KI-Innovationen mit einem skalierbaren und regelkonformen Data Operating Model ermöglichen

Die Herausforderung

Schaffung einer einheitlichen Datengrundlage für regelkonforme, grenzüberschreitende Innovationen im Gesundheitswesen

Eine führende internationale Gesundheitsgruppe erkannte, dass sie trotz ihrer Größe und Ambitionen das Potenzial ihrer Daten noch nicht vollständig ausschöpfte.

Die lokalen Datenkompetenzen hatten sich unterschiedlich entwickelt: Einige Märkte verfügten über ausgereifte Analytics- und Governance-Strukturen, während andere noch weniger weit entwickelt waren. Diese Fragmentierung erschwerte die regelkonforme, grenzüberschreitende Nutzung sensibler Gesundheitsdaten angesichts zunehmend strengerer Vorschriften wie der DSGVO, des EU AI Act und lokaler Gesetze.

Durch die Dezentralisierung blieben wertvolle Innovationen in Silos. Um ihr Potenzial auszuschöpfen, war ein einheitlicher, skalierbarer und regelkonformer Datenansatz erforderlich. Dieser sollte bereits heute intelligentere und schnellere Entscheidungen ermöglichen und gleichzeitig die Grundlage für KI-gestützte Innovationen der Zukunft schaffen.

Unser Ansatz

Gemeinsame Entwicklung eines zukunftssicheren Data Operating Model

In Zusammenarbeit mit dem Group CIO, dem Chief Data Officer und Führungskräften aus den wichtigsten Märkten entwickelten wir gemeinsam ein Data Operating Model (DOM), das ambitioniert und zugleich praxisnah ist. Es baut auf bestehenden Stärken auf, schließt Kompetenzlücken und schafft standardisierte, wiederverwendbare Datengrundlagen, um fundierte und datengestützte Entscheidungen zu ermöglichen.

Unser Ansatz folgte drei strukturierten Phasen:

• Schritt 1 – Schaffung einer klaren Ausgangsbasis

Wir nutzten das Data Operating Model Maturity Framework von Wavestone, um die bestehenden Fähigkeiten in den Bereichen Strategie, Governance, Technologie, Prozesse und Mitarbeitende zu bewerten. Dadurch entstand für jeden Markt eine einheitliche, faktenbasierte Ausgangsbasis, die sowohl bereits fortgeschrittene Kompetenzen als auch prioritäre Verbesserungsbereiche aufzeigte.

• Schritt 2 – Auswahl des richtigen Modells für Skalierbarkeit

Auf Grundlage der Erkenntnisse aus der Bewertung analysierten wir mithilfe des Data Operating Model Archetypes Framework von Wavestone drei mögliche Betriebsmodell-Archetypen: dezentral, zentralisiert und Hub-and-Spoke.

Als geeignetstes Modell wurde ein föderierter Hub-and-Spoke-Ansatz gewählt:

• • Zentraler Hub: Definiert Standards, steuert Shared Services, verwaltet unternehmensweite Tools und treibt Innovationen voran.
  • Lokale Einheiten:: Wenden zentrale Standards auf lokale Daten an, setzen marktspezifische Prioritäten um und verantworten die Umsetzung in ihrer jeweiligen Region. Diese Struktur schafft ein Gleichgewicht zwischen globaler Konsistenz und lokalen Anforderungen, schließt wesentliche Lücken und ermöglicht eine skalierbare Einführung von KI.

Diese Struktur schafft ein Gleichgewicht zwischen globaler Konsistenz und lokalen Anforderungen, schließt wesentliche Lücken und ermöglicht eine skalierbare Einführung von KI.

• Schritt 3 – Entwicklung der Roadmap für den Wandel

Unter Berücksichtigung der unterschiedlichen Ausgangssituationen der einzelnen Märkte entwickelten wir eine pragmatische Zweijahres-Roadmap mit klar definierten Meilensteinen.

Die ersten Phasen konzentrieren sich auf wirkungsstarke, marktübergreifende Use Cases, die bereits umgesetzt werden. Dazu gehören operative KPI-Dashboards, Predictive Maintenance für klinische Anlagen und KI-gestützte Diagnostik. So kann frühzeitig Dynamik geschaffen und der Mehrwert schnell sichtbar gemacht werden.

In den darauffolgenden Phasen werden die Kompetenzen in den Bereichen Governance, Technologie und Mitarbeitende schrittweise gestärkt durch:

• Aufbau eines Data & AI Center of Excellence, um hochwertige Use Cases schneller umzusetzen und Best Practices zu skalieren.
• Stärkung der lokalen Datenteams in priorisierten Märkten, damit sie lokale Anforderungen umsetzen und gleichzeitig zentrale Standards einhalten können.
• Einführung von Enterprise-Tools wie Datenkatalogen und Governance-Plattformen, um Konsistenz und Skalierbarkeit sicherzustellen.
• Einführung von Schulungsprogrammen zum Aufbau einer datengestützten Unternehmenskultur.

Die Ergebnisse

Vom Konzept zum messbaren Geschäftsnutzen

Das Data Operating Model (DOM) schafft vom ersten Tag an geschäftlichen Mehrwert. Es geht über regulatorische Compliance und die Vorbereitung auf KI hinaus und verändert Entscheidungsfindung, Performance und Unternehmenswachstum nachhaltig.

• Regulatorische Bereitschaft und Risikominimierung – Gewährleistet die Einhaltung der DSGVO, des AI Act und gesundheitsspezifischer Anforderungen und schützt gleichzeitig das Vertrauen der Patientinnen und Patienten durch eine starke Governance.
• Intelligentere und schnellere Entscheidungen – Vertrauenswürdige Daten ermöglichen es Führungskräften, Abläufe zu optimieren, Behandlungsergebnisse zu verbessern und die kommerzielle Strategie gezielter auszurichten.
• Zukünftige Innovationen ermöglichen – Solide Governance, Architektur und Kompetenzen schaffen einen sicheren Rahmen, um KI zum richtigen Zeitpunkt zu skalieren.
• Datengestützte Unternehmenskultur – Klare Rollen, Karrierewege und Schulungsprogramme fördern Engagement und Dynamik über alle Märkte hinweg.
• Abgestimmte Umsetzung – Eine gemeinsame Roadmap stellt sicher, dass die Transformation strategisch ausgerichtet und operativ umsetzbar bleibt

Wie geht es weiter?

Die Grundlage für eine KI-fähige Zukunft schaffen

Die Zusammenarbeit führt die Organisation von fragmentierten, marktgesteuerten Datenpraktiken hin zu einem einheitlichen, datengestützten und regelkonformen Unternehmen. Das neue DOM schafft die Grundlage, um bereits heute bessere Entscheidungen zu treffen und gleichzeitig die Plattform aufzubauen, mit der sich morgen das Potenzial von KI erschließen lässt.