruktur – das bedeutet: 92 % treffen strategische und operative Entscheidungen auf einer lückenhaften Grundlage (corpin.ch).

Und das Potenzial, das am stärksten ungenutzt bleibt, sind ausgerechnet jene Daten, die für KI-Anwendungen entscheidend wären: personenbezogene und unstrukturierte Daten spielen bei Schweizer Unternehmen bisher eine untergeordnete Rolle (swissdataaliance.ch). Die Gründe sind auch hier fehlende rechtliche Grundlagen, fehlende Standards und fehlende Infrastruktur. Die Folge: Investitionen in Analytics, Automatisierung und KI entfalten nicht die erwartete Wirkung.

Die Lösung liegt folglich nicht in der Einführung eines weiteren Tools. Sie liegt in der Fähigkeit, Daten so aufzubereiten, dass sie systemübergreifend nutzbar, qualitativ belastbar und governance-seitig klar verantwortet sind.

Konkret bedeutet das:

Datenqualität sichern

Klare Standards für Datenerfassung, -pflege und -beschreibung definieren. Ohne verlässliche Daten gibt es keine verlässlichen Entscheidungen.

Integration schaffen

Die bestehende Systemlandschaft transparent machen: Welche Systeme existieren? Welche Schnittstellen gibt es? Wo entstehen Brüche? Erst diese Transparenz schafft die Grundlage für eine funktionierende Integrationsarchitektur.

Governance etablieren

Verantwortlichkeiten für Daten klären, nicht nur technisch, sondern organisatorisch. Wer pflegt welche Daten? Wer entscheidet über Nutzung und Zugang? Ohne klare Rollen bleibt Datenqualität eine Absichtserklärung.

Daten als Produkte denken

Daten müssen für die Nutzenden sichtbar, zugänglich und in standardisierten Formaten verfügbar sein – inklusive Metadaten, die beschreiben, was ein Datensatz enthält, wie aktuell er ist und unter welchen Bedingungen er genutzt werden darf.