Von Datenpipelines zu agentenbasierten Workflows: Ein Wandel im Analytics Engineering

Um wirklich datengesteuert zu werden, müssen viele Unternehmen immer noch etwas scheinbar Grundlegendes, aber dennoch Entscheidendes tun: Daten für die Analyse vorbereiten. Trotz moderner Datenplattformen und immer leistungsfähigerer Tools ist die Aufbereitung der Daten oft noch manuell und zeitaufwändig. Wenn Unternehmen ihre Datennutzung ausweiten, wird dies schnell zu einem Engpass.

Gleichzeitig zeichnet sich ein neuer Ansatz ab: agentenbasierte Workflows, die Benutzer aktiv bei der Strukturierung, Umwandlung und Kombination von Daten unterstützen. Anstatt sich ausschließlich auf manuell erstellte Pipelines zu verlassen, führen diese Workflows Systeme ein, die Entscheidungen leiten und den für die Arbeit mit Daten erforderlichen Aufwand reduzieren.

Der versteckte Zwang in datengesteuerten Organisationen

Die meisten Unternehmen verfügen bereits über einige der richtigen Bausteine. Data Warehouses sind eingerichtet, Dashboards sind in Betrieb, und Anwendungsfälle sind definiert. Doch hinter den Kulissen hängt ein erheblicher Teil der Arbeit immer noch von spezialisiertem Fachwissen ab, das bei wachsender Nachfrage zu einem Engpass werden kann.

Das Einlesen von Daten ist nur der erste Schritt. Um Rohdaten in etwas Brauchbares zu verwandeln, müssen sie interpretiert, umgewandelt und mit bestehenden Modellen abgeglichen werden. Außerdem muss man verstehen, wie die Datensätze zueinander in Beziehung stehen, oft auf der Grundlage von Kontexten, die in den Köpfen der Menschen und nicht in der Dokumentation vorhanden sind. Mit zunehmender Nachfrage wächst auch der Druck auf diese Teams: Es gehen mehr Anfragen ein, die Zeit bis zur Einsichtnahme steigt und der Fortschritt verlangsamt sich. Genau hier setzen die agentenbasierten Workflows an: Sie ersetzen nicht die Plattform, sondern gestalten die Art und Weise um, wie die Datenarbeit im Unternehmen verteilt, unterstützt und ausgeführt wird.

Von Pipelines zu agentenbasierten Arbeitsabläufen

Was wäre, wenn bei der Vorbereitung und Integration von Daten nicht jeder Schritt zuerst in Code übersetzt werden müsste? Was wäre, wenn man den Prozess steuern könnte, anstatt ihn zu konstruieren?

Hier sehen wir eine Verschiebung hin zu mehr agentenbasierten Workflows. Anstatt Pipelines Schritt für Schritt aufzubauen, interagieren die Benutzer mit Systemen, die Datenmuster analysieren, sie bei der Entscheidungsfindung unterstützen und die Abfolge der Schritte anleiten, die erforderlich sind, um von Rohdaten zu einem nutzbaren Datensatz zu gelangen. In der Praxis sieht dies anders aus als die traditionelle Datenarbeit. Ein Benutzer lädt einen Datensatz hoch, und anstatt Transformationen zu schreiben, schlägt das System vor, wie die Daten strukturiert werden könnten, weist auf Inkonsistenzen hin und schlägt vor, wie sie mit bestehenden Datensätzen kombiniert werden könnten. Der Benutzer prüft, passt an und genehmigt, so dass der Arbeitsablauf iterativ und interaktiv und nicht vordefiniert und statisch ist.

