Data Strategy: Erstickt Innovation zwischen Berichtswesen und Data Discovery?

Abbildung 4: Interaktives Dashboard zur Darstellung von variablen AbhÀngigkeiten in Tableau
Abbildung 4: Interaktives Dashboard zur Darstellung von variablen AbhÀngigkeiten mit TensorFlow in Tableau

Der erste Schritt auf dem Weg zu besserer Entscheidungsfindung im Unternehmen, ist zu verstehen, wie gute (oder schlechte) Entscheidungen zustande kamen. Genau wie manche Unternehmen formale Prozesse fĂŒr AktivitĂ€ten haben, wie z. B. What-if-Analysen, prĂ€diktive Wartung und Bestimmung von AbhĂ€ngigkeiten in Korrelationen (siehe Abbildung 4), so mĂŒssen sie formale PrĂŒfprozesse fĂŒr Entscheidungen im gesamten Unternehmen einfĂŒhren. Dies soll jedoch keinesfalls dazu dienen, die an schlechten Entscheidungen Beteiligten zu bestrafen, sondern den Entscheidungsfindungsprozess und -stil des Unternehmens im Allgemeinen verbessern.

Die Rolle der IT nĂ€hert sich hierbei wieder ihren Wurzeln an und statt eine Berichtefabrik fĂŒr den Rest des Unternehmens zu unterhalten, wird die IT wieder zum Dienstleister und Partner, der die Infrastruktur fĂŒr eine Data Discovery bereitstellt. IT-Mitarbeiter werden entlastet und erhalten den Freiraum, ihre professionelle Energie und KreativitĂ€t in den Dienst der Innovation zu stellen, und die Mitarbeiter in den Abteilungen sehen ihre Datenfragen nicht am Flaschenhals Berichtswesen verhungern. Nur so lassen sich die Investitionen in Business Intelligence und Analytics optimal in den Dienst der strategischen Ziele des Unternehmens stellen.

Abbildung 5: Anforderungen, FÀhigkeiten und Ziele einer Datenstrategie (TC17-PrÀsentation)
Abbildung 5: Anforderungen, FÀhigkeiten und Ziele einer Datenstrategie (TC17-PrÀsentation)

Moderne Unternehmen sehen sich vielen analytischen Anforderungen (siehe Abbildung 5) gegenĂŒber, und diese Anforderungen werden unweigerlich schneller wachsen, als Unternehmen sie bedienen können. Es ist daher unerlĂ€sslich, Analytics als lebenswichtigen Teil der eigenen Datenstrategie zu verstehen und entsprechend zu planen.

Dabei ist ein umfassender Betrachtungswinkel sinnvoll, denn die wachsende Nachfrage nach Analysen und Erkenntnissen wird mehr und mehr von den kundenbezogenen Abteilungen wie Marketing oder Support ausgehen. Dementsprechend wird auch das Budget fĂŒr Analytics verstĂ€rkt aus diesen Abteilungen kommen, statt aus einem zentralisierten IT- oder BI-Budget. Dort, wo viele Kundendaten vorhanden sind, wird der CMO bald mehr fĂŒr Analytics ausgeben als der CIO. Und dort, wo Mitarbeiter ĂŒber gut integrierte, intuitive Werkzeuge fĂŒr komplexe Analysen verfĂŒgen, können gute Instinkte und datenbasierte Entscheidungen Hand in Hand fĂŒr den Erfolg sorgen.

Dieser Beitrag ist der fĂŒnfte Teil der Datenstrategie-Serie:

Teil 1: Die Notwendigkeit einer modernen Datenstrategie im Zuge der digitalen Transformation
Teil 2: Steigern smarte Erkenntnisse den Business Impact?
Teil 3: 10 BI & Analytics Trends, die in keiner Datenstrategie fehlen dĂŒrfen
Teil 4: Wie unterstĂŒtzen Analysen Ihre Entscheidungsfindung?
Teil 5: Erstickt Innovation zwischen Berichtswesen und Data Discovery?

TC17 Data Strategy Title Slide Möchten Sie mehr zu den neuesten Trends im Bereich Datenstrategie erfahren? Dann freue ich mich, wenn Sie an meinem Vortrag “Building an Enterprise Big Data & Advanced Analytics Strategy” auf unserer Tableau Conference TC17 (9.-12. Okt., Las Vegas) teilnehmen.

