Datenquellen im Unternehmen erkennen | SPS

Viele Schweizer KMU sprechen über Digitalisierung, Automatisierung oder KI, obwohl eine wichtigere Vorfrage noch offen ist: Welche Daten sind im Betrieb bereits da? Oft liegt der grösste Hebel nicht im nächsten Tool, sondern in Informationen, die längst in bestehenden Abläufen entstehen.

Genau hier liegt ein häufiger blinder Fleck. Daten werden im Alltag laufend erfasst, verschickt, abgelegt, bestätigt, korrigiert und ausgewertet. Trotzdem fehlt oft der Überblick, welche Datenquellen im Unternehmen wirklich relevant sind, wie gut sie nutzbar sind und in welchen Prozessen sie heute schon Mehrwert schaffen könnten.

Für Schweizer KMU ist das besonders wichtig. Wer vorhandene Daten sauber einordnet, kann gezielt entscheiden, wo sich Reporting verbessert, manuelle Arbeit reduziert oder ein erster sinnvoller KI-Anwendungsfall ableiten lässt. Nicht als Selbstzweck, sondern mit Blick auf konkrete Geschäftsprozesse.

Welche Datenquellen im KMU bereits vorhanden sind

In vielen Unternehmen ist der Datenschatz grösser, als zunächst angenommen wird. Er liegt selten an einem einzigen Ort, sondern verteilt sich über Systeme, Dokumente und tägliche Kommunikation. Daten entstehen meist nicht in Projekten, sondern im Tagesgeschäft.

Typische Datenquellen im Unternehmen sind zum Beispiel:

• CRM-Daten zu Kunden, Kontakten, Verkaufschancen und Aktivitäten

• ERP-Daten zu Artikeln, Bestellungen, Lieferungen, Lagerbewegungen oder Produktionsschritten

• Finanzdaten aus Buchhaltung, Debitoren, Kreditoren, Mahnungen, Kostenstellen oder Budgetvergleichen

• Dokumente wie Offerten, Verträge, Rapporte, Formulare, Protokolle oder technische Unterlagen

• E-Mails mit Anfragen, Rückfragen, Freigaben, Terminen oder Absprachen

• Transaktionsdaten aus Bestellungen, Webformularen, Serviceeinsätzen oder Aufträgen

• Supportanfragen per E-Mail, Ticketsystem oder Telefonnotizen

• Kommunikationsdaten aus internen Abstimmungen, Projektablagen oder Kundenkorrespondenz

Gerade in KMU sind diese Datenquellen oft enger mit dem Betrieb verbunden als jede formelle Datenstrategie. Ein Vertriebsprozess hinterlässt Spuren im CRM und in E-Mails. Ein Angebotsprozess erzeugt Dokumente, Preisstände und Freigaben. Ein Supportprozess sammelt Fragen, Antworten, Prioritäten und Bearbeitungszeiten. Ein Rechnungsprozess produziert klare, wiederkehrende Daten mit direktem Geschäftsbezug.

Wichtig ist dabei: Nicht nur grosse Systeme zählen. Auch eine sauber gepflegte Excel-Auswertung, standardisierte PDF-Formulare oder ein klar geführtes E-Mail-Postfach können relevante Unternehmensdaten enthalten. Entscheidend ist weniger das Format als der Bezug zu einem konkreten Ablauf.

Viele KMU unterschätzen vor allem die Daten, die in halbstrukturierten Quellen stecken. Dazu gehören etwa E-Mails mit wiederkehrenden Kundenanfragen, Serviceberichte mit ähnlichen Formulierungen oder Sitzungsprotokolle mit klaren Entscheiden. Solche Quellen sind nicht automatisch perfekt für jede Auswertung geeignet, können aber für Priorisierung, Klassifikation oder Zusammenfassungen durchaus wertvoll sein.

Wer vorhandene Daten nutzen will, sollte deshalb nicht mit der Frage starten, welche Software fehlt. Sinnvoller ist die Frage, wo im Betrieb Informationen entstehen, die regelmässig für Entscheidungen, Bearbeitung oder Kontrolle gebraucht werden. Genau dort liegen die Datenquellen, aus denen sich Digitalisierung mit echtem Nutzen entwickeln lässt.

