(g+) GAP-Modell: Nenne es nicht Data Governance, nenne es einfach Qualität!

Die Kernmeldung: Daten als wertvolle Produkte begreifen

In der modernen Unternehmenswelt wandelt sich das Verständnis von Daten grundlegend. Es geht nicht mehr nur darum, riesige Mengen an Informationen zu speichern oder technisch zu verwalten, sondern darum, Daten als echte Produkte zu begreifen, die einen konkreten wirtschaftlichen Mehrwert bieten. Mario Meir-Huber stellt in seinem Beitrag für Golem Plus das sogenannte GAP-Modell vor, das als strategisches Werkzeug dient, um diesen Prozess zu strukturieren. Die zentrale These lautet: Wer Daten erfolgreich zu Geld machen will, muss den Fokus von einer rein administrativen Data Governance hin zu einer konsequenten Qualitätsoffensive verschieben. Ein Datenprodukt ist demnach nur dann erfolgreich, wenn es ein spezifisches Problem für den Anwender löst. Das GAP-Modell fungiert hierbei als methodischer Rahmen, um die Brücke zwischen der technischen Datenbereitstellung und der tatsächlichen Nachfrage durch interne oder externe Kunden zu schlagen. Es geht darum, die Lücke zwischen dem, was technisch möglich ist, und dem, was am Markt oder im Unternehmen tatsächlich benötigt wird, systematisch zu schließen.

Die Einzelheiten des Modells und der Ansatz

Der am 22. August 2026 veröffentlichte Ratgebertext bildet den zweiten Teil einer dreiteiligen Serie mit dem Titel „Daten mit Wert“. Während im ersten Teil der Serie grundlegend definiert wurde, was überhaupt als Datenprodukt zu verstehen ist, konzentriert sich dieser Abschnitt explizit auf die praktischen Bausteine. Das GAP-Modell wird dabei als ein essenzielles Instrument eingeführt, um Datenprodukte in der betrieblichen Praxis funktionsfähig zu machen. Die Kernbotschaft ist dabei eine sprachliche und inhaltliche Neuausrichtung: Statt den oft sperrigen und für viele Mitarbeiter abschreckenden Begriff der „Data Governance“ zu verwenden, plädiert der Autor dafür, den Fokus auf den Begriff „Qualität“ zu legen. Qualität ist hierbei nicht als abstrakter theoretischer Wert zu verstehen, sondern als das entscheidende Kriterium, das über den Erfolg oder Misserfolg eines Datenprodukts entscheidet. Wenn die Qualität stimmt, folgen die Akzeptanz und der wirtschaftliche Nutzen fast zwangsläufig. Der Text verdeutlicht, dass Datenprodukte wie jedes andere kommerzielle Produkt behandelt werden müssen, um am Markt zu glänzen.

Hintergrund zur Entstehung und Einordnung

Die Diskussion um Datenprodukte hat in den letzten Jahren massiv an Fahrt gewonnen, da Unternehmen zunehmend unter Druck stehen, ihre digitalen Assets zu monetarisieren oder zumindest effizienter zu nutzen. Der Hintergrund des GAP-Modells liegt in der Erkenntnis, dass viele Data-Governance-Initiativen in der Vergangenheit gescheitert sind, weil sie zu sehr auf Kontrolle, Compliance und starre Regeln fokussiert waren, anstatt den eigentlichen Nutzen für den Anwender in den Mittelpunkt zu stellen. Einzuordnen ist das GAP-Modell als eine Antwort auf diese Überregulierung. Indem der Fokus auf die Qualität verschoben wird, soll eine Brücke zwischen der IT-Abteilung und den Fachbereichen geschlagen werden. Den Berichten zufolge ist es ein häufiges Problem, dass Daten zwar vorhanden sind, aber aufgrund mangelnder Qualität oder fehlender Kontextualisierung nicht als Produkte wahrgenommen werden können. Das Modell dient somit als eine Art Übersetzungsleistung, um die technische Komplexität der Datenverarbeitung in eine Sprache zu überführen, die den geschäftlichen Mehrwert betont und somit die Akzeptanz für notwendige Investitionen in die Datenqualität erhöht.

Die Beteiligten und ihre Rollen

Der Autor Mario Meir-Huber fungiert als Experte und Vermittler in dieser Debatte. Er spricht primär Entscheidungsträger, Datenverantwortliche und IT-Strategen an, die in Unternehmen für die Entwicklung von Datenprodukten zuständig sind. Die Zielgruppe sind jene Akteure, die bisher Schwierigkeiten hatten, den Wert ihrer Datenbestände in messbare Ergebnisse zu übersetzen. Die Institutionen, die hier implizit angesprochen werden, sind alle Unternehmen, die sich in einer digitalen Transformation befinden und den Übergang von einer reinen Datenhaltung zu einer wertorientierten Datenökonomie vollziehen wollen. Da der Text als Ratgeber konzipiert ist, nimmt der Autor eine beratende Rolle ein, die dazu ermutigen soll, die internen Prozesse zur Datenbereitstellung grundlegend zu hinterfragen. Es geht darum, die Silos zwischen den datenproduzierenden Einheiten und den datennutzenden Abteilungen aufzubrechen, indem ein gemeinsames Verständnis für Qualität als primäres Ziel etabliert wird.

Ausblick und offene Fragen

Wie es weitergeht, ist bereits durch den Aufbau der Serie vorgegeben: Nach der Vorstellung des GAP-Modells in diesem Teil folgt in Teil 3 der Serie ein weiterer, bisher noch nicht im Detail erläuterter Baustein, der die Methodik ergänzen soll. Es bleibt abzuwarten, wie sich dieser dritte Baustein in das Gesamtbild einfügt und welche weiteren praktischen Werkzeuge der Autor für die Umsetzung von Datenprodukten bereitstellt. Offene Fragen, die der vorliegende Text noch nicht beantwortet, betreffen die konkrete technische Implementierung des Modells in bestehende IT-Landschaften. Auch bleibt die Frage unbeantwortet, wie Unternehmen mit bereits bestehenden, historisch gewachsenen Datenstrukturen verfahren sollen, die den Qualitätsanforderungen des Modells möglicherweise nicht entsprechen. Der Text liefert das methodische Rüstzeug, doch die operative Umsetzung in komplexen IT-Umgebungen bleibt eine Herausforderung, die über die theoretische Einführung des Modells hinausgeht. Dennoch bietet der Ansatz eine klare Orientierung für alle, die Daten nicht nur verwalten, sondern als wertschöpfende Produkte etablieren wollen.