Wesentliche Lösungselemente einer Data & Analytics Strategy

06.03.20

Digitale Transformation

„Daten sind die Zukunft.“, das ist ein zentrales Mantra der Digitalisierung. Und trotzdem tun sich viele Unternehmen schwer, wenn es an die Umsetzung einer unternehmensweiten Datenstrategie geht. Ins Feld geführt werden meist die technologischen Herausforderungen. Doch was viele Dateninitiativen ignorieren: Es gibt andere Aspekte einer Data & Analytics Strategy, die ebenso kritisch sind und die möglichst frühzeitig angegangen werden sollten. Bonus: Einige dieser Themen generieren sofort Nutzen, auch wenn die technologischen Herausforderungen noch nicht umfassend gemeistert sind.

Drucken

Elemente einer erfolgreichen Datenstrategie - Teil 2

Nachdem der erste Artikel unserer zweiteiligen Serie Empfehlungen zur grundsätzlichen Herangehensweise an eine Data & Analytics Strategy gegeben hat, soll es im zweiten Artikel nun um konkrete inhaltliche Aspekte gehen. Dabei legen wir den Fokus auf die Themen, die erfahrungsgemäß in der Strategieentwicklung vernachlässigt werden, obwohl sie enorme Bedeutung für einen nachhaltigen Projekterfolg haben.

Zur Erinnerung hier noch einmal die Übersicht über alle Elemente einer erfolgreichen Datenstrategie. Die Ebene der Grundprinzipien (“Principles”) haben wir bereits im ersten Artikel besprochen.

Datenstrategie Ebenenmodell

Die Grundlagen – Elemente der Ebene “Base”

1. Data Literacy

Data Literacy, zu Deutsch “Datenkompetenz”, ist die Fähigkeit, planvoll mit Daten umzugehen. Für ein Unternehmen bedeutet eine gute Data Literacy seiner Mitarbeiter, dass diese effizient an der Wertschöpfung bzw. Entscheidungsfindung aus Daten teilnehmen können. Mit der Digitalisierung wird Data Literacy zur Schlüsselkompetenz, die nicht nur von einzelnen Datenspezialisten, sondern – in unterschiedlichen Ausprägungen – von allen Ebenen und Bereichen des Unternehmens beherrscht werden muss.

Die gelebte Praxis wird der Bedeutung von Datenkompetenz nicht immer gerecht: Wenn beispielsweise im Zuge einer Data & Analytics Strategy neue Systeme aufgesetzt werden, steht bei der Schulung der Endanwender häufig nur die Beherrschung der neuen Tools im Fokus. Den Anwendern wird dann z. B. eine Online-Schulung des Herstellers angeboten. Was dabei verkannt wird: Datenkompetenz ist deutlich mehr als bloßes Technologie-Wissen. Für den effektiven Umgang mit Daten bedarf es einer Reihe unterschiedlicher Fähigkeiten und Fertigkeiten. Erst auf dieser Grundlage werden Anwender kompetent entscheiden können, welche Fragestellungen auf Basis der vorliegenden Daten überhaupt möglich sind und wie passende Antworten herbeigeführt werden können. Zur Datenkompetenz gehört auch, die erzielten Resultate prägnant und nachvollziehbar zu kommunizieren (verbal oder durch Visualisierungen), damit aus dem Erkenntnisgewinn auch geeignete Maßnahmen abgeleitet werden. Das folgende Schaubild gibt eine Übersicht über die Kompetenzfelder der Data Literacy als Enabler für datenbasiertes Handeln.

Kompetenzfelder Data Literacy

 

Mit der gezielten Förderung von Data Literacy durch Training und Mentoring können Unternehmen die Effektivität und Effizienz ihrer Datenstrategie mit im Verhältnis geringem Mitteleinsatz erheblich verbessern. Um den Mehrwert von Datenkompetenz anfassbar zu machen, hier ein paar konkrete Beispiele:

