Willkommen zum dritten Teil unserer Reihe zu den vier Dimensionen anhand derer das Datenstrategie-Team des INFORM DataLabs die Data-Driven Business Transformation von Unternehmen plant und bis zum Ende begleitet. Im vorherigen Beitrag haben wir die „People“ Dimension näher beleuchtet und erörtert welche Rolle die Menschen eines Unternehmens bei der Transformation spielen. In diesem Post beschäftigen wir uns mit der „Process“ Dimension aus „People, Process, Technology & Data“.
Prozesse & Digitalisierung
Die „Process“ Dimension befasst sich mit den Prozessen, die innerhalb eines Unternehmens stattfinden. Diese Prozesse bestehen üblicherweise aus einer geordneten Reihe von Aktivitäten und Aufgaben, die eine Organisation durchführt, um ihre Zeile zu erreichen. Verkaufsprozesse erstecken sich üblicherweise von Auftragseingang und -bestätigung über Bereitstellung oder Fertigung hin zu Auslieferung und Abrechnung. Prozesse existieren in allen Bereichen eines Unternehmens wie Vertrieb, HR, Controlling, Management, etc. Für moderne Unternehmen sind effiziente und gut strukturierte Prozesse unerlässlich, um effizient und fehlerfrei arbeiten zu können.
Eine Möglichkeit Prozesse effizient und robust zu gestalten, bietet die Digitalisierung. Hinter diesem viel verwendeten Stichwort verbirgt sich üblicherweise auf die Überführung unternehmensinterner Prozesse von analogen Medien in die digitale Form. Im simpelsten Fall ist Digitalisierung der Umstieg von Fax oder Brief zu E-Mail. Vollständig digitalisierte Prozesse können jedoch oft einen hohen Grad an Automatisierung erreichen, die zu signifikanten Effizienzsteigerungen führt und sehr gut skaliert.
Von digitalen Prozessen und nutzbaren Daten
In dieser Reihe beschäftigten wir uns aber nicht primär mit der Digitalisierung von Prozessen, sondern mit einer gesamtheitlichen Data Driven Business Transformation. Es geht also nicht darum welche Prozesse wie digitalisiert werden können bzw. sollten, sondern um die Daten, die durch diese Prozesse erzeugt werden. Die Verbindung von Daten und Prozessen ist simpel: immer, wenn ein Prozess angestoßen wird, entstehen dabei Daten. Nehmen wir als Beispiel den Bestellprozess eines Onlinehandels. Im ersten Schritt schließt der Kunde die Bestellung im Onlineshop ab. Dabei werden Name, Adresse, Datum und Uhrzeit, Produktkennung, Stückzahlen und einige weitere Punkte als Daten aufgezeichnet. In den folgenden Schritten werden Daten über die Arbeit im Lager und im Versand sowie über die Lieferung aufgezeichnet. All diese Daten beschreiben die einzelnen Schritte des Prozesses und geben rückwirkend Aufschluss über dessen Ablauf. Eine große Menge dieser Daten kann entsprechend genutzt werden, um Prozesse besser zu verstehen und diese zu optimieren.
Die Daten sind somit nicht nur das Beiprodukt digitalisierter Prozesse, sondern sind als wertvolles Unternehmensgut zu verstehen. Für die Auswertung von Prozessdaten ist die Form, in der diese aufgezeichnet wurden, entscheidend. Fehler in den Daten führen automatisch auch zu Fehlern in den darauf basierenden Analysen bzw. Datenprodukten. Im Slang der Data Science Welt nennt man dies dann „Garbage in – Garbage out“. Im Rahmen einer Data-Driven Business Transformation reicht es daher nicht aus Prozesse einfach irgendwie zu digitalisieren. Die Digitalisierung muss auch so durchgeführt werden, dass a) alle Daten mit Analytics Relevanz erfasst werden und b) die bei den Prozessen anfallenden Daten auch auswertbar sind. So muss beispielsweise dafür gesorgt werden, dass Datenerfassungsprozesse effektiv gestaltet werden und Freitextfelder möglichst gar nicht oder nur wenn sinnvoll verfügbar sind. . Daten im Freitextformat können zwar alle relevanten Informationen enthalten, diese liegen aber unstrukturiert vor, was eine Auswertung signifikant erschwert oder sogar unmöglich macht. Für ein erfolgreiches Prozessdesign sollten daher sowohl die betroffenen Fachbereiche – im Beispiel der Vertrieb – einbezogen sein, als auch die spätere Auswertbarkeit der entstehenden Daten berücksichtigt werden. Darüber hinaus muss eine strukturierte Grundlage existieren – im Beispiel die Produktstammdaten – auf der die Prozesse aufgesetzt werden können. Hier lohnt es sich häufig auf etablierte und bewährte Tools von Drittanbietern zurückzugreifen. Mehr zu Tools und Technologie finden Sie in unserem Blogpost zur „Technology“ Dimension. Im Allgemeinen gibt häufig es eine Synergie zwischen dem Level der Digitalisierung und Datenqualität. Prozesse mit einem hohen Maß an Automatisieren führen in der Regel auch zu qualitativ hochwertigen Daten. Ein Investment in Prozessdesign und -automatisierung lohnt sich also sowohl aus der Effizienz als auch aus der Datenperspektive.
Prozesse im Analytics Betriebsmodell
Neben der Perspektive der Geschäftsprozesse lohnt ebenfalls ein Blick auf die Prozesse zur Generierung von Insights, Analysen und Datenprodukten, die es im Rahmen eines Daten- und Analytics Betriebsmodell als Konkretisierung der Datenstrategie zu entwickeln gilt. Dazu gehören in der Regel die Prozesse zur Entwicklung & Innovation datenbasierter Anwendungsfälle (KI oder BI Produkte), die Priorisierung der Bedarfe, die Anforderungsanalyse, die Entwicklung von Data Marts, Alorithmen und Dashboards, sowie deren Governance und Verwaltung. Wie werden also Datenprodukte im Unternehmen entwickelt, wie sorgt man für die „Single source of truth“ und stellt die Qualität der generierten Insights für datenbasierte Entscheidungen sicher. All das gilt es im Unternehmen abzustimmen, denn noch allzu häufig haben Unternehmen Probleme auf ihrer Reise zum datengetriebenen Unternehmen weil ein dazugehörige Betriebsmodell fehlt oder unvollständig ist.
Takeaways: Die zentrale Rolle der „Process“ Dimension
Zum Abschluss dieses Beitrags lässt sich folgendes zusammenfassen: Eine Digitalisierung der Unternehmensprozess ermöglicht die Erfassung, Speicherung und Analyse riesiger Datenmengen, die wertvolle Erkenntnisse liefern, eine bessere Entscheidungsfindung ermöglichen, Geschäftsprozesse optimieren und die Zusammenarbeit und Kommunikation innerhalb des Unternehmens fördern. Die „Process“ Dimension bildet damit einen essenziellen Teil einer jeden Data Driven Business Transformation – sowohl aus Sicht der Geschäftsprozesse als auch aus Sicht der Analytics Prozesse, die beschreiben wie aus Daten Mehrwerte generiert werden.