Datensilos abbauen Produktion Echtzeit: So schaffen es Industrieunternehmen

Das Problem kostet Sie Millionen pro Stunde

„Stell dir einfach mal ein herstellendes Unternehmen vor, das jeden Tag im Wert von mehreren Milliarden, mehreren Millionen Euro Waren produziert. Wenn da so eine Produktionslinie für — und sei es nur vielleicht eine halbe Stunde oder mehrere Minuten — stillsteht, dann entsteht da eben doch ein massiver Schaden für das Unternehmen.”

Diese Worte stammen von Alexander Martens, Head of Technical Architects bei Solace — einem SaaS-Unternehmen, das sich auf Event-Streaming und Echtzeit-Datenintegration spezialisiert hat. Martens bringt über 15 Jahre IT-Erfahrung mit und hat ein Team von Technical Architects aufgebaut, das bereits mehr als 50 Kundenprojekte in produzierenden Unternehmen, MedTech, Pharma und Industrie 4.0 abgewickelt hat.

Das Kernproblem ist nicht, dass Unternehmen keine Daten haben. Es ist, dass die Daten fragmentiert, verzögert und unvollständig sind — eingeschlossen in Systeme, die nicht miteinander kommunizieren. Und genau diese Datensilos verwandeln sich in direkten Umsatzverlust, Compliance-Risiken und strategische Blindheit.

Die wichtigsten Erkenntnisse

• Stündlich aktualisierte Daten sind der Mindeststandard — für viele DACH-Unternehmen ist selbst das noch eine ungelöste technische Herausforderung
• 80% des KI-Erfolgs hängt von Datenbasis und Integration ab — nur 20% vom Modell selbst; ohne saubere Echtzeitdaten bleibt KI-Investment wirkungslos
• 100% Datenverfügbarkeit ist nicht verhandelbar — 80% Datenvollständigkeit führt direkt zu minderwertigen Entscheidungen und gefährdet Compliance in regulierten Branchen
• Business-Owner müssen Dateneigentum aktiv übernehmen — Datenqualität ist kein reines IT-Thema, sondern eine Frage der Unternehmenskultur und Governance
• Das größte Hindernis ist der Software-Layer, nicht die Hardware — die Integration heterogener Altsysteme mit modernen Cloud-Architekturen ist die eigentliche Komplexitätsquelle
• Produktivitätssteigerungen von 40–50% in der Produktion sind dokumentiert (50+ Projekte) — selbst 10–20% skalieren exponentiell über die gesamte Wertschöpfungskette
• Mindset kommt vor Technologie — Unternehmen, die echten Schmerz durch Datensilos spüren, entwickeln Ownership und bereichsübergreifende Zusammenarbeit natürlich

Im Detail: Datensilos abbauen in der Produktion — Was wirklich funktioniert

Datensilos in der Produktion kosten täglich Millionen an Ineffizienz. Batch-Verarbeitung und nächtliche Datenexporte führen zu veralteten Informationen, wenn Produktionslinien im Minutentakt laufen und Supply-Chain-Entscheidungen Echtzeit-Daten erfordern. Wer dieses Risiko unterschätzt, verliert massiv an Wettbewerbsfähigkeit—und an Marge.

Warum Batch-Verarbeitung in der Produktion gefährlich ist

Viele Industrieunternehmen arbeiten noch immer mit nächtlichen Daten-Batches oder täglichen Exports. In einer Welt, in der Produktionslinien im Minutentakt laufen und Supply-Chain-Entscheidungen sekündlich getroffen werden müssen, ist das kein technisches Relikt — es ist ein strategisches Risiko.

„Die Daten müssen schon stündlich aktuell sein und stündlich aktuelle Daten bereitzustellen ist für viele Unternehmen heutzutage immer noch eine große Herausforderung, weil die Infrastruktur, die dafür notwendig ist, teilweise einfach noch nicht da ist.” — Alexander Martens, Head of Technical Architects, Solace

Das bedeutet konkret: Unternehmen, die Supply-Chain-Echtzeitoptimierung anstreben oder KI-gestützte Entscheidungen in der Produktion treffen wollen, müssen zunächst ihre Dateninfrastruktur auf Echtzeitfähigkeit aufrüsten — bevor sie in Modelle oder Dashboards investieren.

Das 80/20-Gesetz der KI: Warum Datenbasis über Modell entscheidet

Die aktuelle Debatte über KI-Implementierung in Produktionsunternehmen dreht sich zu oft um Algorithmen, Modelle und Tools. Martens korrigiert diese Perspektive mit einem Verhältnis, das jeder KI-Readiness-Assessment zugrundelegen sollte:

KI-Erfolg = 80% Integration & Datenvorbereitung + 20% Modell.

