Das Dreikörperproblem der Daten: Warum können Analyse, Entscheidungsfindung und Betrieb nicht harmonisch zusammenarbeiten?

Die gescheiterten Orchester der drei Welten

Die meisten Systeme funktionieren nicht fehlerhaft. Viel schlimmer ist: Sie funktionieren fast. Als erfahrener Salesforce-Benutzer müssen Sie zunächst die Excel-Datei herunterladen und dann damit arbeiten. Zwei Personen teilen die PowerBI-Daten unterschiedlich auf und gewinnen daraus ganz verschiedene Erkenntnisse. Dann macht das maschinelle Lernsystem eine Vorhersage: Die Nachfrage wird steigen, ein bestimmtes Gerät ist riskant, eine bestimmte Bestellung könnte fehlschlagen. Und diese Vorhersage ist nicht falsch.

Aber wenn jemand tatsächlich handelt, spielt es keine Rolle mehr. Das Betriebsteam führt seine täglichen Aufgaben fort, legt Tickets in ServiceNow an und bearbeitet die Probleme, die vor drei Tagen aufgetreten sind. Jeder arbeitet hart und handelt. Aber sie handeln nie in Bezug auf dasselbe Problem oder zu dem richtigen Zeitpunkt innerhalb des erforderlichen Zeitfensters.

Es ist wie ein Orchester. Das Analyseteam spielt klassische Musik, das AI/ML-Team improvisiert Jazz, während das Betriebsteam noch am Stimmen der Instrumente arbeitet. Der Dirigent ist mit den ungelesenen Dashboards und den ungeklickten PDF-Dateien beschäftigt. Die sogenannten "Erkenntnisse" haben heute eine Halbwertszeit, und in den meisten Unternehmen verschwenden wir sie. Sie erfassen Signale, analysieren sie und erstellen dann ein ansprechendes Diagramm, das Sie vielleicht sogar präsentieren.

Wenn Sie jedoch nicht innerhalb eines engen Zeitfensters im Geschäftsprozess (das die drei Bereiche von Daten bis hin zum Betrieb umfasst) handeln, wird es wie gesterns Zeitung vergessen. Die Daten sind gut. Die Dashboards sind klar. Aber es gibt keine Folgeaktionen.

Das Problem liegt nicht an fehlerhaften Tools, sondern an der menschlichen Vertrauenswürdigkeit und der Systemzeitfolge. Menschen betrachten die Daten auf ihre eigene Weise. Sie interpretieren die Informationen, die zu ihrer Perspektive passen. Die Erkenntnis eines Menschen ist für einen anderen nur Hintergrundrauschen. Daher bricht die Rückkopplungsschleife ab, die Vorhersagen bleiben stehen, und die Operationen laufen weiter, als ob nichts passiert wäre. Die Plattformen kommunizieren nicht miteinander. Und noch schlimmer: Sie sind sich nicht einmal bewusst, dass sie sich in unterschiedlichen Räumen befinden.

Die drei Welten der Daten

Jedes moderne Unternehmen lebt in drei parallelen Realitäten: Drei Welten sammeln, berechnen und verarbeiten Daten auf völlig unterschiedliche Weise. An sich sind sie nicht falsch, sondern nur schlecht koordiniert. Ohne einen gemeinsamen Rhythmus bleibt das gesamte System stehen.

Im Kontext stellen wir uns vor, wie diese drei Systeme zusammenarbeiten können

1. Analysesysteme

Die erste Welt ist die Welt der Analyse: Berichte, Dashboards, BI-Tools. Hier sind die Daten historisch, visualisiert und immer ansprechender. Sie melden sich bei Snowflake oder BigQuery an, schichten Looker-Diagramme und treten mit Vertrauen in die Besprechungsräume. Es sagt Ihnen, was im letzten Quartal passiert ist, warum die Umsätze letzte Woche gefallen sind und welche Produktkategorie schlecht abgeschnitten hat. Es ist klar, anschaulich und in der Regel genau, aber es ist nicht für Interventionen gedacht. Egal wie schön das Diagramm ist, es löst keine Bestellungen aus, verursacht keine Verzögerungen und bringt das System nicht wieder in den Normalzustand.