Daran ist nichts grundlegend Neues. Wir abstrahieren und automatisieren schon seit Jahren Teile von Daten-Workflows. Der Unterschied besteht nun darin, dass die Systeme zunehmend eine aktive Rolle bei der Entscheidungsfindung der Benutzer spielen, anstatt nur vordefinierte Schritte auszuführen. Gleichzeitig ist es wichtig, realistisch zu bleiben, was dies bedeutet. Diese Systeme verstehen nicht wirklich den geschäftlichen Kontext hinter einem Datensatz. Sie arbeiten mit Mustern, Metadaten und Signalen in den Daten selbst, was bedeutet, dass die Auswertung dieser Daten immer noch menschliches Urteilsvermögen erfordert. In der Praxis sind diese Workflows am effektivsten, wenn sie Fachexperten unterstützen, anstatt sie zu ersetzen. Der Benutzer bleibt für die Interpretation und Validierung der Vorschläge des Systems verantwortlich.

Dies verändert den Arbeitsablauf völlig. Es geht weniger um den Aufbau von Pipelines und mehr um die Steuerung von Ergebnissen.

Warum dies in der Praxis wichtig ist

Aus strategischer Sicht geht dieser Wandel über Effizienz hinaus. Er verändert die Art und Weise, wie Organisationen arbeiten.

Es macht die Selbstbedienung realistischer. Anstatt auf einen Analysetechniker zu warten, der einen neuen Datensatz modelliert, kann ein Geschäftsanwender mit Unterstützung des Systems direkt mit den Daten arbeiten. Damit entfällt zwar nicht die Notwendigkeit einer soliden Datengrundlage, aber die Komplexität wird überschaubarer und zugänglicher.

Über die Effizienz hinaus verändert es die Art und Weise, wie Unternehmen skalieren. Um die wachsende Nachfrage nach analytikfähigen Daten zu befriedigen, muss man heute in der Regel mehr technische Kapazitäten schaffen, die ohnehin knapp sind. Mit agentenbasierten Workflows wird ein Teil dieses Aufwands vom System selbst übernommen, so dass die Teams mehr Arbeit bewältigen können, ohne im gleichen Tempo zu wachsen.

Darüber hinaus wird der Weg von den Daten zu den Erkenntnissen verkürzt. Wenn der Aufwand für die Aufbereitung und Integration von Daten sinkt, können Unternehmen schneller handeln: Neue Datensätze können früher erforscht, Anwendungsfälle früher getestet und Entscheidungen mit weniger Verzögerung getroffen werden. Es schafft auch mehr Raum für Experimente, so dass die Teams schneller lernen und einfacher iterieren können.

Gleichzeitig sorgt es für mehr Konsistenz. Anstatt dass jedes Team die Daten auf seine eigene Weise strukturiert, bietet das System eine Orientierungshilfe, nicht indem es strenge Regeln durchsetzt, sondern indem es die Benutzer zu besseren und standardisierten Entscheidungen anregt. Dies legt jedoch die Messlatte für die Governance höher. Je mehr Entscheidungen durch KI unterstützt werden, desto wichtiger wird es, zu verstehen, wie diese Entscheidungen getroffen werden, wer dafür verantwortlich ist und wie Änderungen nachverfolgt werden können.

Wie agentenbasierte Arbeitsabläufe die Rolle der Analytikingenieure verändern

In dem Maße, in dem agentengesteuerte Workflows immer geführter und interaktiver werden, verschiebt sich die Rolle des Analytics Engineering . Anstatt sich in erster Linie auf den Aufbau von Pipelines zu konzentrieren, verlagert sich der Schwerpunkt auf die Entwicklung von Systemen, die andere effektiv nutzen können. Dazu gehört die Definition von Standards, die Einbettung von Best Practices und die Gewährleistung, dass Data Governance von Anfang an Teil des Workflows ist.

Die Rolle besteht weniger darin, die Arbeit zu erledigen, sondern vielmehr darin, sie zu ermöglichen. Gleichzeitig sollte die Abstraktion nicht auf Kosten des Verständnisses gehen. Selbst wenn Systeme einen Teil des Prozesses übernehmen, müssen die Unternehmen immer noch Klarheit darüber haben, wie ihre Daten strukturiert und interpretiert werden. Andernfalls werden neue Engpässe einfach in einer anderen Form auftreten.

