Interview: Datenstrategie, Data Engineering und AI im Zusammenspiel
Warum Datenprojekte heute häufiger bei Strategie, Datenqualität und Architektur beginnen – und wie unsere Leistungsbereiche zusammenwirken.
Die Anforderungen an Datenprojekte verändern sich. Unternehmen wollen AI einsetzen, Fachbereiche schneller mit belastbaren Informationen versorgen und dabei Datenqualität, Governance und Kosten berücksichtigen. Dafür müssen Datenstrategie, Data Engineering, Business Intelligence und AI in BI zusammenwirken.
Im Gespräch mit der TIL-Redaktion erläutert Reeno Grummer, Geschäftsführer bei The Information Lab Deutschland, wie sich Kundenprojekte verändert haben, wie sich diese Entwicklung im Leistungsportfolio widerspiegelt und welche Themen künftig weiter ausgebaut werden.
TIL-Redaktion: Reeno, danke, dass Du Dir Zeit für das Gespräch nimmst. Die Anforderungen an Datenprojekte haben sich in den vergangenen Jahren deutlich weiterentwickelt. Was hat sich rückblickend in den Kundenprojekten verändert?
Reeno: Der Anspruch unserer Kunden war immer derselbe: die richtigen Erkenntnisse zur richtigen Zeit bei den Menschen, die entscheiden müssen. Was sich verändert hat, ist der Weg dorthin. Früher kamen die Daten aufbereitet zu uns, und unsere Aufgabe begann bei der Analyse. Heute beginnt sie viel früher. Kunden wollen AI einsetzen, Entscheidungen automatisieren, Fachbereiche mit Antworten statt mit Berichten versorgen, stellen dabei aber fest, dass Datenhaltung, Datenqualität und Governance dafür nicht tragen. Datenqualität ist laut KPMG inzwischen die meistgenannte Hürde für AI in deutschen Unternehmen.
Unsere Projekte haben sich deshalb verlängert – nicht in der Dauer, sondern in der Strecke. Wir bilden heute die gesamte Data Value Chain ab: von der Anbindung der Quellsysteme über Speicherung, Aufbereitung und Modellierung bis zur Analyse und zur Entscheidung oder automatisierten Aktion. Wir bauen die Strecke, auf der AI dann fahren kann.
Und ein zweiter Punkt ist wichtiger geworden: Technik allein liefert keine Erkenntnisse. Sie entstehen erst, wenn Teams mit Daten arbeiten können und wollen. Data Literacy und die Frage, wie Datenarbeit in Teams funktioniert, sind deshalb heute Bestandteil fast jedes Projekts.
TIL-Redaktion: Welche Herausforderungen begegnen Unternehmen heute besonders häufig und warum müssen sie gemeinsam betrachtet werden?
Reeno Grummer: Drei Bündel sehen wir fast überall.
Datenqualität, Governance und Regulierung. AI Act, NIS2 und Data Act verlangen, dass Unternehmen nachvollziehen und belegen können, welche Daten in welche Entscheidung fließen. Das ist keine Aufgabe für die IT allein. Fachbereich, Recht, Datenschutz und Technik müssen gemeinsam festlegen, was gelten soll, sonst entsteht Governance auf dem Papier, die im Betrieb niemand einhält.
Datenhaltung, Performance und Kosten. Daten müssen zu einem geschäftlich relevanten Zeitpunkt verfügbar sein, nicht irgendwann. Gleichzeitig wandeln sich Lizenzmodelle zu Nutzungsmodellen, und schlecht modellierte Daten kosten dann jeden Monat. Architektur, Modellierung und Kostensteuerung lassen sich nicht mehr getrennt voneinander entscheiden.
Technik und Adoption. Auffällig ist, dass der Engpass seltener im Know-how liegt als in der Koordination: Wer entscheidet, wer pflegt, wer nutzt? Ein verlässliches Datenfundament nützt wenig, wenn die Teams dahinter nicht zusammenarbeiten. Deshalb gehört Enablement für uns in jedes Projekt. Sie ist von Anfang an Teil der gemeinsamen Arbeit und keine Schulung zum Abschluss.
TIL-Redaktion: Wie spiegelt sich das in unserem Leistungsportfolio wider?
