# EU Data Act: Turning IoT Compliance into Strategic Advantage

**Podcast:** INNOQ Podcast
**Published:** 2026-02-09

## Transcript

Hallo und herzlich willkommen zu einer neuen Folge vom InnoQ Podcast.
Heute mal wieder mit Stefan Negele.
Hallo Stefan.
Hallo, schön hier zu sein.
Ja, der Stefan hat ein Artikel geschrieben: Dateninventare im EU-Data Act, die Demokratisierung der IoT-Geräte.
Und ich muss sagen, der Artikel ist sozusagen so halb an mir vorbeigegangen, bis ich gehört habe.
Uh, da gibt es Nachfragen.
Also der war erfolgreich und wir müssen jetzt unbedingt nochmal darüber reden.
Also der große Erfolg des Artikels führt zu dem heutigen Podcast.
Genau, man könnte auch, also aus meiner Sicht muss ich sagen, Subunterschrift, Subtitle ist Sven Johan rante über Regulierungen.
Aber wir wollen hier versuchen, aus diesem EU Data Act was Positives rauszuholen für die Firmen, die sozusagen am Galgen dieses Act sind.
Also jetzt nicht, dass ich irgendwie mich besonders gut mit diesem Act auskenne, aber gleich, ich rante gleich mal noch ein bisschen drüber.
Jetzt habe ich schon zu viel gesagt.
Vielleicht mal ganz kurz noch was über dich.
Also du beschäftigst dich hauptsächlich mit Data Governance-Themen bei InnoQ.
Sonst noch irgendwas wichtiges?
Genau.
Ja, ich hatte es, glaube ich, in der letzten Folge, wenn wir gesprochen haben, schon gesagt.
Ja, ich bin Software-Ingenieur, Software-Architekt, komme aus der Ecke, bin jetzt eben stark im Data-Thema und kommen da immer mehr rein.
Ich fange jetzt sogar an, irgendwie selbst Machine Learning zu lernen, weil ich es irgendwie so cool finde.
Ja.
Spannendes Thema.
Finde ich cool.
Und Data Governance ist aber das, wo ich mich mittlerweile sehr gut auskenne.
Und deswegen reden wir auch heute.
Fleißig darüber.
Genau.
Ich steige direkt mal ein mit so einem kleinen Rant, also einfach nur damit ich will nur meine Perspektive kurz da drauf bringen.
Zu Regulierungen.
Wir gucken ja gleich nochmal auf diesen EU-Data-Act.
Mit dem habe ich tatsächlich nichts zu tun gehabt, aber ich habe so mit anderen Regulierungen zu tun.
Und so meine grundsätzliche Einstellung ist, das sind alles immer gut gemeinte und sinnvolle Ideen, die da drin stehen.
Aber im wahren Leben führt es immer zum vollen Desaster und zum Gegenteil, ja.
Also, so willst du das nicht der 100%-Fall, aber so ist halt bewusst breitgehalten und praktisch alle meine Kunden, die haben immer Angst vor dem vor dem Wirtschaftsprüfer.
Ist unklar, was zu machen ist, deswegen machen wir immer das komplizierteste, damit wir da ja nicht zur BAfin laufen müssen.
Also ich bin so grundsätzlich schon mal negativ, ich bin negativ eingestellt gegenüber Regulierungen, obwohl die Ideen meistens gut sind, ja.
Genau, jetzt meine negative Grundeinstellung, aber wir wollen natürlich was Positives hier rausnehmen, ja, und zwar positiv im Sinne von, was können wir eigentlich, wenn wir von diesem EU Data Act betroffen sind, ja, also ich stricke es mal so negativ aus.
Was können wir Positives daraus ziehen?
Und da hast du ja diesen Artikel geschrieben.
Und jetzt würde ich direkt mal anfangen mit so einer Einstiegsfrage, was heißt ja die Dateninventare im EU-Data Act, was überhaupt ein Dateninventar im Sinne des EU-Data Acts also der EU Data Act, vielleicht fangen wir da an, der EU Data Act sagt knapp gesagt, dass Hersteller von vernetzten Geräten, also ich würde mal sagen, umgangssprachlich IoT-Geräte, also alles, wo ein Netzwerkstecker dran ist oder ein WLAN-Chip eingebaut.
Müssen ihren Konsumenten oder den oder den Kunden, die Personen, die diese Produkte kaufen, einen sauberen Datenzugang geben.
Also sie müssen Ihnen die Daten, die die Kunden mit diesen, mit der Nutzung dieser Geräte erzeugen, müssen den Kunden auch zur Verfügung gestellt werden.
Und wichtig dabei ist, dass eben diese Schnittstellen da sind.
Also die muss schon da sein.
Der Kunde muss das oder die Person muss das nicht extra anfragen, sondern das muss vorbereitet sein.
Das Ganze muss auch irgendwie kostenfrei sein.
Und die Idee dahinter ist, dass eben die Kunden von Produkten eben mit den Daten, die sie erstellen, beispielsweise, wenn ich jetzt eine Firma bin, die irgendwie Industriemaschine hat, das irgendwas produziert und da entstehen dann eben Daten, dass ich eben mit diesen Daten eben selbst was anfangen kann, um quasi mein eigenes Unternehmen zu optimieren.
Also, ich habe dann sozusagen die Chance, damit irgendwie Daten getrieben zu arbeiten.
Und auf der anderen Seite können, sollten dadurch eben auch wahrscheinlich irgendwie neue Industriezweige oder neue Geschäftsfelder entstehen, dass man sagt, ey, wir können vielleicht Drittanbieter können, vielleicht eben für andere Leute diese Daten auswerten und eben irgendwie was zur Verfügung stellen und eben diese Datenmonopolisierung bei den Herstellern von den Geräten irgendwie so ein bisschen aufzulösen.
Und jetzt kommen wir aufs Dateninventar.
Das Dateninventar ist im Prinzip dabei dann eben ein Katalog, der eben eine Übersicht gibt über die ganzen Daten, die anfallen und wie ich darauf zugreifen kann.
Das soll eben strukturiert sein.
Das soll irgendwie Kontext geben, also welches Gerät ist.
Es soll irgendwie eine fachliche, eine semantische Beschreibung dazu.
Was bedeuten denn diese Daten, die da da sind?
