Ein Händler investiert in eine Customer Data Platform, modernisiert sein Data Warehouse und stellt ein Analytics-Team auf. Zwölf Monate später sind die Dashboards besser, aber die Filialsteuerung trifft kaum schnellere Entscheidungen, Kampagnen bleiben breit gestreut und der Bestand ist nicht präziser geplant. Genau an diesem Punkt stellt sich die entscheidende Frage: Warum scheitern Datenprojekte im Handel? Nicht, weil es an Technologien fehlt. Sie scheitern, weil Dateninitiativen zu oft vom Geschäft entkoppelt, im Pilotmodus gehalten oder ohne klares Betriebsmodell skaliert werden.
Für Handelsunternehmen ist das kein IT-Detail. Daten entscheiden zunehmend darüber, wie präzise Nachfrage prognostiziert wird, welche Sortimente lokal funktionieren, wie profitabel Promotions sind und ob Omnichannel-Erlebnisse tatsächlich konsistent wirken. Wer Daten nur als Infrastrukturprogramm führt, verschenkt diese Wirkung.
Warum Datenprojekte im Handel oft am Geschäft vorbeilaufen
Der häufigste Fehlstart liegt vor dem ersten technischen Sprint: Die Organisation beginnt mit einer Plattformentscheidung statt mit einer geschäftlichen Entscheidung. Dann lautet die Zielsetzung etwa, eine einheitliche Datenbasis zu schaffen oder KI einzuführen. Beides kann sinnvoll sein, ist aber noch kein Business Case.
Ein belastbarer Daten-Use-Case benennt die konkrete Entscheidung, die künftig besser, schneller oder automatisiert getroffen werden soll. Etwa: Welche Artikel müssen in welchen Filialen vor einem Aktionswochenende nachdisponiert werden? Welche Kundengruppen reagieren profitabel auf welchen Kontakt? Welche Retourenursachen lassen sich im E-Commerce operativ reduzieren? Erst wenn Entscheidung, Prozessverantwortung und wirtschaftlicher Hebel klar sind, lässt sich festlegen, welche Daten und Fähigkeiten wirklich nötig sind.
Das bedeutet nicht, dass jede Initiative sofort einen Eurobetrag bis auf die zweite Nachkommastelle liefern muss. Bei strategischen Grundlagen wie Identitätsmanagement oder einheitlichen Produktdaten ist der Nutzen breiter. Doch auch dann braucht es eine nachvollziehbare Wirkungskette: Welche Teams arbeiten dadurch anders? Welche Reibung sinkt? Welche Folgeprojekte werden schneller oder überhaupt erst möglich?
Technologie ist Mittel, nicht Mandat
Viele Programme starten mit der Annahme, dass eine neue Cloud-, BI- oder KI-Lösung das Kernproblem beseitigt. In der Praxis digitalisiert eine Plattform jedoch auch bestehende Unklarheiten. Sind Preislogiken regional unterschiedlich dokumentiert, ist der Artikelstamm lückenhaft oder haben Vertrieb und Category Management gegensätzliche Definitionen von Verfügbarkeit, wird die neue Architektur diese Konflikte sichtbar machen, aber nicht lösen.
Die richtige Reihenfolge lautet deshalb: wirtschaftlich relevante Entscheidung definieren, benötigte Daten und Prozesse bestimmen, Verantwortlichkeiten festlegen und dann die technische Architektur auswählen. Nicht umgekehrt.
Die Datenbasis ist selten so verlässlich wie das Dashboard
Handelsdaten entstehen in einer heterogenen Realität: POS-Systeme, Onlineshop, Marktplätze, CRM, ERP, Lieferantensysteme, Loyalty-Programme und Workforce-Tools folgen oft unterschiedlichen Logiken. Eine Filiale kann anders codieren als der Webshop. Produktattribute werden von Lieferanten unvollständig geliefert. Retourengründe sind Freitext. Kundeneinwilligungen gelten je nach Kanal unterschiedlich.