Die Welt der Analyse fließt selten in Systeme, die tatsächlich etwas tun oder handeln. In den meisten Unternehmen ist die Analyse immer noch eine Exportfunktion: Die Daten gehen von der Plattform über PowerPoint in den Posteingang.

2. Entscheidungs- oder Vorhersagesysteme

Diese Welt versucht immer, in die Zukunft zu blicken. Denken Sie an maschinelle Lernmodelle, Vorhersage-Engines oder die Lageroptimierungslogik, die tief in der Supply-Chain-Software verborgen ist. Diese Systeme sind nicht nur Berichte, sondern versuchen auch, Vorhersagen zu treffen. Beispielsweise weiß der E-Commerce-Produktmanager, welche Bücher gerade beliebt sind und wann sie ausverkauft sein werden. Ihre Aufgabe besteht darin, die Zukunft vorherzusagen: Welche Bücher gut verkaufen werden, welche nicht und was jetzt bestellt werden muss, um den Bedarf des nächsten Monats zu decken. Aber auch hier gibt es Grenzen. Die Vorhersagesysteme können wissen, dass ein bestimmter SKU bald ausverkauft sein wird, aber sie können keine Bestellung aufgeben oder die Logistik markieren.

Sie geben Signale, aber vertrauen darauf, dass andere diese Signale empfangen und handeln. Denn es kann vorhersagen, dass eine Ware ausfallen wird, aber es kann es nicht verhindern. Es weiß, dass ein Zug entgleist ist, aber es tritt nicht auf die Bremse.

3. Betriebssysteme

Der Betrieb ist die Grundlage, auf der ein Unternehmen aufbaut. Es ist das Gebiet von ERP, Bestellverwaltungssystemen, Lagerdashboards und Ticketwarteschlangen. Es interessiert sich nicht dafür, was das Modell vorhersagt oder welches Dashboard blinkt. Es interessiert sich dafür, ob die Waren geliefert werden, ob Geräte ausfallen und ob Tickets geschlossen werden. Es ist tief verwurzelt in jedem Schritt der Reaktion, Lösung und Weiterleitung. Beispielsweise gibt es in der Produktion oder der Supply Chain Temperaturprüfungen, Liefer-SLA und Compliance-Markierungen.

Aber es weiß normalerweise nicht, dass Erkenntnisse gewonnen wurden, Vorhersagen getroffen wurden oder dass Signale von upstream gesendet wurden. Es handelt nach Prozessstandards und nicht nach Business Intelligence. Es läuft entweder blind oder nach veralteten Anweisungen.

Diese drei Welten bilden zusammen den vollständigen Datenstapel eines Unternehmens. Ohne eine Brücke oder eine gemeinsame Ebene, um Daten zu transformieren und zu verarbeiten, wird jede Welt zu einer Insel. Die Dashboards erfassen, die Modelle raten und das Betriebsteam improvisiert. Am Ende gerät der Geschäftsfortschritt von seinem eigenen Wachstum ab.

Fallbeispiel: Dieselbe Supply Chain, drei unverbundene Systeme

Nehmen wir an, ein Unternehmen verwaltet die Supply Chain mehrerer Marken, beispielsweise in der Pharmazie, der Elektronik oder der Automobilzulieferindustrie. Jede Produktkategorie hat ihren eigenen Leiter. Jeder Leiter arbeitet mit verschiedenen Lieferanten zusammen: Lagern, Frachtunternehmen, Verpackungsfirmen. Es ist ein Netzwerk von Abhängigkeiten.

Stellen Sie sich nun vor: Ein LKW kommt zu spät an. Die Lagerprüfung zeigt, dass die Lagerdaten nicht übereinstimmen. 20 Bestellungen können möglicherweise nicht geliefert werden. Um 14:00 Uhr erhält die Logistikmanagerin einen Anruf: "Sollen wir die Route ändern? Sollen wir warten? Sollen wir die Lieferung in Teilmengen aufteilen?"

Sie öffnet das Analysedashboard. Das Dashboard zeigt, dass die SLA-Nichteinhaltung im östlichen Lager gestern 3,2 % betrug. Aber diese Erkenntnis ist nicht gut in die Betriebsdaten integriert, die die Managerin verfolgt, oder überhaupt nicht.

