Data Science zahlt sich aus

Teil 1 von 4 unserer Reihe über Data Science, den Mittelstand und den Fortschritt agentischer KI für Data Science.

Die meiste KI in Unternehmen endet heute bei der Analytics: Sie berichtet, was passiert ist. Data Science fängt dort erst an. Sie sagt voraus, was als Nächstes passiert, erklärt, was es verursacht, empfiehlt die beste Entscheidung und setzt diese Entscheidung dann in den Betrieb um. Dort liegt der wirtschaftliche Wert. Unternehmen an der Spitze datengetriebener Entscheidungen erzielen eine um 4–8 % höhere Umsatzproduktivität (Brynjolfsson & McElheran, 2019).

Dieser Beitrag zeigt, woher Data Science kommt, warum die Menschen, die sie gut beherrschen, so selten sind, und was sie den Unternehmen, die sie einsetzen, nachweislich gebracht hat.

Woher Data Science kommt

Der Begriff entstand 2008 bei Praktikern von Facebook und LinkedIn (Patil, 2011). Data Science liegt an der Schnittstelle von Statistik, Programmierung und Fachwissen über das Geschäft (Conway, 2010). In der Praxis geht sie fließend in die benachbarten Entscheidungsdisziplinen über: maschinelles Lernen, Ökonometrie und Operations Research. Ihre Antworten gewinnt sie aus Experimenten und laufender Messung. Das ist die „Science“ im Namen.

Warum erfahrene Data Scientists knapp sind

Erfahrene Data Scientists sind hoch qualifiziert und schwer zu finden. Einer der Gründer von explai (Dirk) verantwortete bei Zalando unternehmensweit die Jobfamilie Applied Science. Sie war dort die bestbezahlte, mit einem Gehaltsaufschlag von 20 % gegenüber dem Software Engineering, der zweitbestbezahlten.

Der Arbeitsmarkt kam mit einem Bericht in Gang, der einen weltweiten Fachkräftemangel vorhersagte (McKinsey Global Institute, 2011), und mit der Harvard Business Review, die Data Scientist zum „Sexiest Job of the 21st Century“ erklärte (Davenport & Patil, 2012). Die Pandemie beschleunigte die Entwicklung, weil Unternehmen ihre digitale Transformation im Zeitraffer nachholen mussten (McKinsey & Company, 2020).

Zwischen 2022 und 2025 schlug der Markt ins Gegenteil um, mit einer Welle von Bootcamps für Berufseinsteiger (Raine, 2023; Handshake, 2025). Das Ergebnis ist die heutige Qualifikationslücke: ein Überangebot an Einsteigern mit oberflächlichen Kenntnissen in Mathematik, Engineering und Betriebswirtschaft – und eine noch stärkere Nachfrage nach erfahrenen Kräften, denn gerade sie können KI-Systeme bewerten und absichern (Lightcast, 2025).

Was Data Science wert ist

Für große Unternehmen hat sich der Aufschlag gelohnt, über Branchen und Funktionen hinweg. Die Liste enthält nur Feldexperimente und begutachtete Studien.

Preise und Umsatz

• Preisoptimierung: Online-Flash-Sales für Mode, Rue La La, USA. +9,7 % Umsatz bei den behandelten Artikeln (Ferreira et al., 2016).
• Personalisierte Preise: B2B-SaaS, ZipRecruiter, USA. +19 % Gewinn gegenüber dem optimalen Einheitspreis. Die ebenfalls aus dieser Studie zitierten +86 % beziehen sich auf den bisherigen Preis und messen vor allem, dass das Produkt zu billig war (Dubé & Misra, 2023).
• Ertragsmanagement auf Basis einer Prognose: Fährreederei Molslinjen, Dänemark. 2,6–3,2 Mio. $ Einsparung pro Jahr (5 Mio. $ kumuliert bis Dezember 2023), weniger verspätete Abfahrten und 3 % weniger Treibstoff und Emissionen – dank Prognosen des Passagier- und Fahrzeugaufkommens bis zu einem Jahr im Voraus, mit maschinellem Lernen und seit 2020 im Einsatz (Pinson et al., 2025).