Ein ansprechendes Dashboard kann diese Brüche verdecken. Spätestens wenn eine Nachfrageprognose oder Personalisierung in den operativen Ablauf überführt wird, werden sie teuer. Ein Modell kann mathematisch sauber sein und trotzdem falsche Empfehlungen geben, wenn Aktionspreise, Lieferverzüge oder Sortimentswechsel verspätet oder fehlerhaft einfließen.
Datenqualität ist deshalb keine einmalige Bereinigung vor dem Go-live. Sie ist eine operative Führungsaufgabe. Für die wichtigsten Datenobjekte – Artikel, Kunde, Standort, Bestand, Auftrag und Promotion – braucht es eindeutige Definitionen, verantwortliche Owner und messbare Qualitätsregeln. Entscheidend ist dabei die Priorisierung. Niemand muss zuerst jede historische Unstimmigkeit lösen. Führungsteams sollten jene Datenfehler bearbeiten, die die gewählte Geschäftsentscheidung nachweislich verfälschen.
Einheitliche Kennzahlen sind eine Machtfrage
Wenn Finance den Rohertrag anders berechnet als Einkauf oder Marketing, ist das nicht nur ein Reporting-Problem. Es verhindert gemeinsame Prioritäten. Datenprojekte stocken häufig, weil niemand verbindlich entscheiden darf, welche Definition künftig gilt.
Hier braucht Governance Klarheit statt Bürokratie. Ein kleiner Kreis aus Business- und Datenverantwortlichen sollte für kritische Kennzahlen verbindliche Standards beschließen und Abweichungen sichtbar machen. Das ist weniger spektakulär als ein KI-Launch, aber für Skalierung wesentlich wertvoller.
Der Pilot beweist Machbarkeit, nicht Wirkung
Piloten sind sinnvoll. Sie reduzieren Risiko, schaffen Lernkurven und machen Potenziale greifbar. Problematisch werden sie, wenn sie als Endpunkt behandelt werden. Ein erfolgreiches Modell für zehn Filialen sagt noch wenig darüber aus, ob es bei 500 Standorten, wechselnden Sortimentsclustern und begrenzten Kapazitäten im Markt funktioniert.
Die kritische Frage lautet: Was muss passieren, damit eine Empfehlung tatsächlich umgesetzt wird? Wenn eine Dispositionslogik täglich neue Vorschläge generiert, muss klar sein, wer sie prüft, welche Systeme sie übernehmen und wie Ausnahmen behandelt werden. Wenn eine Next-Best-Action im CRM entsteht, müssen Vertrieb, Marketing und Kundenservice die Kontaktlogik mittragen. Ohne diese Prozessintegration bleibt Analytics ein interessanter Zusatzbildschirm.
Skalierung verlangt zudem FinOps-, Sicherheits- und Betriebsdisziplin. Rechenkosten, Modellüberwachung, Berechtigungen und Support werden mit der Nutzung nicht kleiner. Wer sie erst nach dem Pilot adressiert, verschiebt den eigentlichen Aufwand in eine Phase, in der die Geduld des Geschäfts bereits sinkt.
Fehlende Ownership macht Dateninitiativen langsam
Datenprogramme sind naturgemäß bereichsübergreifend. Gerade deshalb dürfen sie nicht im Niemandsland zwischen IT, Digital, Fachbereich und externen Partnern landen. IT kann Verfügbarkeit und Sicherheit ermöglichen, aber nicht allein bestimmen, welche Preisentscheidung oder Sortimentssteuerung wirtschaftlich sinnvoll ist. Ein Fachbereich kann den Hebel kennen, aber ohne technische und analytische Kompetenz keine belastbare Lösung betreiben.
Wirksam sind crossfunktionale Produktteams mit einem klaren Mandat. Der Business Owner verantwortet Zielbild und Wertbeitrag. Data und Analytics verantworten Datenmodell, Logik und Messung. IT verantwortet Integration, Betrieb und Sicherheit. Operations stellt sicher, dass die Lösung im Tagesgeschäft ankommt. Diese Rollen müssen nicht in jeder Organisation identisch heißen. Entscheidend ist, dass Entscheidungen nicht in endlosen Übergaben verschwinden.