Sie schaut sich das Vorhersagetool an. Das Modell zeigt: Dieser Lieferant verpasst regelmäßig die Abholung am Dienstag. Es löst keine Routenänderung aus, stoppt keine problematischen Chargen und führt keine Aktionen von sich aus aus.

Die Managerin braucht keine Erkenntnisse von gestern oder Trends vom letzten Monat. Sie braucht einen Handlungsaufruf, jetzt.

Wer integriert diese Informationen und wandelt sie in Entscheidungen um? Niemand.

Der Betrieb ist überlastet und wartet auf Auslösung.

Die Analyse bleibt bei der Zusammenfassung der Vergangenheit stehen.

Das Vorhersagesystem treibt voran - aber führt noch keine Aktionen aus.

Jedes System weiß etwas, aber sie sind nicht darauf ausgelegt, zu einem bestimmten Zeitpunkt zusammenzuarbeiten. Daher handelt die Managerin schließlich wie andere Managerinnen: Sie folgt ihrer Intuition, trifft Entscheidungen und betet, dass die Dinge nicht wie ein Schneeball wachsen.

Das ist das Problem. Vorhersagen und Dashboards sind passiv. Selbst die Vorhersagen selbst sind passiv. Und wenn es auf den entscheidenden Moment ankommt, wenn menschliche Entscheidungen erforderlich sind, können diese Systeme nichts tun.

Diese drei Bereiche müssen synchron funktionieren. Die Plattform muss Kontext, Vorhersagen und Aktionen in einem Kreislauf integrieren. Andernfalls wird Ihre Echtzeit-Supply Chain mit veralteten Tools und unterbrochenen Signalen kämpfen. Die Zeitpunkte werden immer verpasst.

Excel wird immer noch genutzt

Auf einer Fabrikhalle wird eine Supply Chain im Wert von Millionen von Dollar auf einer Excel-Tabelle betrieben. Nicht in einer modernen Rasteranwendung. Nicht in einem schicken Dashboard. Nur in Excel. Und nicht einmal "Excel als temporäres Tool", sondern Excel als System.

Nehmen wir die Herstellung von Haushaltsgeräten als Beispiel. Eine fertige Einheit kann 200 Teile enthalten, die jeweils von verschiedenen Lieferanten stammen: Einige aus China, einige aus Südkorea und einige aus Deutschland. Jeder Lieferant hat seine eigenen Kapazitätsbeschränkungen, Lieferzeiten und Preisstrukturen. Und die Produktionsmanager? Sie verarbeiten all diese Informationen in einer Excel-Arbeitsmappe. Sie verfolgen den Bestand der Teile, vergleichen die Lieferantenbeschränkungen und versuchen, die einzige wichtige Frage zu beantworten: Kann ich die nächste Charge pünktlich herstellen?

Sie können sich vielleicht nicht vorstellen, dass ein so großes Produktionsunternehmen Excel verwendet, um den wichtigsten Teil seiner Betriebsabläufe zu unterstützen. In einigen Fällen sind sogar wichtige Entscheidungen gefährdet, wenn die Excel-Tabelle die maximale Anzahl von Zeilen erreicht. Das ist also die aktuelle Weltlage.

Aber die Menschen verwenden weiterhin Excel, weil es ihnen etwas gibt, das die meisten Unternehmenssysteme nicht bieten: Kontrolle. Es ist flexibel. Lokal. Es erfordert keine Anträge oder Schulungskurse. Am wichtigsten ist, dass es ihr mentales Modell des Prozesses widerspiegelt, und nicht die Vorlage eines bestimmten Lieferanten.

Excel ist keine einfache Tool, sondern eine Emotion. Es lässt die Prozessmanager fühlen, dass sie alles im Griff haben, bis sie es nicht mehr tun.

Test auf KI-Bereitschaft

Fragen Sie zehn Unternehmen, was "KI-bereit" bedeutet, und Sie werden zehn verschiedene Antworten erhalten. Einige Unternehmen glauben, dass KI-Bereitschaft darin besteht, Dashboards mit Vorhersageerkenntnissen zu haben. Andere glauben, dass KI-Bereitschaft darin besteht, natürliche Sprachagenten zu haben, die wie Produktmanager sprechen und wie Ingenieure handeln. Jeder hat seine eigene Definition von KI. Das ist das Problem.