Reeno Grummer: Unser Portfolio folgt der Datenwertschöpfungskette, und zwar vollständig. Lange Zeit haben wir uns darauf verlassen, dass jemand anderes die Daten bereitstellt, und sind erst bei der Analyse eingestiegen. Heute bauen, überarbeiten und verantworten wir die gesamte Strecke von den Quellsystemen bis zur Entscheidung.
Am Anfang steht Datenstrategie: Wozu sollen Daten im Unternehmen dienen, wer ist verantwortlich, welche Architektur passt? Wir machen das nicht als Strategieberatung, die ein Konzept an der Tür übergibt. Was wir erarbeiten, setzen wir auch um – daran messen wir uns.
Darauf folgt Data Engineering: Anbindung und Integration der Quellsysteme, Aufbereitung und Transformation, Modellierung, Bereitstellung. Wir arbeiten hier konsequent code-first, mit Versionierung, Tests und Dokumentation, also mit den Standards der Softwareentwicklung, die in der Datenwelt lange vernachlässigt wurden. Damit schaffen wir eine Datenbasis, die von Anfang an für Analyse und für AI gleichermaßen ausgelegt ist.
Business Intelligence bleibt der Kern dessen, was Fachbereiche von uns kennen: Self-Service, Dashboards, Analysen, die Entscheidungen tatsächlich verändern. Das wird nicht ersetzt, sondern bekommt ein Fundament, das es vorher oft nicht hatte.
Data & AI setzt darauf auf: Analyse in natürlicher Sprache, AI-gestützte Datenaufbereitung, Agenten auf einer semantischen Schicht.
Und quer dazu liegt Enablement: Data Literacy, Trainings, unsere Data School. Erkenntnisse entstehen in Teams, nicht in Tools. Deshalb ist Befähigung kein Zusatzangebot, sondern Teil jedes Projekts.
Was wir bewusst nicht tun: operative Quellsysteme betreiben, transaktionale Pipelines bauen, reine Strategieberatung ohne Umsetzung. Wir sind eine technische, pragmatische Boutique mit einem analytischen Blick auf die gesamte Datenwelt.
TIL-Redaktion: Toolagnostisch ist ein Begriff, der bei uns häufig fällt. Welche Vorteile bringt dieser Ansatz?
Reeno Grummer: Ich würde unseren Ansatz eher plattformbewusst als toolagnostisch nennen. Wir haben bewusst tiefe Partnerschaften mit Tableau, Snowflake und dbt, weil Tiefe Qualität bringt. Aber die Architekturentscheidung treffen wir entlang der Anforderungen des Kunden, nicht entlang unserer Partnerliste.
Warum das langfristig zählt: Lizenzmodelle wandeln sich, Anbieter werden gekauft und zusammengelegt, und das Thema Souveränität ist in den letzten zwei Jahren von einer Randnotiz zu einer Vorstandsfrage geworden. Wer heute eine Plattform für zehn Jahre festschreibt, verliert Optionen, die er später teuer zurückkauft.
Deshalb investieren wir in das, was bleibt, wenn ein Werkzeug wechselt: saubere Datenmodelle, dokumentierte Transformationen, eine semantische Schicht, die die Bedeutung der Daten festhält. Die müssen portabel sein. Das Frontend darüber darf sich ändern.
Und Souveränität ist für uns eine Architekturfrage, keine Logofrage. Wo liegen die Daten, wer kann sie lesen, wie kommt man wieder heraus? Das prüfen wir mit jedem Kunden, unabhängig davon, welcher Anbieter auf der Plattform steht.
TIL-Redaktion: Welche Rolle spielt Data Engineering und woran merken Unternehmen, dass es funktioniert?
Reeno Grummer: Data Engineering ist der Teil der Strecke, auf dem Vertrauen entsteht. Der konkrete Beitrag lässt sich an einem Satz messen, der aus Meetings verschwindet: „Stimmt die Zahl überhaupt?” Wenn diese Frage nicht mehr gestellt wird, hat Engineering seine Arbeit getan.
In der Praxis sind das vier Dinge. Erstens Integration: Daten aus SAP, CRM und anderen Quellen auf einer gemeinsamen Plattform zusammenführen, weil keines dieser Systeme die Daten der anderen gut integriert. Zweitens Qualität: bereinigen, historisieren, testen – und oft bestehende, über Jahre gewachsene SQL-Skripte in wartbare Module zerlegen. Drittens Performance: Daten müssen bereitstehen, wenn das Geschäft sie braucht, und das zu vertretbaren Kosten. Viertens Bereitstellung: kuratierte Daten, auf die BI-Tools, AI-Anwendungen und andere Systeme gleichermaßen zugreifen können.