Vorhanden ist nicht gleich nutzbar: So werden Daten geschäftlich relevant

Nicht jede gespeicherte Information ist automatisch eine brauchbare Grundlage für Automatisierung oder KI. Zwischen vorhandenen Daten und nutzbaren Daten liegt ein entscheidender Unterschied. Geschäftlicher Nutzen entsteht erst dann, wenn Daten verlässlich mit einem Prozess verbunden sind.

Eine Datenquelle wird dann relevant, wenn sie mehrere Voraussetzungen erfüllt:

Vollständigkeit

Sind die wichtigsten Felder oder Informationen regelmässig vorhanden? Ein CRM ist wenig hilfreich, wenn bei der Hälfte der Kontakte keine Branche, kein Status oder keine letzte Aktivität eingetragen ist. Auch Rechnungsdaten verlieren an Wert, wenn Kostenstellen oder Referenzen uneinheitlich geführt werden.

Aktualität

Wie aktuell sind die Daten im Vergleich zum echten Betrieb? Veraltete Kundenstammdaten, alte Preislisten oder geschlossene Tickets ohne Abschlussnotiz führen zu falschen Rückschlüssen. Für Reporting, Planung oder KI-gestützte Priorisierung sind aktuelle Daten meist wichtiger als grosse Datenmengen.

Struktur

Sind Informationen vergleichbar erfasst oder liegen sie nur als Freitext vor? Strukturierte Daten sind einfacher auszuwerten. Aber auch unstrukturierte Inhalte können nützlich sein, wenn sie wiederkehrende Muster enthalten. Ein Beispiel sind Support-E-Mails mit ähnlichen Betreffzeilen oder immer wiederkehrenden Problemtypen.

Wiederholbarkeit

Fallen die Daten regelmässig an oder nur einmalig? Einzelne Sonderfälle eignen sich selten für Automatisierung. Wiederkehrende Daten aus Offerten, Bestellungen, Rapporteingängen oder Standardanfragen sind oft deutlich interessanter, weil sich daraus stabile Abläufe ableiten lassen.

Prozessbezug

Welcher Geschäftsprozess hängt an den Daten? Diese Frage ist zentral. Daten sind nicht wertvoll, weil sie existieren, sondern weil sie einen Ablauf unterstützen: zum Beispiel Verkauf, Auftragsabwicklung, Fakturierung, Wartung, Support oder Controlling.

Genau hier zeigt sich, wie Unternehmen ihre Unternehmensdaten sinnvoll nutzen können. Es geht nicht darum, möglichst viele Daten zu sammeln. Es geht darum, die vorhandenen Datenquellen im Unternehmen danach zu beurteilen, ob sie einen klaren Beitrag zu Entscheidungen, Auswertungen oder Arbeitsschritten leisten.

Ein typisches Beispiel: Ein Postfach mit Kundenanfragen enthält viele Informationen. Nutzbar wird diese Quelle aber erst, wenn die Anfragen regelmässig nach Art, Dringlichkeit oder Produktbezug sortiert werden können. Ein anderer Fall: Finanzdaten sind fast immer vorhanden, aber ihr Nutzen steigt stark, wenn sie mit Projekten, Kunden oder Leistungen verknüpft werden können.

Auch im Zusammenhang mit KI gilt deshalb ein nüchterner Grundsatz: Nicht jede vorhandene Datenquelle ist automatisch KI-tauglich. KI funktioniert dort besser, wo Prozesse klar, Daten ausreichend konsistent und Anwendungsfälle konkret sind. Wer diesen Unterschied sauber versteht, vermeidet Enttäuschungen und setzt realistischer an.

Mit einfachen Fragen die wichtigsten Datenquellen bewerten

Für die erste Einordnung braucht es kein komplexes Bewertungsmodell. In KMU reicht oft ein einfaches Raster, das sich an den tatsächlichen Abläufen orientiert. Ziel ist nicht akademische Genauigkeit, sondern eine belastbare Priorisierung.

Hilfreich sind zum Beispiel diese Fragen:

Wo entstehen die Daten?