  • Mitarbeiter, die Grundkenntnisse in der Nutzung von Datensprachen wie z. B. SQL haben, können selbstständiger und flexibler mit Daten umgehen. Sie brauchen in der Folge weniger IT-Unterstützung und können schneller agieren. Gleichzeitig sinkt die Notwendigkeit für die Bereitstellung spezifischer Analysetools.
  • Mitarbeiter können eigenständig und schnell die Qualität und Relevanz von Daten bewerten - eine wichtige Voraussetzung für erfolgreiches datenbasiertes Entscheiden.
  • Ein kompetenter Umgang mit den Themen Datenschutz und Datensicherheit kann Chancen kreieren und Risiken minimieren: Datenschutz, insbesondere die DSGVO, wird oft als Totschlagargument eingesetzt, um neue datengetriebene Ansätze im Unternehmen bereits im Keim zu ersticken. Mitarbeiter, die ein gutes Verständnis der Anforderungen an datenschutzkonforme Lösungen haben, können differenzierter agieren und dadurch Chancen realisieren, die sonst ungenutzt blieben. Auf der anderen Seite helfen gute Kenntnisse in Datenschutz und Datensicherheit, Risiken zu minimieren, weil Mitarbeiter verantwortlicher mit Daten umgehen.

Generell führt eine hohe Datenkompetenz zu mehr eigenständiger Handlungsfähigkeit der Mitarbeiter bei gleichzeitig höherer Flexibilität und besserer Reaktionsgeschwindigkeit. Investitionen in Data Training und Data Mentoring zahlen sich also sehr stark aus. In der Praxis existiert oftmals eine hohe Diskrepanz zwischen den Ausgaben für die Anschaffung neuer IT-Systeme und dem Invest in begleitende Fortbildungsmaßnahmen.

2. Data Transparency

Auch wenn Sie alle bis hierhin beschriebenen Herausforderungen gemeistert haben und Ihre Mitarbeiter datenaffin und hochkompetent ans Werk gehen, könnte das Wichtigste noch fehlen: die Daten. Um mit Daten Ihres Unternehmens arbeiten zu können, müssen Ihre Mitarbeiter zunächst wissen, welche Daten es gibt, wo diese Daten liegen und von welcher fachlichen Beschaffenheit sie sind.

Diese Transparenz in einer komplexen Unternehmenslandschaft für Mitarbeiter aller Bereiche zu ermöglichen, ist eine wichtige Voraussetzung für das Gelingen einer globalen Datenstrategie. Unternehmensdaten werden heute gern als Schätze bezeichnet, die es zu heben gilt. Stellen Sie sich Data Transparency als Schatzkarte vor, die Ihren Mitarbeitern aller Bereiche den Weg zum Gold weist.

Um Datentransparenz herzustellen, empfiehlt sich eine intensive Nutzung von Metadaten. Diese stellen nicht nur Informationen zu den Quellen und der Beschaffenheit Ihrer Unternehmensdaten bereit, sondern können im Idealfall auch darüber Auskunft geben, wie sich Daten durch das Unternehmen bewegen, welche Compliance-Anforderungen sie tragen und welchen Wert spezifische Daten haben.

3. Data Accessibility

Auch bei hoher Datentransparenz gibt es eine weitere Hürde für die Arbeit mit Daten: Der einfache Zugang, die Data Accessibility, muss gewährleistet sein. Auch hier ist wieder der Blick aus der Anwenderperspektive wichtig: Wenn Mitarbeiter intensiver und selbstständiger mit Daten arbeiten sollen, dann müssen sie soweit wie möglich von technischen Hürden entlastet werden. Denn je ungehinderter der Zugang, desto höher ist die Bereitschaft, Daten in die tägliche Arbeit zu integrieren. Das gilt für Fachanwender genauso wie für Datenspezialisten: Niemand möchte sich in komplexen IT-Landschaften mit zahlreichen Lösungen und proprietären Produkten zurechtfinden müssen.

Im Rahmen einer Datenstrategie muss deshalb auch die Frage geklärt werden, wie Daten für Anwender auf einfache Weise verfügbar gemacht werden. Nur dann werden Mitarbeiter flexibel, dynamisch und kontinuierlich datenbasiert Entscheidungen treffen und Geschäftsmodelle weiterentwickeln können.

4. Data Management

Bei der Entwicklung einer unternehmensweiten Data & Analytics Strategy stehen Unternehmen immer auch vor der Herausforderung, wie die bestehende, historisch gewachsene IT-Landschaft mit vielen, oft abteilungsspezifischen Systemen in die Datenstrategie integriert werden kann. Häufig sind Datensilos entstanden, die durch eine globale Datenstrategie überwunden werden müssen.