Besonders auf Executive-Ebene braucht es einen Sponsor, der Zielkonflikte auflöst. Soll die Personalisierung zunächst Reichweite oder Marge optimieren? Hat die Filialorganisation Vorrang vor einer kurzfristig attraktiven E-Commerce-Logik? Werden Datenstandards verbindlich, auch wenn einzelne Bereiche ihre gewohnten Reports verlieren? Das sind Führungsentscheidungen, keine Aufgaben für ein Projektstatus-Meeting.
Governance darf Innovation schützen, nicht ausbremsen
Im Handel treffen Datenprojekte auf berechtigte Anforderungen an Datenschutz, Informationssicherheit und Markenvertrauen. Die falsche Reaktion wäre, Governance als spätes Freigabetor zu behandeln. Dann entstehen Schattenlösungen, Teams arbeiten mit Exporten und sensible Fragen werden erst geklärt, wenn der Druck hoch ist.
Besser ist ein risikobasiertes Vorgehen. Ein internes Sortimentsanalysemodell braucht andere Kontrollen als ein Kundenmodell, das individualisierte Angebote ausspielt. Für relevante Use Cases sollten Datenschutz, Security und Legal früh definieren, welche Daten zulässig sind, wie lange sie gespeichert werden und welche menschliche Kontrolle erforderlich bleibt. Das schafft Geschwindigkeit, weil Teams mit klaren Leitplanken arbeiten können.
Bei KI kommt eine weitere Dimension hinzu: Erklärbarkeit. Nicht jede Entscheidung muss vollständig automatisiert werden. Gerade bei Preis, Kredit, Betrugsverdacht oder kundenbezogener Ansprache kann ein Human-in-the-loop-Modell der wirtschaftlich bessere Weg sein. Es reduziert Risiko und stärkt die Akzeptanz bei den Fachbereichen. Automatisierung ist kein Selbstzweck – bessere Entscheidungen unter realen Handelsbedingungen sind es.
Was Führungsteams jetzt anders steuern sollten
Der Startpunkt ist kein neuer Tool-Stack, sondern ein fokussiertes Portfolio aus wenigen, hochrelevanten Entscheidungen. Priorisieren Sie Use Cases nach Wertpotenzial, Umsetzbarkeit, Datenreife und Akzeptanz im Betrieb. Ein kleiner Hebel mit sauberer Integration ist für die Organisation wertvoller als ein spektakulärer Prototyp ohne Prozessanschluss.
Messen Sie Wirkung entlang der gesamten Kette. Bei einer Verfügbarkeitsinitiative reicht es nicht, die Modellgüte zu berichten. Relevant sind beispielsweise weniger Out-of-Stocks, bessere Abschriftenquote, höhere Marge und weniger manueller Aufwand in der Disposition. Erst diese Kennzahlen machen sichtbar, ob Datenarbeit Geschäftswirkung erzeugt oder nur Analyseaktivität.
Planen Sie Adoption als festen Arbeitsstrom ein. Filialen, Category Manager und Service-Teams brauchen nicht nur Schulungen, sondern auch nachvollziehbare Gründe, Empfehlungen zu vertrauen. Feedback aus dem Betrieb muss zurück in Datenlogik und Produktentwicklung fließen. Gerade im Handel, wo lokale Besonderheiten und Aktionsdynamik den Alltag prägen, ist dieses Feedback kein Störfaktor, sondern ein Qualitätsmerkmal.
Die produktivste Frage für die nächste Steuerungsrunde lautet daher nicht: Welche Datenplattform brauchen wir noch? Sie lautet: Welche geschäftskritische Entscheidung soll in sechs Monaten nachweislich besser getroffen werden – und was ändern wir morgen an Daten, Verantwortlichkeiten und Arbeitsabläufen, damit das gelingt? Genau für diesen Austausch auf Augenhöhe braucht die Branche Orte wie RETAIL NXT: mit Operatoren, die nicht über Potenziale sprechen, sondern über die Bedingungen, unter denen Wirkung im Handelsalltag entsteht.
