Data Intelligence & Big Data,

Digital Transformation,

Forschung & Dienstleistung,

Weiterbildung

So gelingt der Wandel zum Data Driven Business

So gelingt der Wandel zum Data Driven Business
Unternehmen können durch Datenanalyse produktiver werden, bessere Entscheidungen treffen und wettbewerbsfähiger werden. Doch die Transformation zu einem datengesteuerten Unternehmen ist kompliziert.

Die Datenmengen in Unternehmen werden immer grösser. CAS-Leiterin Dr. Ladan Pooyan-Weihs beleuchtet diese Entwicklung und zeigt in acht Schritten, wie Unternehmen den Umstieg zum Data Driven Business schaffen.

Das weltweite Datenvolumen verdoppelt sich schätzungsweise alle drei Jahre. Parallel zu diesem Wachstum hat die Datenspeicherkapazität zugenommen, während die Kosten gesunken sind. Datenintensiven Wissenschaften steht somit eine beispiellose Rechenleistung zur Verfügung. Kombiniert mit den statistischen Methoden werden immer smartere und effizientere Algorithmen entwickelt, um neue Erkenntnisse zu gewinnen. Diese werden zum Beispiel in Form von Predictive Analytics eingesetzt.

Zukunftstrends mit Predictive Analytics ermitteln

Predictive Analytics zielt darauf ab, Zukunftstrends mit Hilfe mathematischer Methoden vorauszusagen. Ziel ist es, herauszufinden was passieren kann und zu erklären warum. Das Prognoseverfahren ermittelt Trends und Risiken auf der Grundlage historischer und aktueller Daten aus dem Unternehmen und seinem Umfeld. Aber Achtung: Die gewonnenen Erkenntnisse zu nutzen, bedeutet auch in Konflikt mit geschützten personenbezogenen Daten zu geraten. Um dieses Problem zu lösen, müssen die Daten verschlüsselt werden.

Modelle für ein datengesteuertes Geschäft

Unternehmen stehen zwei Modelle für den Umstieg auf ein datengesteuertes Geschäft zur Verfügung; ein vollständig datengesteuertes oder ein dateninfundiertes Modell.

1. Vollständig datengesteuertes Modell

Das Geschäftsmodell eines vollständig datengetriebenen Unternehmens basiert auf der Monetarisierung der Informationen. Bei diesem Modell wird den Unternehmen die Rolle der intermediären Vermittler zugewiesen. Unternehmen wie Uber, Airbnb, Ebay, Netflix und Apple Musik sind Beispiele für dieses Geschäftsmodell.

2. Dateninfundiertes Modell

Beim dateninfundierten Modell geht es um ein herkömmliches Geschäftsmodell mit Produkten und möglicherweise Dienstleistungen mit einem Fokus auf der Datenanalyse. In diesem Modell werden Kundendaten intensiv analysiert, um ein effizienteres und kundenzentrischeres Marketing voranzutreiben und interne Kernprozesse für mehr Umsatz anzupassen. Ein  Beispiel hierfür ist Amazon. Die Website von Amazon ist durch Empfehlungsmaschinen getrieben. Diese analysieren grosse Datenmengen über die Kundenkaufverhalten und geben Produktempfehlungen ab.

Egal für welches datengesteuerte Modell sich ein Unternehmen entscheidet, sind folgende acht Regeln zu empfehlen:

1.  Datenanalyse ja, aber was ist der Plan?

Zuerst sollten die Unternehmen eine Strategie festlegen und die Frage beantworten, ob die Datenanalyse helfen wird, die Unternehmensziele effizienter zu erreichen. Dann sollten sie eine Roadmap für die Neuerfindung der existierenden Prozesse, Investitionen in Assets und eine neue Organisationskultur erstellen. Die Entwicklung eines solchen Plans bringt die Daten, Tools und Personen zusammen und schafft den Rahmen dafür, dass Führungskräfte eine gemeinsame Sprache entwickeln und sich auf Ziele und Lösungswege fokussieren.

2.   Frühzeitige Einbindung der IT

Die Umsetzung einer datengesteuerten Strategie ist ein technologieaffines Projekt: Erstens müssen Unternehmen in der Lage sein, mehrere Datenquellen zu identifizieren, zu bereinigen, zu kombinieren, parallel zu verwalten, sicher zu schützen und zu speichern. Zweitens benötigen sie das Know-how, um Analysemodelle für die Vorhersage und Optimierung von Ergebnissen zu erstellen. Drittens müssen sie ihre IT-Architektur anpassen, weil veraltete IT-Strukturen neue Arten der Datenbeschaffung, -speicherung und -analyse behindern. Viertens müssen sie neue Tools und Software einsetzen und mehrere Prozesse toolbasiert steuern. All dies kann ohne frühzeitige Einbindung der IT nicht reibungslos und erfolgreich realisiert werden.

(Bild: Ladan Pooyan-Weihs)

3. Wahl der richtigen Daten

Um die richtigen Daten zu identifizieren, hilft folgende Frage: Welche Entscheidungen könnten wir treffen, wenn wir alle Informationen hätten, die wir bräuchten?

Häufig verfügen Unternehmen bereits über die Daten, die sie zur Bewältigung von Geschäftsproblemen benötigen. Das Problem ist, dass sie nicht wissen, wie diese Daten verwendet werden können, um Entscheidungen zu treffen. Diese Lage kann mit Unterstützung der IT-Abteilung gemeistert werden.

Zudem müssen sich Unternehmen kreativ mit dem Potenzial externer und neuer Datenquellen wie Social Media oder der Datenströme von Sensoren, überwachter Prozesse und externer Quellen auseinandersetzen. Die Kombination dieser Daten mit den internen Informationen können zu einem umfassenderen Blick auf die Probleme und ihre Lösungen führen.