Informationen, wie kann ich zugreifen.
Sowas muss da eben darin stehen.
Ja.
Ja, also das, ich kann das ganz gut nachvollziehen.
So meine eigene Geschichte dahinter ist schon zehn Jahre her oder so, da habe ich mal mit Herstellern von Bierbraumaschinen geredet.
Und also die haben erstmal gar nicht über diese Bierbraumaschinen gesprochen, sondern über Flugzeugturbinen, weil die gesagt haben, hey, uns ist aufgefallen, Boeing, nee, ist Quatsch, nicht Boeing, sondern Rolls Royce.
Rolls Royce baut ja nicht nur Autos.
Ich meine, wir beide haben ja eine in der Garage, ne?
Und die bauen ja nicht nur Autos, sondern die bauen auch Turbinen für Flugzeuge und die verkaufen diese Turbinen.
Also, ich weiß gar nicht, wie das heute ist, aber die Idee war, diese Turbinen nicht mehr zu verkaufen, sondern Turbine as a Service.
Der Vorteil ist für alle, zu sagen, ja, ich muss jetzt keine große teure Anschaffung machen, ja, und mit so Flugzeugturbinen, sondern ich so wie Cloud, ja, also so wie du Cloud Compute aus der Infra aus der Steckdose bekommst, kriegst du halt auch Flugzeugturbinen aus der Steckdose.
Du hast so einen konstanten Preis, den du halt immer bezahlst und die, die Rolls Royce sorgt halt dafür, dass die Turbine immer in einem super Zustand ist, ja.
Und Rolls Royce hat natürlich den Vorteil konstanter Revenue Stream, aber halt auch die wissen, weil sie die Daten sammeln über diese Flugeigenschaften, wissen die natürlich auch ideal, wann so eine Wartung stattfinden muss.
Und jetzt ist die Frage, also die sagen wir so, Flugzeugunternehmen geben halt diese, also die Turbinen-Daten geben die sozusagen gerne weiter, ja.
Aber bei den Bierbrauern ist natürlich immer so die Angst, ja, wir könnten natürlich auch Bierbraumaschinen verleihen verleihen, nicht verleihen, sondern so Rent a Bierbraumaschine, ne, ja.
Und dann wird dann vielleicht, sagen wir mal, Hersteller von dieser Bierbraumaschine gibt es unterschiedliche deutsche Firmen, ja.
Die werden dann vielleicht zu Superbrauern, weil die natürlich alle Geheimnisse von allen von allen Firmen kennen, ja.
Und da natürlich ist das so, dass man denkt, ah, jetzt kennen die natürlich meine Braudaten, kennen die vielleicht sogar besser als ich, ne?
Aber wenn ich so einen Dateninventar anbiete, dann habe ich zumindest auch selbst Zugriff drauf, ne?
Also klar, das ist, also die werden das ja weiterhin selbst auch auswerten können.
Also ob das jetzt vermietet ist oder verkauft, ich weiß auch nicht, ob das, wie das bei vermieteten Geräten ist, das weiß ich gar nicht.
Ich bin auch kein Jurist, deswegen kann ich da, also wenn ihr da betroffen seid, sprecht mal mit dem Juristen nochmal konkret.
Wir beleuchten das nur quasi aus IT-Sicht.
Aber es geht schon darum, dass die Daten, die da eben produziert werden und die eben, du meintest ja gerade, vielleicht weiß der mehr über meine Bierbrauung als ich selbst, dass ich diese Hoheit wieder zurückgewinne, dass ich eben sagen kann, ich kann auch das jetzt auswerten und kann vielleicht als Bierbrauer beispielsweise, den Prozess, den ich da, den ich da habe, kann ich vielleicht noch optimieren, kann vielleicht die Zusammensetzung irgendwie anpassen, weil vielleicht irgendwie aus der Sensordatik sich ergibt, dass vielleicht Bestandteil XY.
Ich bin kein, ich kann nicht Bier brauen, ich habe mal so ein Bierbrausat gehabt, aber da habe ich zusammengekippt und die Hälfte ist nichts geworden.
Deswegen kann ich da nicht viel dazu sagen.
Aber vielleicht kann man sagen, naja, vielleicht gibt es ja irgendwie einen Überschuss an einen bestimmten Bestandteil, den man eigentlich vielleicht gar nicht braucht, dann kann ich irgendwie Kosten sparen und sowas, solche Prozesse eben zu optimieren, vielleicht irgendwie Temperaturen irgendwie anzupassen.
Ich kann das ja dann vielleicht ja auch irgendwie zusammen zusammenbringen mit irgendwie den Informationen, die dann meine Nutzenden oder also die Personen, die das Bier dann trinken, dann irgendwie vielleicht mir auch als Feedback geben.
Oder was oder mit Verkaufszahlen, die hat dann der Hersteller vor dem Gerät nicht.
Und dann könnte ich vielleicht sagen, oh, ich habe hier die Verkaufszahlen von denen und jetzt habe ich die Zusammensetzung ein bisschen angepasst und plötzlich verkauft es sich besser oder schlechter.
Vielleicht hängt das damit zusammen.
Und das geht natürlich nur, wenn ich das auswerten kann, wenn ich die Daten grundsätzlich überhaupt zur Verfügung habe.
Also ich denke schon, dass sie natürlich viel auf Papier haben, also so pH-Werte und so weiter.
Und wahrscheinlich kann man da auch einen Excel, nee, also die Enterprise-Funktionalität CSV-Export machen.
Aber ich gehe davon aus, dass natürlich der in aller Regel, weil wir haben ja auch Kunden, die so Geräte bauen, also es ist nicht unbedingt Bierbraumaschinen, aber andere Sachen.
Wir wissen natürlich viel mehr als das, was in der App oder auf der Webseite angezeigt wird.
Und dass man praktisch die Daten zur Verfügung stellt.
Es ist natürlich so, das ist für ein, das kann man sagen, schön für den Käufer des Systems, aber ist ja erstmal blöd für mich als Gerätehersteller, weil kostet mich Geld.
Also ich sag mal, zwei Sachen: Geld und ich weiß vermutlich gar nicht so ganz genau, was sie von mir wollen.