Sortiment und Warenverteilung

• Warenverteilung: Fast Fashion, Zara, Spanien, in rund der Hälfte des Filialnetzes. +3–4 % Absatz, im Jahr 2007 233 Mio. $ Umsatz und 28 Mio. $ Nettogewinn wert (Caro & Gallien, 2010; Caro et al., 2010).
• Sortiment: Kfz-Teile-Handel, USA. +5,8 % und +3,6 % Absatz in den beiden Kategorien, in denen die Empfehlungen umgesetzt wurden, gemessen am üblichen jährlichen Wachstum vergleichbarer Filialen (Fisher & Vaidyanathan, 2014).
• Nachfrageprognose: Einzelhandel, Walmart-Daten, 42.840 Zeitreihen. Die beste Methode des maschinellen Lernens war 22,4 % genauer als der beste statistische Vergleichswert, auf Ebene von Artikel und Filiale 3 % genauer. Nur 7,5 % von 2.666 Teams schlugen diesen Vergleichswert (Makridakis et al., 2022).

Kunden

• Gezielte Kundenbindung: Telekommunikation, eine Mitgliederorganisation und digitales Fernsehen in Europa, randomisiert. Wer die Kunden anspricht, die auf eine Kampagne reagieren, statt die mit dem höchsten Abwanderungsrisiko, senkt die Abwanderung bei gleichem Budget um weitere 4,1 und 8,7 Prozentpunkte (Ascarza, 2018). Eine Auswahl nach Gewinnbeitrag bringt aus einer einzigen Kampagne rund 4 % des Unternehmensgewinns (Lemmens & Gupta, 2020). Die Kunden mit dem höchsten Risiko anzusprechen, kann dagegen nach hinten losgehen: Bei einem Mobilfunkanbieter stieg die Abwanderung durch eine solche Kampagne von 6,4 % auf 10,0 % (Ascarza et al., 2016).
• Conversion und Testphasen: SaaS, 337.724 Nutzer. +6,8 % Abonnements gegenüber einer 30-tägigen Testphase für alle. Eine einheitliche 7-tägige Testphase allein brachte +5,6 %, und eine mit Causal Forests personalisierte Testphase schnitt schlechter ab als diese einfache Regel (Yoganarasimhan et al., 2023).
• Empfehlungen: Streaming, Netflix. Personalisierung und Empfehlungen sind über 1 Mrd. $ pro Jahr und mehrere Punkte Abwanderung wert (Gomez-Uribe & Hunt, 2015). Selbst in der strengsten kausalen Lesart – bei Amazon wären mindestens 75 % der durch Empfehlungen ausgelösten Aktivität ohnehin zustande gekommen – geht es in dieser Größenordnung um Hunderte Millionen (Sharma et al., 2015).

Risiko, Betrug und Forderungen

• Kreditscoring: Kauf auf Rechnung im Onlinehandel, Deutschland, 270.399 Käufe. Ergänzt man den Score der Auskunftei um den digitalen Fußabdruck, steigt die AUC von 68,3 % auf 73,6 %. Das ist die ehrliche Größenordnung eines Gewinns durch maschinelles Lernen im Kreditrisiko. Für die 10–25 % aus Beraterfolien gibt es keine Primärquelle (Berg et al., 2020).
• Triage bei Betrug und Geldwäsche: Spar Nord Bank, Dänemark. 33 % weniger Fehlalarme bei 98,8 % der echten Treffer (Jensen & Iosifidis, 2023).
• Inkasso: ein mittelgroßes niederländisches Inkassounternehmen, 7.839 säumige Schuldner. Die Rückzahlungsquote stieg von 43,1 % auf 53,2 % (+23,4 % relativ) bei weniger Anrufen, wenn ein Algorithmus statt der Sachbearbeiter auswählte, wer angerufen wird (Wang & Zhou, 2024).