Wieder ist es wichtig, den Wechsel zu einer unternehmensweiten Perspektive zu bewältigen: Themen wie Data Quality Management, Master Data Management, Metadata Management, Data Security und Data Governance bieten aus Sicht der Fachabteilungen zu wenig Mehrwert, um diese Themen voranzutreiben. Auf der anderen Seite hat eine globale Umsetzung dieser Themen häufig einen sehr großen Hebel für eine Vielzahl der Fachbereiche. Ein Beispiel: Die große Bedeutung eines übergreifenden Metadata Management haben wir bereits im Abschnitt "Data Transparency" deutlich gemacht. Die Einführung einer professionellen Lösung für dieses Thema mag aus der Sicht einer einzelnen Abteilung nicht attraktiv sein. Für das Gesamtunternehmen bildet sie aber eine wichtige Grundlage für die effiziente Herstellung von unternehmensweiter Datentransparenz. Einmal etabliert, profitieren letztendlich alle Fachabteilungen, da es für Anwender nun einfach ist, sich über die anfallenden Daten in Nachbarabteilungen zu informieren, Verarbeitungsprozess und Wege der Daten nachzuvollziehen sowie technische und fachliche Verantwortliche zu identifizieren. Das gleiche gilt analog für weitere Themen wie Data Quality Management oder Master Data Management.

Ein Wort noch zum Thema Data Governance – oft als notwendiger, aber leidiger “Spielverderber” empfunden: Gehen Sie Data Governance als Enabler-Thema an, das einen wichtigen Beitrag dazu leistet, dass die Datenstrategie die angestrebten Mehrwerte realisieren kann. Gute Data Governance Strukturen minimieren nicht nur Risiken und machen Prozesse und Organisation fit für immer intensiver genutzte und immer komplexere Daten- und Analytics-Landschaften. Sie wirken sich auch positiv auf Themen wie Betriebseffizienz, Entscheidungsqualität und Time-to-Market aus.

Mit Adaptive Governance setzt sich zurzeit ein neuer, schlankerer Ansatz durch, der statt eines “One-size-fits-all” auf kontextabhängige Richtlinien und Standards und mehr Autonomie der Mitarbeiter setzt. Harte zentrale Vorgaben werden auf das absolut notwendige Maß beschränkt, zusätzlich geben unternehmensweite Leitplanken die Richtung vor. Außerhalb dieser zentralen Vorgaben setzt Adaptive Governance auf ein abgestuftes Modell von Selbstregulierung. So können Prozesse für die jeweilige Situation und die Arbeitsweise der Teams und einzelnen Mitarbeiter optimiert werden. Voraussetzung dafür ist allerdings eine ausreichend hohe Datenkompetenz der Beteiligten.

Wenn Sie in Ihrem Unternehmen – im Sinne einer Data Driven Company – eine intensive Wissens- und Wertschöpfung aus Daten etablieren wollen, dann muss eines Ihrer obersten Ziele sein, dass Ihre Fachanwender möglichst eigenständig und flexibel mit Daten arbeiten können.

Markus Enderlein, Business Unit Manager Strategy & Digital Solutions, INFOMOTION

Die Anwendungsebene (“Applications”)

Nehmen wir an, Sie haben die bis hierhin besprochenen Grundlagen (siehe auch erster Artikel) bereits adressiert. Dann haben Sie jetzt

  • eine ganzheitlich und global ausgerichtete Datenstrategie
  • ein flexibles, hocheffizientes Vorgehen nach Agile und Lean-Prinzipien
  • datenkompetente Mitarbeiter
  • ein gutes Verständnis aller im Unternehmen anfallenden Daten sowie ihrer Qualität
  • die leichte Zugänglichkeit der Daten für Endanwender sichergestellt
  • ein tragfähiges Konzept für ein unternehmensweites Datenmanagement, das die globalen strategischen Ziele adäquat unterstützt

Auf dieser Basis können schneller leichtgewichtigere und passendere Applikationen unterschiedlicher Art entwickelt werden. Ohne diese Grundlagen ist die Konzeption, Implementierung, aber auch die Nutzung der dargestellten Applikationen häufig bei weitem nicht so wertstiftend und effizient.

Beziehen wir zusätzlich die problematische Ausgangslage vieler Unternehmen z. B. im Bereich Data Management ein, so wird der Handlungsdruck noch deutlicher: Schon jetzt haben Unternehmen häufig mit der Komplexität ihrer Datenlandschaften zu kämpfen. Wenn im Zuge von Digitalisierungsinitiativen und neuen Anwendungsfällen nun zusätzliche Lösungen wie z. B. ein Data Lake etabliert werden, ohne zunächst die Grundlagen zu stabilisieren, kann die Komplexität kritische Ausmaße annehmen.