Und ich kann auch niemanden fragen, aber sagen wir, dieses Thema würde ich erstmal ausklammern, ja, also so dieses allgemeine Regulierungsproblem.
Aber ich muss auf jeden Fall irgendwas bauen.
Und das kostet mich gebauen und betreiben und das kostet mich, das kostet mich einfach Geld.
Und jetzt könnte man sich halt fragen, was kann ich tun, also aus diesem Zwang, wie kann ich da irgendwie trotz allem noch strategisch Potenzial oder irgendwelche Vorteile daraus ziehen, dass ich das machen muss.
Ja, also genau, vielleicht erstmal, also es ist natürlich klar, dass das natürlich erstmal irgendwie Frust erzeugt, wenn ich sage, ey, jetzt muss ich hier zusätzlich was bauen.
Das kommt aus einer Regulierung.
Das verstehe ich auch, ne?
Das sind wahrscheinlich manche auch stärker betroffen als andere.
Aber was ich vielleicht für mich eben mitnehmen kann, und vor allem, wenn ich mich schwer tue, so ein Inventar und solche Schnittstellen zu erzeugen, ist, dass ich vielleicht meine eigene, meinen eigenen Datenhaushalt, nenne ich es mal, vielleicht auch irgendwie nicht sauber strukturiert habe und nicht unter Kontrolle bringen.
Also ich würde behaupten, wenn ich so ein Inventar erzeuge, also entweder habe ich grundsätzlich ein System, wo ich das quasi mehr oder weniger mit einem Fingerschnipsen rausexportieren kann.
Klar, ein bisschen übertrieben jetzt, aber grundsätzlich habe ich schon die Information und muss das sozusagen nur noch irgendwie nach außen geben und gucken, vielleicht nochmal einen Anwalt drüber gucken lassen.
Oder quasi die Gegenseite, ich habe quasi nur reines Chaos und meinen Daten und habe dann aber auch einen quasi einen Anhaltspunkt, dass ich sehe, wahrscheinlich arbeitet meine Organisation nicht sonderlich gut mit Daten.
Also es wird ist ja dann innerhalb der Organisation auch nicht klar, wer hat welche Daten, wie kann darauf zugegriffen werden, was bedeuten diese Daten.
Und das ist eben die Chance, die ich sehe, dass man sagt, ey, man wird zwar jetzt zwar von außen gezwungen, irgendwas für extern, für Konsumenten, Kunden zu tun, aber lass uns das doch einfach nutzen und sagen, okay, dann räumen wir einfach mal bei uns auf und führen vielleicht irgendwie eine moderne Datenarchitektur ein, die sowas eben auch unterstützt.
Und haben danach vielleicht einfach intern auch einen bessere Art, mit Daten umzugehen und Kompetenzen innerhalb der Belegschaft, wie ich mit Daten arbeiten.
Ja, ich denke mindestens zwei Möglichkeiten.
Jetzt zeige ich hier meine ganze Hand mit fünf Fingern, also es gibt mindestens zwei Möglichkeiten.
Die eine ist natürlich, ich stelle diese Daten irgendwie zur Verfügung und mache ganz viel Dokumentation und so weiter und so weiter, um den einfach um so einen Wirtschaftsprüfer oder werde es auch immer prüft, zu beruhigen, ja, also einfach mit Informationen überschütten, ist eine Möglichkeit, dass man sagt, okay, hier hat sich, die haben sich hier viele Gedanken gemacht.
Die andere Möglichkeit ist, wir haben eine moderne Datenarchitektur, die nachvollziehbar ist und die weiß nicht, ob die mehr kostet oder weniger kostet.
Tendenziell hätte ich schon fast gesagt, das kostet weniger, weil ich sag mal, so komplizierten Wahnsinn, ich sehe es bei vielen Kunden.
Irgendwann muss man diesen komplizierten Wahnsinn abbauen, weil das Unternehmen lähmt und dann lieber eine, ich sag mal, eine einfach eine saubere, nachvollziehbare Lösung, die auch ein Wirtschaftsprüfer oder wer auch immer das prüft, nachvollziehen kann.
Und ja, also dass man sagt, wir bauen jetzt eine moderne Datenarchitektur.
Wie würde denn, wie sieht denn so eine moderne Datenarchitektur aus?
Also speziell auf, ich sag mal, mit dem mit dem Hintergrund EU-Data Akt und Dateninventare.
Also in meinen Augen ist eben eine moderne Datenarchitektur eben Datenprodukt getrieben und eben auch föderiert.
Also es gab vor ein paar Jahren eben den oder wurde der Begriff Data Mesh geprägt.
Heute sagt man eigentlich eher so Datenproduktorientierte Architekturen oder eben föderierte Architekturen.
Und das Gute an solchen Architekturen ist eben, also in diesen Architekturen werden Daten als Produkte dargestellt und innerhalb des Unternehmens, vielleicht auch extern, gerade wenn wir eben jetzt über Data Act reden, vielleicht auch extern, zur Verfügung gestellt und eben auch beschrieben, wirklich eben als Produkte.
Wir haben ja auch eine andere Folge drüber, wo wir darüber geredet haben, was sind Datenprodukte.
Und das Gute ist, wenn ich sowas habe, dann habe ich quasi das Fachwissen aus dem Team, das meine Daten beschreibt und habe das auch in einem Katalog oder in einem Datenmarktplatz, wo ich eben eine Übersicht habe über sämtliche Daten und da und vor allem gut aufbereitet.
Mit Semantik und also Semantik ist vor allem in dem Fall sehr, sehr wichtig.
Und somit habe ich quasi schon mal eine Gesamtübersicht über alles, was in meinem Unternehmen anfällt.
Und kann das dann eben dann als Grundlage nehmen für so eine Art Dateninventar und kann entsprechend auch sozusagen diese Daten dann auch vielleicht nach außen weitergeben.
Sehe auch schon, wo sind denn vielleicht personenbezogene Daten drin, die ich nicht nach außen geben darf, wo sind denn vielleicht sonderlich schützenswerte Daten drin, die Geschäftsgeheimnisse beinhalten, die ich nicht nach außen geben muss.
Also da gibt es ja auch Restriktionen in einem Data Act, dass ich beispielsweise nichts veröffentlichen muss, was irgendwie einem Konkurrenten helfen könnte, ein Konkurrenzprodukt aufzubauen mit den Daten, die ihr bei mir rausliest und so weiter.
