Datadriven to Success – mit der richtigen Datenstrategie zum Erfolg

Mit dieser Artikelreihe erörtern die Autoren Mag. Christian Gasperi und Markus Rotter, MA die IT-seitige Vorbereitung eines datengesteuerten Unternehmens. Dabei werden zunächst wichtige Begriffe voneinander abgegrenzt und danach die Erstellung einer entsprechenden Datenstrategie beschrieben. Den Praxisbezug stellen die Autoren mit den entsprechenden organisatorischen Maßnahmen und die Beschreibung einer beispielhaften Architektur her.

Einer Studie des bekannten Speichermedienherstellers Seagate aus dem Jahr 2017 wird das globale Datenvolumen durch die Fortschreitung der technischen Möglichkeiten stetig und exponentiell größer. Dies wird auch durch die sogenannten „4.0-Trends“ begünstigt. Ob sich die Unternehmen nun mit Industrie 4.0, Retail 4.0, Web 4.0, Marketing 4.0 oder einem anderen 4.0-Trend beschäftigen ist dabei nicht so relevant, da diese Trends alle eine Gemeinsamkeit haben -> 4.0 steht hierbei unter anderem für die massive Verwendung von Daten in jeglicher Form. Bekannt ist hierbei besonders das Internet der Dinge (Internet of Things – IoT).

Im Optimalfall beschäftigen sich Unternehmen nicht mit 4.0 nur weil es andere Unternehmen machen. Dies sollte Bestandteil der Unternehmensstrategie sein, an welcher sich die IT-Strategie und damit auch die Datenstrategie ergeben. Die Erstellung einer IT-Strategie wurde bereits auf dieser Seite in einem anderen Artikel behandelt, die Erstellung einer Datenstrategie an späterer Stelle im Rahmen dieser Artikelreihe behandelt werden.

Für den Anfang sollten sich die EntscheidungsträgerInnen folgende Fragen stellen: 3x WAS und 1x WIE, Folgende Grafik fasst diese zusammen:

Abbildung 1: Grundfragen einer Datenstrategie

Die Autoren wählen zur Veranschaulichung die Analogie der Vorbereitung einer Auslandsreise. Zunächst sollte das Ziel definiert werden. Die Art der Reise (Abenteuerreise, Erholungsurlaub, Städtetrip, etc.) und das Reiseziel (Ort, Land) definieren schon einmal die Rahmenbedingungen. Im Unternehmenskontext könnten die Fragen also lauten, ob etwas Optimiert werden soll (z.B.: Lager, Logistik, Prozesse) oder Umsätze gesteigert werden sollen. Hierbei sollte noch nicht in Lösungen (z.B.: Predictive Maintenance) gedacht werden, aber schon klare Ziele gesetzt werden. Die „automatische Generierung von Verkaufschancen unter Berücksichtigung externer Daten (z.B.: Demographische Daten) in einem „Customer Relationship Management System (CRM)“ könnte eine erste Definition sein. Granularer kann diese Anforderung so ergänzt werden: „Unter anderem sollen die verkauften Einheiten anhand einer prognostizierten demographischen Entwicklung der Haushalte und der Marktabdeckung unserer Konkurrenten und Kunden generiert werden“. Je konkreter und besser das erste „WAS“ definiert wird, umso wahrscheinlicher ist eine erfolgreiche Umsetzung durch die IT.

Nachdem bekannt ist wohin die Reise geht, sollte geprüft werden, was für die Reise alles benötigt wird und was man hat. Ist für den Road-Trip ein angemessenes Fortbewegungsmittel vorhanden? Welche Koffer haben wir? Spricht einer der Gruppe eine Fremdsprache? Genau so muss jetzt innerhalb des Unternehmens vorgegangen werden. Welches Know-How ist abrufbar? Welche Ressourcen (personell wie it-technisch) sind vorhanden? Wie sieht das Budget aus? Dies ist nur ein Bruchteil der Fragen, die sich an dieser Stelle gestellt werden müssen.