Data Strategy: Wie unterstĂŒtzen Analysen Ihre Entscheidungsfindung?

Abbildung 3: bei der Entscheidungsfindung gibt es keinen Schritt, der nicht von Analysen begleitet wird
Abbildung 3: bei der Entscheidungsfindung gibt es keinen Schritt, der nicht von Analysen begleitet wird (Foto: Flickr)

Unternehmen transformieren die Art und Weise, wie sie ihre Kundenanalyse angehen in vielen verschiedenen Aspekten. Dieser Wandel ist jedoch weder branchenĂŒbergreifend, noch von Unternehmen zu Unternehmen innerhalb einer Branche konsistent. Ein SchlĂŒssel zum Erfolg, bei dem die IT eine entscheidende Rolle spielen kann, ist es, den Faktor Kundenwissen möglichst gewinnbringend in die eigene Unternehmensstruktur zu integrieren.

Um eine Daten-zentrische Strategie zu entwickeln, mĂŒssen wir zunĂ€chst verstehen, wie unser Unternehmen Analysen durchfĂŒhrt und mit den Erkenntnissen umgeht:

  1. Welche Daten werden gesammelt, was passiert mit ihnen und wie wirken sie sich auf unsere Entscheidungen aus?
  2. Betrachten wir unsere Kunden aus einer taktischen oder strategischen Perspektive?
  3. Sehen wir alle wichtigen Details?
  4. Wie können wir effizienter aggregieren?
  5. Sind unsere Analysen multidimensional oder sitzen wir in Silos fest?

Egal, wo sich ein Unternehmen im Spannungsfeld zwischen Berichtswesen und Data Discovery befindet, heutzutage mĂŒssen sich Analysetechniken nicht nur mit dem Business entwickeln, sie sollten dessen Evolution maßgeblich mitbestimmen. So gibt es beispielsweise Bereiche, in denen riesiges Potenzial zur Effizienzsteigerung durch Algorithmen und Maschinenlernen schlummert. Gleichzeitig werden manch andere Dinge immer das menschliche Auge erfordern.

Wie viele Mitarbeiter im Unternehmen analysieren Daten? Und wie viele konsumieren die Ergebnisse? Es ist wichtig zu wissen, inwiefern die eingesetzte Analyse-Plattform die analytische Arbeitslast und den Informationsfluss innerhalb des Unternehmens beeinflusst. Erst mit einem klaren Bild der Ausgangssituation lĂ€sst sich eine Strategie fĂŒr den Wandel formulieren.

In einer modernen Datenstrategie gibt es bei der Entscheidungsfindung keinen Schritt, der nicht von Analysen begleitet wird (siehe auch Abbildung 3):

  • Awareness: Erkennen, dass eine Entscheidung gefĂ€llt werden muss. Benachrichtigungen, komplexe Ereignisverarbeitung und gut designte Dash- und Storyboards bieten sich fĂŒr diesen Zweck an.
  • Scoping: Verstehen, welche Rahmenbedingungen wichtig und welche Bereiche indirekt betroffen sind. Statistik, Datenvisualisierung, Ad-hoc-Abfragen und bestimmte Data-Mining-Techniken eignen sich hierfĂŒr.
  • Predicting: Identifizieren, wie sich unterschiedliche Handlungen auswirken. Simulation, Forecasting und Predictive Analytics sind in diesem Schritt der Entscheidungsfindung gefragt.
  • Selecting: Die bestmögliche Handlung ausfindig machen. Hierbei können Optimierung und Regel-Engines helfen.
  • Reporting: Überwachen der Auswirkungen einer Entscheidung. Hierbei ist selbstverstĂ€ndlich das Berichtswesen die relevante analytische Komponente.

Dieser Beitrag ist der vierte Teil der Datenstrategie-Serie:

Teil 1: Die Notwendigkeit einer modernen Datenstrategie im Zuge der digitalen Transformation
Teil 2: Steigern smarte Erkenntnisse den Business Impact?
Teil 3: 10 BI & Analytics Trends, die in keiner Datenstrategie fehlen dĂŒrfen
Teil 4: Wie unterstĂŒtzen Analysen Ihre Entscheidungsfindung?
Teil 5: Erstickt Innovation zwischen Berichtswesen und Data Discovery?