Achso, das bedeutet, ich nenne mal ein Beispiel, ob ich bleibe mir noch bei unseren Braumaschinen.
Ich als Brauer A kaufe mir eine Braumaschine von Brauer B und analysiere, welche Daten da rauskommen.
Oder wie muss ich mir das vorstellen?
Oder beim A.
Ja, oder eben vielleicht eher sowas, ich sage, ich bin also ich bin Brauer und miete mir meine Maschine beim Braumaschinenhersteller und beauftrage aber den Dienstleister, mir diese Daten auszuwerten.
Jetzt darf dieser Dienstleister nicht die Daten nutzen, um selbst in zwei Jahren plötzlich eine baugleiche Baumaschine auf den Markt zu bringen.
Ja, interessant, weil ich würde halt sagen, völlig normal in anderen Branchen.
Also ich bin mir ziemlich sicher, dass jeder Automobilhersteller vor zehn Jahren sich einen Haufen Teslas gekauft hat, um die auseinanderzunehmen und zu gucken, wie funktionieren die überhaupt, ne?
Oder du, egal welche Maschinen, also man kauft sich ja eigentlich immer Konkurrenzprodukte, um die zu analysieren, aber die Daten, die darfst du dann, da gibt es egal.
Ja, also es soll halt nicht jetzt, es geht ja hier darum, dass wir nicht irgendwie eine Regulierung auf EU-Ebene irgendwie stattfinden lassen, die sowas irgendwie die Industriespionage irgendwie bringt.
Also, das ist eben die klare Abgrenzung an der Stelle.
Also wie es dann genutzt wird, ist natürlich die andere Frage, ne?
Aber da kann ich als Hersteller schon auch gucken, was gebe ich denn da raus, oder als Geräterhersteller eben rausgucken, was gebe ich denn da raus?
Muss ich denn dieses Datum wirklich nach außen geben?
Oder vor allem muss ich das extern zur Verfügung gestellen.
Du hattest, du hast es ja auf die vorherige Folge referenziert, aber kann es vielleicht nochmal ein bisschen, also so den zwei, drei Minuten Überblick geben über Datenprodukt bzw.
Datenproduktkataloge oder Data Marketplace, was das ist.
Genau, also kann ich gern machen.
Datenprodukte sind eben, ich hatte auch letztes Mal gesagt, es gibt keine Definition dafür, aber man kann sich es grob vorstellen, wie ein alles, was dazu gehört, um einen Datensatz anzuzeigen.
Also irgendwie, ich habe Quellsysteme, ich habe irgendwie irgendwelche Transformationen, die da die stattfinden, ich habe irgendwelche Cleaning Jobs, die die Daten reinigen und ich habe dann irgendwie einen Output Port, wie wir auch klassisch in der Softwarechitektur von Outputport sprechen, wo ich dann eben diese Daten, genau, Schnittstellen zur Verfügung stell zur Verfügung stelle.
Das ist dann, da hängt dann ein Data Contract dran, auch ein Thema, über das wir hier in einem Podcast oder du mit Simon Hara schon gesprochen hast, und wir im letztes Mal haben wir es auch mal kurz angeschnitten.
Und da wird dann eben das sauber beschrieben.
Auch wichtig für unser Dateninventar wieder.
Wir haben da schon eine Stelle, wo das sauber beschrieben wird, wo Semantik sauber beschrieben ist, wo die Qualität der Daten sauber beschrieben ist.
Das sind grundsätzlich Datenprodukte, also Daten gesehen, nicht als reines Datenasset oder als irgendeine Tabelle, die irgendwo in meiner Cloud liegt, sondern wirklich als Produkt, das ich an andere weitergeben will.
Ein Data Marketplace ist eben dann der Marktplatz oder der Ort, wo diese Daten dann entsprechend angeboten werden, der auch Funktionalität zur Verfügung stellt, um irgendwie diese Daten sauber produzieren und dass die Regeln, die in meiner Organisation gelten, um mit diesen Daten zu arbeiten, auch wiederum eingehalten werden oder es mir auch leicht gemacht wird, diese einzuhalten.
Also ich meine, grundsätzlich denke ich immer so automatisch an den Person, die mich prüft, bei Gesetzen.
Und da ist natürlich hilfreich, wenn man ich erfinde nichts für diesen Fall, sondern wenn ich sagen kann, ich habe hier so ein klares Konzept basierend auf existierenden Konzepten.
Dann bin ich einmal, also ich sehe zwei Vorteile drin.
Selbst erfinden, ist eh immer blöd, lieber irgendwas nutzen, was schon funktioniert, dann kann ich nach, kann ich einen Haufen Vorteil schon mal für mich rausziehen.
Man ist ja unser, also unser Take hier.
Aber ich muss auch gar nicht so viel dokumentieren, weil ich einfach nur sagt, ich benutze diese Dinge.
Da sind sie.
Data Products, Data Marketplace, Data Contracts, und dann kann man, dann kann man sich den Rest zusammen suchen.
Das ist schon mal eine gute Sache.
Absolut.
Und habe eben auch Gründe, warum ich beispielsweise Daten nicht rausgebe, ne?
Und hab auch irgendwie, kann auch beweisen, dass das vollständig ist.
Und habe auch schon irgendwie dokumentiert grundsätzlich, wenn ich das intern, wenn ich eine interne moderne Datenplattform habe, dann habe ich auch schon dokumentiert, wie denn der Zugriff dafür funktioniert.
Das heißt, der Schritt dahin weiterzugehen, wie der Zugriff extern funktioniert, ist wahrscheinlich auch nochmal einfacher.
Sowas wie Autosorisierungskonzepte und so weiter sind schon da.
Ich bin auch, das ist auch eine Sache, die der Data Act vorgibt, die Daten sollen in gängiger, das steht auch so drin, gängige Art und Weise ausgegeben werden, was auch immer jetzt gängig heißt.
Für mich heißt Gang irgendwie eine Rest-Schnittstelle oder irgendwie der genannte CSV-Export und jetzt nicht irgendein kryptisches proprietäres Fileformat, das man erstmal irgendwie lizenzieren muss oder sowas.
Und sowas habe ich dann einfach auch schon alles.