Der wichtigste Beitrag ist dabei der zur AI. Der Wert von AI entsteht in den Daten, nicht im Modell. Und gute Daten entstehen nicht von selbst, sie müssen gebaut werden. Dass wir dbt als Partner aufgenommen haben, ist das sichtbare Zeichen, dass Transformation und Modellierung für uns zum Kern gehören.
TIL-Redaktion: AI in BI wird gerade viel diskutiert. Was bedeutet der Begriff bei The Information Lab konkret?
Reeno Grummer: Wir sind bei diesem Thema bewusst nüchtern, weil der Markt gerade sehr laut ist. Konkret arbeiten wir auf drei Ebenen. AI in der Analyse: Fachbereiche stellen Fragen in natürlicher Sprache und bekommen Erklärungen zu Abweichungen. Das ist das AI-Äquivalent zum klassischen Reporting. AI in der Datenaufbereitung: Qualitätsprüfung, Dokumentation, Metadaten, Modellierungsvorschläge. Das beschleunigt Engineering spürbar und ist für uns heute Alltag. Und Agenten, die auf einer semantischen Schicht eigenständig Aufgaben übernehmen. Berichte vorbereiten, Auffälligkeiten melden, Routinefragen beantworten.
„Ein Agent auf schlechten Daten macht Fehler nicht sichtbar, er skaliert sie.“
Ehrlich eingeordnet: Bei den meisten Kunden ist die dritte Ebene heute noch Pilot. Nur ein kleiner Teil der deutschen Unternehmen hat AI unternehmensweit im Einsatz. Unser Beitrag ist, aus dem Pilot einen Produktivbetrieb zu machen, und das heißt fast immer: zuerst Datenbasis, Semantik und Governance, dann Agent.
Ein Risiko sprechen wir dabei offen an: Ein Agent auf schlechten Daten macht Fehler nicht sichtbar, er skaliert sie. Genau deshalb ist AI in BI für uns kein eigenständiges Angebot, sondern das Ende einer Strecke, die wir komplett verantworten.
TIL-Redaktion: Zum Schluss noch ein Blick nach vorn: Welche Themen wollen wir in den kommenden Jahren weiter ausbauen?
Reeno Grummer: Zwei Richtungen haben Priorität.
Die erste: Data Engineering als gleichwertige Säule neben der Analyse ausbauen. Dazu gehören längere Engagements, Datenplattformen von Grund auf, Migrationen und Integrationen. Der Sweet Spot sind mittelständische Unternehmen und klar abgegrenzte Bereiche in größeren Konzernen, bei denen wir die gesamte Strecke verantworten können.
Die zweite: die semantische Schicht als eigenständiges Angebot. Der Wert verschiebt sich dorthin, wo die Bedeutung von Daten für Menschen und Agenten definiert wird. Dort wollen wir führend sein.
Zwei Dinge rahmen das ein. Governance und Regulierung werden zum Beratungsfeld – nur jedes fünfte Unternehmen sieht sich für NIS2 vorbereitet, und hier treffen technische und rechtliche Fragen aufeinander, die wir gemeinsam beantworten können. Und wir werden Enablement weiter ausbauen, weil der Engpass in Koordination liegt, nicht im Wissen. Die Data School ist dafür das Rückgrat.
TIL-Redaktion: Vielen Dank für das Gespräch, Reeno. Wir freuen uns auf das, was kommt.
Mehr zu unseren vier Bereichen findet Ihr auf unseren Leistungsseiten.
Wer AI produktiv einsetzen und Entscheidungen auf einer verlässlichen Datengrundlage treffen will, muss Strategie, Datenbasis, Analyse und Anwendung zusammendenken. Unsere vier Leistungsbereiche verbinden diese Themen – ergänzt um Enablement, damit die Lösungen im Arbeitsalltag auch genutzt werden.
Ähnliche Beiträge
News
Wichtiges Sicherheitsupdate: Tableau Server-Schwachstellen (Oktober 2026)
Information Lab Blog
Data, Analytics und AI: Unser Portfolio entwickelt sich weiter
News
