Data Governance

Unsere Forschung zeigt: Data Governance scheitert in der Praxis selten am fehlenden Willen, sondern daran, dass Unternehmen nicht zeigen können, was es kostet, nichts zu tun, und was es bringt, es richtig zu machen. In 19 Interviews mit Entscheidungsträgerinnen und Entscheidungsträgern aus Banking, Versicherung, Technologie, Industrie, Energie und Recht in der Schweiz und Deutschland zeigte sich konsistent: Kein einziges Unternehmen verfügt über ein funktionierendes KPI-Framework zur Begründung von Data-Governance-Investitionen.

Das eigentliche Problem ist nicht das Fehlen von Daten, sondern das Fehlen einer Sprache, die ihren Wert sichtbar macht.

Wir entwickeln deshalb drei komplementäre Werkzeuge, die diesen Wert messbar machen:

1. Schadensrechner: Was kostet schlechte Data Governance? Compliance-Bussen, Datenqualitätsfehler, manuelle Korrekturen, fehlgeschlagene KI-Projekte. Diese Kosten sind real, aber häufig unsichtbar. Das Instrument quantifiziert sie und schafft damit eine belastbare Grundlage für Investitionsentscheide.
2. Mehrwert-Tracker: Was bringt gute Data Governance? Time-to-Market, AI-Readiness, neue Datenprodukte, Datenaustausch-Fähigkeit. Offensive Wirkungen, die im Alltag zu selten gemessen und kommuniziert werden.
3. Potenzial-Kalkulator: Was ist der nächste Schritt wert? Eine Synthese aus beiden Instrumenten: ein kontextspezifischer Business Case je nach Branche, Reifegrad und Datenintensität.

Ziel ist es, Führungskräften und Governance-Verantwortlichen ein Werkzeug an die Hand zu geben, mit dem sie Data Governance nicht länger als Kostenfaktor, sondern als strategische Ressource positionieren und intern begründen können.

Unsere Forschung beschäftigt sich mit der Frage, wie Data Governance in sektoralen und inter-sektoralen Ökosystemen funktioniert. In nahezu allen Branchen entstehen neue Kooperationsformen, in denen Daten geteilt, kombiniert und gemeinsam genutzt werden. In vielen Branchen – von Finanzdienstleistungen über Gesundheit bis Energie – entstehen offene Datenräume, die den Austausch sensibler Daten zwischen Unternehmen, Start-ups und öffentlichen Akteuren ermöglichen. Je offener diese Ökosysteme werden, desto wichtiger wird die Frage, wie Kontrolle, Verantwortung und Vertrauen organisiert werden können.

Wir entwickeln theoretische und praxisorientierte Gestaltungsprinzipien für sektorale und inter-sektorale Data Governance – also Steuerungsmechanismen, die Offenheit über Unternehmens- und Branchengrenzen hinweg ermöglichen.  Dabei unterscheiden wir drei Dimensionen:

1. Strukturelle Mechanismen: gemeinsame Standards, Schnittstellen und Trust Frameworks, die Interoperabilität sichern.
2. Prozessuale Mechanismen: Rollen, Verantwortlichkeiten und Haftungslogiken, die Koordination ohne zentrale Autorität erlauben.
3. Relationale Mechanismen: Vertrauen, Reputation und Zertifizierung, die Kooperation fördern.

Ziel ist es, Organisationen und politischen Institutionen Orientierung zu geben, wie sie Offenheit und Kontrolle in datenbasierten Ökosystemen wirkungsvoll ausbalancieren können.

Diese Forschungsthemen bilden die Grundlage unserer bilateralen Projekte mit Unternehmen und Institutionen. Wir unterstützen Praxispartner mit wissenschaftlich fundierten Ansätzen direkt aus diesem Forschungsfeld.