Data Maturity im Vergleich zu vergleichbaren Jurisdiktionen benchmarken

# Data Maturity im Vergleich zu vergleichbaren Jurisdiktionen benchmarken

Ein städtischer CIO in einer mittelgroßen US-Stadt (rund 250.000 Einwohner) öffnet ein Self-Assessment: „Wir haben ein Open-Data-Portal, einen Chief Data Officer und ein paar Dashboards.“ Klingt solide. Dann stellt jemand das Ganze mithilfe eines öffentlichen Data-Maturity-Index fünf vergleichbaren Städten gegenüber. Diese Stadt liegt bei Data GovernanceData GovernanceData governance is the set of policies, roles, and processes that ensure data is accurate, secure, well-defined, and used responsibly across an organization.Vollständige Definition ansehen → auf dem letzten Platz und bei der Personalkapazität auf dem vorletzten. Die Dashboards waren eine Ablenkung von einem deutlich schwächeren Fundament. Genau das ist der Wert von Benchmarking: Es verwandelt ein vages „läuft schon ganz gut“ in einen konkreten, vergleichbaren Score.

Warum Benchmarking besser ist als Self-Assessment

Self-Assessment ist von Grund auf verzerrt. Jede Abteilung hält ihre Datenpraxis für „ziemlich gut“, weil es keinen externen Referenzpunkt gibt. Benchmarking behebt das, indem Jurisdiktionen nach einem gemeinsamen Raster bewertet und dann verglichen werden.

Zwei bekannte Frameworks:

• GovEx Open Data Maturity Model (vom Center for Government Excellence an der Johns Hopkins University), genutzt von Städten im Netzwerk What Works Cities.
• Data Capacity Assessments des Urban Institute, die den behördenübergreifenden Datenaustausch, die Analytics-Personalausstattung und die Nutzung von Daten in Budgetentscheidungen betrachten.

Beide Frameworks bewerten eine Jurisdiktion über mehrere Dimensionen, statt eine Gesamtnote zu vergeben. Das ist die entscheidende Design-Entscheidung: Ein aggregierter Score verdeckt genau die Schwachstelle, die Sie finden müssen.

Die relevanten Daten: was bewertet wird

Maturity-Indizes bewerten keine abstrakte „Datenkultur“. Sie bewerten konkrete Artefakte und Prozesse. Typische Dimensionen sind:

1. Datenbestand und Katalogisierung

Weiß die Stadt, welche Datensätze sie besitzt? Ein Data CatalogData CatalogA centralized inventory of an organization's data assets, enriched with metadata, that helps people find, understand, and trust the data they need.Vollständige Definition ansehen → (ein durchsuchbares Verzeichnis von Datensätzen mit Beschreibungen, Ownern und Aktualisierungsfrequenz) ist die Grundlage. Viele Städte scheitern hier zuerst: Niemand kann alle Datensätze aufzählen, die über die Abteilungen hinweg vorliegen.

2. Open-Data-Publikation

Anzahl und Qualität der Datensätze auf einem Open-Data-Portal (z. B. das von Chicago, San Francisco oder das Open Data Portal von NYC). Qualität zählt mehr als Menge: Ein Datensatz, der zuletzt 2019 aktualisiert wurde, wird negativ gewertet, auch wenn ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → technisch „veröffentlicht“ ist.

3. Data-Governance-Struktur

Gibt es eine Rolle als Chief Data Officer (CDO), ein Data-Governance-Komitee und dokumentierte Data-Sharing-Vereinbarungen zwischen Abteilungen (z. B. zwischen Polizei und Gesundheitsamt)? Governance ohne benannten verantwortlichen Owner übersteht Budgetkürzungen selten.

4. Datenqualitätsmanagement

Dokumentierte Standards für Genauigkeit, Vollständigkeit und Aktualität. Beispiel: Werden 311-Daten (Serviceanfragen außerhalb von Notfällen) auf Doppeleinträge und Adressgenauigkeit geprüft, bevor sie in ein öffentliches Dashboard laufen?