„KI ist zu 80% Integration und Daten — und nur zu 20% das Modell selbst. Ohne saubere, integrierte und kontinuierlich verfügbare Datenbasis bleibt selbst das beste KI-Modell wirkungslos.” — Alexander Martens

Das ist keine theoretische These. Sie basiert auf praktischen Erkenntnissen aus über 50 Kundenprojekten in produzierenden Unternehmen. Die Implikation für Führungskräfte: Wer heute in KI-Modelle investiert, ohne vorher die Datenbasis zu konsolidieren, verbrennt Budget. KI-Readiness beginnt mit Datenbasis-Readiness.

Die drei Dimensionen der Datenqualität — und warum 80% nicht reichen

Im Kontext von Datenqualitätsmessung für unternehmenskritische Prozesse unterscheidet Martens drei Dimensionen, die alle gleichzeitig erfüllt sein müssen:

1. Genauigkeit — Stimmen die Datenwerte mit der Realität überein?
2. Vollständigkeit — Sind alle erwarteten Datenpunkte verfügbar? (Ziel: 100%)
3. Aktualität — Wie frisch sind die Daten? (Stündlich, Echtzeit, täglich?)

Das kritische Missverständnis vieler IT-Projekte: Genauigkeit wird optimiert, während Vollständigkeit vernachlässigt wird.

„Wenn ich nur 80% habe und daraus meine Entscheidung aufbaue, dann war meine Datenqualität schlecht.” — Alexander Martens

In regulierten Branchen wie MedTech oder Pharma geht das weit über schlechte Entscheidungen hinaus — es bedeutet direkte Compliance-Risiken und Datenqualität-Verletzungen, die regulatorische Konsequenzen nach sich ziehen. 100% Datenverfügbarkeit ist nicht verhandelbar. Martens formuliert es unmissverständlich: „Die Daten müssen definitiv zu 100% da sein. Und das sicherzustellen auch in der entsprechenden Skalierungsstufe ist immer noch eine Herausforderung heutzutag.”

Warum das eigentliche Problem der Software-Layer ist — nicht die Hardware

Ein häufiger Irrtum bei der Planung von Datenintegrationsprojekten: Teams investieren in Netzwerk-Infrastruktur, Server und Sensoren — und unterschätzen dabei den Software-Layer. Martens korrigiert diese Prioritätensetzung direkt:

„Die technische Infrastruktur, also die Hardware, sage ich mal, die ist auf jeden Fall in der Regel da… es geht, glaube ich, das Thema den Software-Layer oben drüber, also wie kann ich dann mit einer entsprechenden Software auch sicherstellen, dass Echtzeit-Kommunikation ermöglicht wird, gerade auch in einem doch teilweise sehr heterogenen Umfeld.” — Alexander Martens

Das “heterogene Umfeld” ist die Kernherausforderung für nahezu jedes DACH-Industrieunternehmen: Auf der einen Seite monolithische Altsysteme (Legacy-ERP, SCADA, MES), auf der anderen Seite moderne Cloud-APIs und -Services. Zwischen diesen Welten fehlt häufig eine funktionsfähige Middleware für asynchrone Echtzeitkommunikation.

Das Framework für Echtzeit-Datenintegration in heterogenen Systemen folgt bei Solace einem klaren Ablauf:

1. Inventur aller Datenbezugsquellen (Legacy-Systeme, Cloud-APIs, Sensordaten)
2. Software-Architektur für heterogene Integration wählen (Event Streaming, Message Broker)
3. Business-Owner identifizieren und Ownership für jede kritische Datenquelle festlegen
4. Governance- und Security-Freigabeprozess mit IT und Security definieren
5. Skalierbare Datenverteilungslogik aufsetzen (nicht alle Konsumenten brauchen alle Daten)
6. Monitoring auf 100%-Verfügbarkeit kalibrieren (Alerts bei Datenlücken)
7. Regelmäßige Überprüfung durch Business-Owner: Stimmen Aktualisierungsfrequenzen noch mit Bedarf überein?

Business-Ownership: Warum Datenstrategie kein IT-Projekt ist

Das häufigste Scheitermuster bei der Digitalen Transformation Echtzeit-Datenplattform: Die IT-Abteilung bekommt das Mandat, eine neue Datenarchitektur aufzubauen — ohne konkreten Business-Input zu Anforderungen, Prioritäten und Qualitätsstufen. Das Ergebnis ist eine technisch korrekte, aber geschäftlich irrelevante Lösung.

