Ronny Kober verantwortet als Data Platform Lead bei Sunfire die unternehmensweite Analytics-Infrastruktur – und hat den Weg von chaotischen Datensilos zu einer modernen, KI-gestützten Datenplattform selbst durchlaufen. Im Gespräch mit Scavenger AI teilt er die Erkenntnisse daraus: ohne Hype, ohne Buzzword-Parade, dafür mit konkreten Prinzipien, die für jedes Unternehmen anwendbar sind. Dieser Artikel fasst die wichtigsten zusammen.
Das Problem, das fast jedes Unternehmen kennt
Daten zu haben und Daten zu nutzen sind zwei grundverschiedene Dinge.
Die meisten mittelständischen Unternehmen sitzen auf enormen Mengen an Daten – aus ERP-Systemen (Enterprise Resource Planning, also Software zur Unternehmenssteuerung), CRM-Systemen (Customer Relationship Management, zur Verwaltung von Kundenbeziehungen), aus Produktionsanlagen, Vertriebstools und Dutzenden weiterer Quellen. Das Problem: Diese Daten liegen verstreut in sogenannten Datensilos – isolierten Inseln, die nicht miteinander sprechen. Marketing hat seine Zahlen, der Vertrieb hat seine, die Finanzabteilung hat ihre eigene Excel-Tabelle.
Sobald Nutzende einmal falsche oder inkonsistente Zahlen in einem Dashboard sehen, verlieren sie das Vertrauen. Und dann beginnt das eigentliche Chaos: Jedes Team baut sich seine eigene Lösung, seinen eigenen Report, seine eigene Wahrheit. Am Ende misst jede Abteilung dieselben KPIs (Key Performance Indicators, also wichtige Kennzahlen) anders – und niemand weiß mehr, welchen Zahlen man vertrauen soll. In der Fachwelt nennt man das Shadow BI: ein Schatten-Berichtswesen, das parallel zur offiziellen Dateninfrastruktur entsteht und sie untergräbt.
Laut einer Studie aus dem Jahr 2024/2025 ist mangelnde Datenqualität der häufigste Grund, warum Datenprojekte scheitern – in fast 44 % aller Fälle. Das deckt sich exakt mit dem, was erfahrene Data Platform Teams aus der Praxis berichten.
Datenstrategie beginnt nicht mit Tools – sondern mit einer Frage
Ronny Kober zegt eines der wichtigsten Prinzipien auf, das in der Praxis trotzdem am häufigsten ignoriert wird: Eine Datenstrategie beginnt nicht mit der Wahl eines Tools.
Viele Unternehmen machen genau diesen Fehler. Sie evaluieren wochenlang Plattformen, vergleichen Anbieter, investieren in Lizenzen – und verlieren dabei aus dem Blick, was sie eigentlich mit den Daten erreichen wollen. Die richtige Reihenfolge ist eine andere: Zuerst die Frage stellen, was die Daten für das Unternehmen leisten sollen. Welche Entscheidungen sollen damit besser getroffen werden? Welche Prozesse sollen transparenter werden? Welche Fragen bleiben heute unbeantwortet, weil die Datenbasis fehlt?
Erst dann kommt der zweite Schritt: ein konkreter Use Case.
Das Skateboard-Prinzip: Lean starten, schnell Mehrwert schaffen
Wer schnell von A nach B kommen will, baut nicht sofort ein Auto. Er baut ein Skateboard – simpel, funktioniert sofort, bringt einen schneller ans Ziel als gar nichts. Übertragen auf Datenprojekte bedeutet das: Nicht sofort eine vollständige Datenplattform aufbauen. Stattdessen einen Use Case identifizieren, die relevanten Daten aus den bestehenden Systemen exportieren – notfalls als CSV-Dateien – und mit einfachen Mitteln visualisieren. Dann prüfen: Bringt das Mehrwert? Beantwortet es die Fragen, die wir uns stellen?
Wenn ja, geht man den nächsten Schritt. Wenn nicht, hat man wenig Zeit und Geld verloren.
Dieses Lean-Prinzip aus der agilen Softwareentwicklung wird im Datenbereich noch viel zu selten konsequent angewendet – und ist genau der Ansatz, der es auch kleineren Teams ermöglicht, schnell echte Ergebnisse zu liefern. Es ist auch der Gedanke, der hinter Scavenger AI steht: In wenigen Tagen einsatzbereit, ohne monatelange BI-Projekte, ohne wochenlange Dashboard-Programmierung – einfach eine Frage stellen und eine Antwort erhalten.
Vertrauen in Daten: Die unterschätzte Grundlage jeder KI Analytics
Bevor ein Unternehmen über KI Analytics nachdenkt, muss eine andere Frage beantwortet sein: Können wir unseren Daten vertrauen?
