Formel 1: Was Unternehmen für ihre Data Governance lernen können

2010 stand Ferraris Fernando Alonso kurz vor dem WM-Titel der Formel 1 (F1). Trotz unzähliger Telemetriedaten, einem erfahrenen Team, unterstützt durch eine Strategie-Software und überragenden Chancen kostete ein gravierender Fehlentscheid den Titel. Die F1 zeigt, dass viel mehr zum Erfolg dazugehört als nur Datensammlung. Wie hilft Data Governance den Teams und worauf kommt es bei datengetriebenen Systemen an?

Ferraris F1-Desaster: Trotz Big Data und Strategie-Software kein Titel

Beim Saisonfinale 2010 in Abu Dhabi führte Fernando Alonso die WM an. Ein vierter Platz hätte zum Titel gereicht. Doch Ferrari reagierte nervös und holte Alonso verfrüht zum Reifenwechsel. Das fatale Resultat: Er rutschte auf Platz 7 zurück, hing 40 Runden lang ohne Überholmöglichkeit fest und verlor den WM-Titel an Sebastian Vettel. Im Nachhinein war klar: Die Reifen hätten mehr Runden gehalten.

Eine Studie der Bayes Business School  zeigt als Ursache ein Zusammenspiel aus blinden Flecken in den Daten, starren Hierarchien und einer fehlerfeindlichen Unternehmenskultur. Für Abu Dhabi lagen kaum historische Renndaten vor, und das System lieferte nur wenige Erkenntnisse über die Konkurrenzstrategien. Gleichzeitig verbot eine interne Regel den Strategen, Systemempfehlungen zu überstimmen. Genau an dieser Schnittstelle zwischen Daten, Prozessen und Entscheidungsrechten setzt Data und AI Governance an und legt die Grundbausteine für den Erfolg.

Von Big Data zur Rennstrategie dank Data Governance

Sensoren eines F1-Autos messen rund zwei Gigabyte Daten pro Runde, etwa zu Reifendruck und Motortemperatur.

Diese Rohdaten fliessen zusammen mit Wetter-, Konkurrenz- und historischen Renndaten in einen sogenannten Data Lake: Ähnlich wie in einer Krempelschublade zu Hause landet dort alles unsortiert an einem Ort. Allerdings mit hohen Anforderungen an die Datenqualität: Die Daten müssen richtig, aktuell, vollständig und vertrauenswürdig sein. Zudem wird der Datenzugriff über Berechtigungen streng geregelt, und die Vorschriften der Rennleitung (FIA) werden laufend überwacht und berücksichtigt.

Danach wird der Inhalt der Krempelschublade aufgeräumt. Die geordneten Daten wandern in ein zentrales Data Warehouse (der sortierte Werkzeugkoffer). Jetzt können die gemessenen Rohdaten verknüpft werden, um Informationen zu erhalten. Diese Informationen liefern das nötige Wissen für datengestützte Entscheidungen. Es werden laufend Prognosen erstellt, um das Auto und die Strategie auf die Nanosekunde zu optimieren.

Genau das demonstrierte Sebastian Vettels Titelgewinn 2012 in Brasilien: Nach einer Kollision nutzte das Team Auto-Telemetriedaten und ermittelte, was repariert werden musste, und passte die Strategie erfolgreich an.

Alle Schritte vom Sensor zum Dashboard sind Teil der Data Governance. Sie setzt einheitliche Standards nach FIA-Regeln, schützt sensible Daten vor Spionage und Manipulation und legt Verantwortlichkeiten fest.

Drei Lehren aus der F1 für Unternehmen

Ob an der Boxenmauer oder in der Chefetage: Daten und KI nehmen Entscheidungstragenden das Denken nicht ab. Damit datengestützte Systeme funktionieren, braucht es drei Dinge:

  1. Menschliche Kontrolle statt reinem Vertrauen auf das System. Bei Ferrari durfte der Stratege das System nicht überstimmen. Fachleute müssen fehlerhafte oder unvollständige Systemempfehlungen jederzeit korrigieren können.
  2. Saubere Data Governance. Nur durch die richtigen Daten sind Optimierungen vor, während und nach dem Rennen möglich. Damit das gelingt, braucht es die Vorarbeit der Data Governance: den Aufbau einer einzigen, verlässlichen Datenquelle, die eine hohe Datenqualität aufweist, klare Zuständigkeiten verteilt und den Vorschriften entspricht. So wie der Chefstratege entscheidet, der Renningenieur das Fachwissen liefert, der Fahrer den Stopp umsetzt und die Boxencrew vorab informiert wird, gilt es auch Zuständigkeiten für die Daten zu regeln.
  3. Offene Fehlerkultur. In Unternehmen muss eine Kultur gelten, in der Beobachtungen von der Rennstrecke zur Zentrale fliessen können, ohne Angst, die Stelle zu verlieren.