5. Analytics-Kapazität und Personal

Anzahl der FTEs (Vollzeitäquivalente), die Datenanalyse machen, im Verhältnis zu denen, die Daten erfassen. Eine Stadt mit 3 Data Analysts pro 100.000 Einwohner ist strukturell etwas anderes als eine mit 0,3.

6. Nutzung in der Entscheidungsfindung

Werden Daten tatsächlich in Budgetanhörungen, Performance-Reviews oder der Neugestaltung von Services genutzt, oder liegen sie in einem PDF, das nach der Veröffentlichung niemand liest?

Peer-Auswahl: der Schritt, den die meisten Städte falsch machen

Eine Stadt mit 200.000 Einwohnern mit New York City zu vergleichen, ist sinnlos: andere Budgetgröße, andere Personaltiefe. Peer-Gruppen sollten übereinstimmen bei:

• Einwohnerklasse (z. B. 150.000 bis 400.000)
• Metro-/Regionalkontext (urbaner Kern vs. suburban)
• Verwaltungsstruktur (Council-Manager vs. starker Bürgermeister, was beeinflusst, wer die IT-Budgets kontrolliert)
• Vergleichbare Finanzkraft

Die International City/County Management Association (ICMA) und die Government Finance and Employment Data des U.S. Census Bureau sind gängige Quellen, um ein belastbares Peer-Set aufzubauen. Machen Sie hier einen Fehler, ist jeder folgende Vergleich nur Rauschen.

Ein durchgerechnetes Beispiel: drei Dimensionen bewerten

Nehmen wir an, eine Stadt bewertet sich selbst auf einer vereinfachten Maturity-Skala von 0 bis 4 (0 = keine Praxis, 4 = institutionalisierte Best Practice) über drei Dimensionen, gebenchmarkt gegen den Median von vier Peer-Städten:

| Dimension | Diese Stadt | Peer-Median (Schätzung) | Gap |

|---|---|---|---|

| Datenkatalogisierung | 1 | 3 | -2 |

| Governance-Struktur | 2 | 2 | 0 |

| Analytics-Personal (FTE pro 100k) | 0,8 | 2,1 | -1,3 |

Der zusammengesetzte Durchschnitt (1 + 2 + skaliertes Äquivalent von 0,8) sieht auf den ersten Blick „mittelmäßig“ aus. Aber die Durchschnittsbildung verdeckt die Geschichte: Diese Stadt liegt bei Governance etwa gleichauf, ist aber bei der Katalogisierung zwei volle Maturity-Level zurück und arbeitet mit rund 38 % der Personalkapazität der Peers (0,8 / 2,1 ≈ 0,38). Diese Personallücke ist der handlungsrelevante Befund, nicht der Composite-Score.

Das ist die zentrale Lektion: Berichten Sie Entscheidern niemals einen einzelnen gemischten Maturity-Score. Zeigen Sie immer die Aufschlüsselung nach Dimensionen. Ein Composite-Score von „2,3 von 4, leicht unter dem Peer-Durchschnitt“ löst keine Handlung aus. Eine Personallücke von 62 % löst ein Budgetgespräch aus.

Governance-Metriken, die echte Maturity signalisieren

Jenseits der Index-Scores selbst lohnt es sich, einige Governance-Metriken separat zu verfolgen, weil sie kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ünftige Maturity vorhersagen:

• Dataset Freshness Rate: Anteil der veröffentlichten Datensätze, die innerhalb ihres angegebenen Zeitplans aktualisiert wurden. Unter 70 % ist ein Warnsignal, das in unterfinanzierten Open-Data-Programmen häufig auftritt.
• Anzahl der Data-Sharing-Vereinbarungen: Zahl der aktiven, dokumentierten behördenübergreifenden Vereinbarungen (z. B. Wohnungsamt teilt Zwangsräumungsdaten mit dem Gesundheitsamt). Null oder eine ist typisch für Städte mit geringer Maturity; fünf und mehr signalisiert institutionalisierte Zusammenarbeit.
• CDO-Amtszeit und Berichtslinie: Ein CDO, der direkt an den City Manager oder das Büro des Bürgermeisters berichtet, hat tendenziell dauerhaftere Autorität als einer, der drei Ebenen tief in der IT verortet ist.