Datenqualität ist keine technische Nebensache, sondern die Grundlage, auf der alles andere aufbaut. Schlechte Datenqualität bedeutet nicht nur falsche Dashboards – sie bedeutet falsche Entscheidungen. Und schlechte Entscheidungen auf Basis falscher Daten können teurer sein als gar keine datengetriebenen Entscheidungen.
Wie stellt man Datenqualität sicher? Der Ansatz, der sich in der Praxis bewährt hat, orientiert sich stark an moderner Softwareentwicklung: automatisierte Tests für Datenpipelines, klare Standards für die Datenverarbeitung, und ein Architekturprinzip, das sicherstellt, dass Rohdaten jederzeit vorhanden sind und Fehler in der Verarbeitung – nicht in den Originaldaten – korrigiert werden.
Konkret: Wenn ein Fehler in der Datenverarbeitung entdeckt wird, werden die Rohdaten nicht angefasst. Stattdessen wird die Transformation – also der Prozess, der Rohdaten in nutzbare Kennzahlen umwandelt – korrigiert und erneut ausgeführt. Das erlaubt es, jederzeit reproduzierbare, verlässliche Ergebnisse zu erzeugen.
Die Medallion-Architektur: Bronze, Silver, Gold
Wer sich mit modernen Datenplattformen beschäftigt, stößt früher oder später auf die Medallion-Architektur – einen Ansatz, den Databricks geprägt hat und der sich als Best Practice in der Data-Engineering-Welt etabliert hat.
Das Prinzip ist einfach zu verstehen: Daten durchlaufen drei Schichten.
Die Bronze-Schicht enthält die Rohdaten – unverändert, direkt aus den Quellsystemen. Diese Schicht ist das Sicherheitsnetz: Egal was passiert, die Originaldaten sind immer verfügbar.
Die Silver-Schicht enthält bereinigte, aufbereitete Daten. Duplikate werden entfernt, fehlende Werte ergänzt, Inkonsistenzen behoben. Hier findet die eigentliche Datenqualitätsarbeit statt.
Die Gold-Schicht schließlich enthält fertig aufbereitete Kennzahlen und Datensätze, die direkt für Business Intelligence und Reporting genutzt werden können. Ein BI-Tool (Business Intelligence Tool, also eine Software zur Datenvisualisierung und -analyse) wie Power BI, Grafana oder Looker greift auf diese Schicht zu – und führt selbst keine Berechnungen oder Transformationen mehr durch.
Das Ergebnis: Alle Abteilungen sehen dieselben Zahlen, berechnet nach denselben Regeln. Das Shadow-BI-Problem löst sich auf. Ein zentrales Prinzip dabei: Die gesamte Transformation findet in der Datenplattform statt – nicht im BI-Tool. Das BI-Tool visualisiert nur, was der Gold-Layer bereits aufbereitet hat.
SQL: Der unterschätzte Standard im KI-Zeitalter
SQL (Structured Query Language) ist eine Programmiersprache, mit der man Daten aus Datenbanken abfragen und verarbeiten kann. Sie ist über 50 Jahre alt – und relevanter denn je.
Laut Ronny Kober bleibt SQL auch im Zeitalter von KI Analytics der zentrale Standard – aus mehreren Gründen. Erstens ist SQL deklarativ: Man beschreibt, was man möchte, nicht wie man es berechnet. Das macht es lesbar und verständlich, auch für Menschen ohne tiefen technischen Hintergrund. Zweitens ist SQL der gemeinsame Nenner zwischen Data Engineers und Analysten – beide sprechen diese Sprache, was die Zusammenarbeit in kleinen Teams enorm vereinfacht. Drittens bauen alle modernen Datenplattformen auf SQL auf – von Databricks über Snowflake bis BigQuery.
Und KI? Die macht SQL nicht überflüssig, sondern macht Menschen, die SQL beherrschen, produktiver. Generative KI kann SQL-Abfragen vorschlagen, Fehler erklären, komplexe Joins vereinfachen. Aber das Ergebnis muss verstanden und geprüft werden – besonders bei weniger erfahrenen Analysten ist kritisches Prüfen der KI-generierten Abfragen entscheidend.
Scavenger AI geht hier noch einen Schritt weiter: Die Plattform übersetzt natürliche Sprache automatisch in SQL, führt die Abfragen aus und präsentiert die Ergebnisse als Grafiken, Tabellen oder Text – ohne dass der Nutzer eine einzige Zeile Code schreiben muss. Der semantische Layer, den Scavenger aufbaut, ist dabei der entscheidende Faktor: Er stellt sicher, dass die KI die Datenstruktur, die Geschäftslogik und die Bedeutung einzelner Felder wirklich versteht – und damit verlässliche Antworten liefert.
