Erstellung einer Datenstrategie

Dieser Fachartikel der Autoren Mag. Christian Gasperi und Markus Rotter, MA ist Teil der Artikelserie zum Thema "Datadriven to Success - mit der richtigen Datenstrategie zum Erfolg”.

Datengetriebene Entscheidungen sind kein Selbstzweck, daher ist es von zentraler Bedeutung sich den Nutzen und das Ziel vor dem Start zu überlegen. Ziele wie „wir benötigen Industrie 4.0“ sind dabei zu unspezifisch und führen bei „der Weg ist das Ziel“-Implementierungen zu verschwendetem Potenzial. Daher macht ein Fokus auf datengetrieben Entscheidungen ohne eine entsprechende Verankerung in der Unternehmensstrategie keinen Sinn.

Doch was ist nun eine Datenstrategie? Wie bei Strategien üblich wird dadurch eine langfristige Zielerreichung durch eine gezielte Implementierung von Prozessen, Rahmenbedingungen und Maßnahmen definiert. Der Fokus liegt hierbei auf Aktionen, die eine Generierung von Wissen und Wettbewerbsvorteilen unter Nutzung von Daten ermöglichen. Hierzu werden nicht nur die Maßnahmen, sondern ebenfalls konkrete Ziele definiert.

Wie vorhin erwähnt, sollten Neuerungen nicht des Implementierens wegen eingeführt werden. Daher macht es Sinn, sich mit dem Mehrwert von Daten zu befassen. Im übertragenen Sinne sind Daten Kapital. Soziale Netzwerke oder andere Dienste sind zwar monetär kostenlos, in Wahrheit wird die Nutzung unter anderem mit Daten bezahlt. Daten alleine sind lediglich eine Information, der Zusammenhang (die Semantik) sind es, die den Wert erzeugen. Ein kleines Beispiel: Wer schon einmal online etwas bestellt hat, freut sich unter Umständen über die Artikelvorschläge „könnte Ihnen ebenfalls gefallen“. Was nichts anderes bedeutet als, dass diese anderen Artikel von Kunden in ihrem Segment, also Kunden mit vergleichbaren Lebensumständen, ebenfalls gekauft wurden oder die Analyse ergab, dass diese gekauft werden könnten.

Daher sollten Daten innerhalb eines Unternehmens mit entsprechender Sorgfalt behandelt werden, um eben diese Wertsetzung zu ermöglichen. Wie bereits im Leitartikel erwähnt wird das Datenvolumen stetig steigen, daher müssen entsprechende Rahmenbedingungen erstellt werden, um eine „datengetriebene“ Denkweise zu ermöglichen und zu fördern. Unter dieser Denkweise wird das Beantworten von ökonomischen Fragen des Unternehmens unter Analyse von Daten verstanden.

Die Ziele der Datenstrategie sollten, analog der aus dem Projektmanagement bekannten SMART-Formel definiert werden. SMART steht für: spezifisch, messbar, akzeptiert, realistisch und terminierbar.

Mit einer klar definierten Unternehmensstrategie und den dadurch abgeleiteten Zielen für die Datenstrategie kann nun mit der eigentlichen Erstellung begonnen werden.

Sieben Schritte zur Datenstrategie

Nun da Sie nun wissen warum man eine Datenstrategie im Unternehmen braucht, möchten die Autoren nun auf die Einführung genauer eingehen. Dabei sollen grundlegende Prinzipien die Implementierung leichter machen.

Im ersten Schritt gehen wir auf organisatorische und technische Maßnahmen zur Einführung ein, danach werden die Autoren eine mögliche Variante, Schritt für Schritt, aufzeigen.

Nun aber zum organisatorischen Themenblock.

Unternehmensstrategie

Dies ist mit Abstand der wohl wichtigste Punkt bei der Einführung. Da eine gute Datenstrategie nie isoliert entstehen darf, sondern der Unternehmensstrategie folgen muss. Deswegen ist immer der erste Schritt die strategischen Prioritäten des Unternehmens und Kernfragen der Schlüsselabteilungen zu identifizieren. Dies kann in Workshops über alle Abteilungen erfolgen oder mit Interviews von Personen in Kernpositionen. So wird sichergestellt, dass die Prioritäten des Unternehmens definiert und festgehalten werden. In weiterer Folge muss dann überlegt werden wie diese Themen mit der Unterstützung von Daten erreicht wird.

Fokussieren Sie sich dabei auf einige wenige Geschäftsfälle, damit die Datenstrategie darauf ausgerichtet wird und die Ziele auch erreichbar sind. Dies bringt uns schon zum nächsten Punkt.

Quick-wins

Grundsätzlich haben wir zwei Arten von Zielen (kurzfristige, langfristige) bei der Einführung einer Datenstrategie. Zweitere benötigen viel Zeit hinsichtlich Organisation, Umsetzung und Personal und sind auch je nach Ausgangssituation und Ziel kostenintensiv.