Entstehen sie direkt im Prozess, etwa bei einer Bestellung, einer Kundenanfrage oder einer Leistungserfassung? Oder werden sie erst später manuell nachgetragen? Daten, die direkt im Ablauf entstehen, sind oft zuverlässiger und leichter nutzbar.

Wer nutzt die Daten heute bereits?

Wer greift darauf zu: Verkauf, Administration, Geschäftsleitung, Technik, Support oder Buchhaltung? Wenn mehrere Bereiche dieselbe Datenquelle verwenden, spricht das oft für hohe Relevanz.

Wie oft fallen die Daten an?

Kommen sie täglich, wöchentlich oder nur sporadisch vor? Hohe Frequenz deutet meist auf grösseres Automatisierungspotenzial hin, weil sich repetitive Arbeit besser entlasten lässt.

Sind die Daten aktuell und vergleichbar?

Werden Informationen einheitlich geführt? Lassen sich Fälle über Zeiträume vergleichen? Ohne eine gewisse Konsistenz sind Auswertungen schwierig und Automatisierungen fehleranfällig.

Welcher Prozess hängt daran?

Welche konkrete Tätigkeit wird mit diesen Daten unterstützt? Geht es um Angebote, Rechnungen, Einsatzplanung, Freigaben, Kundenbetreuung, Support oder Reporting? Je direkter der Bezug, desto höher der geschäftliche Wert.

Was passiert heute noch manuell?

Wo lesen Mitarbeitende Daten ab, übertragen sie in andere Systeme, prüfen Rückfragen oder erstellen wiederkehrende Auswertungen? Solche Stellen sind oft gute Kandidaten für den nächsten Schritt.

Mit diesen Fragen lassen sich Datenquellen im Unternehmen pragmatisch ordnen. Ein Beispiel: Supportanfragen per E-Mail fallen täglich an, werden von mehreren Personen bearbeitet, enthalten wiederkehrende Anliegen und führen oft zu manueller Sortierung oder Weiterleitung. Das ist ein klarer Hinweis auf Potenzial. Ein einzelner historischer Archivordner ohne laufenden Bezug ist dagegen meist weniger prioritär.

Sinnvoll ist es, jede Datenquelle nicht isoliert zu betrachten, sondern zusammen mit dem betroffenen Prozess. So wird schnell sichtbar, welche Quellen zwar vorhanden, aber geschäftlich wenig relevant sind, und welche Quellen trotz einfacher Form grossen Nutzen bringen könnten.

Die wichtigste Frage lautet am Ende nicht: Wie viele Daten sind vorhanden? Sondern: Bei welchen Datenquellen lässt sich mit überschaubarem Aufwand ein messbarer Nutzen im Betrieb erzielen?

Wo sich aus vorhandenen Daten konkrete Automatisierung lohnt

Automatisierung muss nicht mit grossen Umbauten beginnen. In vielen KMU liegen die ersten sinnvollen Schritte dort, wo bereits vorhandene Daten wiederkehrende Handgriffe auslösen. Der Nutzen zeigt sich vor allem dann, wenn Mitarbeitende regelmässig Informationen zusammensuchen, übertragen, prüfen oder freigeben.

Typische Felder sind:

Reporting und wiederkehrende Auswertungen

Viele Berichte entstehen heute manuell aus ERP, CRM, Buchhaltung oder Excel-Listen. Zahlen werden exportiert, konsolidiert und in Präsentationen oder Mails überführt. Wenn die Datenquellen stabil sind, lassen sich solche Auswertungen deutlich vereinfachen.

Beispiele:

• Monatsübersichten zu offenen Offerten

• Umsatz nach Kunden oder Regionen

• Auswertungen zu offenen Debitoren

• Ticketvolumen nach Thema oder Bearbeitungszeit

• Projektstatus nach Aufwand und Terminlage

Der Vorteil liegt nicht nur in der Zeiteinsparung. Standardisierte Auswertungen schaffen auch mehr Vergleichbarkeit und reduzieren Fehler durch manuelle Zwischenschritte.

Freigaben und interne Abstimmungen

Viele Freigaben laufen per E-Mail, mit Rückfragen oder über unklare Zuständigkeiten. Wenn Daten zu Betrag, Kunde, Projekt, Vertrag oder Termin bereits vorhanden sind, lassen sich Freigaben klarer strukturieren.