Generative BI: Das Ende der Dashboard-Fabrik?
Die meisten Unternehmen kennen das Muster: endlose Dashboard-Bibliotheken, die niemand pflegt und kaum jemand wirklich nutzt. Dashboards werden auf Anfrage gebaut, landen irgendwo im BI-Tool, werden zwei- oder dreimal aufgerufen – und verschwinden dann im digitalen Nirwana. Gleichzeitig stapeln sich neue Anfragen beim Datenteam.
Die meisten dieser Anfragen sind dabei strukturell einfach. "Wie haben sich meine Top-10-Kunden im letzten Quartal entwickelt?" "Welche Produkte laufen in Region X am besten?" Für solche Fragen braucht man kein aufwendiges Dashboard – man braucht eine schnelle, verlässliche Antwort.
Genau hier setzt Generative BI an: KI-Systeme, die auf Basis eines gut gepflegten semantischen Datenmodells Fragen in natürlicher Sprache beantworten, spontane Visualisierungen erzeugen und Ad-hoc-Analysen ermöglichen – ohne dass ein Analyst eingreifen muss. Das befreit Datenteams von monotonen Standardanfragen und schafft Kapazitäten für das, was wirklich Mehrwert bringt: komplexe Analysen, Datenmodellierung, strategische Projekte.
Wichtige Dashboards für Northstar-Metriken – also die übergeordneten Kennzahlen, die den Unternehmenserfolg messen – werden weiterhin existieren. Aber der Großteil der täglichen Datenarbeit wird zunehmend durch KI Analytics beantwortet werden. Scavenger AI ist genau für diesen Paradigmenwechsel gebaut.
Management-Buy-in: Die unterschätzte Voraussetzung
Technologie allein reicht nicht. Eine erfolgreiche Datenstrategie braucht immer ein klares Bekenntnis des Managements – nicht als Lippenbekenntnis, sondern als strategische Entscheidung: Daten sind ein zentrales Instrument, um Unternehmensziele zu erreichen. Das bedeutet konkret: ein dediziertes Datenteam, klare Verantwortlichkeiten, Ressourcen für die Datenarbeit – und die Bereitschaft, Datenprojekte nicht als Nice-to-have, sondern als strategische Investition zu behandeln.
Ohne dieses Commitment scheitern selbst die besten technischen Lösungen. Mit ihm – und dem richtigen Werkzeug – können auch kleine Teams enorme Wirkung erzielen.
Praktische Empfehlungen: So startet man heute
Drei Prinzipien, die sich in der Praxis immer wieder bewähren:
Erstens: Strategie vor Tools. Klären, was mit den Daten erreicht werden soll. Welche Entscheidungen sollen besser werden? Welche Prozesse sollen transparenter werden? Erst dann Tools evaluieren.
Zweitens: Lean starten. Einen konkreten Use Case identifizieren, mit einfachen Mitteln testen, ob der Ansatz Mehrwert bringt. Skateboard vor Auto.
Drittens: Technische Prinzipien einhalten. Medallion-Architektur umsetzen, Transformationen in der Datenplattform halten, automatisierte Tests für Datenqualität einführen, agile Entwicklungsprozesse aus der Softwareentwicklung auf die Datenarbeit übertragen.
Wer diese drei Prinzipien befolgt, legt eine Grundlage, auf der KI Analytics – ob mit Scavenger AI oder einer anderen Lösung – wirklich funktionieren kann. Denn KI kann nur so gut sein wie die Daten, auf die sie zugreift. Und Daten können nur so gut sein wie die Infrastruktur, in der sie verwaltet werden.
Fazit: Der Weg zu echter Data Intelligence
Datengetrieben zu arbeiten ist keine Frage der Unternehmensgröße, des Budgets oder der Technologie allein. Es ist eine Frage der Strategie, der Kultur – und des ersten Schritts.
Wer heute damit beginnt, Datensilos abzubauen, Vertrauen in die Datenqualität aufzubauen und die richtigen technischen Grundlagen zu legen, schafft die Voraussetzungen für das, was Business Intelligence morgen bedeutet: KI Analytics, die wirklich funktioniert. Nicht als Versprechen – sondern als Werkzeug, das jeden Tag bessere Entscheidungen ermöglicht.
Das Skateboard kommt zuerst. Der Rest folgt.
Scavenger AI ist eine KI-gestützte Analyseplattform, die Unternehmen ermöglicht, Fragen an ihre Daten in natürlicher Sprache zu stellen – und Antworten in Sekunden zu erhalten. Die Erkenntnisse in diesem Artikel entstammen einem Gespräch mit Ronny Kober (Data Platform Lead, Sunfire).