Ob moderne BI-Lösungen, AI-basierte Use Cases oder der Aufbau einer zentralen Datenplattform – datengetriebene Projekte stehen in vielen Schweizer Unternehmen weit oben auf der Agenda. Dennoch scheitern erstaunlich viele Initiativen – trotz guter Technologien wie Power BI, Microsoft Fabric, Azure oder Databricks. Die Gründe dafür liegen selten in der Technik – sondern meist im Projektmanagement. In diesem Beitrag zeigen wir die häufigsten Ursachen für das Scheitern von Datenprojekten und wie professionelles Projektmanagement hilft, diese zu vermeiden.
1. Fehlende Governance – wer entscheidet eigentlich?
In vielen Projekten fehlt zu Beginn ein klares Mandat. Wer priorisiert Use Cases? Wer entscheidet über Änderungen im Scope? Und wer trägt Verantwortung für Datenqualität oder Datenschutz? Gerade bei Self-Service-BI mit Power BI oder dem Aufbau von Plattformarchitekturen mit Fabric ist eine fehlende Governance oft der Anfang vom Ende. Ein erfahrener Projektleiter etabliert früh ein Lenkungsgremium, definiert Rollen und sorgt dafür, dass Entscheidungen transparent und verbindlich getroffen werden.
2. Zu breite Roadmaps ohne Fokus
Viele Datenprojekte scheitern, weil sie alles gleichzeitig wollen: ein neues DWH, 20 Dashboards, AI-basierte Prognosen – idealerweise in drei Monaten. Das Resultat: Überforderung, Blockaden und Frustration. Erfolgreiches Projektmanagement setzt auf einen MVP-Ansatz (Minimum Viable Product): Ein klarer erster Use Case mit messbarem Mehrwert. Alles Weitere folgt in geplanten Releases. So entsteht Fortschritt – nicht nur PowerPoint.
3. Fehlende Integration in die Unternehmensstrategie
Datenprojekte sind nicht nur IT-Projekte – sie sind strategisch. Wenn keine Verbindung zur Gesamtstrategie besteht, drohen sie zum Selbstzweck zu werden. Ein externer CDO as a Service kann dabei helfen, eine datengetriebene Vision zu entwickeln, die Technologie, Business und Führung verbindet. Das Projektmanagement sorgt dann dafür, dass sich diese Vision in klare Projektziele übersetzt.
4. Kein realistischer Umgang mit Datenqualität
Ein häufiger Fehler: Man baut Dashboards und Modelle, bevor man weiss, wie gut die zugrunde liegenden Daten sind. Ohne Frühwarnsysteme für Datenqualität, ohne Verantwortliche für Stammdaten – kein Reporting mit Substanz. Gute Projektleiter erkennen diese Risiken und setzen bewusst Quality-Gates, bevor Dashboards live gehen. Gerade bei Fabric oder Azure-Projekten lassen sich solche Prüfungen gut automatisieren.
5. Unklare Rollenverteilung zwischen Fachbereichen und IT
In Datenprojekten braucht es beides: technisches Know-how und fachliches Verständnis. Wenn die Fachabteilung Anforderungen „an die IT übergibt“ und dann abwartet, ist das Projekt bereits gefährdet. Projektmanagement sorgt für ein gemeinsames Arbeitsmodell – z. B. mit integrierten Projektteams, klaren Kommunikationspfaden und methodischer Unterstützung für alle Beteiligten. Besonders bei Reporting-Vorhaben mit Power BI oder Self-Service BI ist das entscheidend.
Praxisbeispiel: Fabric-Projekt in einem Zürcher KMU
Ein Industrieunternehmen wollte mit Microsoft Fabric eine neue Datenarchitektur aufbauen – inklusive Echtzeit-Reporting. Erste Versuche verliefen im Sand: kein Zielbild, fehlende Koordination, technischer Overload. Nach Einbindung eines externen Projektmanagers von Data Minds wurden die Anforderungen neu priorisiert, eine Projektstruktur mit klaren Rollen aufgesetzt und die Einführung in drei fokussierte Phase