„Die Business-Seite und dort mehr oder minder auch die Owner der Daten haben natürlich den besten Überblick. Was sind das für Daten? Wofür werden die benötigt? In welcher Qualitätsstufe müssen die bereitgestellt werden? Der Geschäftsbereich hat aus meiner Sicht ein sehr starkes Mitsprachrecht und sollte auch gewisse Dinge vorantreiben und es nicht anderen Abteilungen überlassen.” — Alexander Martens

Business-Ownership von Daten ist nicht ein Nice-to-have für fortgeschrittene Data-Governance-Programme — es ist die Voraussetzung für jede funktionierende dezentralisierte Datenverteilung. Die Fachabteilung kennt den Anwendungsfall. Sie kennt die akzeptable Latenz. Sie trägt das wirtschaftliche Risiko bei Datenverlust.

Das Datenqualität-Framework als dreidimensionales Konstrukt muss deshalb auch Business-SLAs enthalten: Wer definiert die akzeptable Latenz? Wer entscheidet, wenn zwischen Aktualität und Genauigkeit abgewogen werden muss? Die Antwort ist immer: der Business-Owner, nicht der Datenarchitekt.

Wie Governance, Security und Freigabe zusammenspielen müssen

In regulierten Branchen — Pharma, MedTech, kritische Infrastruktur — ist Compliance-Governance Security Datenfreigabe kein separates Workstream, sondern integraler Bestandteil jeder Echtzeit-Datenarchitektur. Martens beschreibt die notwendige Dreier-Konstellation:

„Es ist immer so ein Hand in Hand aus Geschäftsbereich, vielleicht dann der IT und dann auch ein Stück weit oftmals auch Security oder Sicherheits-Bereiche, die da letztendlich auch noch mal am Ende des Tages bei der Freigabe mitreden sollten, auch um sicherzustellen, dass da eben auch keine Datenverletzungen stattfinden.” — Alexander Martens

Das Governance-Modell mit Data-Ownership-Freigabeprozess muss also drei Stakeholder gleichzeitig adressieren:

• Geschäftsbereich: definiert Anforderungen und Qualitätsstufen
• IT: stellt Infrastruktur und Integration bereit
• Security/Compliance: prüft Freigabe und überwacht laufenden Betrieb

Fehlt einer dieser drei Teile, entstehen entweder Sicherheitslücken (ohne Security), geschäftsfremde Datenmodelle (ohne Business) oder nicht skalierbare Silolösungen (ohne IT).

Mindset-Shift: Der entscheidende Unterschied zwischen Projekten, die liefern, und solchen, die scheitern

Alle technische Exzellenz nützt nichts, wenn die Organisation nicht bereit ist, Daten als gemeinsame Ressource zu behandeln. Martens beobachtet in seiner Projektpraxis ein klares Muster:

Unternehmen, die echten Schmerz durch Datensilos erlebt haben — Produktionsstopps, Supply-Chain-Ausfälle, Compliance-Vorfälle — entwickeln den notwendigen Mindset-Shift nahezu automatisch.

„Wenn wirklich ein Schmerz da ist bei Unternehmen, wenn die wirklich diese Herausforderung haben, dann ist dieser Mindset in der Regel entweder schon da oder er fällt auch nicht schwer, weil einfach die Vorteile, die sich daraus ergeben, einfach offensichtlich da sind.” — Alexander Martens

Für Führungskräfte und Strategieleiter, die Transformationsinitiativen steuern: Der erste Schritt ist nicht die Auswahl der richtigen Event-Streaming-Plattform. Es ist die Externalisierung des Schmerzpunkts — die konkrete Benennung, was fragmentierte Daten das Unternehmen tatsächlich kosten. Erst dann entsteht die organisatorische Bereitschaft für strukturelle Veränderung.

Der ROI von Echtzeit-Datenintegration: Was die Zahlen sagen

Die Business-Case-Rechnung für Echtzeit-Systeme wird in vielen Unternehmen zu defensiv formuliert. Martens liefert aus 50+ Projekten konkrete Benchmarks:

• Produktionssteigerung von 40–50% in produzierenden Unternehmen durch Umstellung auf Echtzeitdatenaustausch
• 10–20% Produktivitätsgewinn ohne zusätzliches Personal — für DACH-Märkte mit strukturellem Fachkräftemangel ein eigenständiger strategischer Hebel
• Millionen Euro Schadensvermeidung pro Produktionsstopp (30 Minuten reichen bei Tagesproduktionswerten im achtstelligen Bereich)

„Es ist nicht untypisch, dass wir in der Produktion Produktionssteigerungen von 40, 50% sehen. Das ist natürlich mit einer Umsatzsteigerung verbunden und auch mit deutlich weniger Risiko für das Unternehmen.” — Alexander Martens

Und zum Kontext des Fachkräftemangels:

„Wie kann ich meine Produktivität steigern, ohne jetzt 40, 50% mehr Leute einzustellen, wenn ich die gar nicht finde auf dem Markt? Selbst wenn es nur 10, 20% sind — das ist ein Wachstum, das sich enorm skaliert über das ganze Unternehmen.” — Alexander Martens

Die ROI-Berechnung für Produktivitätsgewinn Echtzeitsysteme muss drei Dimensionen umfassen: direkte Umsatzsteigerung durch höhere Produktionskapazität, Kostenreduktion durch vermiedene Stopps und Compliance-Vorfälle, sowie strategischer Wert durch bessere, schnellere Entscheidungsgrundlagen.

