Data Discovery Tools

Anbindung an deine Datenquellen

Das ist die Funktion, die über Erfolg oder Frust entscheidet. Ein Tool, das deine Warenwirtschaft, dein CRM und deine Buchhaltung nicht sauber anbinden kann, ist wertlos, egal wie schön die Diagramme aussehen. Prüfe konkret: Gibt es einen fertigen Konnektor für die Systeme, die du wirklich nutzt? Wie oft werden Daten aktualisiert, in Echtzeit oder einmal nachts? Wenn ein Anbieter von hunderten Konnektoren spricht, frag nach dem einen, den du brauchst.

Automatische Datenerkennung und Klassifizierung

Gute Werkzeuge scannen deine Datenbestände und erkennen selbstständig, wo etwa Namen, Adressen oder Kontonummern liegen. Das ist besonders für den Datenschutz relevant. Ohne diese Funktion musst du manuell durch Tabellen gehen, was bei größeren Beständen niemand macht und was deshalb liegen bleibt.

Explorative Visualisierung

Drag and drop für Felder, schnelles Umschalten zwischen Diagrammtypen, Filter, die sofort greifen. Der Test ist einfach: Setz dich in der Demo hin und versuch, eine Frage zu beantworten, die du wirklich hast. Nicht die Beispielfrage des Anbieters. Wenn du dafür drei Klicks brauchst, ist es gut. Wenn du erst eine Schulung brauchst, ist es kein Discovery-Tool, sondern ein Reporting-System mit Marketingnamen.

Kollaboration und Teilen

Eine Erkenntnis nützt wenig, wenn sie im Kopf einer Person bleibt. Achte darauf, wie du Ergebnisse teilst: als Link, als eingebettetes Dashboard, als Export. Und ob Kollegen ohne eigene Lizenz zumindest lesen dürfen, weil das die Kosten stark beeinflusst.

Rechte und Rollen

Nicht jeder darf alles sehen. Ein Sachbearbeiter braucht keinen Zugriff auf Gehaltsdaten. Prüfe, ob sich Rechte auf Zeilen- und Spaltenebene steuern lassen, nicht nur pro Dashboard. Das ist im Alltag wichtiger, als es in der Kaufphase erscheint.

Lass die Person testen, die später damit arbeitet

Der häufigste Auswahlfehler: Der Chef sieht die Demo und ist begeistert. Bedienen soll das Werkzeug aber die Kollegin aus dem Controlling. Dreh das um. Gib ihr einen echten Datensatz und eine echte Frage und lass sie eine Stunde allein damit arbeiten. Was sie danach sagt, ist mehr wert als jede Featureliste.

Rechne mit dem Wachstum, nicht mit dem Ist-Zustand

Ein Tool, das mit fünf Nutzern und zwei Datenquellen läuft, verhält sich anders bei dreißig Nutzern und zehn Quellen. Frag den Anbieter, wie sich Preis und Performance entwickeln, wenn du wächst. Und frag nach dem umgekehrten Fall: Kannst du wieder verkleinern, wenn ein Projekt endet?

Datenhaltung: Cloud oder eigenes System

Das ist keine reine Technikfrage. Manche Betriebe dürfen bestimmte Daten nicht in eine fremde Cloud geben, sei es aus Vertragsgründen mit Kunden oder aus Branchenvorgaben. Kläre früh, ob das Tool auch im eigenen Rechenzentrum laufen kann, falls du das brauchst. Viele Cloud-only-Anbieter fallen an dieser Stelle raus, und das solltest du vor der Demo wissen, nicht danach.

Wie abhängig machst du dich

Jedes Data-Tool bindet dich, weil du Datenmodelle, Dashboards und Wissen darin aufbaust. Frag konkret: In welchem Format bekomme ich meine Konfiguration heraus, wenn ich wechseln will? Ein Anbieter, der darauf ausweichend antwortet, sagt dir damit schon genug.

Ich nenne hier bewusst keine Zahlen, weil sie sich zu schnell ändern und je nach Ausbaustufe stark streuen. Wichtiger ist, dass du die Preismechanik verstehst, denn dort verstecken sich die Überraschungen.

