Stempel_35

Wir haben 1.000 Unternehmen befragt

97% sagen, sie wollen auch in konjunkturschwachen Zeiten in Digitalisierung investieren, 60% der Teilnehmer sind Teil einer Digitalisierungsinitiative, als Top-Hindernis wird die Datenqualität gesehen. Datenstau oder digitale Überholspur - was gilt?

97% sagen, sie wollen auch in konjunkturschwachen Zeiten in Digitalisierung investieren, 60% der Teilnehmer sind Teil einer Digitalisierungsinitiative, als Top-Hindernis wird die Datenqualität gesehen. Datenstau oder digitale Überholspur - was gilt?

the factlights Artikel

Jetzt muss der Business Value geliefert werden!

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

Direkt Infos zum QUNIS Business Value Classification Vorgehen anfordern:

News von QUNIS

Artikel

Datenqualität in BI und Big Data – wo liegt der Unterschied und wie funktioniert es zusammen?

Der durch klassische BI-Systeme erzeugte „Blick in den Rückspiegel“ reicht Firmenlenkern nicht mehr aus. Unternehmen interessieren sich zunehmend für fortgeschrittene Analytics-Methoden und neue Datenarten.

In Transaktionssystemen gibt es klare Standards für die Datenqualität. Bei Predictive Analytics und Big Data entscheidet der Business Case darüber, wie genau, vollständig oder aktuell die Datenbasis sein muss.

Artikel

AI wird konkret – Empfehlungen für die Praxis

Es herrscht Einigkeit darüber, dass AI in der Geschäftswelt unbegrenzte Potenziale eröffnet, wenn passende Anwendungsbereiche gefunden werden.

AI-Methoden und Tools haben sich rasant entwickelt und stehen in einem hohen Reifegrad bereit. Werden die Begrifflichkeiten auch oft unscharf benutzt so empfehlen sich neben der Suche nach völlig neuen Geschäftsmodellen vor allem zwei spannende Einsatzfelder für den Einstieg in die AI-Welt, für die es jedoch ein paar Aspekte zu beachten gilt.

Tipp

Begrifflichkeiten der Digitalisierung kompakt erklärt

Die Digitalisierung treibt uns, Data & Analytics sind auf dem Vormarsch, die Technologie entwickelt sich rasant und die Begrifflichkeiten mit ihr.

Von Advanced Analytics über IoT bis Künstliche Intelligenz und Machine Learning. Die Digitalisierung bringt neue Begrifflichkeiten und Akronyme hervor. Was ist darunter zu verstehen und wie hängen diese zusammen. Hier finden Sie einige der zentralen Begriffe kurz und griffig definiert.

Tipp

Der Citizen Data Scientist formiert sich als neue, spannende Rolle im Analytics-Umfeld

Die Digitalisierung produziert Unmengen und eine bisher nie dagewesene Vielfalt an Daten. Das Generieren von Mehrwert aus diesen Big Data wird zum erfolgskritischen Faktor.

Data Scientists als Meister der Analytics sind eine gefragte aber äußerst rare Ressource. Die neue Rolle des Citizen Data Scientist verspricht Abhilfe für den Ressourcen-Engpass. Es gilt, die klugen und neugierigen Köpfe im Unternhemen zu finden, sie zu befähigen und einzusetzen.

Tipp

Data Governance ist zentral für Data & Analytics

Daten sind das Herzstück jedes Unternehmens. Ein fehlerhafter Umgang mit ihnen kann schnell zu erheblichen Wirtschafts- und Imageschäden führen.

QUNIS hat ein dreistufiges Framework mit insgesamt acht Handlungsfeldern entwickelt, das für Business-Intelligence- und Andvanced-Analytics-Initiativen eine verlässliche Orientierungshilfe für den Aufbau und die Etablierung einer Data Governance stellt. So können Risiken erkannt, Schäden vermieden und Zukunftschancen sicher ergriffen werden.

Download

QUNIS AI Factsheets. Kompakter Überblick zu den neun wichtigsten AI-Methoden

Von Clustering, Regression, Anomaly Detection und Survival Analysis bis hin zu Natural Language Processing. QUNIS AI-Factsheets direkt als PDF holen.

QUNIS Data Scientists haben neun ihrer beliebtesten Methoden in den AI-Factsheets kompakt und übersichtlich zusammengestellt. Gleich kostenfrei holen und mehr zu typischen Fragestellungen, passenden Anwendungsfällen und Anforderungen an Form und Art der notwendigen Daten erfahren.

the factlights Top-Thema

STUDIEN HIGHLIGHTS

Erste Ergebnisse für Sie zusammengefasst

97% der Unternehmen wollen in konjunkturschwachen Zeiten weiter investieren – 60% der Teilnehmer sind Teil einer Digitalinitiative – Datenqualität wird als Top-Hindernis gesehen

ARTIFICIAL INTELLIGENCE

AI wird konkret – Empfehlungen für die Praxis

Neue AI-Methoden und -Tools eröffnen in der Geschäftswelt unbegrenzte Potenziale, wenn sie in den Unternehmensalltag integriert werden

PROZESSOPTIMIERUNG

Eine Grundlage für die Digitalisierung der operativen Steuerfunktion

Das Prozesshaus vereint die sechs wesentlichen Komponenten zur Optimierung und Digitalisierung von Prozessen

EU-RICHTLINIE

Neue Digitale-Inhalte-Richtline – Umdenken für die digitale Branche?

Für die Unternehmen der digitalen Branche stehen im Bereich B2B erhebliche rechtliche Änderungen am Horizont

INNOVATIONSPROZESS

Vorgehensmodell für die Portfolio-Entwicklung in Innovationsprozessen

Das Portfolio-Entwicklungsmodell gibt Orientierung, um mit neuen VUCA-Gegebenheiten methodisch umzugehen

the factlights bringt Ihnen spannende Einblicke:

  1. Am Puls der Zeit
    the factlights 2020 hat über 1.000 Unternehmen im deutschsprachigen Raum zu ihrer Realität von Digitalisierung, Analytics und Datenarbeit befragt. Highlights, Updates und die kompletten Studienergebnisse gibt's hier.
  2. Experten analysieren und empfehlen
    Namhafte Vertreter führender Unternehmen nehmen Stellung zu aktuellen Trends, stellen Checklisten, Use Cases, Whitepaper bereit und stehen Ihnen gerne mit Empfehlungen, Tipps und Best Practices rund um die Themen der Digitalisierung und Datenarbeit zur Seite. KONTAKTIEREN SIE UNS!
  3. Detaillierte Ergebnisse sichern
    Damit Sie nichts verpassen, melden Sie sich am besten gleich unverbindlich an und Sie erhalten regelmäßig spannende Updates sowie die kompletten Ergebnisse als Management Summary mit detaillierte Analysen, Handlungsempfehlungen und Experten-Kommentare aus verschiedenen Branchen und Disziplinen zugesandt.

THE FACTLIGHTS 2020

Was macht the factlights 2020?

the factlights 2020 stellt Fragen und gibt Antworten: Als zentrale Studie im deutschsprachigen Raum hinterfragt the factlights 2020 den Stand von Data & Analytics Initiativen in Unternehmen und deren Einfluss auf den Arbeitsalltag  jedes einzelnen.