Ihre KI ist Ihr Glaube.

Jeder glaubt, dass er es richtig macht. Aber nur wenige denken darüber nach, wie man es richtig macht. Wir unterteilen es in drei Ebenen: Nicht kompromissfähig, wettbewerbsfähig und ideal.

Grundvoraussetzung: Schnelle, saubere und zuverlässige Daten

Dies ist nicht optional. Wenn Sie nicht schnell und sauber auf vertrauenswürdige Daten zugreifen können, sind Sie schon hinterher. Bis 2025, wenn ein Team nicht einmal in Echtzeit auf zuverlässige Daten zugreifen kann und sich mühsam durch drei Personen und fünf Dateien kämpfen muss, dann können wir über KI überhaupt nicht sprechen.

Dies ist der Teil, der in den meisten Organisationen noch nicht richtig umgesetzt ist. Langer Zugriffszeitraum zerstört das Vertrauen, verzögert die Aktionen und verringert die Relevanz. Sie können so viele Vorhersagen treffen wie Sie möchten, aber wenn Ihr Verkaufsmanager die Tabelle erst nach 24 Stunden öffnet, ist die Chance verpasst.

Neueste Technologie: Einheitliche Datenplattform

Hier können Sie die drei Welten: Analyse, Vorhersage und Betrieb, auf einer Handlungsfläche integrieren.

Sie müssen nicht nur Pipelines aufbauen, sondern auch Datenprodukte erstellen. Sie können es ein Raster, eine Struktur oder eine Plattform nennen, es ist der Treffpunkt von Kontext, Logik und Aktion. Es ist diese Ebene, die betriebliche Unternehmen von passiven Unternehmen unterscheidet.

Wenn Sie keine einheitliche Ebene haben, kopieren Sie immer noch Dashboards in Slack und bitten die Betriebsmanager, "wenn sie Zeit haben, mal drüberzuschauen". Wenn Menschen immer noch als Brücke fungieren, anstatt wichtige Entscheidungen zu treffen, spielt das System keine große Rolle.

Idealer Zustand: Agentensysteme

Hier kommt das System zum Einsatz. Es ist nicht nur eine Empfehlung oder ein Alarm, sondern Handlung. Diese Systeme informieren nicht nur die Menschen, sondern führen auch Aufgaben im Namen der Menschen aus. Das Modell sagt nicht nur "Der Osten wird das Lieferziel nicht erreichen", sondern es plant in Echtzeit die Route neu, passt die Prioritäten an oder gibt eine Warnung an die zuständigen Personen.

Nicht alles muss automatisiert werden. Aber wenn alles manuelle Eingriffe erfordert, kann Ihre Lösung nicht skaliert werden. Sie behindern die menschliche Kapazität. Denken Sie an RAG, Agentenflüsse, natürliche Sprachschnittstellen und eigenständige Handlungen.

Wenn Sie nicht in schnelle und zuverlässigen Zugriff investieren, können Sie nicht über Agenten sprechen.

Wenn Ihre Datenplattform keinen einheitlichen Stapel hat, kann es keine Eigenständigkeit geben.

KI-Bereitschaft ist kein leerer Ruf, sondern ein einfacher Systemtest. Sie bestehen ihn entweder sofort oder Sie scheitern.

Gründe für die Suche nach Agentensystemen

Die meisten Unternehmen möchten, dass die KI in der Vorstandssitzung gut abschneidet. Aber nur wenige fragen sich, wie man den Betrieb vorantreiben kann. Der wahre Grund für die Suche nach Agentensystemen liegt darin: Es geht nicht um die Komplexität, sondern darum, dass kein Geld verloren geht, während man auf jemanden wartet, der handelt.

Nehmen Sie ein großes Einzelhandelsunternehmen mit 6.000 bis 7.000 Kassenständen als Beispiel. Heute ist die Betriebszeit der Kassen nicht mehr ein Anzeigeobjekt. Wenn