Die Auswahl und Priorisierung von Datenanwendungsfällen ist ein kritischer Schritt für Unternehmen, die ihre Daten effektiv nutzen möchten. Oftmals werden die verschiedenen Strategien und ihre Implikationen sowie Vor- und Nachteile jedoch nicht ausreichend berücksichtigt. In diesem Artikel beleuchten wir einige Strategien und Ansätze und für welche Unternehmen sie geeignet sind. 

Verschiedene Strategien zur Priorisierung 

Es gibt verschiedene Ansätze, um Datenanwendungsfälle zu priorisieren. Vor der Priorisierung selbst jedoch, werden die einzelnen Anwendungsfälle genauer beleuchtet und mithilfe eines Scorings bewertet. Dieses Scoring basiert typischerweise auf Metriken, die sowohl die Machbarkeit (Umsetzbarkeit) als auch den Business-Mehrwert abschätzen. Für diese Bewertung bedarf es natürlich Input von z.B. potenziellen Nutzern, Nutznießern und Entwicklern des Datenanwendungsfalls. Je größer der Score für die Machbarkeit, desto einfacher ist der entsprechende Anwendungsfall umzusetzen. Diese Bewertung der Umsatzbarkeit kann sich beispielsweise auf die algorithmische Komplexität und die Risiken, die mit der Entwicklung einhergehen stützten. Die Anwendungsfälle werden dann in einem Koordinatensystem angeordnet, wobei der Mehrwert auf der Y-Achse und die Machbarkeit auf der X-Achse liegen.  Diese Darstellung dient als Ausgangspunkt für die Priorisierung. Zusätzlich können Größe und/oder Farbe der Datenpunkte in der Darstellung weitere relevante Metriken oder Eigenschaften der Anwendungsfälle codieren. Solche weiteren relevanten Größen können z.B. sein: 

• Strategischer Mehrwert 
• Datengrundlage 
• Verwendete Technologie 
• Nutzervielfalt oder Nutzeranzahl 
• Monetäres Potenzial 

Auch die Definitionen von Mehrwert und Machbarkeit unterscheiden sich von Organisation zu Organisation, da bei keiner Organisation die Prioritäten und das Verständnis eben dieser Begriffe einheitlich sein wird.  

“Low-Hanging-Fruits” 

Eine bewährte Strategie ist die Umsetzung von “Low-Hanging-Fruits”. Hierbei werden vor allem solche Anwendungsfälle zur Umsetzung priorisiert, die einen hohen Mehrwert bei einfacher Machbarkeit bieten. Warum? Weil sie schnelle Erfolge (Quick-Wins) liefern und das Risiko bei der Umsetzung gering ist. Diese Vorgehensweise eignet sich besonders für die ersten Anwendungsfälle von Organisationen, die noch nicht bereit sind, technologisch komplexe Lösungen zu entwickeln. Durch die Fokussierung auf einfache Machbarkeit können Unternehmen schnell erste Erfolge erzielen, die Akzeptanz für datengetriebene Lösungen steigern und somit eine Datenkultur ausbilden, die den Fortschritt in diesem Bereich fördert und langfristig festigt. 

Die Vor- und Nachteile dieser Strategie sind: 

Vorteile

• Schnelle Erfolge: Durch die Umsetzung einfacher Anwendungsfälle können Unternehmen schnell erste Erfolge erzielen. Dadurch entsteht bereits kurzfristig ein spürbarer Mehrwert. 
• Risikominimierung: Die Fokussierung auf einfache Machbarkeit reduziert das Risiko bei der Umsetzung. Dies ist besonders bei den ersten Anwendungsfällen wichtig, da ein Scheitern der Entwicklung oder Implementierung und damit einer Verzögerung des Mehrwerts die Akzeptanz innerhalb der Organisation gefährden kann. 
• Akzeptanzsteigerung: Die schnellen und spürbaren Erfolge fördern die Akzeptanz datengetriebener Lösungen. 

Nachteile

• Begrenzter Mehrwert: Diese Strategie priorisiert zwar einfache Fälle, aber der langfristige Mehrwert kann dabei limitiert sein. 

“Harten Nuss” 

Die andere Seite der Medaille ist die Strategie der “Harten Nuss”. Hier liegt der Fokus auf der Technologie. Komplexere Anwendungsfälle mit hohem Mehrwert werden zuerst entwickelt, weil sie die technologische Grundlage für weitere Anwendungsfälle legen. Diese Herangehensweise erfordert initial mehr Ressourcen und Zeit, bietet jedoch langfristig einen höheren Mehrwert aufgrund der geleisteten Vorarbeit. Organisationen, die bereits über eine solide Dateninfrastruktur verfügen und bereit sind, technologische Herausforderungen anzunehmen, können diese Strategie in Betracht ziehen. 

Bei der Strategie der “Harten Nuss” arbeitet man sich schrittweise hin zur einfacheren Machbarkeit vor. Die folgend umgesetzten Anwendungsfälle profitieren von vorhandenen Lösungen, Synergien und der bereits gut ausgebauten Dateninfrastruktur und Architektur. Dies repräsentiert im Grunde den “Top-Down”-Ansatz. 

Die Vor- und Nachteile dieser Strategie sind: 

Vorteile:

• Technologische Grundlage: Komplexere Anwendungsfälle legen die technologische Basis für weitere aufbauende Implementationen. 
• Langfristiger Mehrwert: Obwohl diese Strategie ressourcenintensiv ist, bieten sie langfristig einen höheren Mehrwert. 

Nachteile:

• Ressourcenbedarf: Diese Strategie erfordert mehr Zeit und Ressourcen. 
• Zeit: Bis der erste Anwendungsfall umgesetzt ist, kann es aufgrund der zu bewältigenden Komplexität lange dauern. 
• Risiko: Komplexere Datenanwendungsfälle können höhere Risiken mit sich bringen. 

Die Strategie “Wachsen mit den Aufgaben” 

Eine weitere interessante Strategie ist das “Wachsen mit den Aufgaben ”-Modell. Hier liegt der Fokus auf der Generierung von Mehrwert für die Organisation. Zuerst werden Anwendungsfälle mit hohem Mehrwert und hoher Machbarkeit umgesetzt. Im Verlauf darf bei der Umsetzung weiterer Anwendungsfälle die Komplexität der Umsetzung auch höher sein und ansteigen. Dies repräsentiert im Grunde den “Bottom-Up”-Ansatz. Unternehmen, die keine Quick-Wins benötigen, aber dennoch entscheidende Fähigkeiten und Kompetenzen erst noch ausbauen müssen, können von dieser Strategie profitieren. 

Die Vor- und Nachteile dieser Strategie sind: 

Vorteile:

• Flexibilität: Diese Strategie ermöglicht die schrittweise Umsetzung von Anwendungsfällen. Dabei kann bei auftretenden Problemen kurzfristig auch ein Anwendungsfall herausgenommen werden. 

• Business-Mehrwert: Hoher Mehrwert für die Organisation wird geliefert und steht dabei im Fokus. 

Nachteile:

•  Komplexität: Mit der Zeit können komplexere Anwendungsfälle umgesetzt werden, was zusätzliche Herausforderungen mit sich bringt und das Unternehmen an den Herausforderungen inkrementell wachsen lässt. 

Keep it simple: Die Strategie der Metriken-Addition 

Es gibt eine weitere, sehr einfache Strategie zur Priorisierung von Datenanwendungsfällen. Wenn Mehrwert und Machbarkeit als gleichwertig angesehen werden, kann man die Metriken einfach addieren und dann ein Ranking von oben nach unten durchführen. Diese Methode ist besonders nützlich, wenn beide Aspekte – Mehrwert und Machbarkeit – für das Unternehmen gleichermaßen wichtig sind. Durch die Addition der Metriken entsteht ein Gesamtscore für jeden Anwendungsfall, der eine einfache und effektive Priorisierung ermöglicht. Diese Strategie ist unkompliziert und leicht umzusetzen, bietet aber dennoch eine solide Grundlage für die Entscheidungsfindung. Es ist jedoch wichtig zu beachten, dass diese Methode möglicherweise nicht die Nuancen und Komplexitäten jedes Anwendungsfalls vollständig berücksichtigt. Daher sollte sie als ein Werkzeug unter vielen in Ihrem Priorisierungs-Toolkit betrachtet werden. 

Clustering von Anwendungsfällen: Sinnvolle Methode bei technologischen Schnittmengen 

In vielen Organisationen ist es sinnvoll, die Datenanwendungsfälle nach Gemeinsamkeiten wie Technologien oder Datengrundlagen zu clustern. Diese Methode ermöglicht eine effiziente Nutzung von Ressourcen und eine bessere Skalierbarkeit der Lösungen. Durch das Zusammenfassen ähnlicher Anwendungsfälle können Unternehmen Synergien nutzen, die sich aus technologischen Schnittmengen ergeben. Dieser Ansatz erleichtert auch die Wartung und Weiterentwicklung der Lösungen, da Änderungen an einer Technologie oder Datenquelle auf alle relevanten Anwendungsfälle angewendet werden können. 

Die Wahl der richtigen Clustering-Methode hängt von den spezifischen Anforderungen und Zielen der Organisation ab. Einige Unternehmen bevorzugen eine technologiebasierte Gruppierung der Infrastruktur, während andere sich auf gemeinsame Datengrundlagen konzentrieren. Letztendlich geht es darum, die Daten optimal zu nutzen und die strategischen Ziele zu erreichen. 

Diverse Mehrwerte für die Organisation 

Die richtige Priorisierung und Auswahl von Datenanwendungsfällen bietet der Organisation eine Vielzahl an strategischen Vorteilen. Einige davon sind: 

1. Effiziente Ressourcennutzung: Durch die gezielte Umsetzung von Anwendungsfällen mit hohem Mehrwert und einfacher Machbarkeit werden Ressourcen optimal genutzt. 

2. Wettbewerbsvorteil: Datengetriebene Lösungen ermöglichen es Unternehmen, schneller auf Marktveränderungen zu reagieren und sich einen Wettbewerbsvorteil zu verschaffen. 

3. Langfristige Transformation: Die Auswahl von Anwendungsfällen legt den Grundstein für eine langfristige datenbasierte Transformation der Organisation in einem „Bottom-Up“  

Die Priorisierung und Auswahl von Datenanwendungsfällen ist ein entscheidender Schritt auf dem Weg zur datengetriebenen Transformation. Die Wahl der richtigen Strategie – ob “Low-Hanging-Fruits”, “Harte Nuss” oder “Wachsen mit den Aufgaben” – kann den Unterschied zwischen Erfolg und Misserfolg ausmachen. Jede dieser Strategien hat ihre eigenen Vor- und Nachteile und bietet unterschiedliche strategische Vorteile. 

Es ist wichtig zu verstehen, dass es keine richtige Lösung für die Wahl der Strategie gibt. Die beste Strategie hängt von vielen Faktoren ab, darunter die Unternehmenskultur, die vorhandenen Ressourcen und die strategischen Ziele. Eine ausgewogene Mischung aus verschiedenen Ansätzen kann dazu beitragen, den maximalen Wert aus den Daten zu schöpfen. 

In der heutigen Ära der Datenrevolution ist die Bedeutung von Daten für den Unternehmenserfolg unbestreitbar. Daten und Analytics sind zu treibenden Kräften für Wachstum und Innovation geworden. In diesem Kontext stellt sich die Frage: Brauchen Unternehmen einen Data Leader? Die Antwort, die sich aus der zunehmenden Komplexität der Datenlandschaft ergibt, lautet eindeutig ja. Der Data Leader, auch bekannt als Chief Data Officer (CDO), spielt eine entscheidende Rolle bei der Gestaltung und Umsetzung einer effektiven Datenstrategie sowie bei der Förderung einer datengetriebenen Kultur im gesamten Unternehmen. 

Die Wichtigkeit des Data Leaders 

Die heutige Geschäftswelt ist von einem Überfluss an Daten geprägt. Unternehmen, die in der Lage sind, diese Daten effektiv zu nutzen, haben einen klaren Wettbewerbsvorteil. Hier kommt der Data Leader ins Spiel. Seine Hauptaufgabe besteht darin, die strategische Ausrichtung und Umsetzung von Daten- und Analytics-Initiativen zu leiten. Darüber hinaus fungiert er als Katalysator, der eine datenexzellente Kultur fördert, in der Daten nicht nur als Ressource betrachtet werden, sondern als strategischer Vorteil genutzt werden. 

Die Herausforderungen des Data Leaders 

Der Weg zum Erfolg als Data Leader ist jedoch mit zahlreichen Herausforderungen verbunden. Die erste Herausforderung besteht darin, die wertstiftende Nutzung von Daten und Künstlicher Intelligenz zu ermöglichen. Dies erfordert die Entwicklung einer umfassenden Datenstrategie, die Sicherstellung der Datenqualität und die Implementierung fortschrittlicher Analytics-Tools. Die Förderung einer datenexzellenten Kultur ist dabei von zentraler Bedeutung. 

Die zweite Herausforderung besteht darin, als Botschafter für Daten und Analytics zu fungieren. Der Data Leader muss sicherstellen, dass die Bedeutung von Daten nicht nur im IT-Bereich, sondern in allen Unternehmensbereichen als unverzichtbar verstanden wird. Dies erfordert eine kontinuierliche Kommunikation und Überzeugungsarbeit, um eine breite Akzeptanz für datengetriebene Entscheidungsfindung zu schaffen. 

Die Kompetenzen des Data Leaders im Detail 

1. Kommunikation und Storytelling

Die Fähigkeit, komplexe Daten und Analytics-Themen für unterschiedliche Zielgruppen aufzubereiten und zu vermitteln, ist von entscheidender Bedeutung. Der Data Leader muss in der Lage sein, Daten in Geschichten zu verwandeln, die das Bewusstsein für den Wert von Daten im gesamten Unternehmen schärfen. Dies erfordert nicht nur technische Kenntnisse, sondern auch eine klare und überzeugende Kommunikation. 

2. Interdisziplinäres Arbeiten

In einer vernetzten Welt, in der Daten in verschiedenen Abteilungen und Funktionen eine Rolle spielen, muss der Data Leader erfolgreich mit Menschen aus verschiedenen Fachbereichen zusammenarbeiten. Die Fähigkeit, diese interdisziplinäre Zusammenarbeit zu orchestrieren und zu koordinieren, gehört zu den grundlegenden Kompetenzen eines effektiven Data Leaders. 

3.Geschäftliche Kompetenz

Ein tiefer Einblick in die Geschäftsprozesse ist unerlässlich. Der Data Leader muss verstehen, wie Daten und Analytics Mehrwert in den Unternehmensprozessen schaffen können, um die strategische Ausrichtung optimal zu unterstützen. Dies erfordert nicht nur technisches Verständnis, sondern auch eine klare Kenntnis der Geschäftsziele und -prozesse. 

4. Transformationskompetenz

Die Fähigkeit zur Erkennung, Initiation und erfolgreichen Umsetzung von Veränderungen im Unternehmen ist von entscheidender Bedeutung. In einem sich ständig wandelnden Geschäftsumfeld muss der Data Leader nicht nur Anpassungen vornehmen, sondern auch proaktiv Veränderungen vorantreiben. Die Transformationskompetenz ist somit eine Schlüsselfähigkeit für langfristigen Erfolg. 

Der Rollencanvas nach Claudia Thonet: 

Ein hilfreiches Werkzeug zur ganzheitlichen Betrachtung der Rolle des Data Leaders ist der Rollencanvas von Claudia Thonet. Dieses strukturierte Instrument bietet eine umfassende Perspektive auf die Rolle: 

Aufgaben und Verantwortlichkeiten: 

Der Rollencanvas definiert klar die Hauptaufgaben und Verantwortlichkeiten des Data Leaders. Dies umfasst die strategische Ausrichtung, Implementierung von Daten- und Analytics-Initiativen, Förderung der Datenkultur und mehr. 

Kompetenzen: 

Er bietet einen Überblick über die erforderlichen Kompetenzen, die von technischem Verständnis bis hin zur Fähigkeit, Veränderungen zu managen, reichen. Die Kompetenzliste dient als Leitfaden für die individuelle Entwicklung des Data Leaders. 

Beziehungen: 

Der Rollencanvas zeigt, mit welchen anderen Rollen der Data Leader interagiert und wie er die Zusammenarbeit fördern kann. Dies ist entscheidend, da Daten in verschiedenen Abteilungen und Ebenen relevant sind. 

Wirkung: 

Der Canvas veranschaulicht, welchen Einfluss der Data Leader auf das Unternehmen hat und wie er die Datenexzellenz vorantreibt. Die Wirkung erstreckt sich über die strategische Ebene bis hin zur täglichen operativen Effizienz. 

Zusammenfassend lässt sich feststellen, dass die Rolle des Data Leaders nicht nur wichtig, sondern entscheidend für den Weg zu einem datenexzellenten Unternehmen ist. Durch die geschickte Umsetzung der beschriebenen Aufgaben und die Verankerung der relevanten Kompetenzen kann der Data Leader eine treibende Kraft für den Erfolg des Unternehmens sein. Unternehmen, die diese Rolle vernachlässigen, riskieren nicht nur, die Potenziale von Daten und Analytics zu verpassen, sondern könnten auch den Anschluss in der dynamischen Geschäftswelt verlieren. In der Ära der Datenrevolution ist der Data Leader somit nicht nur eine Notwendigkeit, sondern ein unverzichtbarer Akteur auf dem Weg zum nachhaltigen Unternehmenserfolg. Es wird deutlich, dass der Data Leader nicht nur ein technologischer Experte ist, sondern eine Schlüsselperson, die Brücken zwischen Technologie, Business und Menschen schlägt, um eine umfassende Datenexzellenz zu erreichen. 

Dies ist der vierte Teil unserer Reihe zu den vier Dimensionen einer Data-Driven Business Transformation. Wenn Sie den vorherigen Teil noch nicht gelesen haben, finden Sie ihn hier. In diesem Beitrag geht es um die Dimension der Technologie. Das Datenstrategie Team des INFORM DataLab nutzt die vier Dimensionen, um die gegenwärtige Situation von Unternehmen einzuschätzen und diese gegen Wunschvorstellungen zu benchmarken. Im Anschluss begleiten die Berater des DataLab ihre Kunden bei der Umsetzung nötiger Transformationsschritte.

Die Dimension Technologie  

Die „Technology“-Dimension ist wohl diejenige, die im Allgemeinen am stärksten mit einer Data-Driven Business Transformation assoziiert wird. Intuitiv ist diese Assoziation auch naheliegend, da Business Intelligence (BI), Data Science und Künstliche Intelligenz (KI) computergestützte Methoden sind. Die Technologie-Dimension befasst sich mit modernen Algorithmen, Werkzeugen und IT-Systemen, die das Rückgrat eines datengetriebenen Unternehmens bilden. Hierzu gehört vor allem die Analytics-IT-Architektur wie Computer, Server und Cloud, Tools zur Bearbeitung und Visualisierung von Daten sowie Sicherheitsvorkehrungen zum Schutz von außen und zur Absicherung bei Systemausfällen. Dieser Beitrag soll aber keine Vorstellung und Bewertung verschiedener Tools oder Anbieter sein, sondern eine generelle Perspektive auf die Technologieaspekte einer Data-Driven Business Transformation sowie relevanter Designentscheidungen geben.

Die vorangegangenen Beiträge haben bereits herausgearbeitet, dass jede der vier Dimensionen eine zentrale Bedeutung für ein Unternehmen hat. Dennoch werden datenrelevante Themen oft auf die Technologie-Dimension reduziert und entsprechend auf die Schultern der IT-Abteilung geladen. Hier liegt auch einer der häufigsten Gründe für das Scheitern von Transformationsprogrammen oder einzelnen Dateninitiativen, denn die Wertschöpfung mittels Daten findet letztlich in den Fachbereichen statt. Technologie allein verfolgt niemals einen Selbstzweck, sondern sollte immer nur als Werkzeug betrachtet werden, um Unternehmensziele zu erreichen. Dies gilt auch für die Data-Driven Business Transformation.

Datenhaltung und Pflege

Daten müssen organisiert und gepflegt werden. Hierzu setzen Unternehmen zunehmend auf zentrale Datenplattformen. Beim Aufbau solcher Datenplattformen haben Unternehmen viele Möglichkeiten. Meist setzen Unternehmen auf den Einsatz eines Data Warehouse und/oder eines Data Lake – abhängig von der Art und dem Umfang der Analytics-relevanten Daten. Strukturierte Daten (Tabellen) können in modernen Data Warehouses (DWH) gespeichert werden, die einen zentralen Ablageort für Analytics-relevante Daten in einem Unternehmen darstellen. Für die Speicherung von unstrukturierten Daten, die nicht in die Frameworks von DWHs passen, werden sogenannte Data Lakes genutzt. Sowohl DWHs als auch Data Lakes sind zentrale Speicherorte, die Daten in gesicherter Qualität vorhalten und diese den verschiedenen Fachbereichen zur Verfügung stellen, sofern diese zur Nutzung dieser Daten berechtigt sind. Die Daten werden dabei aus den operativen Quellsystemen (z.B. ERP, CRM oder HR-Systeme) in die Datenplattform kopiert, so dass Analysen die operativen Aufgaben der Quellsysteme nicht beeinflussen.

Datenplattformen werden zunehmend in Cloud-Umgebungen realisiert, um maximale Flexibilität und Skalierbarkeit zu gewährleisten. Die Motivation für zentrale Datenplattformen sind häufig Datensilos im Unternehmen mit unterschiedlichen Ladestrecken (ETL oder ELT) zur Aufbereitung sowie unterschiedliche oder gar widersprechende Analyseergebnisse aus den Datensilos. Zentrale Datenplattformen brechen Datensilos im Unternehmen auf und schaffen eine zentrale Datenbasis für alle Datenprodukte (Single-Point-of-Truth).

Neben der Wahl eines konkreten Cloud-Anbieters und geeigneter Datenbanktechnologien bieten zunehmend Automatisierungskomponenten die Möglichkeit, Datenpipelines und/oder Modellierungstätigkeiten weitestgehend zu automatisieren. Dadurch wird der Aufbau und der Betrieb zentraler Datenplattformen mit minimalem Mitarbeitereinsatz möglich. Traditionell benötigt der Aufbau eines DWH eine große Menge an Data Engineers, die mit Arbeiten zum Aufbau von Pipelines und Datenmodellierung beschäftigt sind. Mit neuer Technologie und Software kann dieser Aufbau größtenteils automatisiert und damit signifikant beschleunigt werden. Gleichzeitig können diverse Data Engineer Stellen eingespart werden, bzw. mit anderen Aufgaben betreut werden.

Analog existieren auch Tools zur Datenpflege, wie z.B. zum Metadatenmanagement oder für eine strukturierte Bereitstellung von Master Data (Stammdaten). Metadaten sind Informationen über die verfügbaren Daten, wie beispielsweise die Bedeutung von Daten im Geschäftskontext oder technische Informationen wie Erfassungs- und Änderungsdatum. Metadatenerfassung und -pflege geht Hand in Hand mit einer effektiven Data Governance. Master Data Management Systeme werden häufig abseits der Analytic für die operativen Systeme eingesetzt, wenn es darum geht, Datensätze aus verschiedenen operativen Systemen zu vereinheitlichen. Ein Beispiel hierfür sind Kundendaten, die sowohl im ERP- als auch im CRM-System vorgehalten werden und in Form eines „Golden Records“ im Master Data Management System vereinheitlicht werden. Existiert im Unternehmen ein Master Data Management System, so kann dieses als Quellsystem für eine zentrale Datenplattform dienen. Ist kein Master Data Management System vorhanden, so werden die Stammdaten innerhalb der Datenplattform harmonisiert, um „Golden Records“ für die aufsetzenden Datenprodukte zu generieren.

Werkzeuge zur Datenauswertung 

Um aus Daten Mehrwerte schöpfen zu können, müssen diese aufbereitet, visualisiert oder auf andere Art verarbeitet werden. Für diese Arbeiten stehen verschiedenste Werkzeuge zur Verfügung, die Daten visualisieren und Kennzahlen berechnen. Die Ergebnisse können dann in Reports zusammengefasst oder in kurzfristigen Intervallen über Dashboards angezeigt werden. Für fortgeschrittene Methoden der Analytik sowie für Data Science oder KI-Anwendungen existieren diverse Produkte & Bibliotheken, die z.B. über die Programmiersprachen Python open source und kostenfrei zur Verfügung stehen.

Zusammenfassung 

Das Spektrum der verfügbaren Lösungen am Markt ist groß, und die Entwicklungen stehen nicht still. Auf einige Designentscheidungen sind wir in diesem Artikel exemplarisch eingegangen. Eine passende Analytics-Technologiewahl ist wichtig für Unternehmen, sollte aber niemals der Startpunkt der Aktivitäten hin zu einem datengetriebenen Unternehmen sein. Die Anforderungen an eine maßgeschneiderte Analytics-IT-Infrastruktur ergeben sich durch die realisierten und geplanten Datenanwendungsfälle. Möchte ein Unternehmen beispielsweise Predictive Maintenance in der Produktion nutzen, ergeben sich andere Anforderungen, als wenn ein Unternehmen ausschließlich BI & Reporting-Anwendungsfälle für Transparenz und datenbasierte Entscheidungsprozesse anstrebt. Daher ist es so wichtig für Organisationen, sich zunächst mit den strategischen Datenanwendungsfällen auseinanderzusetzen, die im Rahmen einer Datenstrategie evaluiert werden. Dazu ist es notwendig zu definieren, was datengetrieben für das Unternehmen eigentlich konkret bedeutet.

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. 

Im Zweiten Teil unserer Reihe zu den vier Dimensionen einer erfolgreichen Data-Driven Business Transformation. In dieser Reihe widmen wir uns der Transformation hin zu einem Unternehmen in dem Daten als Wert anerkannt und auch wertschöpfend eingesetzt werden. Im letzten Beitrag haben wir die vier Dimensionen vorgestellt, die zur Bewertung des IST-Zustandes und zur Planung einer solchen Transformation genutzt werden können: „People, Process, Technology & Data“. In diesem Beitrag widmen wir uns nun der „People“ Dimension – den Menschen und der Organisation, die ein Unternehmen ausmachen.  

Einführendes Beispiel: Herausforderungen in der Praxis 

Zu Beginn ein fiktives Beispiel, dass jedoch in vergleichbarer Form häufig in unserer eigenen Arbeit auftritt: Die Data Science Abteilung eines Unternehmens hat eine künstliche Intelligenz (KI) trainiert, die optimale Zeitpunkte und Ansprechpartner für den eigenen Vertrieb vorhersagt. Die Kosten für den Aufbau der Data Science Abteilung und das Erstellen der nötigen Modelle sind erheblich. Jedoch wird mit einer deutlichen Umsatzsteigerung gerechnet, die die zusätzlichen Kosten schnell wieder ausgleichen wird. Als die neue KI-Methode dem Vertriebspersonal vorgestellt wird, sind die Reaktionen gemischt. „Das passt mir jetzt aber nicht in den Kram“ oder „ich habe da schon meine eigene Methode“ sind häufige Antworten. Die neue KI-Methode wird kaum genutzt und nach kurzer Zeit verschwindet die KI in der digitalen Schublade. Die Entwickler der KI verstehen nicht, warum ihre Methode nicht angenommen wurde. Statt einer Umsatzsteigerung ist das Unternehmen jetzt mit einer großen Menge an verschwendeten Ressourcen und gesteigertem Misstrauen gegenüber der Data Science Abteilung konfrontiert.  

Wie kann es sein, dass ein Produkt, das gut funktioniert und große Gewinnsteigerung verspricht, zu einem so schlechten Ergebnis führt? Das Projekt ist hier nicht an einer mangelnden Qualität des Datenprodukts gescheitert, sondern daran, dass die späteren Nutzer nicht bei der Entwicklung involviert wurden.  Der Vertrieb wurde nicht für den Nutzen eines Datenprodukts sensibilisiert und konnte mit der Anwendung nicht umgehen. Ängste der Mitarbeiter wurden nicht adressiert. 

Die “People” Dimension: Mehr als nur Mitarbeiter und Management 

Die „People“ Dimension bezieht sich also auf das menschliche Element einer Organisation. Dazu gehören Management, Mitarbeiter, Kunden und andere Interessengruppen, die von in der Tätigkeit der Organisation involviert oder von dieser betroffen sind. Dazu gehören des Weiteren auch die Gewinnung und Bindung talentierter Mitarbeiter, die Entwicklung ihrer Fähigkeiten und Fertigkeiten sowie die Schaffung eines positiven und unterstützenden Arbeitsumfelds. Neben dem Umgang mit den eigenen Mitarbeitern gehört auch der effektive Umgang mit Kunden und anderen Interessengruppen zur menschlichen Dimension einer Unternehmenstransformation. Die Bedürfnisse und Erwartungen von Kunden zu verstehen ist essenziell, um Datenprodukte zielgerecht einsetzten zu können. 

Unsere (Daten-) Kulturberaterin und Organisationsdesignerin Leonie Petry formuliert es prägnant mit einer Modifikation des Zitats von Peter Drucker: „Data-culture eats data-strategy for breakfast.” Anders formuliert bedeutet dies, dass keine Datenstrategie und keine datengetriebene Transformation erfolgreich sein kann, ohne auf einer positiven Datenkultur zu bauen oder diese zu entwickeln. Zu einer solchen Datenkultur gehören unter anderem die Anerkennung von Daten als Unternehmenswert auf allen Ebenen sowie das Verständnis von und das Vertrauen in datenbasierte Produkte.   

Das Sprichwort – „Der Fisch stinkt vorm Kopf“ – lässt sich ebenfalls auf die Datenwelt eines Unternehmens anwenden. Ein datengetriebenes Unternehmen kann nur funktionieren, wenn das Management das Thema Daten priorisiert und eine Datenkultur vorlebt. Ohne Priorisierung und Zielsetzung durch das Management verlaufen Initiativen häufig unkoordiniert und scheitern fast immer. Es ist Aufgabe des Managements eine  Datenstrategie zu entwickeln, die mit der Unternehmensstrategie im Einklang steht, um so richtungsweisend agieren zu können. Dies bedeutet auch das entsprechende Ressourcen zur Verfügung gestellt werden müssen, um beispielsweise Fortbildungen zu organisieren oder ein Center of Excellence einzurichten. 

Neben dem Top-Down Vorgaben des Managements benötigt ein datengetriebenes Unternehmen ebenso Bottom-Up Strukturen, in denen aus den einzelnen Fachbereichen Mehrwerte geschaffen werden können. Grundsätzlich sollten die Datenprodukte dort entstehen, wo sie auch eingesetzt werden. Dies führt zu maximaler Kompatibilität mit existierenden Strukturen und den involvierten Personen. Hierfür benötigt es jedoch Know-how innerhalb der jeweiligen Fachbereiche. Dies bedeutet nicht unbedingt, dass jeder Angestellte einen Machine-Learning Crash Kurs besuchen muss. Vielmehr muss ein grundlegendes Verständnis zum Arbeiten mit Daten vermittelt werden, damit Datenerhebung in die selbstverständliche Arbeit übergeht und Datenprodukte verstanden und zielgerichtet eingesetzt werden können. Interdisziplinäre Entwicklungsteams sowie Product Owner aus den Fachbereichen haben sich hier in der Praxis bewährt. Die eigentliche Wertschöpfung mit Daten und Analytics findet in den Geschäftsbereichen statt und nicht in einem Kompetenzzentrum oder gar der IT wie oft vermutet. Daher bedarf es einer unternehmensweiten Transformation um Daten wertschöpfend einzusetzen. Der Aufbau eines dedizierten Teams oder der kauf von Tools alleine führt nicht zum Erfolg. 

Takeaways: Die menschliche Dimension als Schlüssel zum Erfolg 

Zusammenfassend lässt sich sagen, dass die Menschliche Dimension eines Unternehmens häufig sehr vielschichtig ist und eventuelle Probleme selten triviale Standardlösungen haben. Gleichzeitig bilden die Menschen eines Unternehmens einen wichtigen Bestandteil in der Datenwertschöpfungskette, denn sie sind letztendlich diejenigen die Werte mittels Daten erschaffen und das Unternehmen weiterentwickeln. Für eine Data Driven Business Transformation ist es daher unerlässlich auch die menschliche Komponente des Unternehmens mit zu berücksichtigen. Der Blick richtet sich dabei auf Führungskräfte, Entscheider, Nutzer von BI oder KI Lösungen, Datenspezialisten und Kunden sowie deren Rolle in einem Analytics-Betriebsmodell. 

Durch die voranschreitende digitale Transformation fallen in Unternehmen große Mengen an Daten an. Diese Daten können genutzt werden, um Prozesse besser zu verstehen, Vorhersagen zu treffen oder Planbarkeit von Personaleinsatz zu optimieren. Aber Daten schaffen nicht automatisch einen Mehrwert für das Unternehmen. Im Gegenteil, große Datenmengen werden schnell unübersichtlich und schwierig zu beherrschen. Weiter können Daten durch häufig schlechte Qualität oder fehlenden nachvollziehbaren Kontext wertlos sein. Für ein ambitionierte Unternehmen reicht daher die Digitalisierung der Prozesse nicht aus. Vielmehr müssen Unternehmen sich grundlegend transformieren damit Daten den Unterschied machen können. Kurz gesagt: Es braucht eine Data-Driven Business Transformation.  

Sobald das Management das Ziel der Data-Driven Business Transformation ins Auge gefasst hat, stellt sich die Frage, wo man anfängt und wo die Reise genau hingeht. Jedes Unternehmen hat individuelle Geschäftsmodelle und sonstige Anforderungen, die eine Data-Driven Business Transformation zu einem strategischen Problem machen. Daher bedarf die Umsetzung einer Transformation zu einem datengetriebenen Unternehmen einer dedizierten Datenstrategie die Daten und allgemeine Unternehmensstrategie in Einklang bringt. Häufig lohnt es sich dabei einen Schritt zurückzutreten, um sowohl die Ausgangslage und eine Zielvorstellung zu erarbeiten. Im Rahmen einer Datenstrategie können somit dedizierte Transformationspläne entwickelt werden, statt auf generische Blueprints zurückzugreifen. Trotz der Individualität jedes Unternehmens treten häufig ähnlich Probleme auf, die sich in der Regel gut mit etablierten Frameworks analysieren und beheben lassen. Dabei lassen sich sowohl die Erfassung des IST-Zustandes als auch die Transformationsplanung in einer Datenstrategie anhand von vier Dimensionen gut strukturieren.  

In dieser Reihe stellen wir die vier Dimensionen der Data-Driven Business Transformation vor und geben einen Einblick wie das INFORM DataLab anhand von People, Process, Technology & Data eine erfolgreiche Data-Driven Business Transformation begleitet. 

Die 4 Dimensionen: People, Process, Technology & Data 

Häufig werden Digitalisierung und Daten auf die technologische Komponente reduziert und die Umsetzung als Aufgabe der IT-Abteilung verstanden. Ohne Zweifel muss ein Unternehmen neue digitale Infrastruktur schaffen, um erfolgreich die Data-Driven Business Transformation meistern zu können. Aber – die Entwicklung von datengetriebenen Entscheidungsmechanismen ist kein reines Technologieproblem und die IT-Abteilung allein kann die gesamte Transformation eines Unternehmens nicht meistern. Eine Unternehmenstransformation – so auch die date Driven Business Transformation – adressiert alle Unternehmensbereiche und involviert Einkäufer, Verkaufspersonal, Produktionsmitarbeiter und Top-Management gleichermaßen. Entsprechend bedarf es Transformationsfähigkeiten in allen Bereichen eines modernen Unternehmens. Die Dimensionen des PPT-Frameworks – People, Process, Technology – sind ein weit verbreiteter und anerkannter Ansatz für die Planung und Bewertung von Transformationsvorhaben. Jede der drei Dimensionen spiegelt einen essenziellen Teil eines jeden Unternehmens wider. Für eine Data-Driven Business Transformation lohnt es sich Daten und Analytics selbst einen höheren Stellenwert beizumessen und sie als vierte Dimension mit zu berücksichtigen.   

Die „People“ Dimension bezieht sich auf die Personen in einem Unternehmen: ihr Know-How, ihre Einstellung zur Transformation und den damit einhergehenden Neuerungen sowie dem Organisationsdesign. Eine Data-Driven Business Transformation bedarf hier zunächst zwingend ein aktives Vorantreiben von Seiten des Vorstands, denn ohne Führsprecher im Management verlaufen selbst die am besten geplanten Transformationen oft im Sand. Weiter müssen auch die Mitarbeiter des Unternehmens die Ziele der Transformation verstehen und anerkennen damit niemand auf der Strecke bleibt. Ggf. müssen auch Kunden in die Transformation mit eingebunden werden, denn sie sind die wichtigsten Maß Geber für die zukünftige Entwicklung eines Unternehmens. 

Die „Process“ Dimension beschriebt die Aktivitäten rund um die Digitalisierung der Unternehmensprozesse. Dies beinhaltet nicht nur die Digitalisierung der einzelnen Prozesse, sondern auch eine Anpassung von Arbeitsweisen und Methodiken für eine stetige Prozessoptimierung. Beispiele für Arbeitsweisen in einem datengetriebenen Unternehmen könne z.B. agile Methoden oder die systematische Entwicklung und Priorisierung von Analytics/KI Anwendungsfällen sein.  

Zuletzt bleibt im PPT-Framework noch die „Technology“ Dimension, die zwar nicht den einzigen aber eine zentrale und notwendige Dimension einer jeden Transformation bildet. Im Rahmen der Technologie Dimension muss häufig eine neue IT-Infrastruktur und Cloud-Architektur aufgebaut werden oder Bestehendes überarbeitet werden. Weiter bieten diverse Tools für z.B. Visualisierung oder Dash-Boarding die Möglichkeit zur Beschleunigung oder Automatisierung von Vertriebs-, Produktions- oder Entscheidungsprozessen. 

In Bezug auf eine Data-Driven Business Transformation ignorieren die PPT-Dimensionen jedoch die wichtigste Komponente einer erfolgreichen Datenwertschöpfung – die Daten. Daten sind der Rohstoff für moderne KPIs, Business Intelligence (BI) und künstliche Intelligenz (KI)-basierte Vorhersagen. Unternehmen müssen ihre Daten daher als Unternehmenswert anerkennen und sie entsprechend wie auch Geistiges Eigentum, Personal oder materielle Werte behandeln und pflegen. Genau wie mit jeder anderen Dimension steht und fällt eine erfolgreiche Transformation mit den Daten. Qualität, Sicherheit, Management und Verfügbarkeit sind essenzielle Faktoren, die gewährleistet werden müssen und ohne die Daten nicht wertschöpfend eingesetzt werden können. Für eine erfolgreiche Data-Driven Business Transformation muss es daher heißen: People, Process, Technology, and Data. 

Ausblick 

In den folgenden Blogposts dieser Reihe widmen wir uns jeder der vier Dimensionen und untersuchen die jeweilige Bedeutung für eine erfolgreiche und nachhaltig Datenwertschöpfung. Wir diskutieren typische Stolperfallen und zeigen in Richtungen, um diese zu umgehen. Wir wüschen viel Spaß beim Lesen. Wenn Sie Fragen haben oder auch in Ihrem Unternehmen Daten wertschöpfend einsetzen möchten, melden Sie sich bei uns oder laden Sie sich unser Data First Aid Kid herunter.