Und es ist halt irgendwie alles quasi bei Design schon da.
Also ich habe bei Design schon den ganzen Blumenstrauß an Dingen, die ich eben brauche, um diesen Dateninventar gerecht zu werden.
Wenn ich jetzt an so ein paar Kunden von uns denke, also wir haben ja im Vorgespräch, habe ich schon gesagt, ah, ich wollte einfach nochmal, also eigentlich hätte ich mit dem und dem vorab reden müssen, um wir haben ja auch ein paar Kunden aus dem IoT-Bereich, wie, wie bei größeren Unternehmen, die schon lange Software machen, also Software-Hardware, da würde ich da behaupte ich einfach mal, die haben schon Dateninitiativen am Laufen und die denken zumindest schon über Data Contracts und Data Products und so weiter nach.
Also in irgendeiner Art und Weise würden die halt sagen, okay, wir haben schon was und nochmal ein weiterer, eine weitere Argumentation, um Geld zu bekommen, um jetzt in die richtige Richtung zu laufen.
Aber bei kleineren Unternehmen, die jetzt vielleicht noch gar nicht so Software-intensiv sind und jetzt gerade damit angefangen haben, jetzt ich, ich nenne mal ein Beispiel, ich nenne vielleicht kein Beispiel, das ist klar, aber ich habe so, ich habe so kleinere kleinere Geräte und ich habe da eigentlich noch nicht so viel Software und nicht so viel Software-Know-how.
Kann man da auch, also kann ich auch im Kleinen anfangen?
Oder ist das direkt immer, wenn ich so moderne Datenarchitekturen, ist das direkt so ein Riesending?
Nee, nee, natürlich nicht.
Also, naja, also beispielsweise in der Data Mesh-Architektur, so wie die irgendwie ursprünglich beschrieben ist, das macht nicht Sinn, also eine föderierte Architektur irgendwie, das macht nicht Sinn für ein kleines Unternehmen.
Also wir führen ja auch keine, oder können ja auch, sollten auch keine Microservices einführen, wenn wir irgendwie ein Software-Team haben.
Also da brauchen wir schon sehr gute Gründe dafür.
So ist das auch.
Aber ich kann natürlich anfangen.
Ich kann natürlich so von vornherein anfangen, meine Daten sauber zu beschreiben, Dokumentation zu bringen, irgendwie Informationen über Datenqualität, die ist ja in den meistens in den Köpfen der Menschen da, zu dokumentieren und dann eben auch diese Denke zu entwickeln, mit diesen Daten zu arbeiten, die eigenen Prozesse damit zu optimieren, eben zu überlegen, ey, welche Daten produziert denn mein Gerät beispielsweise und oder vielleicht irgendwelche anderen Prozesse und wie kann ich die nutzen, um das Produkt zu optimieren, um meinem User ein besseres bessere Erfahrung zu bieten.
Ja, also genau, also jetzt diesen Punkt haben wir noch gar nicht durch Leuchte.
Also, ich denke über Daten nach, aber ich denke natürlich nicht nur darüber nach, meine Kon das eine ist, meine Konsumenten sind die Kunden nach draußen.
Das muss ich tun, aber ich habe natürlich auch, wenn ich es schon mache, habe ich natürlich auch Kunden nach innen.
Und dass ich mit denen natürlich auch spreche und dann weitere Datenprodukte anbiete, wie wir uns selbst innerhalb von unserem Unternehmen verbessern können.
Ja, genau, das ist ja genau die Chance, die ich eben in einem Artikel beschrieben habe, dass wir sagen, ey, wenn wir schon gezwungen sind, unsere Daten zu organisieren, dann nehmen wir das doch jetzt als Anheizpunkt.
Und geben die Daten nicht nur anderen zur Auswertung, sondern nutzen die auch selbst und strukturieren sie so, dass sie auch irgendwie einem kleinen oder größeren Unternehmen von allen genutzt werden können.
Das ist ja eben auch Teil von der modernen Datenarchitektur, dass alle tendenziell insofern das rechtlich okay ist, eben auch Zugriff haben auf die entsprechenden Datensätze.
Ja, und es müssen das können auch ganz weitere Datenprodukte sein.
Also stelle ich mir so vor, weil wenn ich jetzt so wieder an unser an unsere Kunden denken, wir haben natürlich Daten über unsere Kunden, die wir dem Kunden zur Verfügung stellen, aber es gibt natürlich noch einen Haufen andere Daten, die auf so einem Gerät anfallen.
Die sind vielleicht für diesen EU-Data-Acts völlig irrelevant.
Aber für uns intern können wir natürlich auch überlegen, welches Datenprodukt machen wir da draus.
Ja, und intern kann ich da ja auch nochmal anders skalieren und sage, intern, ich muss dem Kunden ja auch nur die Daten geben über das, über seine Nutzungsdaten.
Die Nutzungsdaten von allen Kunden habe ja weiterhin ich.
Ich gebe ja dem Kunden nicht die Daten von seinen Mitbewerbern.
Ja, ja, genau.
Du hast in dem Artikel auch über Data Literacy als Erfolgsfaktor gesprochen.
Was ist überhaupt?
Also, vielleicht, bevor wir sagen, warum ist halt ein Erfolgsfaktor, was ist überhaupt Data Literacy?
Ich habe es, glaube ich, schon kurz angeschnitten.
Ich versuche es jetzt nochmal klarer zu machen.
Also zu Deutsch heißt Data Literacy, die deutsche Übersetzung wäre Datenkompetenz.
Ich würde, also es gibt da ein paar Definitionen.
Ich finde die von Jordan Morrow ganz gut, der hat ein Buch geschrieben, das heißt Be Data Literate.
Und ich habe es mal versucht, irgendwie von den anderen Artikel, der hoffentlich schon da ist, wenn dieser Podcast hier erscheint.
Habe ich es mal versucht, irgendwie ins Deutsche zu übersetzen und zwar.
Ich lese jetzt vor Data Literacy ist die Fähigkeit, Daten zu lesen, mit ihnen zu arbeiten, sie zu analysieren und mit ihnen zu kommunizieren.
Ganz spannend ist eben auch dieses mit ihnen zu kommunizieren.
Also that's the eye is, ich muss Daten verstehen, also das lesen.