Die üblichen Abrechnungsmodelle

Pro Nutzer und Monat: Das verbreitetste Modell. Gefährlich wird es, wenn zwischen Nutzern, die nur lesen, und Nutzern, die selbst analysieren, unterschieden wird. Rechne durch, wie viele Personen wirklich aktiv arbeiten und wie viele nur Ergebnisse anschauen. Wenn Lesen extra kostet, wird es schnell teuer.

Nach Datenmenge oder Rechenleistung: Manche Cloud-Modelle rechnen nach verarbeiteten Daten oder Rechenzeit ab. Das klingt fair, ist aber schwer planbar. Ein einziger schlecht gebauter Bericht, der stündlich riesige Datenmengen durchkämmt, kann die Rechnung sprengen. Frag nach einer Kostendeckelung.

Feste Plattformlizenz: Ein Pauschalpreis, oft bei Systemen im eigenen Rechenzentrum. Planbar, aber häufig mit hoher Einstiegshürde und separaten Kosten für Wartung und Updates.

Die Kosten, die niemand auf dem Angebot sieht

Die Lizenz ist selten der größte Posten. Rechne mit:

• Einrichtung und Anbindung: Datenquellen sauber verbinden kostet Zeit, oft externe Beratung. Das kann den Lizenzpreis im ersten Jahr übersteigen.
• Schulung: Ein Werkzeug, das niemand bedienen kann, kostet Geld ohne Nutzen. Plane Einarbeitung ein.
• Pflege der Datenmodelle: Daten ändern sich, Systeme werden ausgetauscht. Jemand muss die Anbindungen aktuell halten. Das ist laufender Aufwand, keine Einmalsache.
• Interner Aufwand: Die Stunden deiner eigenen Leute sind auch Geld, tauchen aber in keinem Angebot auf.

Mein Rat: Rechne die Gesamtkosten immer über drei Jahre und nimm dabei den Fall an, dass du wächst. Der Preis pro Nutzer im ersten Jahr ist eine Zahl, mit der man dich lockt, keine, mit der du planst.

Das Tool vor der Datenqualität kaufen

Der teuerste Fehler. Ein Betrieb kauft ein Discovery-Werkzeug, und dann stellt sich heraus, dass dieselbe Kundennummer in drei Systemen unterschiedlich geschrieben ist. Das Tool zeigt dann eben drei verschiedene Kunden an. Kein Werkzeug repariert unsaubere Daten von allein. Schau dir vorher an, wie es um deine Datenqualität steht, sonst visualisierst du nur den Müll schneller.

Zu viele Dashboards, zu wenig Entscheidungen

Nach der Einführung baut jeder begeistert Dashboards. Nach einem halben Jahr existieren vierzig Stück, und niemand weiß mehr, welche stimmen. Leg von Anfang an fest, welche Kennzahlen verbindlich sind und wer sie pflegt. Sonst entsteht ein Wildwuchs, der Vertrauen in die Zahlen zerstört.

Einführung ohne Verantwortlichen

Wenn niemand explizit zuständig ist, versandet die Nutzung. Das Werkzeug wird gekauft, ein paar Leute probieren es, und nach drei Monaten öffnet es keiner mehr. Bestimme eine Person, die Ansprechpartner ist, Modelle pflegt und neue Fragen unterstützt. Ohne diese Rolle wird jedes Tool zur Karteileiche.

Die Demo mit Beispieldaten glauben

Anbieter zeigen ihr Werkzeug mit perfekt aufbereiteten Beispieldaten. Alles ist schnell, alles ist bunt. Deine echten Daten sind unordentlicher und größer. Besteh darauf, in der Testphase mit deinen eigenen Daten zu arbeiten. Wenn der Anbieter das nicht zulässt, ist das ein Warnsignal.

Data Discovery berührt fast immer personenbezogene Daten, deshalb ist die DSGVO hier zentral. Ich bin kein Anwalt, und das Folgende ersetzt keine Rechtsberatung, aber die Punkte, an denen es in der Praxis hakt, kenne ich.