 

SUKZESSIVER AUFBAU DER ANALYTICS-FÄHIGKEITEN (“CAPABILITIES”)

 

Die Entwicklung und Umsetzung einer Data & Analytics Strategy sollte immer mit dem Blick nach vorn geschehen: Welche Fähigkeiten wird das Unternehmen mittel- und langfristig benötigen? Ein wichtiger Aspekt von Analytics, der in diesem Zusammenhang betrachtet werden sollte, ist der Grad der Automatisierung des Analyse- und Entscheidungsprozesses. Das folgende Modell veranschaulicht die verschiedenen Stufen der Automatisierung:

Automatisierungsstufen

Häufig befinden sich Unternehmen mit einem Großteil ihrer umgesetzten Anwendungsfälle noch im Bereich der Descriptive bzw. Diagnostic Analytics. Verfahren dieser Ebenen ermöglichen lediglich einen rückwärtsgewandten Blick auf die Daten (deskriptiv) bzw. weisen zusätzlich auf Zusammenhänge und Abweichungen hin (diagnostisch). Gerade aber in den Bereichen Predictive und auch Prescriptive Analytics sind für Unternehmen häufig sehr viele interessante Anwendungsfälle positioniert, die es zu entdecken und zu implementieren gilt, und die dann häufig die Alleinstellung gegenüber dem Mitbewerb darstellen. Auf der anderen Seite wäre eine reine Fokussierung auf die fortgeschrittenen Analytics-Fähigkeiten, ohne die Abhängigkeiten zu den grundlegenden Verfahren zu beachten, auch nicht sinnvoll.

Best Practices auf Ebene der Organisation (“Organization”)

1. Data & Analytics Competency Center

Die erfolgreiche Umsetzung einer unternehmensweiten Datenstrategie erfordert die Etablierung dazu passender Organisationsstrukturen und Zuständigkeiten. Das dauerhafte und nachhaltige Betreiben der Strategie aus globalem Blickwinkel sollte durch ein zentrales Competency Center gesichert werden. Liegt dagegen die alleinige Verantwortung für zentrale Elemente der Datenlandschaft, zum Beispiel die Data Warehouse Lösung, bei einer einzelnen Fachabteilung, besteht die Gefahr, dass die Perspektive des Gesamtunternehmens zu kurz kommt.

Die konkrete organisatorische Ausprägung und die Zuständigkeiten des Competency Centers können je nach Unternehmen sehr unterschiedlich ausfallen. Von physisch gemeinsam angesiedelten Teams bis hin zu virtuellen Zuordnungen gibt es verschiedenste Varianten. Teilweise ist das Competency Center nur als Koordinierungsstelle für Management-Aspekte und die Standardisierung der Architektur zuständig. Teilweise übernimmt es aber auch als Volldienstleister die Implementierung und den Betrieb von Lösungen. Welche unternehmensindividuelle Ausprägung Sie auch wählen, machen Sie sich vor allem bewusst, dass eine so wesentliche und sukzessive für den Unternehmenserfolg immer zentralere Fähigkeit auch entsprechend organisatorisch abgebildet sein muss.

2. Enterprise Data Architects

Zumeist ist heute in Unternehmen ein Enterprise Architecture Management etabliert, das den Überblick und die Abstimmung in verzweigten Informations- und Applikationsarchitekturen garantiert. Mit der Umsetzung Ihrer Data & Analytics Strategy sollten Sie dieses Team um die Rolle eines Enterprise Data Architect erweitern. Warum ein zusätzlicher Experte? Mit Datenarchitekturen sind spezifische Anforderungen wie zum Beispiel die Verarbeitung von Massendaten verknüpft. Das unterscheidet sie von "normalen" transaktionsorientierten Enterprise Architekturen. Es besteht die Gefahr, dass ein Architekturgremium ohne das entsprechende tiefgehende Know-how Vorgaben etabliert, die die Effektivität der Data & Analytics Strategy nachhaltig behindern.

Der Enterprise Data Architect ist zusätzlich auch der Ansprechpartner des Data & Analytics Competency Center im Enterprise Architecture Management.

3. Knowledge Management & Collaboration

In vielen großen Organisationen sind Teams und einzelne Mitarbeiter noch auf sich gestellt, wenn es um das Thema Data & Analytics geht. Auf dem Weg zu einer datenaffinen Organisation ist die Förderung von übergreifender Zusammenarbeit und Erfahrungsaustausch ein wichtiges Mittel zur Unterstützung von Know-how-Aufbau und Transformation. Dazu bedarf es nicht unbedingt aufwendiger Kollaborationslösungen: Einfache Möglichkeiten zum Dokumentieren und Teilen von Erfahrungswissen sowie regelmäßiger Austausch durch Formate wie eine Community of Practice sind im Sinne eines Lean-Vorgehens pragmatische Ansätze zum eigeninitiativen Wissensaufbau.

