Wenn Organisationen „datengetriebener“ werden wollen, ist die erste Maßnahme meist ein Schulungsangebot. Excel für Fortgeschrittene, Einführung in Power BI, Statistik-Grundlagen. Die Kurse sind gut besucht, die Rückmeldungen positiv. Ein halbes Jahr später werden Entscheidungen so getroffen wie vorher, und das neue Dashboard hat eine Handvoll regelmäßiger Nutzerinnen und Nutzer.
Das liegt nicht an den Kursen. Es liegt daran, dass Datenkompetenz als Wissensproblem behandelt wird, obwohl sie ein Verhaltensproblem ist. Wer Daten im Alltag nutzen soll, muss nicht nur wissen wie, sondern auch Zugang, Zeit und einen Grund dafür haben. Datenkompetenz zu entwickeln ist deshalb ein Veränderungsvorhaben.
Der Stifterverband, eine Gemeinschaftsinitiative von Unternehmen und Stiftungen für Bildung, Wissenschaft und Innovation, hat 2021 mit zahlreichen Hochschulen und Organisationen eine Data-Literacy-Charta veröffentlicht. Sie definiert: „Data Literacy umfasst die Fähigkeiten, Daten auf kritische Art und Weise zu sammeln, zu managen, zu bewerten und anzuwenden.“ Entscheidend ist das Wort „kritisch“: Es geht nicht nur ums Auswerten, sondern ebenso darum, Daten einzuordnen und ihre Grenzen zu erkennen.
Zusätzlichen Druck bringt die EU-KI-Verordnung (AI Act). Nach ihrem Artikel 4 müssen Unternehmen und Behörden, die KI-Systeme anbieten oder einsetzen, seit Februar 2025 dafür sorgen, dass ihre Beschäftigten über ausreichende KI-Kompetenz verfügen, also die Chancen und Risiken der eingesetzten Systeme verstehen und ihre Ergebnisse einschätzen können. KI-Kompetenz baut auf Datenkompetenz auf. Wer nicht einschätzen kann, woher Daten kommen und was sie aussagen, kann auch die Ergebnisse eines Modells nicht beurteilen.
Warum Schulungen allein nicht reichen
Die Verhaltenspsychologie bietet dafür ein einfaches Modell. Die britische Gesundheitspsychologin Susan Michie, Professorin am University College London, hat 2011 mit Kollegen das COM-B-Modell veröffentlicht. Es entstand, um Programme zur Verhaltensänderung im Gesundheitswesen systematischer zu planen, etwa zur Raucherentwöhnung oder zur Handhygiene in Kliniken, und wird inzwischen weit darüber hinaus genutzt. Das Modell beschreibt Verhalten (Behaviour) als Ergebnis von drei Voraussetzungen, die alle erfüllt sein müssen:
- Capability (Fähigkeit): Weiß ich, wie es geht? Kann ich zum Beispiel einen Filter setzen und eine Kennzahl richtig lesen?
- Opportunity (Gelegenheit): Habe ich Zugang zu den Daten, die Zeit und die Werkzeuge? Und ist es in meinem Umfeld üblich, mit Daten zu argumentieren?
- Motivation: Sehe ich einen Nutzen, und wird es von mir erwartet? Oder fällt die Entscheidung am Ende ohnehin nach Bauchgefühl der Leitung?
Schulungen verbessern die Fähigkeit. Fehlen Gelegenheit oder Motivation, bleibt das Gelernte folgenlos: Wer im Kurs gelernt hat, eine Auswertung zu bauen, aber im Alltag keinen Datenzugang hat oder erlebt, dass niemand nach Zahlen fragt, verlernt es wieder.
Dazu kommt eine psychologische Hürde, die oft unterschätzt wird: Viele Erwachsene haben mit Zahlen und Statistik unangenehme Erfahrungen gemacht, häufig schon in der Schule. Die Forschung spricht von Statistikangst. Die Bildungsforscher Anthony Onwuegbuzie und Vicki Wilson haben in einer Übersichtsarbeit gezeigt, dass sie weit verbreitet ist und Lernen messbar behindert: Wer ängstlich ist, vermeidet die Auseinandersetzung, schiebt auf und traut sich weniger zu. Im Arbeitsalltag zeigt sich das ganz praktisch: Wer fürchtet, sich mit einer Frage bloßzustellen, stellt sie nicht.
Drei Kompetenzstufen, nicht eine
Nicht jede Person in einer Organisation braucht dieselbe Datenkompetenz. Hilfreich ist die Unterscheidung von drei Stufen:
- Daten lesen: Kennzahlen und Diagramme verstehen, einordnen und hinterfragen. Das brauchen fast alle, besonders Führungskräfte. Welche Fallstricke dabei lauern, beschreibt der Artikel Wie Dashboards Entscheidungen verzerren.