Beispiele:

• Angebotsfreigaben ab bestimmten Beträgen

• Rechnungsfreigaben mit Bezug zu Bestellung oder Projekt

• interne Genehmigungen bei Rabatten oder Sonderkonditionen

• Freigaben von Dokumentversionen oder Vertragsständen

Gerade hier helfen vorhandene Daten, Wartezeiten und Rückfragen zu reduzieren.

Angebots- und Rechnungsprozesse

Offerten und Rechnungen folgen oft wiederkehrenden Mustern. Stammdaten, Leistungspositionen, Konditionen oder Referenzen sind meist schon vorhanden. Dennoch werden Informationen häufig mehrfach erfasst oder aus verschiedenen Quellen zusammengesucht.

Automatisierung lohnt sich dort, wo Daten bereits in strukturierter Form vorliegen und einzelne Prozessschritte standardisiert werden können, etwa:

• Übernahme von Kundendaten in Offertvorlagen

• automatische Plausibilisierung von Pflichtangaben

• Vorbefüllung von Rechnungen aus Auftrags- oder Leistungsdaten

• Standardtexte auf Basis vorhandener Informationen

Support- und Kommunikationsabläufe

Supportanfragen, interne Meldungen oder Service-E-Mails sind in vielen KMU ein Bereich mit hohem manuellem Aufwand. Anfragen werden gelesen, sortiert, priorisiert, weitergeleitet und beantwortet. Wenn sich aus den vorhandenen Daten wiederkehrende Muster erkennen lassen, ist die Entlastung oft spürbar.

Mögliche Ansätze:

• automatische Zuordnung eingehender Anfragen

• Priorisierung nach Dringlichkeit oder Thema

• Erkennung häufiger Standardfälle

• Zusammenstellung relevanter Informationen für die Bearbeitung

Wer sich einen Überblick über typische Felder verschaffen will, findet unter den Einsatzgebiete weitere Beispiele, wie Prozessentlastung in der Praxis aussehen kann.

Entscheidend bleibt: Der Fokus liegt nicht auf «alles automatisieren», sondern auf klar abgrenzbaren Arbeitsschritten. Gute Automatisierung reduziert manuelle Reibung in bestehenden Prozessen. Sie ersetzt keine saubere Prozessführung, sondern baut darauf auf.

Welche Anwendungsfälle sich für KI besonders eignen

Wenn vorhandene Datenquellen bereits einen klaren Prozessbezug haben, lassen sich daraus oft realistische KI-Anwendungsfälle ableiten. Das funktioniert aber nur dann gut, wenn die Aufgabe konkret ist. KI bringt besonders dort Nutzen, wo Informationen eingeordnet, verdichtet oder vorbereitet werden müssen.

Geeignete Anwendungsfälle sind zum Beispiel:

Klassifikation

Eingehende Inhalte können nach Themen, Anliegen oder Zuständigkeiten eingeordnet werden. Das ist vor allem bei Supportanfragen, Kontaktformularen, E-Mails oder Dokumenten interessant.

Beispiele:

• Anfrage nach Produktthema klassifizieren

• Servicefall einem Bereich zuordnen

• Dokumente nach Typ erkennen

• Reklamationen von allgemeinen Rückfragen trennen

Zusammenfassung

Wo Mitarbeitende viele Texte lesen müssen, kann eine Zusammenfassung entlasten. Das betrifft etwa längere E-Mail-Verläufe, Protokolle, Serviceberichte oder Ticket-Historien.

Beispiele:

• Kurzfassung einer Kundenkorrespondenz

• Zusammenzug offener Punkte aus einem Protokoll

• Überblick über den bisherigen Verlauf eines Supportfalls

Priorisierung

Wenn täglich mehrere Fälle eingehen, hilft KI bei der Sortierung nach Dringlichkeit oder Relevanz. Das ersetzt keine Entscheidungshoheit, kann aber die Vorarbeit deutlich beschleunigen.

Beispiele:

• wichtige Kundenanliegen hervorheben

• Eskalationsfälle markieren

• fristkritische Nachrichten zuerst anzeigen

Mustererkennung

Wo über längere Zeit ähnliche Fälle auftreten, kann KI helfen, Häufungen oder wiederkehrende Ursachen sichtbar zu machen. Das ist besonders im Support, bei Qualitätsmeldungen oder in Serviceprozessen sinnvoll.

