Michael Witzenleiter holt in Folge 91 zwei Gäste von Gemma Analytics ins Format: Elena Alfonsi (Analytics & AI Lead) und Bianca Frost (Data Strategy & Data Culture). Die Episode setzt auf Praxis statt Buzzwords und beleuchtet, warum Data-&-AI-Initiativen im Mittelstand nur dann skalieren, wenn Technologie, Governance und Kultur zusammenspielen. Mit konkreten Projekteinblicken geht es um messbaren Business-Value, moderne Data Stacks und die häufigsten Fehler beim Übergang von „BI wie früher“ zu „Analytics als Betriebssystem“.

Elena Alfonsi: Von statischem BI zu modernen Analytics—und warum Foundations wichtiger werden

Elena beschreibt den Unterschied zwischen traditionellem BI und modernen Analytics/AI-Projekten als Wechsel von „Was ist passiert?“ zu „Was sollte als Nächstes passieren?“. Klassisches BI bleibt oft bei statischen Dashboards mit vordefinierten KPIs stehen, in denen Daten als reine Reporting-Funktion verstanden werden und Business-Teams für neue Fragen auf Analysten warten. Moderne Analytics zielt dagegen auf proaktive Steuerung: Insights sollen direkt in Prozesse und Workflows eingebettet werden, idealerweise auf Basis einer „Single Source of Truth“ und eines modularen, skalierbaren Setups mit Self-Service. Gleichzeitig steigt die Relevanz von Datenqualität, Modellierung und Governance, weil schnellere Insights bei schlechter Datenbasis vor allem schnellere Fehler bedeuten können. Besonders greifbar wird das an ROI-Use-Cases, die unmittelbar an Umsatz oder Kosten hängen—Forecasting, Customer Intelligence/Segmentation sowie Optimierungsmodelle (Inventory, Pricing). Ein Beispiel aus dem Real-Estate-Umfeld: In über 100 Regionen war die Einsatzplanung für Inspektionen ineffizient; ein Forecasting-Modell für Hochvolumen-Regionen erreichte im Horizon von drei bis sechs Monaten eine mittlere Genauigkeit von 88% und ermöglichte proaktive Staffing-Entscheidungen. Ein weiteres Beispiel: Bei einem Softwareanbieter für KMU ersetzte ein ML-Modell zur Churn-Prognose ein regelbasiertes Scoring und lieferte für jedes Kundenkonto eine Churn-Wahrscheinlichkeit fürs nächste Jahr—inklusive Integration des Risk Scores ins Dashboard für das Account Management. Der Kernpunkt bleibt: AI-Value entsteht nicht durch „mehr Modelle“, sondern durch belastbare Datenfundamente plus operative Verankerung.

Bianca Frost: KI scheitert selten am Algorithmus—sondern an Vertrauen, Zusammenarbeit und „Data Theater“

Bianca rahmt Data Culture als Gegenentwurf zu „Data Theater“: performative Analytics, bei der Dashboards vorzeigbar sind, aber keine Entscheidungen verändern. Reife Datenkultur startet nicht beim Chart, sondern beim „Why“—Business-Ziele, Pain Points, KPI-Ownership und klare Verantwortlichkeiten. Entscheidend wird, dass jedes Dashboard und jedes Datenmodell eine konkrete Entscheidung „attached“ hat; Vanity Metrics gehören damit strukturell aussortiert. Aus Team-Perspektive unterscheidet erfolgreiche Data-Collaboration wenig von anderen Hochleistungsteams: klare, ehrliche Kommunikation, psychologische Sicherheit (Fragen stellen, Ideen challengen, „stuck“ zugeben) und ein gemeinsames Zielbild, das „mein Ticket vs. dein Ticket“ durch Outcome-Ownership ersetzt. Beim Aufbau von Data-Karrierepfaden betont Bianca geschützte Lernzeit als Retention-Hebel: Curiosity und Experimentieren müssen im Kalender „allowed“ sein, weil daraus oft operative Innovation entsteht. Ein prägendes Beispiel für Kultur als Erfolgsfaktor: Ein AI-basiertes Demand Forecasting (time series, ARIMA) scheiterte zunächst nicht am Modell, sondern am Misstrauen des Einkaufs, der Excel und Bauchgefühl bevorzugte; erst Workshops, Enablement und das gemeinsame Challengen der Annahmen brachten Akzeptanz. Als dann ein Purchasing Manager auf eine saisonale Promotion hinwies, die das Modell anfangs nicht berücksichtigte, verbesserte sich die Forecast-Qualität deutlich—das Projekt gewann, weil Stakeholder-Co-Creation funktionierte. Als wiederkehrenden Leadership-Fehler markiert Bianca, Data als „rein technisch“ zu behandeln: starke Teams kombinieren technische Skills mit Business-Nähe, Empathie, Storytelling und konsequentem Stakeholder-Enablement—inklusive Vorbildfunktion des Managements.

🎙️ Diese Folge wird unterstützt durch den Sponsor Gemma Analytics: https://www.gemmaanalytics.com/de