Wovon reden wir überhaupt?

Allenthalben wird davon gesprochen, dass wir die Unmengen an Daten analysieren müssen, die uns Industrie 4.0 und Big Data liefern. Wir sollen daraus die künftigen Entscheidungen des Unternehmens mittels Predictive und Prescriptive Analytics ableiten und zu einer data-driven-company werden. So vielversprechend das auch klingt, müssen die meisten Unternehmen erst einmal den Blick zurück meistern. Mal Hand aufs Herz: Wer glaubt, dass er heute eine vernünftige Prognose der künftigen Umsätze machen kann, wenn er nicht einmal die Umsatzzahlen der letzten Jahre sauber berichten kann?

Der Umgang mit unstrukturierten Daten verlangt zuerst einmal, sie in irgendeiner Form zu strukturieren. Im Endeffekt geschieht hier das gleiche, was im ETL-Bereich seit zwanzig Jahren gemacht wird. Die Methode ist gleichgeblieben, allein die Rohdaten und die Technologien haben sich geändert. Die Gesamtsicht auf das Unternehmen ist nach wie vor das hehre Ziel sämtlicher Anstrengungen im Bereich Data Analytics – egal in welcher Disziplin: Business Intelligence, Predictive Analytics, Big Data Analytics etc. Auch dies hat sich in den letzten zwanzig Jahren nicht geändert, die Geschäftsführung möchte das eine Dashboard haben, das es ihr ermöglicht, das gesamte Unternehmen zu lenken. Ziel war und ist es nicht, alle Entscheidungen durch Maschinen treffen zu lassen, sondern den Menschen bei seiner Arbeit zu unterstützen.

Ziel des Datenmanagements

Welche Aspekte gilt es nun beim Aufbau eines entsprechenden Datenmanagements zu beachten? Einfach gesagt geht es darum, die passenden Werkzeuge zur zielgerichteten Datenanalyse zu finden, um damit die Entscheidungsfindung im Unternehmen zu unterstützen. Wobei hier stets großen Wert auf Nachvollziehbarkeit und Transparenz gelegt werden sollte.

Zentrale Aufgabe des Datenmanagements ist dabei die Pflege der Datenlandkarte. An welcher Stelle also werden welche Daten generiert und wie ist der Datenfluss von dort aus? Welche IT-Systeme sind im Unternehmen vorhanden und welche Daten werden darüber erzeugt? Wo und wie werden diese Daten anschließend genutzt? Werden unstrukturierte Daten bereits genutzt, wenn ja, wie? Wenn nein, wie könnte man sie nutzen? Wie und über welche Schlüssel könnten die unterschiedlichen Daten miteinander verknüpft werden? Welche Blockaden verhindern, dass die Daten übergreifend genutzt werden? Wie visualisiert man diese Datenlandkarte am besten?

Fallstricke und Stolpersteine

Es scheitert heute in der Regel nicht an der Technik, sondern an den Köpfen. Die Menschen abzuholen und mitzunehmen ist die größte Herausforderung auf dem Weg zum datengetriebenen Unternehmen. Ohne Data Mindset keine Data Company. Immer noch haben zu viele Mitarbeiter kein Vertrauen in die Datenqualität und somit auch kein Vertrauen in die Chancen, die entsprechende Analysen bieten, um bessere Entscheidungen zu treffen. Oftmals werden die Daten zwar aufbereitet, dann aber nicht zur Entscheidungsfindung herangezogen, und es wird weiterhin „aus dem Bauch“ entschieden. Gerade in erfolgreichen Unternehmen entsteht so kein Handlungsdruck. Es läuft ja! Bonussysteme und andere Incentivierungen orientieren sich nicht ausreichend an datengetriebenen Kennzahlen wie einer messbaren Kundenzufriedenheit oder Ähnlichem. Es wird zumeist streng nach dem Umsatz – einer überaus kurzfristigen Kennzahl – entschieden.