Ich muss irgendwie mit ihnen arbeiten können.
Also ich muss sie irgendwie vielleicht transformieren können, irgendwie, ich muss vielleicht aber auch irgendwie nur Tools beherrschen.
Irgendwie, ne, also die meisten können irgendwie sowas wie Excel, das ist ja schon ein sehr, sehr, sehr mächtiges Datentool.
Und darin kann ich dann vielleicht auch Daten analysieren.
Vielleicht habe ich auch irgendein Tool wie Power BI, wo ich irgendwie dann kleine Analysen starten kann.
Und ich will das aber auch, diese Information, die ich daraus habe, die will ich dann aber auch irgendwie nach außen tragen, kommunizieren und vielleicht auch erklären, warum ich bestimmte Entscheidungen getroffen habe und nicht irgendwie sagen, hey, das war ein Bauchgefühl, sondern hey, ne, ich habe hier eine Datenbasis und die zeige eindeutig, dass das so gemacht werden sollte.
Ja.
Wichtig dabei ist, das klingt jetzt irgendwie gleich irgendwie alles sehr krass, aber Morrow schreibt eben auch, dass man kein Data Scientist sein.
Also nicht jeder muss ein Data Scientist sein.
Also es gibt natürlich Leute, die haben da irgendwie Bock drauf und die irgendwie kennen sich mit Statistik aus, die haben irgendwie die mathematischen Formeln im Patto und so weiter.
Das muss ich aber gar nicht.
Sondern ich muss nur quasi ein grundsätzliches Gefühl dafür haben, um irgendwie mit Daten zu arbeiten, da kann ich scheue davor zu haben.
Das ist Data Literacy für mich.
Wie komme ich eigentlich zu Data Literacy?
Also, wie kann ich mir das beibringen?
Vielleicht nochmal so als kleiner Hintergrund der Frage.
Hatte ich jetzt schon öfter über die letzte 15 Jahre oder so.
Also seit dieses Thema Data-Driven Decision Making hoch kam, habe ich halt so erlebt, dass wir Daten sammeln und Entscheidungen auf Basis von Daten treffen.
Und dann kommt dann trotzdem irgendwie jemand und sagt, wir machen es aber so.
Und dann sage ich, die Daten sagen aber was ganz anderes.
Ist mir egal, was die Daten sagen.
Also habe ich tatsächlich noch letzte Woche so ein Fall gehabt, ja, da sind irgendwelche, ich sag mal, Zahlen schlecht, und andere, also so zwei Datasets zeigen eigentlich an, dass hier muss was passieren, aber Umfragen haben ergeben bei den Nutzern, dass wir eigentlich nur bei dem Thema 2 was tun müssen.
Aber der große Chef sagt halt, wir machen Thema 1 und 2, wo ich halt sage, die Benutzer haben mit Thema 1 gar kein Problem.
Mir egal.
Wir machen beides.
Okay, wenn du es bezahlen willst, dann bezahl, ja.
Aber da denke ich immer so, wie kann ich den Leuten eigentlich, wie kann man denen das beibringen?
Also welche Lernpfade gibt es da?
Also das kann man auch wieder ganz groß spinnen und kann man auch irgendwie klein spinnen.
Fangen wir das klein an, ja.
Das war ja das, was du, was du erzählst, ist irgendwie, also im Management ist da, glaube ich, also das Management sollte erstmal auch die Datenkompetenz haben und das Vorleben.
Ich glaube, das ist da irgendwie ganz wichtig.
Also, wenn ich, wenn meine Mitarbeiter schon so weit sind und sagen, ey, ich habe hier die Daten, wir sollten das so machen und das Management sagt dann aber, nee, wir machen das anders, weil ich finde das jetzt wichtiger, dann wird es schwierig für die Organisation auch weiterhin Daten getrieben zu arbeiten.
Weil das muss auch von oben vorgelebt werden, sag ich mal.
Das ist, glaube ich, ein ganz wichtiger Schritt eben.
Also das Management braucht selbst diese Data Literacy und muss das auch erkennen, warum das wichtig ist.
Und ich bin halt der Überzeugung, dass es sehr, sehr wichtig ist, das zu haben, um eben am Markt bestehen zu können.
Weil wenn wir irgendwie Mitbewerber angucken, globale Mitbewerber angucken, dann irgendjemand arbeitet Daten getrieben.
Und das ist ganz spannend, vor allem auch was in China passiert, da wird sehr stark Daten getrieben gearbeitet und da werden dann einfach westliche Firmen quasi dann so vom Markt gedrängt, weil die eben den Markt nicht verstehen.
Und die Firmen selber verstehen aber den Markt, weil sie eben die Daten analysiert haben.
Ja, ich glaube, so weit muss man gar nicht da gucken.
Also, also ich hatte ja lange in Holland gewohnt und da gibt es, ich meine, der berühmteste Fall Booking.com, ja, aber gibt es auch einige andere Unternehmen, die halt vor langer Zeit schon irgendwie mit dem Spruch rumgerannt sind, Data is the new gold, ja.
It's the new oil.
So, Data is a new oil.
Aber wie, wie, vielleicht nochmal so ganz kurz, wie, wie würde man so Datenkompetent?
Also gibt es irgendwelche Kurse, auf die ich zeigen kann, so nach dem Motto, guck dir das mal an, ja, oder welche Möglichkeiten gibt es für so eine Firma Datenkompetent zu werden?
Natürlich gibt es mit Sicherheit Dienstleister, die da irgendwie Dinge anbieten.
Ich muss mir, glaube ich, aber erstmal meine Mitarbeitenden angucken und gucken, wie ticken die Linien und was sind denn eigentlich, ist es denn eigentlich die richtige Form, um mit denen wie die mit Daten arbeiten können?
Also sind irgendwie so Tools, irgendwie so, so ein reine Excel-Kenntnisse vielleicht schon mal ganz cool.
Und dann würde ich auch sowas irgendwie in der Firmenkultur versuchen zu verankern, irgendwie so eine Community of Practice irgendwie zu erstellen, die eben auch irgendwie sagt, hey, wir sind Menschen, die irgendwie das irgendwie spannend finden.