Eine erheblich intensivere Nutzung von Daten allein macht noch keine Data Driven Company. Um besser datenbasierte Entscheidungen innerhalb von Anwendergruppen und über Zeitverläufe hinweg treffen zu können, sollten Daten sich mit den daraus gewonnen Erkenntnissen und Handlungen verknüpfen lassen. Dabei unterstützen Data Collaboration Tools: Sie ermöglichen Anwendern, Analyseergebnisse zu kommentieren und gemeinsam in einem strukturierten Prozess zu fundierten Entscheidungen zu kommen.

4. Das Ziel: Data & Analytics User Autonomy

Eine unserer wichtigsten Empfehlungen haben wir bis zum Ende aufgespart: Streben Sie mit Ihrer Data & Analytics Strategy ein hohes Maß an Autonomie für ihre Endanwender an. Warum? Wenn Sie in Ihrem Unternehmen – im Sinne einer Data Driven Company – eine intensive Wissens- und Wertschöpfung aus Daten etablieren wollen, dann muss eines Ihrer obersten Ziele sein, dass Ihre Fachanwender möglichst eigenständig und flexibel mit Daten arbeiten können. Im Grunde ist das eine logische Fortsetzung der Forderung nach Data Accessibility: Je reibungsloser und effizienter die tägliche Arbeit mit Daten ist, desto effektiver werden Mitarbeiter sie zum Nutzen des Unternehmens einsetzen können.

Autonomie meint nicht, dass Anwender künftig auf sich gestellt alles erledigen werden, was mit Daten, deren Bereitstellung oder auch mit dem Einsatz bestimmter Lösungen zu tun hat. Genauso wenig meint Anwender-Autonomie, dass IT-Abteilungen ersetzt werden sollen. Vielmehr geht es um eine gesunde Balance. IT-Abteilungen verfolgen Themen wie Stabilität der Systeme, Kosteneffizienz und Standardisierung, Fachabteilungen müssen kurzfristig auf Kunden und Marktentwicklungen reagieren. Mehr Autonomie für Anwender trägt in diesem Sinne auch dazu bei, Zielkonflikte zwischen einzelnen Unternehmensbereichen zu entschärfen.

Anwenderautonomie in diesem Sinne ist eine sehr gut unterstütze und befähigte aber klar abgestimmte Aufteilung der Verantwortlichkeiten – inklusive aller Rechte und Pflichten.

 

FAZIT

 

Zusammenfassend ist festzuhalten, dass heute bei der Entwicklung und Etablierung einer erfolgreichen Data & Analytics Strategy verschiedene Perspektivwechsel notwendig sind:

  • Veränderung ist der Standard. Stellen Sie sich in allen Aspekten Ihrer Strategie (Organisation, Prozesse, Technologie und Architektur) darauf ein, dass Sie Agilität benötigen werden.
  • Schwergewichtige IT-Lösungen und Governance-Frameworks sind zu starr und behindern notwendige Flexibilität. Investieren Sie einen höheren Anteil in Grundlagen. Durch ein starkes Fundament erschließen Sie Potentiale für Verschlankung und Flexibilisierung in den höheren Ebenen Ihrer Strategie.
  • Ein primär IT-zentrisches Zusammenarbeits- und Bereitstellungsmodell reduziert den Handlungsspielraum und damit die Effektivität Ihrer Strategie. Streben Sie deshalb eine hohe Benutzerautonomie an, mit dem Ziel im Blick, die Wertschöpfung Ihrer Endanwender möglichst optimal zu befähigen.

Weiterführende Informationen

Autor

Markus Enderlein

Business Unit Manager

Markus Enderlein studierte Wirtschaftsinformatik. Nach seinem Berufsstart 1998 arbeitete er ab 2003 als Consultant im Bereich IT-Architektur und IT-Projektmanagement. Seit 2007 war er bei INFOMOTION, zunächst als Senior, später als Managing Consultant und Wissensmanager tätig. Nachdem er ab 2013 die Bereiche Marketing und Produktmanagement aufbaute, verantwortet er seit 2017 die Business Unit „Strategy and Digital Solutions“.

E-Mail senden