Einführung Advanced Analytics – aber richtig!

Unternehmen werten Daten schon seit Jahrzehnten mithilfe von IT-Lösungen aus. Bislang vor allem, um Erkenntnisse über die Vergangenheit zu gewinnen: Wie haben sich Umsatz, Kosten und Gewinn im vergangenen Quartal im DACH-Raum entwickelt? Und welche Ursachen lassen sich für den drastischen Umsatzeinbruch finden? Solche Fragen stellt in der Regel das Controlling und bereitet mit den in Reports zusammengestellten Antworten Managemententscheidungen vor. Eingesetzt werden dabei deskriptive und diagnostische Analyseverfahren – gemeinsam bilden sie die in den Unternehmen als Business Intelligence bekannte Disziplin.

Mittlerweile ist Dank rasant steigender Datenmengen und immer leistungsfähigerer Technologien aber deutlich mehr möglich. So können Daten auch genutzt werden, um künftige Entwicklungen zu prognostizieren und um verschiedene mögliche Szenarien zu simulieren. Diese prädiktiven und präskriptiven Methoden werden meist der Disziplin Advanced Analytics zugeschrieben.

Cui bono? Auch die Fachbereiche profitieren

Aber nicht nur der Blick in die Zukunft ist neu. Auch der Kreis derjenigen, die von den Advanced-Analytics-Verfahren profitieren, ist deutlich größer. Im Grunde sind die Methoden für alle Fachbereiche interessant. So lässt sich in der Produktion beispielsweise sehr genau vorhersagen, wann ein Defekt an einer Maschine auftreten wird – Stichwort Predictive Maintenance. Ist das bekannt, lassen sich Wartungsarbeiten so timen, dass es nicht zu einem ungeplanten Ausfall kommt. Im Vertrieb helfen Next-Best-Offer-Analysen dabei, einem Kunden zur richtigen Zeit genau das richtige Angebot zu machen. Der Umsatz steigt.

Das erhebliche Potenzial haben die Unternehmen erkannt. Zumindest weisen darauf die Ergebnisse einer Studie des Business Applications Research Centers (BARC) von 2017 hin. Demnach halten 94 Prozent der Befragten fortschrittliche Analysen in der Zukunft für wichtig oder sehr wichtig. Richtig in der Praxis angekommen sind die Verfahren bislang aber kaum: So geben 15 Prozent an, dass Advanced-Analytics-Methoden regelmäßig zur Entscheidungsfindung eingesetzt werden. 7 Prozent sagen, dass wichtige Geschäftsprozesse durch solche Methoden automatisiert sind. Die übrigen 78 Prozent bereiten die Einführung in irgendeiner Form vor.

Voraussetzungen für die richtige Architektur schaffen

Bei dieser grundsätzlich positiven und motivierten Haltung stellt sich die Frage, welche Voraussetzungen für einen sinnvollen Einsatz von Advanced Analytics erfüllt sein sollten. Was sind die Erfolgsfaktoren bei der Implementierung und bei der Nutzung? Und welche Stolpersteine sollten bekannt sein – und umgangen werden? Um die Orientierung zu erleichtern, beleuchten wir die wichtigsten Handlungsfelder und stellen die wesentlichen Aspekte heraus.

Einführung Advanced Analytics: Es beginnt mit der Strategie und Use Cases

Ohne eine passende Strategie verlieren sich Unternehmen früher oder später in den zahlreichen Möglichkeiten von Advanced Analytics. Im schlimmsten Fall werden dann viele Projekte gestartet, aber keines wird richtig zu Ende geführt – oder der erhoffte Nutzen bleibt aus. Sinnvoll ist es daher, sich mit Blick auf die übergeordnete Unternehmensstrategie zunächst zu überlegen, in welchen Bereichen der größte Leidensdruck herrscht bzw. das deutlichste Optimierungspotenzial besteht. Ist das bekannt, können gezielt Use Cases konzipiert und priorisiert werden. Wichtig ist dabei, stets im Auge zu behalten, welche Daten zur Verfügung stehen und außerdem verwendet werden dürfen. Letzteres gilt vor allem für die personenbezogenen Daten: Wenn ein für das Unternehmen äußerst attraktives Analyse-Szenario entwickelt und die technologische Basis dafür realisiert wird, sich dann aber herausstellt, dass die Kunden ihre Daten nicht zur Verfügung stellen wollen, wurde viel Budget fehlinvestiert. Und: Die Bereitschaft, sich weiter mit Advanced Analytics zu beschäftigen, dürfte nach einer solchen Erfahrung erst einmal gering sein. Ratsam ist es daher, sich anfangs für Use Cases zu entscheiden, die einen klaren Nutzen versprechen, bei denen die Datenlage klar und unproblematisch ist, die sich mit einem übersichtlichen Aufwand umsetzen lassen und mit all dem für einen Quick Win sorgen. Die hier gemachten Lessons Learned helfen dann bei weiteren Projekten.