Wir setzen uns irgendwie in regelmäßigen Abständen zusammen, arbeiten da Themen, tauschen uns zu den Themen aus, kommunizieren das vielleicht auch nach außen, also überlegen uns auch, ey, haben wir vielleicht einen Unternehmensblock, wo man irgendwie da irgendwie Erfolge beschreiben kann, wie bestimmte Leute mit, die bestimmte Leute mit Daten hatten.
Und eben, also das finde ich eben immer einen sehr guten Ansatz, eben zu sagen, okay, wir entwickeln sozusagen das Community Building und auf der anderen Seite kann ich natürlich auch meinen Mitarbeitenden eben dann Kurse anbieten.
Die kann ich vielleicht selbst gestalten, wenn ich groß genug bin, aber die kann ich natürlich auch einkaufen.
Muss man mir aber erstmal natürlich angucken, wen habe ich denn da vor mir und was passt denn auf die Leute.
Also im Grunde genommen zwei Möglichkeiten.
Ich kann sozusagen im Stealth-Mode Crassroots-mäßig loslegen.
Aber als Leader, sage ich jetzt einfach mal, da kann man natürlich auch anfangen und sagen, wir wollen das tun, ja.
Und ich fange schon mal damit an.
Also wenn man jetzt irgendwie.
Man muss nicht unbedingt der CEO sein, aber Director-Level oder so.
Genau, und ich glaube, das ist ganz wichtig.
Und dass das, dass sowas auch angenommen wird.
Ich glaube, ohne Management Support funktioniert das halt nicht.
Ein Product Owner sollten sowas natürlich auch verinnerlichen.
Also wenn die die Hoheit haben in Produktentscheidung, also sollten sie ja, ein Produkt Owner sollte ja, wer die Ownership am Produkt hat, das auch machen können, dann sollte sollten die Personen das eben auch vielleicht schon lieben.
Also das ist vielleicht so sehr so der Kleinste, der kleinste oder die kleinste Gruppierung, wo ich sage, da könnten könnte man sowas starten, so und von unten kommend.
Wenn ich sage, okay, wir sind jetzt ein Team und wir versuchen als Team Datengetrieben zu arbeiten.
Wir gucken uns an, was produzieren wir denn innerhalb unseres Produkts.
Da brauche ich noch gar keine große Datenarchitektur.
Dann speichere ich mir das vielleicht irgendwie so für meine Analysezwecke vielleicht in meine Postgres ab, wenn ich irgendwie nichts anderes zur Verfügung habe.
Vielleicht habe ich aber auch irgendwie, wenn ich auf der Google-Plattform und habe BigQuery und kann da dann irgendwie vielleicht ein bisschen performantere Analysen machen.
Man kann man ja klein gestalten.
Und das wiederum, wenn man sowas macht, hat man natürlich, kann man natürlich auch Erfolgsgeschichten schreiben und vielleicht andere damit anstiften und sagen, hey, guck mal, wir haben, wir haben hier haben unsere Prozesse optimiert.
Oder vielleicht auch, wenn ich schwer habe als Product Owner Priorisierung zu sagen, ich habe verschiedene Stakeholder, die Dinge von mir wollen, dann kann ich vielleicht auch Entscheidungen so begründen und sag, ey, ich mach das jetzt, ich mache jetzt dieses Thema zuerst, weil das bringt uns beispielsweise mehr Revenue oder das ist sehr schnell zu erledigen.
Oder das ist wirklich ein Problem.
Und das ist nicht nur, weil jemand laut schreit, sondern wir können mit Zahlen belegen, dass da wirklich sehr viele Kunden in Schwierigkeiten geraten, doch gegen einen bestimmten Prozess, den wir noch nicht optimiert haben.
Ja.
Ja, auf jeden Fall ziemlich spannend.
Bei mir schwirrt gerade im Kopf so rum, so zwei Geschichten, wo so, ich sag mal, Data-Driven Product Owner im IoT-Umfeld waren.
Und die haben das auch gedacht und vorgelebt.
Aber eben, was man natürlich auch sagen muss, im IoT-Umfeld, ist ja Software Teil der Wertschöpfung, aber natürlich der wichtigste Teil.
Das ist immer noch das Gerät, was man da verkauft.
Und dass viele Engineers, die ja dann, also ich sag mal, wenn so ein Principal Achief Engineer von dem Gerät, die leben meistens jetzt in dieser Datenwelt und die dann davon zu überzeugen.
Also das habe ich auf jeden Fall schon zweimal.
Also zweimal gesehen, wo man gesagt hat, okay, vielleicht warten wir einfach.
Aber bisher in Rente geht aber vielleicht kann ich das auch nur anekdotisch aus meiner Software-Entwicklungsvergangenheit sagen.
Ich habe das auch mal gemacht, also da war es noch nicht mal auf Team-Ebene, sondern wirklich nur, ich als Software-Entwirkender.
Ich habe quasi auch mit einem IoT-Gerät, also meine Software hat mit einem IoT-Gerät gesprochen und hat sogar dieses IoT-Gerät gesteuert.
Und diese IoT-Geräte wurden aber eingekauft.
Und ich habe dann eben, und die haben immer wieder Fehlerbilder erzeugt.
Und die hat sich keine erklären können.
Und der Produzent von diesen Geräten hat quasi gesagt, ja, nee, passt nicht.
Bei uns in Laborbedingungen, da stimmt das immer.
Wir können nicht, das muss eure Software sein, die da diese Fehler erzeugt.
Und dann habe ich eben auch angefangen, Daten zu sammeln.
Damals war Software-Entwickler war mein Tool der Wahl natürlich, ich habe irgendwelche Grafana-Dashboards gebaut.
Und das war aber dann schwer, plötzlich für die Personen zu verargumentieren, wo die, ich hatte plötzlich Dashboards, die bewiesen haben, dass meine Aussagen stimmen, konnte damit bei mir zum C-Level gehen und sagen, hey, erzeugt bei uns hier gerade enorm viel Arbeit und ich kann auch beweisen, dass wir nicht schuld dran sind.
Und das war sozusagen auch eine anekdotische Story, wo das dann auch eben funktioniert hat, weil dann eben jemand, der sich vielleicht weigert oder ein Gerätehersteller oder eben dieser Hardware-Ingenieur, der sich weigert, irgendwie damit zu arbeiten.