10 BI & Analytics Trends, die in keiner Datenstrategie fehlen dĂŒrfen

Tableau-Webinar zu den Top 10 der Business Intelligence Trends fĂŒr das Jahr 2017
Tableau-Webinar zu den Top 10 der Business Intelligence Trends fĂŒr das Jahr 2017

Noch vor einigen Jahren analysierte ich am CERN Daten im Petabyte-Bereich, die wir an den Experimenten des Large Hadron Collider einsammelten. Dazu war vor allem viel Arbeit in der Kommandozeile notwenig. R, Python, Gnuplot und SQL gehörten zu meinem Alltag. Dann habe ich Tableau kennengelernt und habe auf den Großteil meiner Skripte verzichten können. Meine Analysen waren fortan interaktiv, und die Datenstrategie hat sich grundlegend geĂ€ndert.

Nicht nur in der Forschung hat sich hier viel getan. Auch Business Intelligence hat in den vergangenen Jahren tiefgreifende Änderungen erfahren. Standen 2015 noch Cloud Analytics, Data Science und die Anbindung von Big Data im Vordergrund, so sind 2016 eindeutig Self-Service-Analysen in den Fokus gerĂŒckt. Mehr Unternehmen gewĂ€hren ihren Mitarbeitern Zugriff auf ihre Daten. Mehr Menschen verstehen Daten als wichtiges Hilfsmittel zur ErfĂŒllung ihrer Aufgaben.

Welche BI & Analytics Trends dĂŒrfen 2017 in keiner Datenstrategie fehlen?

1. Jeder kann die “moderne BI” nutzen

Moderne BI ist ein Modell der Business Intelligence, das Daten fĂŒr mehr Mitarbeiter in den verschiedensten Rollen zugĂ€nglich macht. Dieser Aspekt wird auch im 2016 BI Magic Quadrant von Gartner erwĂ€hnt. Dort steht, dass wir „die entscheidende Wende eines mehr als 10 bis 11 Jahre wĂ€hrenden Übergangs von IT-zentrierten Berichtsplattformen zu modernen BI- und Analyseplattformen ĂŒberschritten“ haben. Dies ist besonders wichtig fĂŒr Unternehmen die möglicherweise Terabytes oder mehr Daten haben und sicherstellen mĂŒssen, dass die Anwender ihre Analysen mit bereinigten und von der IT genehmigten DatenbestĂ€nden durchfĂŒhren.

2. Analysen werden kollaborativer

Bei der Zusammenarbeit werden wir 2017 eine VerĂ€nderung beobachten. Anstatt statische Berichte weiterzuleiten werden die Anwender interaktive Arbeitsmappen und Datenquellen gemeinsam nutzen, die als Grundlage fĂŒr ihre GeschĂ€ftsentscheidungen dienen. Stellen Sie sich beispielsweise vor, dass Sie in einer wöchentlichen GeschĂ€ftsbesprechung ein interaktives Dashboard aufrufen, um KPIs zu prĂŒfen. Es wird auch durchaus ĂŒblich sein, in diesen Dashboards direkt vom Browser oder dem iPad aus Analysen durchzufĂŒhren.

3. Alle Daten werden gleichberechtigt

2017 wird der Wert der Daten nicht mehr an Rangordnung oder GrĂ¶ĂŸe gebunden sein. Das Laden einer Datenbank mit Milliarden Zeilen sollte genauso vonstatten gehen wie das Laden einer Excel-Tabelle mit 150 Zeilen von Ihrem Desktop. Von Bedeutung wird sein, dass die Mitarbeiter schnell und einfach auf Daten zugreifen können und sie zusammen mit anderen Datentypen untersuchen können.