Der CDO als Vermittler zwischen Fachbereichen und IT

Eine engere Zusammenarbeit von Fachbereichen und die IT-Abteilung streben die meisten Unternehmen schon seit Jahren an. In der Regel mit mäßigem Erfolg. Für die Umsetzung von Advanced-Analytics-Szenarien ist eine gute Kooperation aber unverzichtbar, weil hier fachliches und technologisches Verständnis Hand in Hand gehen müssen. Diese Integration der beiden Welten verkörpert der Chief Digital Officer – über den im Zuge der Digitalisierung intensiv gesprochen wird. Ein CDO kennt sich mit den Business-Anforderungen aus und weiß gleichzeitig, welche Technologien was leisten – und ob die sich in die bestehende Systemlandschaft integrieren lassen. Insofern ist er prädestiniert dafür, sich selbst an der Entwicklung von Use Cases zu beteiligen. Zudem kann der CDO zwischen den Fachbereichen und der IT vermitteln, damit ein gemeinsames Verständnis und eine gemeinsame Sprache entstehen. Allerdings: In der Rolle des CDOs ist die Engführung von Business und IT zwar explizit angelegt. Ein Muss für den Erfolg von Advanced Analytics ist er aber nicht. Zumal dann nicht, wenn sich andere Personen im Unternehmen – zum Beispiel der CIO – um die Annährungen von Fachbereichen und IT-Abteilung kümmert.

Neue Rollen sollten auch für den direkten Umgang mit den Daten geschaffen werden. Recht bekannt ist mittlerweile der Data Scientist, der sich hervorragend mit statistischen Verfahren auskennt und Algorithmen zur Auswertung der Daten entwickeln kann. Daneben kümmert sich ein Data Engineer um die Zusammenführung der Daten – er sorgt also beispielsweise dafür, dass in einem Predictive-Maintenance-Case die Daten von der Maschine bis zur Analyse-Software gelangen. Und der Data Steward überwacht die Qualität und Integrität der Daten. Wichtig bei all den neuen Rollen: Diese müssen nicht von einzelnen Mitarbeitern übernommen werden, die sich ausschließlich um den jeweiligen Bereich kümmern. Allerdings sollten die Verantwortlichkeiten klar geregelt sein.

Know-how: Eigener Datenexperte oder externer Partner?

Auch heute schon kennen sich Unternehmen – vor allem die IT-Abteilungen und das Controlling – damit aus, wie sich Daten zu Kennzahlen verdichten lassen. Diese Berechnungen, die im Rahmen von Business Intelligence durchgeführt werden, sind allerdings vergleichsweise simpel. Aus den vorhandenen Zahlen Prognosen zu künftigen Entwicklungen abzuleiten, ist jedenfalls etwas ganz anderes. Denn dazu ist nicht nur ein gutes Verständnis für die unterschiedlichen Technologiekomponenten erforderlich. Benötigt werden auch ein tiefes mathematisches und statistisches Know-how und das Wissen darüber, wie Algorithmen programmiert und eingesetzt werden. IT-Mitarbeiter bringen solche Kenntnisse nur ausnahmsweise mit – in der Vergangenheit wurden sie darauf auch nicht vorbereitet. Seit ein paar Jahren entstehen an den Hochschulen Studiengänge, die gezielt Datenexperten ausbilden – beispielsweise Data Scientists. Noch sind Menschen mit diesen Qualifikationen allerdings rar. Und damit sind sie entsprechend teuer. Unternehmen müssen aber nicht unbedingt einen eigenen Data Scientist rekrutieren. Möglich ist auch, mit externen Partnern zusammenzuarbeiten und das Know-how temporär einzukaufen. Fest steht nur: Auf dem ein oder anderen Weg muss das spezifische Wissen ins Unternehmen geholt werden.