Wenn du dem halt irgendwie die Daten schwarz auf weiß in einem Dashboard gibt, dann muss er erstmal vielleicht irgendwas dagegen setzen.
Vielleicht auch datentrieben arbeiten, um sein Standpunkt klar zu machen.
Aber ein reines, das stimmt aber nicht, geht halt irgendwann nicht mehr.
Ja, genau, genau, ja.
Ja, muss ich sagen, ich habe trotzdem oft gehört, ist ja ein bisschen frustrierend, aber ja.
Das ist auch die Story, wo es bei mir mal ganz gut funktioniert hat, muss ich sagen.
Ja, aber ich denke immer so, man muss, man braucht den langen Atem.
Gut.
Ja, wo sind wir gerade?
Also, wir kennen die, wir müssen Dateninventare anbieten.
Wir können es einfach, wir können dieses Gesetz dafür nutzen, eine moderne Datenarchitektur aufzubauen.
Das kann man auch im kleinen Staaten.
Es muss halt direkt so einen Rieseninvestment sein.
Genauso genauso mit Data Literacy kann man als Crassroots-Bewegung starten, aber natürlich kann auch so ein, also man kann es top-down machen, man kann es aber auch Bottom-Up machen.
Das sind auf jeden Fall Erfolgsfaktoren.
Wir müssen damit rechnen, dass selbst bei bestem Wissen und Gewissen natürlich in so einem Unternehmen noch Leute gibt, die einfach dagegen halten, weil es zu alien, zu neu, zu, habe ich die letzten 50 Jahre gemacht.
Ich denke, das ist einfach normal, ja.
Dieses Fußlevel, das gibt es einfach.
Ein bisschen Glück braucht man immer.
Gibt es noch irgendwas, was du sagst, wo du sagst, das wäre noch interessant zu wissen, was diese Dateninventare im EU-Data Act angeht.
Ja, also wir hatten, wir hatten viel davon gesprochen.
Ich glaube, was wir noch nicht so unterstrichen hatten, war eben, dass wirklich wir, wenn wir wirklich auch Data Contracts und eben solche Praktiken einführen, dass wir dann einen relativ schnellen Schritt dazu haben, diese Inventare leicht zu erzeugen.
Das wollte ich nochmal unterstreichen.
Vielleicht nochmal auf das Thema zurück, was denn jetzt irgendwie vielleicht in der Kommunikation mit einem Wirtschaftsprüfer oder sowas passiert.
Hatten wir auch schon gesagt, dass wir dem irgendwie beweisen können, ey, wir haben irgendwie vollständiges Dateninventar.
Wir wissen vielleicht irgendwie, wir können auch begründen, warum irgendwelche Daten aus welchen Gründen auch immer die SGVO ist so ein Thema nicht rausgegeben werden können oder an wen sie nicht rausgegeben werden können.
Wir haben eben auch irgendwie Zugriffskonzepte oder Prozesse dafür.
Wir haben vielleicht auch einen Nachweis, dass das bei Design eingebaut ist, weil das ist auch eben was, was das Gesetz vorsieht, dass eben diese Produkte bei Design so entwickelt werden müssen, dass sie eben die Daten bereitstellen können.
Ah, okay.
Bei Altprodukten ist das übrigens anders.
Da sagt das Gesetz explizit, ich weiß gar nicht, ob es Gesetz ist oder Verordnung.
Ich bin kein Jurist, wie gesagt.
Aber da ist es so, da darf das auch nicht unverhältnismäßig sein, sozusagen, das dann rauszubringen.
Oder man muss auch keine, nur weil das Gerät intern irgendwelche Daten erzeugt, die aber selbst noch nicht rausgegeben werden, muss man das auch irgendwie jetzt dann plötzlich umständlich irgendwelche Software bauen, die diese Daten dann irgendwie wieder extrahiert.
Genau.
Aber das ist vielleicht dann noch ganz spannend, eben noch, in der Außenkommunikation, dass man eben das auch nachweisen kann, dass wir per Design so arbeiten.
Und was natürlich irgendwie auch so einen Wirtschaftsprüfer bestimmt gut findet, ist, wenn man halt irgendwie auch zeigt, ey, wir sind eine Datenorganisation, wir sind Datenkompetent.
Wir haben das im Griff mit diesen Daten umzuweiten.
Wir machen das nicht nur irgendwie so, weil wir es müssen und irgendwie mehr schlecht als recht und das geht die ganze Zeit kaputt, sondern ey, das ist für uns easy, weil das ist nur irgendwie ein Adapter, den wir an unseren Data Marketplace irgendwie dran gehangen haben.
Und ich glaube, das ist noch eine Sache, die ich eben, oder das sind auch eben Sachen, die ich dann unterstützen unterstreichen möchte, ja.
Ja, ja.
Okay.
Dann würde ich sagen, ran an die Datenarchitektur.
Ja, bitte.
Bitte.
Mit Daten arbeiten.
Das macht sehr viel Spaß.
Das klingt erstmal schlimm.
Aber oder wenn man es nicht macht, dann klingt das vielleicht erstmal nicht so schön.
Ich war früher auch kein Fan von Excel und mittlerweile benutze ich sogar privat, zumindest Google Sheets, um mir irgendwie Sachen zu visualisieren.
Und dann kriegt man plötzlich Erkenntnisse über Dinge, die man so irgendwie noch nicht gesehen hat.
Einfach nur, weil man eine Spalte irgendwie anders einfährt.
Ja, genau, genau.
Alright.
Dann würde ich sagen, vielen Dank, Stefan.
Vielen Dank an alle Zuhörer, die es bisher geschafft haben, so wie.
Jetzt habe ich sein Namen natürlich wieder vergessen, beruhbar Newsletter-Schreiber.
Petcua, Petcua, der, der hat am Ende von seinem Newsletter steht immer da, danke.
Dass ihr es bis hierhin geschafft habt.
Das wäre dein Catchphrase.
Jetzt hast du es verstanden.
Nee, nee, nee, nee.
Den habe ich geklaut von ihm, ja.
Fand ich immer ganz nett.
Ja, ist schön.
Alright.
Dann würde ich sagen.
Danke auch, danke fürs Zuhören.
Danke fürs mich Löchern mit Fragen.
Hat sehr viel Spaß gemacht.
Bis dann.
Tschüss.