Beispiele:

• wiederkehrende Störungsmuster

• häufige Rückfragen zu bestimmten Angeboten

• typische Gründe für verspätete Rechnungsfreigaben

Antwortvorschläge

Bei standardisierten Anfragen kann KI Entwürfe vorbereiten. Gerade bei bekannten Themen spart das Zeit, solange Freigabe und Qualität beim Unternehmen bleiben.

Beispiele:

• Antwortvorschläge für Standardanfragen

• Formulierung von Rückfragen bei unvollständigen Angaben

• Textbausteine auf Basis vorhandener Kundendaten

Wichtig ist dabei ein nüchterner Blick: KI funktioniert besser auf klaren Prozessen als auf chaotischen Abläufen. Wenn Zuständigkeiten, Datenqualität oder Bearbeitungsregeln unklar sind, wird auch der KI-Einsatz unscharf. Deshalb sollte KI nie als Abkürzung für fehlende Ordnung verstanden werden.

Wer vorhandene Daten nutzen will, um einen KI-Fall zu prüfen, sollte deshalb mit drei Fragen beginnen:

• Welche Aufgabe wiederholt sich häufig?

• Welche Daten liegen dafür bereits vor?

• Woran lässt sich erkennen, ob das Ergebnis hilfreich ist?

Genau so entsteht ein tragfähiger Bezug zwischen Datenquellen, Prozessnutzen und einem realistischen KI-Einsatz.

Worauf Schweizer KMU vor dem nächsten Digitalisierungsschritt achten sollten

Bevor neue Lösungen eingeführt werden, lohnt sich ein Blick auf die Voraussetzungen im eigenen Betrieb. Oft scheitern Digitalisierungsvorhaben nicht an der Technik, sondern an fehlender Klarheit über Rollen, Prozesse und Datenbedarf.

Ein paar Punkte sind besonders wichtig:

Klare Verantwortlichkeiten

Wer ist für eine Datenquelle zuständig? Wer pflegt sie, wer nutzt sie und wer entscheidet über Änderungen? Ohne Verantwortlichkeit sinkt die Datenqualität schnell, selbst wenn gute Systeme vorhanden sind.

Datenqualität im Alltag

Datenqualität ist kein einmaliges Bereinigungsprojekt. Sie entsteht im laufenden Betrieb. Wenn Felder uneinheitlich gefüllt werden, Dokumente unterschiedlich abgelegt sind oder Statusangaben fehlen, wirkt sich das direkt auf Reporting, Automatisierung und KI aus.

Zugriff und Verfügbarkeit

Relevante Daten müssen für den Prozess zugänglich sein. Wenn Informationen zwar existieren, aber nur in einzelnen Postfächern, lokalen Dateien oder persönlichen Ablagen liegen, wird ihre Nutzung unnötig erschwert.

Prozessverantwortung

Jede Digitalisierung sollte an einem konkreten Prozess ansetzen. Wer den Ablauf verantwortet, muss auch beurteilen können, welche Informationen tatsächlich gebraucht werden und wo manuelle Arbeit entsteht. Das ist oft wichtiger als jede technische Detailfrage.

Dokumentation und Nachvollziehbarkeit

Gerade bei wiederkehrenden Abläufen ist es hilfreich, wenn Begriffe, Zustände und Entscheidungspunkte sauber dokumentiert sind. Das erleichtert nicht nur Automatisierung, sondern auch Vertretungen, Einarbeitung und Qualitätskontrolle.

Für viele Unternehmen ist es zudem sinnvoll, Datenquellen nicht isoliert, sondern im grösseren Rahmen von IT und Digitalisierung zu betrachten. So wird sichtbar, welche organisatorischen und technischen Voraussetzungen bereits vorhanden sind und wo vor einem nächsten Schritt noch Klärung nötig ist.

Entscheidend ist: Kleine, saubere Schritte sind meist wirksamer als ein grosser Tool-Kauf. Wer zuerst Klarheit über Prozesse und Datenbedarf schafft, trifft bessere Entscheidungen und reduziert das Risiko, an der eigentlichen Aufgabe vorbeizudigitalisieren.