Die 4 Phasen von Advances Analytics

Um es direkt zu sagen: Die eine Advanced-Analytics-Lösung gibt es nicht. Stattdessen arbeiten ganz unterschiedliche Komponenten zusammen – und zwar abhängig vom jeweiligen Use Case. In einer solchen spezifischen Advanced-Analytics-Architektur spielen Bestandteile der bereits vorhandenen Systemlandschaft eine wesentliche Rolle – beispielsweise das ERP-System oder das Data Warehouse. Hinzu kommen dezidierte Lösungen für einzelne Funktionen. In Summe muss die Architektur dafür sorgen, dass die Rohdaten aus unterschiedlichen Quellen zusammengeführt werden, damit sie für methoden- und systemgestützte Analysen zur Verfügung stehen und die Ergebnisse dargestellt werden können.

Auch wenn die Architektur für jedes Szenario individuell ausgeprägt sein muss, lassen sich grundsätzlich vier Phasen unterscheiden, die IT-seitig unterstützt werden müssen:

Daten sammeln und speichern: Die eingesetzten Technologien müssen dafür sorgen, dass die Daten an den unterschiedlichen Quellen erfasst, verlässlich an den Speicherort transportiert werden und dort für die Analyse verfügbar sind.
Daten analysieren: Es müssen zum einen Tools vorhanden sein, mit denen sich Datenmodelle erstellen und Algorithmen programmieren lassen. Zum anderen sind Anwendungen erforderlich, die diese Modelle und Algorithmen auf die tatsächlich vorhandenen Daten anwenden.
Ergebnisse visualisieren: Die Ergebnisse der Analysen müssen mithilfe von Lösungen so visualisiert werden, dass die Anwender daraus direkt Erkenntnisse ziehen können. Das kann beispielsweise auch bedeuten, dass die Software bereits eine Vorauswahl trifft und dem Nutzer nur einen Ausschnitt der Ergebnisse anzeigt.
Aktionen auslösen: Denkbar ist auch, dass in manchen Fällen Ergebnisse gar nicht mehr visualisiert werden, sondern auf dieser Basis automatisiert Aktionen angestoßen werden. Dafür sind Lösungen die Voraussetzung, die mit Künstlicher Intelligenz ausgestattet sind und damit autonom Entscheidungen treffen können – zumindest in einem bestimmten Rahmen.

Keine Frage – Advanced Analytics als nächste Evolutionsstufe der Datenanalyse einzuführen, ist für Unternehmen keine kleine Aufgabe. Zumal nicht, weil die beschriebenen Voraussetzungen nicht nur einmal geschaffen werden müssen und danach Ruhe ist. Denn dafür ändert sich zu rasch zu viel, dafür bestehen zu viele Implikationen. So könnten neue Technologien neue Analysemöglichkeiten schaffen, die wiederum neue Use Cases ermöglichen. Oder neue Gesetze erschweren die Nutzung von personenbezogenen Daten – wie die Datenschutz-Grundverordnung (DSGVO) der EU.

Nichts desto trotz gilt: Wenn Unternehmen auch künftig erfolgreich sein wollen, sollten sie zumindest prüfen, in welchen Bereichen ihnen Advanced Analytics einen spürbaren Mehrwert bringt. Und dann natürlich auch entsprechend handeln. Wer das unterlässt, kann sich damit selbst viele hervorragende Chancen nehmen. Und wer konsequent handelt, kann in ganz neue Sphären vorstoßen.

Weitere Informationen rund um das Thema Advanced Analytics finden Sie auf unserer Webseite. Gerne können Sie mich auch persönlich kontaktieren.

– von Georg Aholt, Head of Center of Excellence, Business Analytics & Information Management, NTT DATA Business Solutions AG –

E-Mail: [email protected]