Blick nach vorn

Wir bewegen uns auf eine Welt zu, in der Datenplattformen mehr tun als Daten zu speichern und zu verarbeiten. Sie unterstützen aktiv, wie Daten interpretiert und verwendet werden. Dies ist Teil eines umfassenderen Wandels hin zu agentenbasierten Systemen, bei denen Software nicht nur Aufgaben ausführt, sondern die Benutzer aktiv bei der Navigation durch komplexe Arbeitsabläufe unterstützt.

Agentische Workflows sind keine Einheitslösung. Komplexere Anwendungsfälle werden auch weiterhin fundiertes Fachwissen und maßgeschneiderte Ansätze erfordern, aber die Richtung ist klar: Die Datenarbeit wird interaktiver, zugänglicher und weniger abhängig von der manuellen Implementierung.

Dies ersetzt die Analytikingenieure nicht. Es erhöht ihren Einfluss, indem es ihnen ermöglicht, sich auf höherwertige Probleme zu konzentrieren, während Routinearbeiten einem breiteren Nutzerkreis zugänglich gemacht werden. Letztlich ist die größte Veränderung nicht nur technologischer, sondern auch organisatorischer Natur. Es geht darum, wie Teams zusammenarbeiten, wie Verantwortlichkeiten verteilt werden und wie Entscheidungen im Zusammenhang mit Daten getroffen werden. In der Praxis liegt hier auch der größte Hemmschuh. Technologie kann agentenbasierte Arbeitsabläufe ermöglichen, aber ohne ein aktualisiertes Betriebsmodell bleibt das volle Potenzial unerreichbar.

Das bedeutet, dass Sie konkret wissen müssen, wie Datenteams strukturiert sind, wie die Arbeit zwischen Ingenieuren und Geschäftsanwendern abläuft und wo menschliches Urteilsvermögen erforderlich ist. Es bedeutet auch, dass KI-Governance nicht als nachträgliche Maßnahme zur Einhaltung von Vorschriften behandelt wird, sondern als aktiver Wegbereiter, der den Teams das Vertrauen gibt, auf der Grundlage von KI-gestützten Entscheidungen zu handeln. Unternehmen, die dies richtig machen, führen nicht nur neue Tools ein, sondern gestalten die Art und Weise, wie die Datenarbeit erledigt wird, neu.

Was dies für Ihre Strategie bedeutet

Für Führungskräfte, die ihre Daten- und KI-Strategie entwickeln, sind agentengestützte Workflows eine ernstzunehmende Chance, nicht als Technologietrend, sondern als organisatorische Chance. Die Unternehmen, die am meisten davon profitieren, sind nicht unbedingt diejenigen mit den fortschrittlichsten Plattformen, sondern diejenigen, die die Organisation der Datenarbeit überdenken: wer macht was, wo wird Fachwissen benötigt und wie können mehr Menschen dazu beitragen, ohne dass die Qualität oder die Kontrolle verloren geht. Das ist eher eine strategische als eine technische Frage.

Darin sehen wir auch unsere Rolle. Auf der strategischen Seite helfen wir Unternehmen bei der Neugestaltung von Arbeitsabläufen, der Klärung von Zuständigkeiten und der Identifizierung der Bereiche, in denen die Unterstützung durch Agenten den größten Wert schaffen kann, ohne die Governance zu beeinträchtigen. Auf der Lieferantenseite helfen wir bei der Umsetzung in die Praxis durch die zugrunde liegende Data Engineering- und Analytics Engineering-Arbeit, die erforderlich ist, um Pipelines neu aufzubauen, Daten für die Analyse vorzubereiten und diese Fähigkeiten in die Datenplattform einzubetten.

Skalieren wir nur unseren Technologie-Stack oder entwickeln wir auch die Art und Weise, wie Menschen mit Daten umgehen? Denn die wahre Hebelwirkung liegt nicht in der Plattform selbst, sondern in der Schließung der Lücke zwischen Geschäftsverständnis und Datenausführung.

Zusammenfassend lässt sich sagen, was in diesem Artikel behandelt wurde: