Fachbeitrag

8 Schritte zum erfolgreichen Data Driven Business

Uhr | Aktualisiert
von Dr. Ladan Pooyan-Weihs, Dozentin und Leitern von CAS Digital Transformation, Hochschule Luzern

Die Menge an vorhandenen Daten in allen Lebensbereichen wächst rasant. Im zweiten und letzten Teil der Data-Driven-Business-Serie erklärt Ladan Pooyan-Weihs, Dozentin und Leiterin des CAS Digital Transformation an der ­Hochschule ­Luzern, welche 8 Grundregeln bei der Transformation zum Data Driven Business zu beachten sind.

Dr. Ladan Pooyan-Weihs, Dozentin und Leitern von CAS Digital Transformation an der Hochschule Luzern (Source: zVg)
Dr. Ladan Pooyan-Weihs, Dozentin und Leitern von CAS Digital Transformation an der Hochschule Luzern (Source: zVg)

In "Netzwoche"-Ausgabe Nummer 5 erklärte Ladan Pooyan-Weihs im ersten Teil ihres Beitrags, welche zwei Modelle Unternehmen für ein datengesteuertes Geschäft zur Verfügung stehen. Den Beitrag finden Sie hier.

Ungeachtet dessen, für welches datengesteuerte Modell sich ein Unternehmen entscheidet, sind folgende Grundregeln zu empfehlen:

1. Aufbau: datengesteuerte Organisation

Es ist den Unternehmen wohlbekannt, dass sie Datenanalysen nutzen können, um die Entscheidungsfindung zu verbessern und Wettbewerbsvorteile zu erzielen. Die Ausgangslage lautet: "Datenanalyse ja, aber was ist der Plan?" In einem ersten Schritt sollten sich Unternehmen fragen, ob die Nutzung der Datenanalyse helfen wird, ihr Ziele effizienter zu erreichen. In einem zweiten Schritt sollten sie eine detaillierte Roadmap für die Neudefinition der existierenden Prozesse, für Investitionen in Assets (Technologien, Tools, Datensätze) und für eine neue Organisationskultur erstellen. Diese Roadmap bringt die Daten, Tools und Personen zusammen und schafft den Rahmen dafür, dass Führungskräfte eine gemeinsame Sprache entwickeln und sich besser auf Lösungswege fokussieren können.

2. IT: Frühzeitige Einbindung

Die Umsetzung einer datengesteuerten Strategie ist vor allem ein technologie-affines Projekt, weil Firmen erstens mehrere Datenquellen identifizieren, bereinigen, kombinieren, parallel verwalten, sicher schützen und speichern müssen; zweitens das Know-how benötigen, um Analysemodelle für die Vorhersage und Optimierung von Ergebnissen zu erstellen; drittens ihre IT-Architektur anpassen müssen. Die bestehende IT-Architektur könnte die Integration isolierter Informationen und die Verwaltung unstrukturierter Daten verhindern. Und viertens neue Tools zur Steuerung mehrerer Prozesse einsetzen müssen. Dies alles kann nicht ohne frühzeitige Einbindung der IT erfolgreich realisiert werden.

3. Daten: Wahl der richtigen Quellen

Zur Identifikation der richtigen Daten muss die Frage "Welche Entscheidungen könnten wir treffen, wenn wir alle Informationen hätten, die wir brauchen?", beantwortet werden. Die Datensammlung ist nicht das wesentliche Problem. Häufig verfügen Firmen bereits über die Daten. Das Problem liegt allgemein an mangelndem Wissen für die Verarbeitung dieser Daten, um wichtige Entscheidungen zu treffen. Diese Lage kann jedoch mit aktiver Unterstützung der IT zur Erarbeitung eleganter Lösungen gemeistert werden.

Firmen müssen sich auch kreativ mit dem Potenzial externer und neuer Datenquellen befassen. Social Media generieren Terabytes an unstrukturierten Daten. Hinzu kommen die Datenströme von Sensoren und überwachten Prozessen. Die Kombination dieser Daten mit den internen Informationen ermöglichen einen umfassenderen Blick auf die Geschäftsprobleme und potenziellen Lösungen.

Ein wichtiger Punkt, den Unternehmen nicht ausser Acht lassen sollten, ist die Datenreplikation. Firmen setzen Predictive Analytics ein, um mithilfe von historischen und aktuellen Daten und maschinellem Lernen die Wahrscheinlichkeit zukünftiger Ergebnisse zu prognostizieren. Sie setzen diese häufig in Echtzeit ein, um schneller Resultate zu erzielen. Ein Datenverlust bedeutet den Verlust an Erfahrung, Geld und Zeit. Die Lösung ist eine Datenreplikation, was natürlich zu Datenwachstum führt. Firmen müssen dabei die grundlegenden Fragen beantworten, ab welchem Datenvolumen von "Big Data" die Rede sein kann, und ob Analytics mit mittelgrossem Datenvolumen "Medium Data" auch wertvolle Ergebnisse liefern kann. Bei der Integration von Analytics geht es mehr um den analytischen Prozess als um die Menge der gespeicherten Daten. Demnach sollten Unternehmen vor der Implementierung herausfinden, welche Datenmengen tatsächlich unerlässlich sind.

4. Umsetzung: Planen und dann erst migrieren

Eine erfolgreiche Umsetzung beginnt mit der Planung. Ohne diese führt eine Migration langfristig zu laufenden, teuren Wartungsarbeiten.

Zuerst sollte ein nicht kritischer Geschäftsprozess identifiziert werden. Dann muss jede Phase von der Datenaufnahme über die -formation bis zur Anwendung der Analyse im Prozess und sogar darüber hinaus genau studiert werden. Dies ergibt eine ganzheitliche Sicht auf den Datenlebenszyklus und ermöglicht eine gute Zusammenarbeit zwischen allen Organisationseinheiten. Dabei sollte die IT-Abteilung zwei Massnahmen ergreifen: erstens einen umfassenden Schulungsplan erstellen, um das vorhandene Wissen in kürzester Zeit zu maximieren. Und zweitens einen detaillierten Testplan vorbereiten und mit kleinen Testfällen beginnen.

5. Datenethik: Schutz vertraulicher Daten

Für die meisten Firmen ist der Schutz vertraulicher Daten oberstes Gebot. Ein Artikel in der "Handelszeitung" berichtet jedoch, dass 62 Prozent der Schweizer befürchten, dass Konzerne ihre Daten weitergeben. Diese Feststellung erhöht die Verantwortung der Firmen, die Big-Data-Analytics einsetzen oder einen Umstieg planen. Daten­ethik ist die neue Form der Risikominderung für die von Algorithmen getriebene Ökonomie. Mit dem Ansatz "Data Governance" werden die Prozesse und Richtlinien zyklisch gemäss dem geltenden Datenschutzrecht und den Sicherheitsregeln untersucht.

Sensible Daten wie Kreditkarten- und Bankkontoinformationen, AHV-Nummer, firmeneigene Informationen, persönliche Informationen der Kunden, Mitarbeiter und Partner sollten niemals offengelegt und im Klartext gespeichert werden. Daher ist Sicherheit auf lange Sicht wichtig – und dass der Schutz schon bei der Datenidentifizierung beginnt und nicht erst nach der Datenbereitstellung. Deshalb empfiehlt sich die Berücksichtigung der folgenden Sicherheitslösungen in der Designphase: Die Authentifizierung, das heisst die Festlegung, wer auf welche Datencluster zugreifen und was mit den Daten dann geschehen kann. Die Autorisierung: Die Festlegung, welche Aktionen Benutzer ausführen dürfen, sobald sie Zugriff auf ein Datencluster haben. Die Protokollierung: die Log-Datei-Führung aller Aktionen der einzelnen Benutzer. Dies kann im Problemfall zur leichteren Diagnose dienen. Und die Datensicherheit: die Anwendung der Datenverschlüsselungsmethoden und -anonymisierung gemäss den geltenden Bestimmungen.

6. Digitale Nachhaltigkeit: Ressource und Wachstumsrate

Unternehmen jeglicher Grösse haben nach dem Umstieg auf Big-Data-Analytics in der Regel Vorteile, um sich besser gegenüber ihren Konkurrenten auf dem Markt zu positionieren. Dieser Umstieg könnte jedoch unerwartete Kosten mit sich bringen, wenn keine Berechnungen für Datenreplikation, -komprimierung, Speicherplatz, qualifizierte Ressourcen und mögliche Akquirierung externer Zusatzdaten im initialen Transformationsplan angestellt wurden. Um Überraschungen zu vermeiden, müssen Unternehmen vor der Implementierung a) herausfinden, wie sie die Datenwachstumsraten mit den Skalierungskosten in Einklang bringen können und b) die IT-Leitung mit einem Speichermanagementplan beauftragen, der einen kosteneffektiven und agilen Zugang zu den potenziell enormen Mengen an Informationen verschiedener Quellen und Formate vorsieht.

7. Skills: Richtige Kompetenzen

Oft werden Big Data, Data Warehouse, traditionelle Systeme zum "Extrahieren, Transformieren und Laden" (ETL) und "Online-Transaktionsverarbeitung" (OLTP) in eine Kategorie zusammengefasst. Obwohl ETL und Data-Warehouse-Umgebungen bereits als Big-Data-Anwendungen verstanden werden, ist es von Relevanz, auf einen entscheidenden Unterschied hinzuweisen, nämlich die Echtzeit-Datenverarbeitung. Demzufolge kann nicht erwartet werden, alle Daten von relationalen Datenbanken einfach zu migrieren und sie weiter wie bisher von den vorhandenen Skills zu verwalten.

Die Aufgabe der IT-Teams in einer Big-Data-Umgebung ist es, strukturierte und unstrukturierte Daten zu speichern, zu verarbeiten und zu verteilen. Diese Aufgaben können relationale Datenbankexperten normalerweise nicht problemlos bewerkstelligen. Das bedeutet jedoch nicht, dass Neueinstellungen unvermeidlich sind. Es gibt auch geeignete Schulungen für Mitarbeitende. Das IT-Team kann bei Qualifikationslücken punktuell mit externen Beratern ergänzt werden.

8. Unternehmenskultur: Erfolg vorbereiten

Der Umstieg auf ein datengesteuertes Unternehmen kann nur dann erfolgreich sein, wenn Führungskräfte die Modelle verstehen und anwenden. Dies setzt einen Kulturwandel voraus. Dafür sind folgende Punkte wichtig: Die neuen Ansätze sollen entweder mit der bisherigen Entscheidungsfindung von Unternehmen übereinstimmen oder zumindest einen klaren und für alle Mitarbeiter verständlichen Plan haben. Die zukünftigen Tools sollten nicht für Experten der Modellierung gedacht sein, sondern für Mitarbeitende, die täglich damit arbeiten. Ein multidisziplinäres Team von Führungskräften, IT-Experten und Modelldesignern sollte dafür sorgen, dass die Implementierungen von Big-Data-Analytics mit den täglichen Prozessen und Entscheidungsnormen aller Einheiten übereinstimmen. Die neuen Tools müssen für die Führungskräfte intuitiv sein, um mit den datengesteuerten Erkenntnissen das Marketing, das Risikomanagement und die Abläufe zu beschleunigen. Mit dem Einsatz einfacher verwendbarer Modelle wird der Erfolg nicht garantiert. Die Verwendung von Analytics muss zu einem Kernbestandteil des täglichen Betriebs deklariert werden. Führungskräfte müssen Analytics als zentralen Punkt für die Lösung von Problemen und die Identifizierung von Chancen betrachten. Für einen Kulturwandel sind Schulungen und die Einführung der neuen Rollen, Messgrössen und Belohnungsmechanismen erforderlich.

Im ersten Teil der zweiteiligen Data-Driven-Business-Serie erklärt Ladan Pooyan-Weihs, welche zwei Modelle Unternehmen für ein datengesteuertes Geschäft zur Verfügung stehen. Lesen Sie den Beitrag hier.

Webcode
DPF8_132205

Kommentare

« Mehr