Jenseits von Dashboards: Einführung von Decision Execution Platforms

Abbildung 1: Decision Execution Platforms von Databricks Forward Deployed Engineering

Decision Execution Platforms (DEPs) sind eine neue Kategorie von Enterprise-Analytics von Databricks Forward Deployed Engineering (FDE). Anstatt nur Erkenntnisse zu liefern, führen DEPs Entscheidungszyklen für Führungskräfte durchgängig aus, die sich direkt auf das Unternehmensergebnis auswirken: Signal, Entscheidung, Ausführung und messbare Geschäftsergebnisse – alles auf einer governed Databricks-Infrastruktur.

BI hat lediglich die Grundlagen für Führungsentscheidungen verbessert

Die weltweiten Ausgaben von Unternehmen für BI-Software erreichten im Jahr 2025 34,8 Mrd. USD und werden bis 2034 voraussichtlich 72,2 Mrd. USD erreichen. Diese Kategorie gehört mittlerweile zu den größten im Bereich der Unternehmenssoftware.

BI-Tools haben dazu beigetragen, dass Führungskräfte besser informiert sind. Ein COO kann heute schneller als je zuvor erkennen, wenn die Marge sinkt, der Lagerbestand veraltet, die Auftragsabwicklung ins Stocken gerät, sich die Nachfrage ändert oder eine Prognose vom Plan abweicht. Diese Erkenntnisse sind heute der Schlüssel für moderne Geschäftsabläufe, unterstützen jedoch nur einen kleinen Teil des gesamten Entscheidungsprozesses auf Führungsebene.

Heutige Dashboards verbessern die Entscheidungsgrundlagen, bringen sie aber nicht voran. Das Ziel einer Führungskraft ist es, auf der Grundlage der Daten zu handeln – und genau hier hören die heutigen BI-Tools auf und die nächste Kategorie beginnt.

Die Entscheidungsfindung ist nach wie vor manuell, fragmentiert und langsam

Der typische Entscheidungs-Workflow in einem Unternehmen sieht fast noch so aus wie vor Jahrzehnten. Eine Führungskraft sieht ein Signal auf einem Dashboard, in einem wöchentlichen Bericht oder in einer E-Mail. Sie beruft ein Meeting ein, in dem Optionen diskutiert werden. Eine Entscheidung landet in einer Präsentation oder E-Mail. Die Umsetzung wird mithilfe von Tabellenkalkulationen, Projekt-Trackern und Slack-Threads an verschiedene Teams delegiert. Wochen später versucht jemand, die Auswirkungen zu messen – auf einem anderen Dashboard, in einer Ad-hoc-Analyse oder per Telefonanruf.

Jeder Schritt ist manuell und jedes System ist isoliert. Das Signal lebt in einem Dashboard, die Argumentation in einem Meeting, die Entscheidung in einer Präsentation. Die Ausführung verteilt sich auf Tabellenkalkulationen und Threads, und die Wirkungsmessung findet an einem ganz anderen Ort statt. Nichts ist miteinander verbunden und nichts ist orchestriert. Die meisten Unternehmen können heute KPIs messen, aber nur die wenigsten können messen, wie sich ihre Entscheidungen auf diese ausgewirkt haben.

Aus diesem Grund tun sich viele Unternehmen, selbst solche mit einer Fülle an Daten, immer noch schwer damit, Entscheidungen in der Geschwindigkeit und in dem Umfang zu treffen, die das Geschäft erfordert.

Doch das ändert sich gerade. Governed Enterprise-Daten, Echtzeit-Analysen, Anwendungsoberflächen, Transaktionsstatus und produktionsreife Agenten verschmelzen miteinander. Dies schafft die Voraussetzungen dafür, dass die manuelle Koordination, die Fragmentierung und die langsamen Feedbackschleifen der Vergangenheit durch ein einziges, kontinuierliches, governed System ersetzt werden. Gartner prognostiziert, dass bis 2028 45 % der CIOs KI-Agentensysteme außerhalb der IT leiten und so zu Mitgestaltern von Arbeitsressourcenmodellen in Unternehmen werden. Wir sind überzeugt, dass diese nächste Phase der Analytics die Datensichtbarkeit in konkrete Maßnahmen und vor allem in Ergebnisse verwandeln wird.

Was ist eine Decision Execution Platform (DEP)?

Heute stellen wir die Decision Execution Platforms von Databricks FDE vor, kurz DEPs.