Es ist wichtig, bei der Integration von Analytics daran zu denken, dass es bei Predictive Analytics mehr um den analytischen Prozess geht, als um die blosse Menge der gespeicherten Daten. Demnach sollten Unternehmen vor der Implementierung herausfinden, welche Datenmengen zum Einsatz von Analytics tatsächlich unerlässlich sind.

«Der Umstieg auf ein datengesteuertes Unternehmen setzt einen Kulturwandel voraus.»

Dr. Ladan Pooyan-Weihs

4. Planen bevor migrieren

Eine Migration ohne klare Planung führt langfristig zu Problemen. Zuerst sollte daher ein nicht kritischer Geschäftsprozess identifiziert werden. Dann muss jede Phase des Prozesses von der Datenaufnahme über die Datentransformation bis zur Anwendung der Analytics und darüber hinaus studiert werden. Dadurch entsteht eine ganzheitliche Sicht auf den Datenlebenszyklus vor der Implementierung, die als Voraussetzung für eine gute Zusammenarbeit zwischen der IT-Abteilung und dem Rest der Organisation dient. Dabei sollte die IT-Abteilung zwei Massnahmen ergreifen: Sie sollte einen Schulungsplan erstellen, um das vorhandene Wissen in kürzester Zeit zu maximieren und sie sollte einen Testplan vorbereiten und mit kleinen Testfällen anfangen.

5.   Schutz vertraulicher Daten bei der Planung

Sensible Daten wie die Kreditkarten- und Bankkontoinformationen, AHV-Nummer, firmeneigene und persönlich identifizierbare Informationen sollten nie offengelegt und im Klartext gespeichert werden. Wichtig ist auch, dass der Schutz bei der Identifizierung beginnt und nicht nach der Bereitstellung der Daten.

6.   Ressourcen und Wachstumsrate

Der Umstieg auf ein Data Driven Business kann unerwartete Kosten mit sich bringen. Viele Unternehmen berücksichtigen die Kosten für die Datenreplikation, Datenkomprimierung, Speicherplatz, qualifizierter Ressourcen, mögliche Akquirierung externer Zusatzdaten und das Management der Big-Data-Integration nicht in ihrem initialen Transformationsplan. Um unerwartete Kosten zu vermeiden, müssen Unternehmen vor der Implementierung herausfinden, wie sie die Datenwachstumsraten mit den Skalierungskosten in Einklang bringen können.

7.   Richtige Kompetenzen an Board holen

Die Skills für das Management einer traditionellen relationalen Datenbank können nicht gleich für das Management der Big-Data-Integration eingesetzt werden. Es bietet sich daher an, Schulungen für die bestehenden Mitarbeitenden zu organisieren. Das IT-Team kann bei Qualifikationslücken punktuell mit externen Beraterinnen und Beratern ergänzt werden. Es ist wichtig, dass ein Know-how-Transfer stattfindet.

8.   Den Umstieg vorbereiten

Der Umstieg auf ein datengesteuertes Unternehmen kann nur dann erfolgreich realisiert werden, wenn Führungskräfte die auf Big-Data-basierenden Modelle verstehen und anwenden. Dies setzt einen Kulturwandel im Unternehmen voraus. Um diesen  voranzutreiben, sollten folgende Punkte umgesetzt werden:

  • Die neuen Ansätze sollen entweder mit der bisherigen Entscheidungsfindung übereinstimmen oder zumindest einen für alle Mitarbeitenden verständlichen Plan liefern.
  • Die Tools sollten für Mitarbeitende, die täglich damit arbeiten, gedacht sein.
  • Ein Team von Führungskräften der Fachbereiche, IT-Expertinnen und Modelldesignern muss ins Leben gerufen werden. Diese müssen dafür sorgen, dass die Implementierungen von Big-Data-Analytics mit den täglichen Prozessen und Entscheidungsnormen übereinstimmen.
  • Die Führungskräfte benötigen transparente Methoden zur täglichen Verwendung der datengesteuerten Erkenntnisse, um das Marketing, das Risikomanagement und die Abläufe zu beschleunigen. Daher müssen die neuen Tools für die Führungskräfte intuitiv sein.
  • Die Analyse muss zu einem Kernbestandteil des täglichen Betriebs werden. Dies bedeutet, dass Führungskräfte Analysen als zentralen Punkt bei der Lösung von Problemen und der Identifizierung von Chancen betrachten müssen.
  • Um Kulturen und Denkweisen anzupassen, sind Schulungen, neue Rollen, Belohnungsmechanismen und Messgrössen zur Motivation der Mitarbeitenden erforderlich.

Weiterbildungen und Forschung zum Thema

CAS Business Intelligence & Analytics

Diese Weiterbildung vermittelt, wie sie kompetent und systematisch mit geschäftsrelevanten Informationen umgehen.

MAS Business Intelligence

Die Weiterbildung vermittelt Entscheidungsträgern das nötige Rüstzeug für datenbasierte Geschäftsentscheide und eindeutig messbare Resultate.

Forschung: Data Science & Big Data

Entdecken von Wissen in Daten und gewinnbringendes Einsetzen der Resultate aus der Datenanalyse.

Über den Informatik-Blog

Hier erhalten Sie Tipps und Neuigkeiten aus der Welt der IT. Wir porträtieren Menschen und schreiben über Technologien, welche die Hochschule Luzern – Informatik mitprägen. Abonnieren Sie jetzt unseren Blog und bleiben Sie informiert.

Kommentare

0 Kommentare

Kommentar verfassen

Danke für Ihren Kommentar, wir prüfen dies gerne.

Pin It on Pinterest