- Daten nutzen: Eigene Auswertungen erstellen, Daten filtern, verknüpfen und für eine Fragestellung aufbereiten. Das brauchen Fachexpertinnen und Fachexperten in datennahen Rollen.
- Daten gestalten: Datenmodelle, Pipelines und Kennzahlensysteme entwerfen. Das bleibt Aufgabe weniger Spezialistinnen und Spezialisten.
Ein Programm, das alle auf die mittlere Stufe heben will, überfordert die einen und langweilt die anderen.
Das Vorgehen in sechs Schritten
Mit Entscheidungen beginnen
Identifizieren Sie mit den Fachbereichen einige wiederkehrende Entscheidungen, die mit Daten besser würden: Personaleinsatzplanung, Priorisierung von Anfragen, Budgetverteilung. Sie sind der Lernanlass und der Maßstab für Erfolg.
Zielgruppen nach Rolle bestimmen
Klären Sie für jede Rolle, welche Stufe gebraucht wird: lesen, nutzen oder gestalten. Daraus ergibt sich, wer was lernen muss, und auch, wer nicht.
Am eigenen Fall lernen
Gelernt wird mit echten Daten an echten Fragen, in kleinen Formaten statt ganztägiger Schulungen. Bewährt haben sich Lernpartnerschaften und offene Datensprechstunden, in die man mit einer konkreten Frage kommt.
Gelegenheit schaffen
Zugang zu den Daten, Werkzeuge ohne lange Freigabeschleifen und ausdrücklich eingeplante Zeit. Ohne diese Voraussetzungen ist jedes Lernangebot eine Zusatzbelastung.
Fragen erlauben
Führungskräfte gehen voran, indem sie selbst Fragen zu Daten stellen und Nichtwissen zeigen. Eine Frage wie „Woher wissen wir das?“ in Besprechungen verändert mehr als jeder Kurs, wenn sie neugierig und nicht als Prüfung gestellt wird. Hintergrund dazu: Psychologische Sicherheit als Innovationsmotor.
Verankern
Ein Netzwerk von Ansprechpersonen in den Fachbereichen, ein gemeinsames Datenglossar und feste Formate, in denen mit Daten gearbeitet wird. Dazu gehört auch, sichtbar zu machen, wo Daten eine Entscheidung verbessert haben.
Viele Programme beginnen mit der Einführung einer BI-Plattform und schulen dann deren Bedienung. Die Menschen lernen, wo die Knöpfe sind, aber nicht, welche Frage sie beantworten wollen. Das Werkzeug gehört ans Ende der Überlegung, nicht an den Anfang.
Wie man das Konzept mit Daten beobachtet, statt nur daran zu glauben.
- Aktive NutzungZugriffsprotokolle der BI-Plattform
- Wie viele Personen nutzen Auswertungen regelmäßig, und aus welchen Bereichen? Aussagekräftiger als die Zahl der Schulungsteilnahmen.
- Datenbezug in EntscheidungsvorlagenStichprobe von Vorlagen und Protokollen
- Anteil der Vorlagen, in denen Daten als Begründung herangezogen und ihre Grenzen benannt werden.
- Selbstwirksamkeit im Umgang mit DatenKurzbefragung vor und nach dem Programm
- Trauen sich die Beschäftigten zu, eine Frage mit Daten zu beantworten? Erfasst die psychologische Hürde, die Schulungen oft übersehen.
Grenze der Messung: Nutzungszahlen zeigen, dass mit Daten gearbeitet wird, nicht, dass die Entscheidungen besser werden. Diese Frage lässt sich nur an den ausgewählten Entscheidungen aus Schritt 1 prüfen.
Fazit
Datenkompetenz entsteht nicht im Schulungsraum, sondern am Arbeitsplatz, wenn Menschen mit Daten eine Frage beantworten, die sie wirklich haben. Organisationen, die das ernst nehmen, planen Zugang, Zeit und eine Kultur, in der Fragen erlaubt sind, genauso sorgfältig wie die Lerninhalte.
Zum Weiterlesen
- Stifterverband (2021). Data-Literacy-Charta. stifterverband.org/charta-data-literacy
- Michie, S., van Stralen, M. M. & West, R. (2011). The behaviour change wheel: A new method for characterising and designing behaviour change interventions. Implementation Science, 6, 42.
- Onwuegbuzie, A. J. & Wilson, V. A. (2003). Statistics Anxiety: Nature, etiology, antecedents, effects, and treatments. Teaching in Higher Education, 8(2), 195–209.
- Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 4: KI-Kompetenz.