Jetzt wo wir wissen, was wir wollen bzw. haben sollten wir überlegen, was wir beschaffen müssen. Bei einer Reise ins Ausland muss ev. eine Zusatzversicherung für das KFZ abgeschlossen werden oder es fehlt einfach noch die Schnorchelausrüstung für den Badeausflug. In der Organisation könnten an dieser Stelle fehlendes Know-How oder zu beschaffende Lizenzen oder Hardware ausgemacht werden.

Der letzte Schritt besteht nun darin zu überlegen, wie man das Ziel erreicht. Dies kann auch als Strategie bezeichnet werden. Die Definition des Ziels sollte in Workshops ermittelt werden. Da dies ein technisch orientierter Beitrag ist, gehen die Autoren hierzu nicht näher ins Detail. Die weitere drei Aspekte werden in den Folgeartikeln behandelt.

Um zu gewährleisten, dass die Umwandlung von einem konventionellen in ein datengesteuertes Unternehmen funktioniert, ist es essenziell, folgendes „datengetriebenes Dreieck“ bei den weiteren Schritten zu beachten:

Abbildung 2: "Datengetriebenes Dreieck"

Die drei Seiten des Dreiecks spiegeln die Aspekte Architektur, Organisation und Strategie bzw. deren Abhängigkeiten und Zusammenspiel wider.  Dabei werden unter anderem folgende Kernfragen beantwortet:

  • Organisation: „Wie machen wir Daten verfügbar?“
  • Architektur: „Welchen technischen Unterbau benötigen wir?“
  • Strategie: „In welcher Weise sollen Daten verarbeitet werden?“

Dabei verändern sich die Seitenverhältnisse zu dem jeweiligen Reifegrad (der im Folgeartikel beschrieben wird). Beispielsweise ändert sich bei Machine Learning  die Seite „Strategie“ im Optimalfall nur geringfügig wohingegen die Architektur „länger“ und die Organisation „kürzer“ wird. Damit ist gemeint, dass erhebliche architektonischen Maßnahmen benötigt werden, die Hierarchieebenen in diesem Kontext aber flacher werden.

 

Reifegradbestimmung der Datenverwendung

Der Weg in ein datengesteuertes Unternehmen erfolgt immer über eine den Gegebenheiten angepassten Datenstrategie. Dabei kann man nicht von Null auf Hundert starten, sondern muss den Weg in mehreren Schritten beschreiten.

Auf diesem Weg möchten die Autoren die verschiedenen Phasen zum datengesteuerten Unternehmen und deren Reifegrad eingehen. Die hier vorgestellten vier Reifegrade sind nur ein kleiner Bestandteil bei der Erstellung einer unternehmensweiten Datenstrategie. Jedoch sind diese ein zentrales Element zur Bestimmung des IST-Zustands bzw. zur Ableitung des SOLL-Zustands.

Dabei werden folgende Reifegrade in unserem Unterartikel vorgestellt:

  1. Operationales Reporting
  2. Business Intelligence (BI)
  3. Machine Learning (ML)
  4. Artificial Intelligence (AI)

Oben genannte Punkte werden unter folgenden Aspekten näher beleuchtet:

  • Auswirkung auf Entscheidungen (operational vs. Strategisch)
  • Entwicklungszeit
  • Kosten
  • Datenvolumen

Auf dem Weg zu einem datengesteuerten Unternehmen müssen alle oben genannten Reifegrade durchlaufen werden. Den Anfang macht dabei immer das operationale Reporting. Wobei die oben genannten Aspekte immer eine Entscheidungshilfe darstellen ob man als Unternehmen die nächste Eben implementieren soll.

Den detailierter Artikel finden Sie hier.

Erstellung einer Datenstrategie

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 zum Unternehmenserfolg beizutragen. 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 Wettbewerbsvorteile unter Nutzung von Daten ermöglichen. Hierzu werden nicht nur die Maßnahmen, sondern ebenfalls konkrete Ziele definiert.