Personal

• Personaleinsatzplanung: ein US-Fachhändler, 168 Filialen, sechs Monate. +4,5 % Umsatz und +7,4 Mio. $ Jahresgewinn nach Personalkosten. Die Filialen waren unterbesetzt: Die Analyse fand Geld, das die Finanzabteilung eingespart hatte (Fisher et al., 2021).
• Einstellungen: 15 US-Dienstleister, rund 300.000 Einstellungen für einfache Tätigkeiten. Eignungstests verlängern die tatsächliche Beschäftigungsdauer um gut 25 %, und Führungskräfte, die gegen die Empfehlung des Tests einstellen, bekommen schlechtere Mitarbeitende (Hoffman et al., 2018). Werden dieselben Bewerberdaten per Formel statt nach Bauchgefühl kombiniert, sind die Vorhersagen um mehr als 50 % besser (Grove et al., 2000; Kuncel et al., 2013).

Betrieb und Anlagen

• Umlauf- und Netzplanung: Bahn, Deutsche Bahn. 74 Mio. € Einsparung pro Jahr und 34.000 Tonnen CO₂ durch optimierte Fahrzeugumläufe, verglichen mit manueller Planung (Borndörfer et al., 2021).
• Störungsmanagement: Luftfahrt, Swiss / Lufthansa Group. 12 Mio. € und 14.000 Tonnen CO₂ eingespart im täglichen Einsatz, konzernweit werden 30 Mio. € pro Jahr erwartet (Davies et al., 2026).
• Prozessregelung: Tata Steel, Indien, kontinuierliches Glühen, seit Januar 2023 im Einsatz. Der Anteil der Produktion im Premium-Qualitätsband stieg von 30 % auf 50 %, bei 8 % weniger Brennstoff pro Tonne. Jährlich entfallen 13.000 Tonnen Nacharbeit, die Einsparung beträgt 2,5 Mio. $ und 10.000 Tonnen CO₂ (Jagnade et al., 2025).
• Vorausschauende Wartung: Offshore-Wind, Großbritannien. Bis zu 8 % niedrigere Betriebs- und Wartungskosten und 11 % weniger Produktionsausfall (Turnbull & Carroll, 2021).

Mittelständische Unternehmen sind in dieser Liste selten. Molslinjen ist eines davon, und es brauchte einen externen Partner, damit die Gewinne überhaupt gemessen wurden.

Vom Projekt zur Fähigkeit

Jedes Ergebnis oben misst das erste gute Modell gegen eine manuelle oder naive Ausgangslage. Wer Data Science als dauerhafte Fähigkeit statt als einmaliges Projekt betreibt, erzielt fortlaufend weitere Gewinne. Dirk hat das bei Zalando selbst erlebt:

• Preisgestaltung: 12 Märkte. Rund 6 % höherer Gewinn bei gleichem Absatz und Umsatz, über 23 A/B-Tests in den Sale-Kampagnen 2023–24 (Birr et al., 2026).
• Ranking: ein Transformer-Modell gegen das bisherige produktive Ranking. +4,04 % Engagement und +0,86 % Umsatz beim Stöbern, +0,70 % und +0,17 % bei der Suche (Celikik et al., 2024).

Das sind Verbesserungen an Modellen, die bereits gut waren, in einem Unternehmen, das seit Jahren in Data Science investiert hatte.

Als Nächstes in dieser Reihe

Die Produktivitätslücke von 4–8 % betrifft nicht nur die Unternehmen in dieser Liste. Frühere branchenübergreifende Schätzungen liegen im selben Bereich (Brynjolfsson et al., 2011). Trotzdem schöpft der größte Teil der Wirtschaft diesen Wert nicht ab. In Teil 2 schauen wir uns an, warum der Mittelstand leer ausgeht und was ihn das kostet.