Natürlich mangelt es stellenweise auch an den passenden Werkzeugen im Unternehmen, die auf die jeweils vorhandene Kombination der verschiedenen Systeme passen. Aber für eine entsprechende Konsolidierung der Daten gibt es am Markt eigentlich immer das passende Werkzeug. Was den Unternehmen vielmehr häufig fehlt, ist die datenorientierte Organisation. Sie sind oftmals in fachlichen Silos (Marketing, Vertrieb, IT, Controlling) gefangen und selbst die Matrix-Organisationen sind in der Regel nicht auf die Information Supply Chain ausgerichtet. Hinzu kommen die Zieldivergenzen (persönliche Ziele, Abteilungsziele, Unternehmensziele) der verschiedenen Stakeholder im Unternehmen, wodurch es meist zu einem negativen Umgang mit den Unternehmensdaten kommt und nicht positiv auf die Entwicklung zur data-driven-company hingearbeitet wird. Dabei ist vor allem das Angebot an auswertbaren Daten nicht immer transparent für alle Beteiligten.

Rahmenbedingungen für eine datengetriebene Zukunft

Um eine sinnvolle Datennutzung betreiben zu können, ist es für die Unternehmen wichtig, die richtigen Fragestellungen zu identifizieren – sowohl intern als auch extern: Welche Fragen sollen mit den Daten beantwortet werden? Welches Problem damit gelöst werden?

Die gesamte Organisation gehört hinsichtlich Verantwortungen und Rollen in puncto data driven auf den Prüfstand. Ob man dabei immer sofort die umfassende Qualifikation des Data Scientisten braucht, bleibe einmal dahingestellt. Definitiv müssen aber dezidierte Ansprechpartner für die Datenfragestellungen im Unternehmen gefunden werden. Ein wirkungsvolles Ausfüllen dieser Rolle erfordert einerseits funktionsübergreifende Verantwortungen und Kompetenzen, andererseits eine hohe fachlich-prozessuale, technische und auch soziale Eignung des Inhabers.

Interne und externe Stakeholder werden künftig eine stärkere Kontrolle über ihre Daten einfordern. Im Zweifelsfall muss zumindest die Transparenz stimmen. Das sollte bei einer Überarbeitung des Datenmanagements berücksichtigt werden. Die zugehörigen Prozesse und Verantwortlichkeiten müssen klar geregelt werden. Unter Umständen müssen sich Unternehmen eine passende Incentivierung für die Herausgabe der internen oder externen Daten überlegen.

Einmal träumen!

In einer idealen Welt würden die gesamten Daten (strukturierte und unstrukturierte) in einem zentralen Datentopf, dem Data-Lake oder früher Data Warehouse, gesammelt und bereitgestellt. Ob dies am Ende ein Hadoop-Cluster, eine relationale Datenbank oder nur ein Ordner mit Excel-Tabellen ist, spielt keine Rolle. Wichtig ist, dass hier die Daten gesammelt und geordnet werden sowie das entsprechende Hintergrundwissen zu den Unternehmensdaten archiviert wird. Ist der Datenprozess erst einmal strukturiert, kann im nächsten Schritt ein Prozess zur Überwachung der Datenqualität eingerichtet werden. Darauf aufbauend können dann neue Analysen entwickelt werden. Eine solche Plattform wirft dann vor allem viele neue und wichtige Fragen auf, von denen man vorher nicht einmal wusste, dass es sie gibt.

Es erfolgt die stets notwendige Trennung von operativer Datenerstellung und strategischer Datenanalyse: die Daten werden von der kritischen Infrastruktur im Unternehmen getrennt, die sie produziert. Eine solches System – gut strukturiert und offen für alle Datenaffinen – ermöglicht durch die Transparenz eine individuelle Arbeit mit den Daten.

Fazit

Big Data und Industrie 4.0 hin oder her. Zuerst müssen die Voraussetzungen im Unternehmen vorliegen, um derartige Themen anzugehen. Ohne Data Mindset bei den relevanten Mitarbeitern und ohne eine datengetriebene Organisation bringen die schönsten Tools nichts.

Allerdings geht es in vielen Unternehmen bereits in die richtige Richtung. Prozesse werden demokratisiert und Mitarbeiter bekommen mehr Freiheiten. Überflüssige Hierarchien werden abgebaut und die Mündigkeit der Mitarbeiter steigt, sie können immer mehr eigene Entscheidungen treffen, basierend auf den verfügbaren Informationen.

Sind diese strukturellen Voraussetzungen erst einmal gegeben, steht dem Vorstoß zu Data Lakes und semi-strukturierte Daten nichts mehr entgegen.

Und ob Sie diese Bedingungen bereits geschaffen haben oder nicht, gerne stehen wir Ihnen zur Verfügung, um Sie bei der Ein- und Ausrichtung eines modernen Datenmanagements zu unterstützen.