Den eigenen Datenschatz systematisch sichtbar machen

Der grösste ungenutzte Datenschatz im KMU liegt oft nicht in neuen Technologien, sondern in den Informationen, die heute schon vorhanden sind. CRM, ERP, Finanzdaten, Dokumente, E-Mails, Supportfälle oder Kommunikationsabläufe liefern bereits viele Ansatzpunkte, um Prozesse zu entlasten und fundierter zu steuern.

Der entscheidende Schritt ist eine strukturierte Bestandsaufnahme. Welche Datenquellen im Unternehmen sind vorhanden? Welche davon sind aktuell, wiederkehrend und geschäftlich relevant? Wo entstehen heute manuelle Aufwände, die sich mit vorhandenen Daten vereinfachen lassen? Und welche Anwendungsfälle eignen sich realistisch für Automatisierung oder KI?

Eine saubere Einordnung schafft Prioritäten. Sie verhindert, dass Digitalisierung mit dem Kauf eines weiteren Tools beginnt, obwohl die relevanten Grundlagen noch gar nicht klar sind.

Genau dafür kann eine Potenzialanalyse sinnvoll sein. Sie hilft, vorhandene Datenquellen, betroffene Prozesse und geeignete Automatisierungs- oder KI-Felder strukturiert zu bewerten. So wird der aktuelle Stand sichtbar und die nächsten Schritte lassen sich nachvollziehbar priorisieren.

Häufig gestellte Fragen

Welche Datenquellen haben Schweizer KMU meist bereits, ohne es zu merken?

Häufig sind es nicht nur CRM- oder Buchhaltungsdaten, sondern auch E-Mails, Offerten, Serviceberichte, Freigaben, Supportanfragen, Excel-Auswertungen, Verträge oder Protokolle. Viele dieser Informationen entstehen im Alltag und werden genutzt, ohne als eigentliche Datenquelle wahrgenommen zu werden.

Woran erkennt man, ob eine vorhandene Datenquelle wirklich nutzbar ist?

Eine nutzbare Datenquelle ist vollständig genug, aktuell, in einer gewissen Form vergleichbar und klar mit einem Geschäftsprozess verbunden. Besonders relevant sind Daten, die regelmässig anfallen und heute bereits für Entscheidungen, Bearbeitung oder Kontrolle gebraucht werden.

Welche internen Daten eignen sich zuerst für Automatisierung?

Geeignet sind vor allem Daten aus wiederkehrenden Prozessen, etwa für Reporting, Rechnungsstellung, Angebotsbearbeitung, Freigaben oder Support. Dort, wo Mitarbeitende Informationen häufig suchen, übertragen, prüfen oder weiterleiten, ist der Nutzen meist am schnellsten sichtbar.

Wie lässt sich aus bestehenden Daten ein sinnvoller KI-Anwendungsfall ableiten?

Sinnvoll ist der Weg über den Prozess: Welche wiederkehrende Aufgabe kostet Zeit, welche Daten liegen dafür bereits vor und welches Ergebnis wäre konkret hilfreich? Typische erste Fälle sind Klassifikation, Zusammenfassung, Priorisierung oder Antwortvorschläge in klar abgegrenzten Abläufen.

Braucht es für den Start mit Daten und KI zuerst neue Software?

Nicht zwingend. In vielen Fällen lohnt sich zuerst die Prüfung, welche vorhandenen Daten bereits im Unternehmen vorliegen und wie gut sie mit bestehenden Prozessen zusammenhängen. Oft entsteht der erste Nutzen durch bessere Einordnung, Priorisierung und Standardisierung, nicht durch sofortige Neuanschaffungen.

Wie priorisiert ein KMU, welche Datenquellen zuerst angeschaut werden sollen?

Am sinnvollsten ist die Priorisierung nach Geschäftsrelevanz, Wiederholbarkeit und manuellem Aufwand. Datenquellen sollten dort zuerst betrachtet werden, wo sie häufig anfallen, mehrere Bereiche betreffen und direkt mit einem wichtigen Prozess verbunden sind. So entstehen rasch umsetzbare und wirtschaftlich sinnvolle nächste Schritte.