Projektarbeit : 7 große Schwachstellen bei Data-Analytics Projekten

Die Ausgangsbasis kann laut McKinsey ungünstiger nicht sein: Einerseits stellen die Unternehmen sehr hohe Erwartungen an die Funktionen der Data Analytics, andererseits fällt der Nutzen für die meisten Unternehmen noch sehr gering aus. Das bedeutet konkret, dass nur rund jeder Zwölfte von 1.000 Managern in der Lage ist, und das sind kaum mehr als acht Prozent, die Data Analytics-Maßnahmen effektiv zu skalieren. Zu diesem enttäuschenden Ergebnis kommt die McKinsey-Studie „Ten red flags signaling your analytic program will fail“. Darin werden nicht nur die zentralen Problemstellungen und größten Fehler herausgearbeitet, sondern auch wertvolle Vorschläge an das Management zur erfolgreichen Lösung des Data-Analytics-Debakels erteilt. Gleichzeitig versprechen die McKinsey-Berater, dass CEOs, wenn sie auf die genannten Hinweise angemessen reagierten, ihre Ergebnisse auch in nur zwei oder drei Jahren wesentlich verbessern könnten.

Das Problem: Es mangelt vielfach an Verständnis darüber, was Data Analytics im Grunde bewirken soll. So ist es kaum verwunderlich, dass es auch keine klaren Vorstellungen über den Unterschied zwischen herkömmlicher Analytik (Business Intelligence und Reporting) und fortgeschrittener Analytik (prädiktive bzw. präskriptive Instrumente wie zum Beispiel Machine Learning) geben kann. Aus diesem Grund arbeitet das Analytik-Team nicht an den eigentlichen Problemen und ist ebenfalls meist nicht in der Lage, die neuesten Tools und Techniken zielorientiert einzusetzen.

Die Lösung: McKinsey rät, um unnötige Missverständnisse auszuräumen, zu einer Reihe von Workshops auf Unternehmensleitungsebene. Diese könnten die Basis für spätere interne „Akademien“ bilden, die unter anderem zukünftige Analytik-Konzepte für das Unternehmen erstellen.

Das Problem: Das Management hat es unterlassen, die Machbarkeit des Projekts genau zu bewerten sowie den Geschäftswert zu berechnen, den die definierten Use Cases letztlich generieren sollen.

Die Lösung: McKinsey empfiehlt Unternehmen, die sich noch am Anfang der Skalierung von Analytik-Anwendungsfällen befinden, drei bis fünf realisierbare Anwendungsfälle einmal genau zu durchplanen. Zudem sollten diese innerhalb des ersten Jahres schnell einen optimalen Wert erzielen. Nach der Meinung der Berater, geben solche Projekte entscheidende Anstöße für die Initiierung von zukünftigen Analytik-Investitionen. Dazu sollte eine Analyse der gesamten Wertschöpfungskette vom Lieferanten über den Einkauf bis hin zum After-Sales-Service des Unternehmens erfolgen. Für Machbarkeitsprüfung sind unter anderem folgende Fragen zu beantworten: Stehen die Daten für die Anwendungsfälle bereit? Sind diese von ausreichender Qualität? Welche spezifischen Prozessschritte müssten für einen bestimmten Anwendungsfall modifiziert werden? Sollte das an diesem Prozess beteiligte Team umbesetzt werden? Was könnte mit minimaler Unterbrechung geändert werden?

Das Problem: Es werden zwar mehrere potenzielle Anwendungsfälle identifiziert, für die eine Technologie einen Mehrwert bringen soll, jedoch fehlt dazu die allgemeine Strategie. Diese bestimmt die Vorgabe, auf welche Weise mit Data Analytics über die spezifischen Situationen hinaus ein Wert erzielt werden kann.

Die Lösung: Das Analytik-Team muss den Geschäftsführern des Unternehmens drei grundsätzliche Fragen stellen: Welche Bedrohungen resultieren aus den Technologien wie zum Beispiel Künstliche Intelligenz (KI) und Advanced Analytics für das Unternehmen? Welche Möglichkeiten bieten diese Technologien, das Bestandsgeschäft zu verbessern? Wie lassen sich Daten und Analysen nutzen, um neue Chancen für das Geschäft aufzuzeigen?

Das Problem: Den Führungskräften ist es laut McKinsey meist kaum bekannt, dass die Position eines „Data Scientist“ viele verschiedene Tätigkeiten und Aufgaben umfassen kann.

Die Lösung: McKinsey empfiehlt für den ersten Schritt die Stellenbeschreibungen für alle Data Analytics-Aufgaben en detail zu verfassen. Als Schritt Nummer zwei soll das Unternehmen eine interne Bestandsaufnahme aller Mitarbeiter veranlassen, die diese Anforderungen erfüllen könnten. Im dritten Schritt werden die verbleibenden Stellen durch externe Einstellungen besetzt.

Das Problem: Unternehmen, denen es gelang, Data Analytics mit nachhaltigem Erfolg zu implementieren, konnten meist auch Analysefunktionen für ihr Kerngeschäft integrieren. Die Berater von McKinsey fanden heraus, dass Unternehmen, denen es Probleme bereitet, durch Analytik Werte zu schaffen, gleichzeitig dazu neigen, Analysefunktionen isoliert zu etablieren. Das bedeutet, sie werden entweder zentralisiert, weit vom Geschäft entfernt oder in sporadischen Projekten schlecht koordinierter Silos entwickelt.

Die Lösung: McKinsey ist der Ansicht, dass sich für größere Analytics-Initiativen meist hybride Organisationsmodelle eignen. Das heißt, die Teams sollten erfahrende Köpfe aus der Geschäftsseite als auch von der Analyseseite rekrutieren. Bei der anfänglichen Projektierung von Data Analytics ist es sinnvoll, zentral zu arbeiten, da es oftmals einfacher ist, ein Team zentral aufzubauen. Sukzessive kann das Unternehmen dann mit zunehmender Leistungsfähigkeit dazu übergehen, den Zentralismus gegen eine moderierende Rolle zu tauschen und so den agilen Teams mehr Autonomie einzuräumen.

Das Problem: Das Thema Data Cleansing wird laut McKinsey von den Unternehmen häufig falsch angegangen. Auf diese Weise werden bis zu 70 Prozent der Budgets vergeudet. Geschäftsführer neigen dazu, möglichst alle verfügbaren Daten bereinigen zu wollen, bevor Analytik-Initiativen beginnen.

Die Lösung: Zunächst ist zu klären, welche die wichtigsten Use Cases sind und welche Daten dafür bereitgestellt werden müssen. Die Berater weisen darauf hin, dass bei der Bewertung von Initiativen für Data Cleansing nicht zuerst „in Daten gedacht“, sondern immer dazu die wertvollsten Anwendungsfälle in Betracht gezogen werden sollen.

Das Problem: Unternehmen sind oftmals der Meinung, ältere IT-Systeme müssten in Data Analytics-Initiativen integriert werden. Vielfach wird dabei über Data-Lakes nachgedacht, bevor konkrete Szenarien einer Verwendung auf dem Tisch liegen. So entstehen Data-Lakes meist als Einheit, ohne zu verstehen, dass sie in verschiedene Bereiche unterteilt werden müssen, um auch verschiedene Arten von Anwendungsfällen zu bedienen.

Die Lösung: Neue Datenplattformen lassen sich parallel zu Altsystemen etablieren. Die Datenaufnahme erfolgt je nach Anwendung aus verschiedenen Quellen.