Deswegen empfehlen die Autoren sich auf die kurzfristigen Ziele zu konzentrieren. Da dies eine kontinuierlichen Fortschritt bedeutet, der auch gut messbar ist und für die Fachabteilungen eine schnelle Verbesserung ihrer Situation darstellt. Wir sprechen also von den Quick-wins, hier kann man relativ schnell die Wichtigkeit der Datenstrategie und den Return on Investment (ROI) von Daten aufzeigen. Dies führt dazu, dass man zügig Sympathiepunkte für die Datenstrategie sammeln kann, um in späterer Folge die langfrist Ziele (z.B.: Industrie 4.0, Machine Learning etc.) zu bearbeiten.

Daten Management Team

Wurde das finale Go für die Datenstrategie aus der Geschäftsführung erteilt, so ist es an der Zeit ein Daten Management Team zu formieren. Wichtig dabei ist, dass es so gut wie möglich heterogen ist. Das soll heißen, Vertreter aus allen Disziplinen und Fachbereichen sollen die Mitglieder stellen. Dabei hilft, wenn Personen aus Führungsbereichen beinhaltet sind die ein gutes Verständnis darüber haben wie Daten in Wert gesetzt werden können. Sollte dies nicht der Fall sein, können Sie natürlich auch so durchstarten, jedoch wird sich der Umsetzungsweg nicht so leichtgängig darstellen.

Das Team muss sich dann in weiterer Folge mit Themen wie Datenakquise, Technik, Rechtsgrundlagen, etc beschäftigen. Hier muss sich auch die Frage gestellt werden, ob die vorhandenen Skills und die benötigten Kapazitäten im Unternehmen vorhanden sind.

Damit sich die Lesenden ein besseres Bild darüber machen können, was auf das neu formierte Team an Arbeiten wartet, hier ein paar Beispielfragen.

  • Wer ist für die sichere Datenhaltung zuständig?
  • Wer gewährleistet die Korrektheit, Komplettheit und Datenaktualität?
  • Welche Berechtigungen sind notwendig für den Zugriff und die Analyse?
  • Wer ist verantwortlich für die Einhaltung rechtlicher Grundlagen (DSGVO/GDPR)?
  • Wie wird der ethische Gebrauch von Daten sichergestellt?
  • Wie werden Daten von Drittanbietern zugekauft und stellen die einen wesentliche Punkt für Auswertungen dar?
  • Welche Technologien werden zum Einsatz kommen/sind im Einsatz?

Data Governance

Das oben beschriebene Datenmanagement Team muss in späterer Folge dann auch die Agenden der Data Governance übernehmen. Die Beispielfragen von oben, deuten diese Thema schon an. Damit der Begriff aber für den Lesenden greifbar ist, eine kurze Definition. Eine ausführliche Beschreibung erfolgt in einem späteren Artikel.

Unter Data Governance versteht man die Tätigkeiten die den Umgang mit Daten hinsichtlich Standards rechtlicher/unternehmensweiter Natur, eingesetzter Technologien, Datenqualität, Datennutzung, etc. beinhaltet. Dies beinhaltet auch die Implementation von verschiedenen Rollen z.B.: der Data Stewards. In dieser Position verwenden, produzieren und definieren (Datenqualität) die Angestellten eines Unternehmens Daten. Sie kommunizieren mit anderen Data Stewards in unterschiedlichen Abteilungen und sind somit ein zentraler Dreh- und Angelpunkt bezüglich Daten. In unserem bereits beschriebenen Framework, könnten diese Funktion die Keyuser übernehmen.

Richtlinien für Analysen von Daten

Dieser Punkt ist ein Unterpunkt der Data Governance, die Autoren möchten aber aufgrund der Wichtigkeit, diesen extra hervor heben. Sie fragen sich nun vielleicht: „Warum ist dieser Punkt so wichtig?“ In diesen Richtlinien definieren Sie von der Erhebung bis hin zur Verwendung ihre internen Standards, das betrifft den Entwickler der Daten produziert, über den Einkäufer der Daten akquiriert bis hin zum Reportempfänger der immer die gleiche Darstellung für bestimmte Auswertungen vorfinden möchte. Also zusammengefasst geht es hauptsächlich darum Richtlinien zu definieren wie Daten gespeichert, zugänglich, verwendet, analysiert und interpretiert werden. So kann zum Beispiel ein Business Intelligence Competency Center (BICC) implementiert werden, das in weiterer Folge unternehmensweite Kennzahlen definiert. Es kann aber genauso ein Standard für Berichte und die Aufbereitung von Grafiken definiert werden. Die Autoren empfehlen den International Business Communication Standards (IBCS) zu verwenden.