Umsetzungsvorschlag

Die wichtigsten Aspekte finden Sie in unserem Hauptartikel.

Zusammengefasst 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

 

Aufbau einer passenden Architektur

Der nächste Schritt ist die Erstellung einer passenden Datenarchitektur. Die hier dargestellte drei schichtige Architektur stellt eine beispielhafte Umsetzung dar und ist bewusst sehr generisch gehalten. Den die Anforderungen und Herausforderungen sind von Unternehmen zu Unternehmen heterogen. Dies muss sich in einer angepassten Datenarchitektur wieder spiegeln, denn das Rahmenwerk hat nur ein Ziel, die Geschäftsprozesse bestmöglich zu unterstützen. Die daraus resultiertende datengesteuerte Strategie bzw. ein datengesteuerter Entscheidungsprozess im Unternehmen sollten einen Erfolgsfaktor für das Unternehmen darstellen.

Datenarchitektur

Abbildung 1: Datenarchitektur

Die wichtigsten Aspekte und eine Erläuterung der Grafik finden Sie in unserem weiterführendem Artikel.

Das Data Team

Um die steigenden Datenvolumina bewältigen zu können und um die Zeit für die benötigten Analysen zu minimieren, gehen viele Unternehmen den Weg in die Cloud. Einige Unternehmen stellen sogar auf einen cloud-first Ansatz um und transferieren auch die DWHs dorthin um eine möglichst flexible und skalierbare Architektur bereit zu stellen. Es ist zu beobachten, dass Firmen die den oben genannten Ansatz als eine zu „radikale“ Umstellung empfinden zumindest auf eine hybride Form der Architektur setzen. Das heißt, dass zum Beispiel ein Data Warehouse on-premise gehostet wird, aber das CRM oder ERP System in der Cloud. Aufgrund der schnell wachsenden Datenmengen und deren Komplexität macht es eine on-premise Lösung unmöglich eine schnell skalierbare und flexible Datenarchitektur zu implementieren. Zumindest eine hybride Lösung macht es dem Daten Team möglich auf diese Gegebenheiten zu reagieren und eine Self-service Datenlösung innerhalb der Organisation zu etablieren.

Im Umkehrschluss bedeutet das aber auch, dass sich die Rollen eines Data Teams gezwungenermaßen verändern müssen. Die hohen technischen Fähigkeiten eines Dataengineers/DWH Entwicklers die in den letzten Jahren benötigt wurden um alle Workflows zu entwickeln und zu überwachen werden Schritt für Schritt mit low-code und no-code Tools abgelöst. Jedoch wird die oben genannte Gruppe von Technikern weiterhin dringend benötigt und stellt eine kritische Ressource dar. Dabei ist der hohe manuelle Programmieranteil der Vergangenheit heute aufgrund der hohen Datenmenge einfach nicht mehr realisierbar, wenn man kurze Antwortzeiten, der Time to Analysis, benötigt. Diese Zeit von der Erfassung zur Analyse der Daten stellt einen nicht unwesentlichen Teil eines Wettbewerbsvorteiles dar.

Es werden folgende Rollen benötigt: Datentechniker, Data Scientist, Data Analyst, Citizen Data Professionals und Chief Data Officer.

Den gesamten Artikel und eine Beschreibung der Rollen finden Sie hier.

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 Leitartikel

Dieser Beitrag beschreibt den erfolgreichen Umgang mit Daten mittels einer unternehmensweiten Strategie, Architektur und organisatorischen Maßnahmen.

Weiterlesen

Effiziente bzw. vor allem effektive Zusammenarbeit mit der Nutzung der optimalen Prozesse und Werkzeuge.

Weiterlesen

Effiziente bzw. vor allem effektive Bearbeitung von IT-Anforderungen aus dem Fachbereich umsetzen

Weiterlesen