Über Alexander Martens

Alexander Martens ist Head of Technical Architects bei Solace, einem SaaS-Unternehmen für Event-Streaming und Echtzeit-Datenintegration. Mit über 15 Jahren IT-Erfahrung und der Leitung eines Teams technischer Architekten hat er mehr als 50 Kundenprojekte in Industrie 4.0, MedTech, Pharma und produzierenden Unternehmen verantwortet. Sein Schwerpunkt liegt auf der Integration heterogener Systemlandschaften — von monolithischen Altsystemen bis zu modernen Cloud-Architekturen — und der organisatorischen Befähigung von Business-Ownern für datengetriebene Entscheidungen.

Datensilos strukturiert abbauen und Echtzeitfähigkeit aufbauen?

Die Erkenntnisse aus diesem Gespräch zeigen: Datensilos abzubauen ist keine reine IT-Aufgabe — es ist eine strategische Führungsaufgabe, die Business-Ownership, klare Governance und die richtige Software-Architektur gleichzeitig erfordert. Führungskräfte und PMO-Verantwortliche in MedTech, Pharma und Industrieunternehmen ab 10 Mio. EUR Jahresumsatz, die Umsetzungsgeschwindigkeit erhöhen und Strategieumsetzung beschleunigen wollen, sollten genau hier ansetzen: mit einer klaren Bestandsaufnahme ihrer Datenarchitektur, der Definition von Business-Ownern für kritische Datenprozesse und einem Governance-Modell, das Business, IT und Security strukturell verbindet. Die Zahlen sprechen für sich — 40–50% Produktionssteigerung beginnt mit der Frage, welche Daten Sie heute noch nicht in Echtzeit haben.

Strategiegespräch vereinbaren →

Häufige Fragen

Warum brauchen Unternehmen Echtzeitdaten statt täglicher oder wöchentlicher Batch-Verarbeitung?

Batch-Daten sind bei unternehmenskritischen Prozessen wie Produktion oder Supply Chain schlicht zu langsam. Ein Produktionsstopp von 30 Minuten kann Millionenschäden verursachen. Stündlich aktualisierte Daten sind der Mindeststandard — Echtzeit das eigentliche Ziel für datengestützte Entscheidungen ohne Blindflug.

Was ist der Unterschied zwischen Datenqualität und Datenvollständigkeit?

Datenqualität umfasst drei Dimensionen: Genauigkeit (stimmen die Werte?), Vollständigkeit (sind alle erwarteten Datenpunkte verfügbar?) und Aktualität (wie frisch sind die Daten?). Unternehmen optimieren oft nur die Genauigkeit. Mit 80% Vollständigkeit aber bleibt jede Entscheidung auf unsicherer Grundlage — für regulierte Branchen ein direktes Compliance-Risiko.

Wer sollte in der Organisation für Datenfreigabe und Dateneigentum verantwortlich sein?

Business-Owner aus den Fachabteilungen — nicht die IT allein. Der Geschäftsbereich kennt am besten, welche Daten in welcher Qualitätsstufe benötigt werden. IT und Security sind Enabler, aber das Mitsprachrecht liegt primär beim Business. Ohne diese Ownership scheitern Datenplattform-Projekte strukturell.

Warum scheitern viele Unternehmen bei der Umsetzung von Echtzeit-Datenplattformen?

Drei Hauptgründe: fehlende Business-Ownership (Daten werden als IT-Thema delegiert), unterschätzte Komplexität der Software-Integration heterogener Systeme, und mangelnder Mindset-Shift auf Führungsebene. Ohne konkreten Schmerz als Treiber fehlt die organisatorische Energie für strukturelle Veränderung.

KI und Echtzeitdaten: Warum ist die Datenbasis wichtiger als das Modell?

KI-Erfolg setzt sich zu 80% aus Integration und Datenvorbereitung zusammen — nur 20% entfallen auf das eigentliche Modell. Wer ohne konsolidierte, vollständige und aktuell verfügbare Datenbasis in KI-Modelle investiert, verbrennt Budget. Datenbasis-Readiness ist die Voraussetzung für KI-Readiness.