Woran Entscheider ein nutzbares Datenprodukt erkennen

Ein Nutzer findet das Datenprodukt im Katalog, weiß aber nicht: welche fachliche Frage es beantwortet, für welchen Zweck es entwickelt wurde, welche Definitionen zugrunde liegen, welche zeitliche Sicht verwendet wird, welche Grenzen der Nutzung bestehen, welche Qualität zugesichert wird, wer bei einer Abweichung entscheiden kann und ob das Produkt auch für einen anderen Bereich geeignet ist. Das Datenprodukt ist auffindbar. Aber noch nicht anschlussfähig. Ein technisches Asset wird nicht dadurch zum Produkt, dass man Produktfelder darum herum anlegt.

Im Steuerungskreis steht das Datenprodukt auf Grün. Auf die Frage, ob „aktiver Kunde“ einen gültigen Vertrag, fakturierten Umsatz oder tatsächliche Nutzung meint, gibt es jedoch drei Antworten. Der Owner ist eingetragen, darf den Konflikt aber nicht verbindlich entscheiden. Genau in diesem Moment zeigt sich der Unterschied zwischen einem veröffentlichten Datenbestand und einem nutzbaren Produkt.

Eine Tabelle enthält strukturierte Daten. Ein Dashboard visualisiert Kennzahlen. Eine API bietet technischen Zugriff. Ein Datenprodukt muss darüber hinaus ein fachliches Leistungsversprechen enthalten. Es beantwortet eine wiederkehrende fachliche Frage und macht nachvollziehbar: welchen Nutzen es stiftet, welche Bedeutung gilt, wo diese Bedeutung gilt, welche Leistung erwartet werden kann und wer dafür einsteht. Erst dann können andere Teams es verwenden, ohne die ursprüngliche Projektgruppe jedes Mal erneut zusammenrufen zu müssen.

Ein tragfähiges Datenprodukt verbindet fünf Dimensionen. Fehlt eine davon, bleibt es trotz technischer Bereitstellung schwer nutzbar.

Zweck und Nutzen. Ein gutes Datenprodukt beginnt nicht mit einer Tabelle, sondern mit einer Frage. Welche Entscheidung unterstützt es? Für welche Nutzergruppe? In welchem wiederkehrenden Arbeitsfall? Welches bestehende Problem reduziert es? Ein allgemeiner Satz wie „stellt Kundendaten bereit“ genügt nicht.

Semantik und Geltung. Begriffe benötigen Kontext. Was bedeutet „Kunde“, „Umsatz“ oder „verfügbar“ hier? Welche fachliche Körnung liegt vor? Welche zeitliche Perspektive gilt? Für welche Domäne oder Nutzung ist die Definition geeignet? Welche Abgrenzungen sind wichtig? Mehrere Definitionen können legitim sein. Entscheidend ist, dass ihre Geltung sichtbar bleibt.

Verantwortung und Vereinbarung. Ein Owner-Feld allein schafft keine Verantwortung. Relevant ist: Welche Entscheidungen darf die Person treffen? Welche Leistung verantwortet sie? Wer kann Ausnahmen genehmigen? Wer priorisiert Verbesserungen? Welche Vereinbarungen bestehen mit den Nutzern? Ownership ohne Entscheidungsbefugnis ist nur eine Zuordnung.

Nutzbarkeit und Vertrauen. Technische Verfügbarkeit ist nur ein Teil der Nutzbarkeit. Nutzer müssen einschätzen können: Wie aktuell sind die Daten? Welche Qualitätsgrenzen bestehen? Welche Nutzung ist vorgesehen? Welche Abhängigkeiten existieren? Welche Änderungen sind zu erwarten? Welche Einschränkungen müssen berücksichtigt werden? Vertrauen entsteht nicht durch ein grünes Statussymbol, sondern durch nachvollziehbaren Kontext.

Nutzung und Feedback. Ein Produkt entwickelt sich durch seine Nutzung weiter. Wird es tatsächlich verwendet? Für welche neuen Zwecke? Welche Fragen treten wiederholt auf? Welche Definitionen führen zu Missverständnissen? Welche Regeln oder Qualitätsanforderungen müssen angepasst werden? Ohne Rückkopplung bleibt ein Datenprodukt ein statisches Projektergebnis.

Eine KI kann ein formal beschriebenes Datenprodukt finden und daraus eine Antwort erzeugen. Sie erkennt aber nicht automatisch: ob der Zweck zur Anfrage passt, ob die verwendete Definition für den aktuellen Bereich gilt, ob eine Ausnahme relevant ist oder ob eine fachliche Entscheidung noch offen ist. Je besser KI Inhalte formuliert, desto wichtiger wird deshalb die Qualität des zugrunde liegenden Kontextes. Nicht mehr Beschreibungstext macht ein Datenprodukt AI-ready. Geklärte Bedeutung, Einsatzbereich und Verantwortung tun es.

Ein Datenprodukt ist anschlussfähig, wenn ein neuer Nutzer ohne persönliches Vorwissen beantworten kann:

1. Welche fachliche Frage beantwortet es?
2. Welche Bedeutung gilt?
3. Wo liegen die Grenzen?
4. Wer kann verbindlich entscheiden?
5. Wie fließt Feedback zurück?

Bleiben mehrere dieser Fragen offen, ist das Datenprodukt möglicherweise technisch fertig. Als Produkt ist es noch nicht fertig.