Decision Execution Platforms (DEPs) sind eine neue Kategorie von Enterprise-Analytics-Lösungen. Sie sind nicht darauf ausgelegt, Informationen schneller bereitzustellen, sondern die Entscheidungsfindung von Führungskräften durchgängig auszuführen. Dies ermöglicht:

• Mehr Entscheidungen, die tatsächlich umgesetzt werden – Signale werden in genehmigte, ausgeführte Maßnahmen umgewandelt, anstatt in Meetings, Präsentationen oder Threads stecken zu bleiben
• Höhere Qualität auf Basis von Always-on-Daten – Echtzeit-Kontext, prognostizierte Auswirkungen und praktikable Alternativen werden vor der Genehmigung aufgezeigt, und Live-Daten optimieren kontinuierlich die Entscheidungen der Agenten
• Kontinuierliches Lernen – jede Entscheidung und ihr Ergebnis fließen zurück und trainieren im Laufe der Zeit das System, die Führungskräfte und das gesamte Unternehmen

DEPs unterteilen Führungsentscheidungen in vier verschiedene, berechenbare Phasen – Signal, Entscheidung, Ausführung und Ergebnis – und ermöglichen es den Verantwortlichen, diese als eine kontinuierliche Schleife auf einer einzigen governed Betriebsebene auszuführen.

• Signal – Echtzeit-Erkennung von Abweichungen bei KPIs, die genau dann angezeigt werden, wenn sie relevant sind
• Entscheidung – jedes Signal wird durch eine von Agenten empfohlene Maßnahme, praktikable Alternativen, prognostizierte Auswirkungen und die dahinter stehende Argumentation unterstützt
• Ausführung – mit einem Klick wird die gewählte Option an die Systems of Record übertragen und die Agenten werden mit der Ausführung der Arbeit beauftragt
• Ergebnis – jede Entscheidung schreibt ihre Ergebnisse zurück: prognostizierte vs. tatsächliche Auswirkungen, die Abweichung und Erkenntnisse zur Verbesserung der nächsten Entscheidung

Die Führungskraft bleibt die entscheidende Instanz, während die Agenten die Arbeit zwischen dem Signal und dem Geschäftsergebnis übernehmen – Aufgaben, die früher eine lose Kette von Meetings, Präsentationen und Nachfassaktionen erforderten. Die Schleife läuft kontinuierlich, und jede Entscheidung sowie ihr Ergebnis werden zusammen im Decision Log innerhalb der eigenen Datenebene des Unternehmens gespeichert.

Abbildung 2: Architekturschichten der Decision Execution Platform von FDE

Wie Decision Execution Platforms funktionieren: Die Architektur

Eine DEP benötigt mehr als nur eine Visualisierungsschicht auf veralteten CSVs. Sie erfordert eine governed Architektur, in der Daten, KI, Anwendungen, Agenten und der Betriebsstatus als ein einziges System zusammenarbeiten. Der DEP-Stack besteht aus drei Schichten, die jeweils auf der darunter liegenden aufbauen und alle auf der Databricks-Plattform ausgeführt werden.

• Schicht 1 – Foundation – Offene, governed Daten und KI auf der eigenen Databricks-Instanz des Kunden. Der Kunde behält die Daten, die Modelle und das geistige Eigentum (IP). Aufgebaut aus Lakebase (Echtzeit-Transaktionsstatus), Genie (Zugriff in natürlicher Sprache), Unity Catalog (Governance), Lakehouse (analytische Daten), , Agent Bricks (Agenten und Modelle), MLflow (Lebenszyklus) und . Jedes gelesene Signal, jede getroffene Entscheidung und jedes gemessene Ergebnis befindet sich auf einer einzigen governed Ebene.
• Schicht 2 – Software Development Kit – Entwickelt und gepflegt von Databricks FDE. Wiederverwendbare Grundbausteine, aus denen sich jede DEP zusammensetzt: die Genie-Ontologie (typisierte Form für jedes Signal, jede Entscheidung und jedes Ergebnis), Aktionstypen (überprüfbares, umkehrbares Agentenverhalten), das Decision Log (vollständige Kette jeder Entscheidung im Vergleich zu ihrer Absicht), Szenarien (Vergleich von Pfaden vor der Genehmigung) und das Omnigent Agent Harness (verbindet alles miteinander). Diese Grundbausteine machen Echtzeit- und Always-on-Ausführungsagenten zu einer wiederholbaren Kategorie.
• Schicht 3 – Executive Surface – Die produktisierte Anwendungsschicht, die von Databricks FDE für jeden Kunden entwickelt wird: Branchen-Archetypen, die für die Daten und Betriebssysteme des jeweiligen Kunden konfiguriert sind. Archetypen sind für Versicherungen, das Gesundheitswesen, Energie, Finanzdienstleistungen, den Einzelhandel und mehr verfügbar. Jede Schicht erbt das SDK in Schicht 2 und die Foundation in Schicht 1, sodass eine DEP für einen Kunden konfiguriert und nicht komplett neu erstellt wird.