Eine einfache Abfrage, die Analysten intern oft laufen lassen, um die Aktualität zu prüfen (mit dem Last-Updated-Feld eines Datensatzes aus einem Katalog-Export):

import pandas as pd
from datetime import datetime

catalog = pd.read_csv("open_data_catalog.csv")
catalog["last_updated"] = pd.to_datetime(catalog["last_updated"])
catalog["days_stale"] = (datetime.now() - catalog["last_updated"]).dt.days

stale_pct = (catalog["days_stale"] > 365).mean() * 100
print(f"Datasets stale over 1 year: {stale_pct:.1f}%")

So eine Prüfung sollte ein Data-Governance-Team quartalsweise durchführen, nicht erst im Rahmen eines externen Audits entdecken.

Analytics- und Messbenchmarks

Sobald die Governance-Grundlagen stehen, verschiebt sich das Benchmarking auf Ergebnisse: Verbessern Daten tatsächlich die Services?

Gängige Benchmarks aus dem Zertifizierungsprozess von What Works Cities (ein anerkannter US-Standard für städtische Datenpraxis):

• Anteil der Budgetentscheidungen, die Performance-Daten zitieren: Reife Städte zielen bei großen Programmbudgets auf über 50 %.
• Bearbeitungszeit für Anfragen nach öffentlichen Unterlagen: Nach den Open-Records-Gesetzen der Bundesstaaten (unterschiedlich je Staat; z. B. California Public Records Act, Texas Public Information Act) ist die Durchlaufzeit eine messbare, über Jurisdiktionen hinweg vergleichbare Metrik.
• Nutzungsanalyse von Dashboards: Seitenaufrufe und wiederkehrende Besuche auf öffentlichen Dashboards, ein Proxy dafür, ob Einwohner und Ratsmitglieder veröffentlichte Daten tatsächlich nutzen oder diese nur zur Compliance existieren.

In Europa ist der entsprechende Referenzpunkt der Open-Data-Maturity-Bericht des European Data Portal, der EU-Mitgliedstaaten jährlich in den Dimensionen Datenpolitik, Portalqualität, Impact und Qualität bewertet, mit einer ähnlichen Abstufung von etwa 0 bis 4 (Methodik zusammengefasst auf data.europa.eu). Länder wie Irland und Frankreich lagen in den letzten Ausgaben konstant in der Spitzengruppe (die genauen Rankings im aktuellen Jahresbericht prüfen, da sie sich jährlich verschieben).

🎬 [VIDEO: "What Works Cities: Data-DrivenData-DrivenAn approach where decisions are systematically informed by data analysis rather than intuition alone.Vollständige Definition ansehen → Government" - youtube.com/@BloombergCities - Fallbeispiele mittelgroßererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → US-Städte, die Data-Maturity-Assessments zur Neugestaltung von Services nutzen]

Wichtigste Erkenntnisse

• Benchmarken Sie gegen eine passende Peer-Gruppe (Einwohnerzahl, Verwaltungsstruktur, Finanzkraft), nicht gegen die größte oder häufigst zitierte Stadt.
• Nutzen Sie etablierte Frameworks (GovEx, Urban Institute, What Works Cities, European Data Portal), statt ein internes Raster von Null zu erfinden.
• Präsentieren Sie der Führung niemals einen einzelnen Composite-Maturity-Score; brechen Sie ihn in Dimensionen auf (Katalogisierung, Governance, Personal, Nutzung), damit die handlungsrelevante Lücke sichtbar wird.
• Kombinieren Sie Index-Scores mit harten Governance-Metriken: Dataset Freshness Rate, Anzahl aktiver Data-Sharing-Vereinbarungen, Berichtslinie des CDO.
• Verfolgen Sie, ob Daten Entscheidungen tatsächlich verändern (Zitate in Budgets, Service-Neugestaltungen), nicht nur, ob sie veröffentlicht werden; Veröffentlichung ohne Nutzung ist ein häufiges falsches Maturity-Signal.