Wo liegen die Daten

Wenn das Werkzeug in der Cloud läuft, kläre den Serverstandort. Liegen Daten außerhalb der EU, brauchst du eine tragfähige rechtliche Grundlage für den Transfer. Frag den Anbieter direkt und lass es dir schriftlich geben, nicht mündlich in der Demo.

Auftragsverarbeitung

Sobald ein Anbieter in deinem Auftrag personenbezogene Daten verarbeitet, brauchst du einen Auftragsverarbeitungsvertrag. Das ist Pflicht, kein Nice-to-have. Ein seriöser Anbieter hat einen solchen Vertrag standardmäßig parat. Wenn du danach fragen musst und Wochen wartest, sagt das etwas aus.

Zugriffsrechte und Datensparsamkeit

Die DSGVO verlangt, dass nur die Personen Zugriff haben, die ihn brauchen. Deshalb sind die Rollen- und Rechtefunktionen nicht nur praktisch, sondern rechtlich relevant. Ein Discovery-Tool, das jedem alles zeigt, ist ein Datenschutzproblem. Achte auch darauf, personenbezogene Daten nur dort auszuwerten, wo es einen Zweck gibt.

Protokollierung

Du solltest nachvollziehen können, wer wann auf welche Daten zugegriffen hat. Das brauchst du sowohl für die eigene Sicherheit als auch, um Auskunftspflichten nachzukommen. Prüfe, ob das Werkzeug entsprechende Protokolle führt.

Mitbestimmung

In Betrieben mit Betriebsrat kann die Einführung eines Werkzeugs, das Auswertungen über Beschäftigte ermöglicht, mitbestimmungspflichtig sein. Hol den Betriebsrat früh ins Boot, nicht erst nach dem Kauf. Das erspart dir Ärger und Verzögerung.

Schritt 1: Schreib drei echte Fragen auf

Bevor du irgendein Werkzeug ansiehst, notiere drei konkrete Fragen, die du heute nicht schnell beantworten kannst. Diese Fragen sind dein Testmaßstab. Alles, was ein Tool sonst kann, ist zweitrangig, wenn es diese drei Fragen nicht beantwortet.

Schritt 2: Prüfe deine Datenlage

Schau dir an, wo deine Daten liegen und wie sauber sie sind. Öffne stichprobenartig ein paar Tabellen. Wenn du hier schon Chaos siehst, löse das zuerst oder plane die Bereinigung als Teil des Projekts ein.

Schritt 3: Grenz die Kandidaten ein

Wähle zwei oder drei Werkzeuge aus, die zu deinem Datenhaltungsbedarf passen (Cloud oder eigenes System). Mehr als drei parallel zu testen, überfordert dich und dein Team.

Schritt 4: Teste mit echten Daten und echten Leuten

Richte eine Testphase mit deinen eigenen Daten ein. Lass die Person testen, die später damit arbeitet, und gib ihr deine drei Fragen. Setz dich daneben und beobachte, wo sie hängen bleibt.

Schritt 5: Rechne die Gesamtkosten über drei Jahre

Nimm Lizenz, Einrichtung, Schulung und Pflege zusammen und rechne mit Wachstum. Vergleiche nicht die Einstiegspreise, sondern die realistischen Gesamtkosten.

Schritt 6: Kläre Datenschutz und Ausstieg

Hol dir den Auftragsverarbeitungsvertrag, kläre den Serverstandort und frag, wie du deine Konfiguration wieder herausbekommst. Diese Punkte prüfst du vor der Unterschrift, nicht danach.

Schritt 7: Bestimm einen Verantwortlichen

Bevor du startest, leg fest, wer das Werkzeug betreut. Ohne diese Person verpufft die beste Auswahl. Gib ihr Zeit und Rückendeckung, denn die ersten Wochen entscheiden, ob das Werkzeug im Betrieb ankommt.

Wenn du diese sieben Schritte durchgehst, triffst du keine perfekte Entscheidung, aber eine, die du begründen kannst und die dich nicht in ein halbes Jahr später in eine teure Sackgasse führt.