Nun folgt der technische Block, der sich wie folgt zusammen setzt.

Datenintegration

Bei diesem Punkt ist es wichtig, sogenannte Datensilos abzuschaffen. Dabei ist nicht gemeint, die einzelnen Vorsysteme untereinander zu vernetzen sondern einen eigenen Datenpool zu schaffen. Dieser Datenpool wird aus den verschiedenen Systemen mit den benötigten Daten bestückt. An dieser Stelle kommt die Datenvirtualisierung ins Spiel, für genauere Informationen sehen Sie bitte hier oder hier nach. Mit diesem Prinzip können alle Fachbereiche relative einfach und unkompliziert auf einen Datenpool zugreifen ohne die Herkunft der Daten zu kennen.

In diesem Punkt befindet sich auch die Datenakquise für bestimmte Aufgaben. So sind sich zum Beispiel folgende Fragen zu stellen.

  • Kann ich mit meinen aktuellen Daten die Frage beantworten?
  • Benötige ich strukturierte oder unstrukturierte Daten, oder beide Formen?
  • Sind die eventuell schon vorhandenen Daten schnell und einfach zugreifbar?

Technologiestack

Nachdem entschieden wurde, wie die Daten im Unternehmen verwendet werden können und welche Daten benötigt werden, ist es Zeit sich um die darunter liegende Technologie Gedanken zu machen. Kurz formuliert, ab jetzt müssen Sie sich um die Evaluierung von Hardware- und Softwarelösungen kümmern. Die Autoren empfehlen hier einen agilen Weg einzuschlagen, also weg von on premise hin zu Cloud-Lösungen. Der Vorteil diese Ansatzes ist, dass Sie jederzeit ohne größere Wartezeiten nach oben oder unten skalieren können. Die grundsätzlichen Fragen die Sie aber stellen sollten sind.

  • Wir werden Daten gesammelt?
  • Wie werden die oben genannten Daten gespeichert?
  • Werden nur strukturierte oder auch unstrukturierte Daten gespeichert?
  • Mit welchen Datenansätzen möchte ich die gespeicherten Daten in Wert setzen (Machine Learning, AI)?
  • Wie sollen die Daten analysiert und visualisiert werden?
  • Welche Informationen über Daten sollen gesammelt werden (Metadaten)?

Umsetzungsvorschlag

Da Sie nun die wichtigsten Punkte für die Einführung einer Datenstrategie kennen, erhalten Sie an dieser Stelle eine mögliche Reihung für einen Umsetzungsvorschlag. Dabei möchten wir erwähnen, dass einzelne Punkte an anderer Position befinden können, je nach vorgefundener Situation.

  1. Unternehmensstrategie
  2. Quick-wins
  3. Datenintegration
  4. Technologie-Stack
  5. Daten Management Team
  6. Data Governance
  7. Richtlinien für Analyse von Daten

 

Schlussbemerkung

Wie Sie sehen können, ist die Implementierung einer Datenstrategie viel mehr eine organisatorische Herausforderung denn eine IT-technische. Maßgeblich am Erfolg einer Datenstrategie ist die klare Formulierung von Unternehmenszielen/-strategie, sowie die schnellen Erfolge um Sympathiepunkte zu erhalten. Ein weiterer Punkt ist auch noch zu erwähnen, ist sich ein Unternehmen nicht im klaren, dass mit den vorhandenen Daten Mehrwert generiert werden kann, so wird auch der Versuch einer Datenstrategie zu implementieren nicht erfolgreich sein.

Über die Autoren

Mag. Christian Gasperi Markus Rotter, MA

Mag. Christian Gasperi ist seit den 2000ern in der IT tätig und hat in dieser Zeit Erfahrungen mit Business Intelligence, Datawarehousing, Geoinformatik, Datenbanken, IT-Architektur, Systemarchitektur, Projektmanagement und lateraler Mitarbeiterführung gemacht. Markus Rotter, MA ist seit den 2000ern in der IT tätig und hat in dieser Zeit Erfahrungen mit IT-Management, Business Intelligence, Datawarehousing, Datenbanken, Systemadministration, IT-Architekturen, Mitarbeiterführung und Projektmanagement gemacht.
Homepage Homepage
Xing Profil Xing Profil

 

Zurück

Übersicht der Artikel

Dieser Artikel beschreibt einen Ansatz. um ein IT-Service zu definieren und zu dokumentieren.

Weiterlesen

Dieser Artikel stellt eine Möglichkeit drojekte im Reporting- und Analyticsumfeld umzusetzen dar.

Weiterlesen

Dieser Artikel fasst einen wissenschaftlichen Beitrag der ERP Future Research Konferenz 2017 zusammen und befasst sich mit einem Konzept über ein "Lean BI Framework für KMU"

Weiterlesen