KI eingesetzt für:
☐ Recherche-Unterstützung
☐ Ideen/Sparring
☐ Struktur/Textentwurf
☒ Sprache/Korrektur
☐ Übersetzung
☒ Bildgenerierung

Literaturverzeichnis

Aversa, P., Cabantous, L., & Haefliger, S. (2018). When decision support systems fail: Insights for strategic information systems from Formula 1. The Journal of Strategic Information Systems, 27(3), 221–236. https://openaccess.city.ac.uk/id/eprint/19243/

Belkovics, L., András, K., & Takács, I. (2024). Formula 1 – Information Solutions on and off the Racetrack. In 2024 IEEE 18th International Symposium on Applied Computational Intelligence and Informatics (SACI) (S. 189–194). IEEE. https://ieeexplore.ieee.org/document/10619918

Bhatnagar, D., & Urolagin, S. (2021). Data Warehousing for Formula One (Racing) Popularity Rating Using Pentaho Tools. In 2021 IEEE 6th International Conference on Computing, Communication and Automation (ICCCA) (S. 1–7). IEEE. https://ieeexplore.ieee.org/abstract/document/9666247

Buchmann, P. (2019, 3. Februar). Big Data – Was haben Formel 1 und die Personalabteilung gemeinsam? SRF. https://www.srf.ch/news/panorama/big-data-was-haben-formel-1-und-die-personalabteilung-gemeinsam

Consoli, M. (2023, 4. Dezember). Data Engineering: A Formula 1-inspired Guide for Beginners. A Glossary with Use Cases for First-Timers in Data Engineering [Blogbeitrag]. Towards Data Science. https://towardsdatascience.com/data-engineering-a-formula-1-inspired-guide-for-beginners-5511488803ee/

Experience Matters. (o. D.). How data management puts Formula One in pole position [Blogbeitrag]. https://www.experiencematters.com.au/information-management/how-data-management-puts-formula-one-in-pole-position/

Kavitha, R. K., & Kanishk, S. (2025). Formula One: Racing Intelligence in the Age of AI. In 2025 3rd International Conference on Advancements in Electrical, Electronics, Communication, Computing and Automation (ICAECA) (S. 1–7). IEEE. https://ieeexplore.ieee.org/document/11012647

Keilloh, G. (2019, 28. November). Alonso loses the F1 title to Vettel, with a call that was the pits: the 2010 Abu Dhabi Grand Prix. Motor Sport Magazine. https://www.motorsportmagazine.com/articles/single-seaters/f1/alonso-loses-f1-title-vettel-call-was-pits-2010-abu-dhabi-grand-prix/

Khatri, V., & Brown, C. V. (2010). Designing Data Governance. Communications of the ACM, 53(1), 148–152. https://dl.acm.org/doi/10.1145/1629175.1629210

L’essentiel. (2014, 26. Februar). Sebastian Vettel – Im Traumlabor von Red Bull. https://www.lessentiel.lu/de/story/im-traumlabor-von-red-bull-896480162055

Protecht. (2026, 4. Juni). What Formula 1 can teach GRC leaders about performance under pressure [Blogbeitrag]. Protecht Blog. https://www.protechtgroup.com/en-au/blog/formula-1-lessons-for-grc-leaders-performance-under-pressure

Youson, M. (2020, 11. Januar). The insider’s guide to… F1 strategists. Formula 1. https://www.formula1.com/en/latest/article/watch-the-insiders-guide-to-f1-strategists.6VT3445ugVd0bh85Pw5slO

Isabelle Ebach

Isabelle Ebach arbeitet als Data Governance Managerin bei der Swisscom und besucht das CAS Data Governance an der Hochschule Luzern. Diesen Beitrag hat sie für den Formel-1-Fan in ihrer Familie geschrieben, der sich nun nicht mehr wundern muss, was sie beruflich macht.

Alle Beiträge ansehen von Isabelle Ebach →

Schreibe einen Kommentar