4. Selfservice wird auf die Datenvorbereitung ausgeweitet

Der Trend zu Benutzerfreundlichkeit und AgilitĂ€t, der die MĂ€rkte fĂŒr BI und Analysen umgewĂ€lzt hat, erreicht nun die Datenvorbereitung. Das bedeutet, dass gĂ€ngige Aufgaben wie syntaktische Analyse, JSON- und HTML-Importe und die Durcharbeitung der Daten nicht mehr an Spezialisten delegiert wird. Stattdessen werden Nicht-Analysten in der Lage sein, diese Aufgaben als Teil ihres Analyse-Flows zu ĂŒbernehmen.

5. Arbeiten mit Daten, ohne es zu wissen

Es ist nicht ĂŒberraschend, dass Analytics am besten funktioniert, wenn es ein natĂŒrlicher Teil des Workflows ist. 2017 werden Analysen allgegenwĂ€rtig sein werden und sĂ€mtliche GeschĂ€ftsprozesse bereichern. Embedded BI wird die Reichweite der Analysen derart vergrĂ¶ĂŸern, dass diese Entwicklung möglicherweise gar nicht bewusst wahrgenommen wird. Ähnlich ist es bereits bei der prĂ€diktiven Analyse, die auf Netflix einen Film empfiehlt. Das sind die Ergebnisse von Analysen. Die meisten Menschen sind sich dessen gar nicht bewusst.

6. Die IT wird zum Datenhelden

Seit Jahrzehnten haben IT-Abteilungen damit zu kĂ€mpfen, endlos Berichte zu erstellen, um Anfragen vom GeschĂ€ftsbetrieb zu beantworten. Dieser Zyklus wird jetzt unterbrochen. IT-Abteilungen produzieren nicht mehr, sondern unterstĂŒtzen und sorgen fĂŒr Governance, Datensicherheit und Compliance. Die IT befĂ€higt das Unternehmen, datenorientierte Entscheidungen mit der vom Markt geforderten Schnelligkeit zu treffen. So wird die IT gewissermaßen zum Datenhelden.

7. Die Mitarbeiter arbeiten auf natĂŒrlichere Weise mit Daten

SQL zu schreiben ist kein sehr natĂŒrlicher Weg, um mit Daten zu arbeiten. 2017 wird die BenutzeroberflĂ€che fĂŒr die Arbeit mit Daten noch natĂŒrlicher wird, und zwar durch natĂŒrliche Sprache. Analyse mit natĂŒrlicher Sprache bedeutet, dass Datenfragen mit gĂ€ngigen Wörtern formuliert werden. So können Daten, Grafiken und Dashboards noch leichter zugĂ€nglich gemacht werden, indem Sie den Mitarbeitern die Möglichkeit geben, auf neue Art und Weise mit Daten zu interagieren.

8. Der Übergang zur Cloud beschleunigt sich

Datenschwerkraft ist die Idee, dass wir die Analysen dort ausfĂŒhren wollen, wo sich die Daten befinden. Wenn Ihre Daten also in der Cloud gespeichert sind, wollen wir auch die Analysen dort ausfĂŒhren. 2017 werden Daten in der Cloud genug „Schwerkraft“ entwickeln, um Unternehmen dazu zu bewegen, ihre Analysen dort bereitzustellen, wo sich die Daten befinden. Cloud-Data-Warehouses wie Amazon Redshift werden sehr beliebte Datenstandorte bleiben und in der Folge werden Cloud-Analysen allgegenwĂ€rtig sein.

9. Advanced Analytics wird leichter zugÀnglich

Nicht jeder Anwender  kann R oder Python programmieren. Insbesondere GeschĂ€ftsanwender werden sich diese Kenntnisse auch nicht aneignen wollen und vermeiden Analysefunktionen, die solche Skriptsprachen erfordern. 2017 werden Advanced Analytics (ausgefeilte, leistungsstarke Analysefunktionen) zugĂ€nglicher und fĂŒr GeschĂ€ftsanwender fĂŒr den tĂ€glichen Einsatz verfĂŒgbar sein.

10. Daten- und Analysekompetenz steht im Mittelpunkt

Es gibt keinen Beruf, der heute ohne Daten auskommt. Das bedeutet, dass Daten- und Analysekompetenz immer wichtiger werden wird – unabhĂ€ngig von der Rolle und der Position im Unternehmen. Seit zwei aufeinanderfolgenden Jahren wurde diese Kompetenz als die wichtigste Einstellungsvoraussetzung bei LinkedIn aufgefĂŒhrt. Am Arbeitsplatz werden intuitive Analytics-Plattformen eingefĂŒhrt, die auf allen Ebenen Entscheidungsgrundlagen bereitstellen. Aber die FĂ€higkeiten der Mitarbeiter bilden das Fundament diese zu nutzen.

Dieser Beitrag ist der dritter Teil der Datenstrategie-Serie:

Teil 1: Die Notwendigkeit einer modernen Datenstrategie im Zuge der digitalen Transformation
Teil 2: Steigern smarte Erkenntnisse den Business Impact?
Teil 3: 10 BI & Analytics Trends, die in keiner Datenstrategie fehlen dĂŒrfen
Teil 4: Wie unterstĂŒtzen Analysen Ihre Entscheidungsfindung?
Teil 5: Erstickt Innovation zwischen Berichtswesen und Data Discovery?

Möchten Sie mehr zu den neuesten Trends im Bereich Business Intelligence und Business Analytics erfahren? Dann freue ich mich Sie auf unserem Live-Webinar am 21. Februar 2017 begrĂŒĂŸen zu dĂŒrfen.

[Update 22 Feb 2017]: Sie haben das Webinar verpasst? Dann können Sie hier die Aufzeichnung ansehen:

Data Strategy: Steigern smarte Erkenntnisse den Business Impact?

Abbilding 2: Loth-Modell des Reifegrads von Advanced Analytics
Abbilding 2: Loth-Modell des Reifegrads von Advanced Analytics

Die voranschreitende digitale Transformation liefert Daten ĂŒber nahezu jede Facette unseres Tuns. Jeder Besuch eine Webseite, jeder Klick, jede Suchanfrage und jeder Einkauf wird protokolliert und entweder mit unserer virtuellen IdentitĂ€t (wenn wir angemeldet sind) verknĂŒpft, oder in einem System gespeichert, dass unsere Sitzung per Cookie oder digitalem Fingerabdruck verarbeitet.

Sind diese Daten erst einmal erhoben, werden sie fĂŒr gewöhnlich in Silos der einzelnen Funktionen (vertikales Silo), Abteilungen (horizontales Silo), oder sogar in individuellen Projektsilos abgelegt. Um aus diesen Daten eine wertvolle und nĂŒtzliche Ressource zu machen, mĂŒssen wir diese Silos aufbrechen. Dem stehen allerdings oft Fragen zur Inhaberschaft, Regularien und Governance im Weg.

Das Sammeln von Daten allein generiert aber keinen Mehrwert. Der tatsĂ€chliche Business Impact hĂ€ngt davon ab, wie “smart” die gewonnen Erkenntnisse sind. Und das wiederum wird von der VollstĂ€ndigkeit der Advanced-Analytics-Lösung (siehe Abbildung 2) und der KomplexitĂ€t der eingesetzten Modelle bestimmt. PrĂ€skriptive und Semantische Analysen sind unter UmstĂ€nden nur sehr schwer umzusetzen, insbesondere wenn es zunĂ€chst gilt, semi-strukturierte Daten – wie etwa Social Media-Streams – zu klassifizieren.

Vergessen Sie also ĂŒber die Umsetzung komplexer Modelle nicht, die leichte Beute einzusacken: lassen Sie all Ihre quantitativen Informationen einfließen (beispielsweise Umsatzdaten), um Ihre diagnostischen Möglichkeiten zu skalieren.

FĂŒr die meisten EntscheidungstrĂ€ger besteht die Herausforderung nicht in einem Mangel an Daten oder Datenquellen, sondern dass die zur VerfĂŒgung stehenden Datenquellen oftmals unterschiedliche Ergebnisse liefern oder schlichtweg nicht geeignet sind, die jeweils anstehende Entscheidung sinnvoll zu informieren.

Leider wird die Rolle der IT dabei oft unterschĂ€tzt. Die grĂ¶ĂŸte Herausforderung fĂŒr EntscheidungstrĂ€ger im Analytics-Zeitalter ist die eingefahrene Sichtweise, dass Unternehmen ihrer eigenen Datenbasis bestehend aus Interaktionen mit potentiellen Kunden, Kunden, Lieferanten und Partnern weniger vertrauen können, als externen Erkenntnisquellen.

Dieser Beitrag ist der zweite Teil der Datenstrategie-Serie:

Teil 1: Die Notwendigkeit einer modernen Datenstrategie im Zuge der digitalen Transformation
Teil 2: Steigern smarte Erkenntnisse den Business Impact?
Teil 3: 10 BI & Analytics Trends, die in keiner Datenstrategie fehlen dĂŒrfen
Teil 4: Wie unterstĂŒtzen Analysen Ihre Entscheidungsfindung?
Teil 5: Erstickt Innovation zwischen Berichtswesen und Data Discovery?

Data Strategy: Die Notwendigkeit einer modernen Datenstrategie im Zuge der digitalen Transformation

Abbildung 1: Analysten schÀtzen, dass das Datenvolumen in den kommenden Jahren rasant steigend wird
Abbildung 1: Analysten schÀtzen, dass das Datenvolumen in den kommenden Jahren rasant steigend wird

Traditionell sind es die Mitarbeiter, die gute – oder zumindest glĂŒckliche – Entscheidungen treffen, die die Karriereleiter innerhalb von Unternehmen erklimmen. Und diese Kultur des Respekts gegenĂŒber guten Instinkten durchdringt auch heutzutage noch die Entscheidungsfindung in vielen Unternehmen.

In manchen FĂ€llen werden Berater hinzugezogen, um unliebsamen oder rein prĂ€ferentiellen Entscheidungen den Anschein externer Validierung zu geben; in anderen FĂ€llen verlĂ€sst man sich auf die Weisheit von Vorgesetzten, Mentoren oder Gurus. Es zeichnet sich jedoch ab, dass bei Entscheidungen, die ein Unternehmen von sich aus nicht ohne weiteres unterstĂŒtzen kann, immer mehr das Kollektiv herangezogen wird und man sich bei Entscheidungsfindung und Problemlösung der Kraft großer Zahlen bedient.

In unserer digital vernetzten Welt fallen jeden Tag Unmengen von Daten an (siehe Abbildung 1). Das exponentielle Wachstum der Menge an generierten Daten fĂŒhrt unweigerlich zur digitalen Transformation ganzer GeschĂ€ftsmodelle. Nur Unternehmen, die große Datenmengen aus unterschiedlichen Quellen in umsetzbare Erkenntnisse verwandeln können, werden langfristig wettbewerbsfĂ€hig bleiben. Dazu bedarf es einer modernen Strategie, die den Fokus auf Daten legt und weit ĂŒber deren reine Erhebung hinausgeht.

Eine unternehmensweite Bereitstellung von Advanced Analytics und Data Science as a Service (DSaaS) kann hier einen Wettbewerbsvorteil bedeuten, insbesondere wenn sie den Schwerpunkt darauf legt, die Mitarbeiter mit den richtigen analytischen Werkzeugen auszustatten. Sind diese Werkzeuge einfach zu verwenden und gut in die tĂ€gliche Arbeit integriert, lĂ€sst sich die Akzeptanz – und somit Wirkung – maximieren.

Dieser Beitrag ist der erste Teil der Datenstrategie-Serie. In den kommenden Wochen folgen weitere BeitrÀge, die Fragen zur modernen Datenstrategie nÀher beleuchten werden:

Teil 1: Die Notwendigkeit einer modernen Datenstrategie im Zuge der digitalen Transformation
Teil 2: Steigern smarte Erkenntnisse den Business Impact?
Teil 3: 10 BI & Analytics Trends, die in keiner Datenstrategie fehlen dĂŒrfen
Teil 4: Wie unterstĂŒtzen Analysen Ihre Entscheidungsfindung?
Teil 5: Erstickt Innovation zwischen Berichtswesen und Data Discovery?

[Update 8 Feb 2017]: Eine lĂ€ngere Fassung dieses Beitrags, ist in der IWP-Zeitschrift erschienen: Information – Wissenschaft & Praxis. Band 68, Heft 1, Seiten 75–77, ISSN (Online) 1619-4292, ISSN (Print) 1434-4653