Zusammen bilden diese drei Schichten den governed Stack, der den gesamten Entscheidungszyklus einer Führungskraft – vom Signal bis zum Ergebnis – innerhalb einer einzigen Datenebene ausführt.

Abbildung 3: Komponenten der Decision Execution Platform

Fallstudie: Konsumgüter

Unser FDE-Team hat kürzlich einem großen Sportartikel-Einzelhändler dabei geholfen, die Lücke zwischen den Lieferfristen, die Kunden beim Checkout angezeigt werden, und dem System zur Optimierung der Auftragsabwicklung (Fulfillment), das jede Bestellung physisch weiterleiten muss, zu schließen.

Zuvor arbeiteten die beiden Systeme mit voneinander abweichenden Daten, und die Planer verbrachten täglich Stunden damit, die Empfehlungen der Agenten mit der betrieblichen Realität abzugleichen. SLAs wurden verletzt, die Kosten für den Expressversand stiegen sprunghaft an, und nach eigenen internen Schätzungen des Kunden belaufen sich die Auswirkungen dieser einen Lücke auf das Unternehmensergebnis auf einen neunstelligen Betrag pro Jahr.

In einem Zeitraum von vier Wochen haben wir gemeinsam mit dem Team des Kunden eine funktionierende DEP-Instanz zur Optimierung der Auftragsabwicklung entwickelt – ausgerichtet auf ein konkretes Ergebnis (Outcome), KPIs und OKRs, nicht auf Features oder Outputs.

Die DEP bestand aus einer einheitlichen Ontologie – die Fulfillment-Knoten, Transportdienstleister und vereinbarte Lieferfristen abdeckte – modelliert in Unity Catalog. Typisierte Aktionstypen ermöglichten es Planern und Agenten, Kapazitäten umzuleiten, Einschränkungen zu simulieren und Entscheidungen direkt im produktiven Fulfillment-System auszuführen, ohne direkten Schreibzugriff. Der analytische Kontext, die Simulations-Engine, die Agenten-Runtime und die Benutzeroberfläche für die Operatoren liefen alle im kundeneigenen Databricks-Workspace. Keine Multi-Vendor-Datenebene und keine proprietäre Ontologie, in die migriert werden musste.

Da wir nun in die Skalierungsphase dieser ersten DEP-Bereitstellung eintreten, sind wir auf dem besten Weg zu messbaren Ergebnissen beim Geschäftsergebnis und der Kundenzufriedenheit und geben Supply-Chain-Verantwortlichen eine durchgängige Entscheidungskompetenz über den gesamten Kreislauf hinweg.

Abbildung 4: Für einen globalen Einzelhändler entwickelte Decision Execution Platform

Was dies für die Zukunft der Entscheidungsfindung in Unternehmen bedeutet

Seit Jahrzehnten helfen Analyseplattformen Unternehmen dabei, eine bessere Transparenz zu schaffen. Diese Arbeit ist nach wie vor wichtig, und Führungskräfte werden immer vertrauenswürdige Daten, klare Kennzahlen und starke Dashboards benötigen.

Doch die Grenzen haben sich verschoben, und in der nächsten Phase der Analytik geht es darum, Systeme zu bauen, die auf Basis der Datenerkenntnisse agieren. Unternehmen, die diesen Schritt nicht mitgehen, riskieren, KI so zu behandeln, wie viele Organisationen die frühe Analytik behandelt haben: als bloße Ergänzung bestehender Prozesse statt als Anlass, den Prozess selbst neu zu gestalten – und könnten so einen epochenprägenden Fortschritt in der Führung von Organisationen verpassen.

Decision Execution Platforms sind die neue Kategorie, die Databricks FDE für diesen Wandel definiert. Die Frage lautet nicht mehr nur: Was passiert im Unternehmen? Sie lautet nun: Was sollten wir tun, wie setzen wir es um und hat es funktioniert?

Um mehr darüber zu erfahren, was Decision Execution Platforms von Databricks FDE für Ihr Unternehmen tun können, und um eine Demo anzufordern, wenden Sie sich bitte an dep-fde@databricks.com

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag