the factlights Artikel

Die von der Business Intelligence (BI) hervorgebrachten Konzepte und Technologien haben sich in der Praxis bewährt und sind anerkannt. Moderne Frontends bringen die im Kontext von Big Data exponentiell gewachsenen Datenmengen, -arten und -ströme gut unter einen Hut. Die Cloud hat im Analytics-Alltag ihren Platz gefunden und sorgt für Verfügbarkeit und Effizienz. Durch den breiteren Einsatz von Analytics in Unternehmen steht nun der nachhaltige Business Value auf dem Programm.

BI und Advanced Analytics funktionieren. Wie schön. Aber was bringt‘s?

Der Hype um BI ist abgeflacht, keiner stellt ihre Bedeutung mehr in Frage. Daten zu sammeln und auszuwerten ist zum Business-Standard geworden. Man weiß, die Technologien funktionieren. Die Unternehmen sind gerüstet, Budgets sind eingestellt. Genügend Erfahrungswerte und Best Practices sind vorhanden. Die große Herausforderung liegt jetzt „nur“ noch darin, die vorhandenen Konzepte in Projekte zu gießen, die tatsächlich den größten und nachhaltigsten Nutzen stiften.

Doch wo investiert man, um den höchstmöglichen Business-Value mit BI zu erzielen? Wie geht man vor? Was muss man beachten? Um es vorwegzunehmen: Es gibt kein Patentrezept. An welcher Stelle der Hebel anzusetzen ist, muss jedes Unternehmen individuell für sich herausarbeiten. Leider. Jedoch, es gibt einen wesentlichen Dreh- und Angelpunkt, den jeder in den Griff bekommen muss. Es gilt die Frage zu klären: Wer hat den Hut für die Daten und die analytischen Ergebnisse auf?

Data does not follow the Process: Es gilt Datenmanagement-Strukturen zu schaffen.

Will man den größtmöglichen Nutzen von BI und Advanced Analytics erzielen, muss in erster Linie überlegt und definiert werden, wer das Asset „Daten“ managen soll und wie dies unternehmensweit aufgehängt ist.

Diese Frage ist grundlegend und entscheidend, denn auswertungsrelevante Daten folgen häufig weder einem etablierten Unternehmensprozess noch der organisatorischen Linie. Vielmehr werden Daten cross-funktional erzeugt und an verschiedensten Stellen angereichert. Analytische Szenarien haben sehr häufig die Eigenschaft, diese Daten kombiniert auszuwerten. Zudem gibt es im Gegensatz zu vielen traditionellen Bereichen wie der HR, die ein Talent- und Personal-Management kennt, oder dem Anlagenmanagement mit seinen Investitionsspiegeln und -plänen für die Datenwelt bis dato so gut wie keine, allenfalls rudimentäre Managementstrategien.

Die Strukturen für unternehmensweites Datenmanagement und Analytics müssen vielmehr in nahezu allen Unternehmen erst geschaffen werden. Je nach Data-Driven-Business-Modell werden dabei Daten aus völlig verschiedenen Quellen, Bereichen und von unterschiedlichster Art benötigt. Das alles unter eine Managementstrategie zu bringen, fordert also vor allem den Mut, vorhandene Organisationsstrukturen aufzubrechen. Denn, so hat sich gezeigt: Aus dem Boden gestampfte Sonderabteilungen sind nicht die Lösung! Vielmehr geht es darum, eine unternehmensübergreifende Datamanagementkultur zu schaffen und eine Organisationsform, die nicht aneckt und keine Flaschenhälse schafft. Immer mehr Unternehmen erkennen dies und setzen sich damit proaktiv auseinander.

Der Business Value ist keine ausschließliche ROI-Betrachtung.

Use-Cases brauchen eine Richtung.

Der zweite wesentliche Aspekt auf dem Weg zum Business-Value liegt in der Betrachtung seiner selbst. Dabei geht es nicht um eine reine ROI-Berechnung, sondern um die Beantwortung der Frage, auf welchen betrieblichen Mehrwert die BI-, Big-Data- oder Analytics-Initiative einzahlen soll. Geht es beispielsweise darum, Prozesse besser zu analysieren, um damit Kosten zu sparen? Ist man auf mehr Umsatz oder bessere Qualität aus? Zielt die Initiative auf das Erreichen höherer Effizienz ab oder steht Risikominimierung im Vordergrund?

Vom Katalog bis zum Ozean. Daten nachhaltig zugänglich machen.

Ein dritter nicht zu unterschätzender Punkt, den es bei BI und Analytics im Hinblick auf Nutzen und Value zu beachten gilt, ist das Thema Dokumentation.

Gerade der Data Catalog erhält hier aufgrund der zunehmenden Komplexität und Heterogenität der Datenlandschaften als verlässlicher Wegweiser durch die Datenwelt eine wachsende Bedeutung. Um den Zugang zu Daten nachhaltig zu gewährleisten, müssen relevante Daten quellenübergreifend dokumentiert sein. Geeignete Data-Catalog-Tools sind am Markt gefragt und werden gesucht. Aber auch methodische Aspekte sind zu klären: Was soll drinstehen, wo findet man die relevanten Daten im Unternehmen und wer ist zuständig für die Datenqualität?

Auch wenn klassische Data-Warehousing-Konzepte im Sinne von Daten zusammenführen und harmonisieren weiterhin ihre Berechtigung behalten werden, ist ein Trend weg vom physischen Vorhalten aller Daten an einer zentralen Stelle bereits Realität. Der Weg geht hin zum Entwurf von Datenlandkarten, über die die Zugriffe realisiert werden. Das spart Zeit und Geld. Vor dem Hintergrund ständig wachsender Datenmengen entstehen so Datenarchitekturen, die den Geschwindigkeiten und Flexibilitätsanforderungen heutiger Geschäftsmodelle entsprechen. Es entstehen Data Landscapes und Data Oceans. Den Begriffsneuschöpfungen scheinen hier keine Grenzen und kein Ende gesetzt.

Starten Sie direkt mit der Einordnung Ihrer Use Cases

QUNIS bietet ein Klassifizierungsschema, das hilft, Analytics-Use-Cases einzuordnen, um damit entscheiden zu können, wo man mit seinen Initiativen ansetzt, an welcher Stelle ein Business-Value zu erzielen ist und womit gegebenenfalls nicht. Das Schema unterscheidet nach Cost Reduction, Efficences Upgrading, Revenue Increase, Risc Management und Quality Improvement. MEHR ZU QUNIS