Best Practices im Datenrausch

Informationen sind der Rohstoff des 21. Jahrhunderts. Analog zum Goldrausch im 19. Jahrhundert haben wir heute einen Datenrausch. Einziger Unterschied:. Unternehmen haben die Daten bereits vorliegen und müssen sie nicht wie Gold suchen, sondern nur noch richtig untersuchen. Stellt sich die Frage: Welches Vorgehen generiert die meisten Mehrwerte?

Wie die Goldgräber zu Beginn des Goldrausches in Kalifornien stehen auch Unternehmen heute unter Druck durch die Konkurrenz. Es gilt, schneller und erfolgreicher zu entwickeln als alle anderen. Vorteile hat, wer gebotene Chancen optimal nutzt, etwa um Prozesse zu optimieren und Kosten zu senken, Im Gegensatz zu damals steht das wertvolle Rohmaterial den Unternehmen bereits in rauen Mengen zur Verfügung: Daten. Big-Data-Analysen können bisher verborgene Zusammenhänge aufdecken, indem sie verschiedene Daten in neuer Form kombinieren und vergleichen. Sie verändern den Blickwinkel und ermöglichen fundierte Entscheidungen. So finden Unternehmen Antworten auf wichtige Fragen – etwa warum Kunden abwandern, wo Verbesserungsbedarf besteht oder wie man Ausschuss reduzieren kann. Die folgenden Best Practices helfen Ihnen dabei, das Beste aus Ihren Daten herauszuholen:

Agile Herangehensweise

Big-Data- und Analytics-Projekte lassen sich nicht mit starrem Wasserfallprojektmanagement durchführen. Stattdessen ist eine agile Herangehensweise gefragt. Es bringt nichts, sich auf ein festgefahrenes Ziel zu beschränken. Denn manchmal führt ein Projekt vielleicht nicht zum anvisierten Ergebnis, liefert dafür aber andere wichtige Erkenntnisse. Nur wer in der Lage ist, auch einmal nach rechts und links zu sehen und vielversprechende Abweichungen zu verfolgen, kann das Potenzial von Big Data Analytics voll ausschöpfen. Ein Beispiel hierfür bietet ein Fall aus der Automobilbranche. Zielsetzung war „Predictive Maintenance“. Ein Thema, welches in aller Munde ist aber durchaus mit gesunder Skepsis betrachtet werden darf. So auch in diesem Fall. Aufgrund der Kombination von Datenbasis und produktionstechnischen Anforderungen ließ sich keinerlei Ansatz für „Predictive Maintenance“ finden. Da aber agil vorgegangen wurde, wurden erhebliche Potenziale zur Steigerung der Qualitätskennzahlen identifiziert. Das ursprüngliche Ziel wurde nicht erreicht, das Projekt war dennoch ein voller Erfolg.

Intern zusammenarbeiten

Ein Analytics-Projekt darf weder eine reine IT-Angelegenheit sein noch an der IT-Abteilung vorbei gehen. Denn hier handelt es sich um eine interdisziplinäre Spielart, bei der IT- und Fachabteilungen eng zusammenarbeiten müssen. Fachbereichsleiter bringen ihre akuten Problemstellungen ein. Die IT-Abteilung wiederum kennt die technischen Möglichkeiten. Für einen Projekterfolg ist es wichtig, alle Stakeholder rechtzeitig mit einzubinden. Das bedeutet nicht unbedingt von Anfang an – sondern sobald grundlegende Vorgehensweisen geklärt sind. Entscheidend ist, schnell mit dem Projekt voranzukommen und mit zeitnah erzielten, ersten Ergebnissen Interesse zu wecken.

Auf ins Abenteuer

In jedem Unternehmen gibt es Mitarbeiter, die das Bestehende bewahren möchten und andere, die sich für Neues begeistern. Man spricht im übertragenen Sinne auch von Siedlern und Pionieren – und jede Gruppe hat ihre Berechtigung und positiven Eigenschaften. Für Big-Data-Projekte braucht man jedoch eher die Pioniere. Identifizieren Sie innovationsfreudige Mitarbeiter, holen Sie sie ins Team und fördern Sie deren Weiterbildung. Ein spezialisierter Dienstleister kann in gemeinsamen Workshops oder ersten kleineren Projekten Wissen weitergeben, verborgene Potenziale identifizieren und bei der Überzeugungsarbeit unterstützen.

Aus Fehlern lernen

Für Big-Data-Projekte braucht man Experimentierfreude. Dazu gehört, verschiedene statistische Modelle auszuprobieren und auch einmal Fehler zu machen. Oft weiß man am Anfang nicht, welcher Weg zum Ziel führt. Entscheidend ist, dass man Ergebnisse zeitnah validiert, Sackgassen schnell erkennt und in der Lage ist, sofort die Richtung zu wechseln. Da mit Daten zunächst experimentiert und nicht aktiv in die Produktion oder andere Bereiche einer Supply Chain eingegriffen wird, besteht keine Gefahr, Schaden anzurichten.

Klein anfangen

Sie müssen nicht gleich zum Mond fliegen. Setzen Sie sich realistische Ziele. Dafür sollten Sie zu Beginn prüfen, welchen Datenbestand Sie überhaupt zur Verfügung haben und was damit möglich ist. Wenn der Projektumfang zu groß ist und das Ziel zu hoch gesteckt, übt das starken Druck auf die Projektmannschaft aus. Das frustriert und wirkt kontraproduktiv. Stattdessen empfiehlt es sich, schnell zu erreichende Erfolge zu identifizieren und sich in kleinen Schritten vorwärtszubewegen. Gewonnene Erkenntnisse können dann skaliert werden. So erreicht man nach und nach auch weiter entfernte Ziele – und kann der Geschäftsführung gegenüber schnell erste Ergebnisse vorweisen. Zur Identifizierung der Quick Wins empfiehlt es sich, praxiserprobte Spezialisten zu konsultieren.

Ökonomisch denken

Verrennen Sie sich nicht in dem, was technisch machbar ist, sondern achten Sie stets auf die Wirtschaftlichkeit. Wenn Sie mehrere Quick Wins zur Wahl haben, sollten Sie die priorisieren, die am besten zu einer wirtschaftlichen Verbesserung beitragen. Es mag vielleicht interessant sein, die Tonalität von Kunden-E-Mails in Korrelation mit Alter und Region zu setzen. Betriebswirtschaftlich spielt das aber eine sekundäre Rolle. Wichtiger wäre es zum Beispiel herauszufinden, wie man die Kündigungsrate reduzieren kann.

Daten schützen

Bei allen Big-Data-Analysen spielt Datenschutz eine entscheidende Rolle. Identifizieren Sie personenbezogene Daten und setzen Sie entsprechende Data-Privacy-Tools ein, um alle Datenschutzrichtlinien vollumfänglich einzuhalten. Ab Mai 2018 gilt die neue EU-Datenschutz-Grundverordnung verbindlich für alle Mitgliedsstaaten und die darin aktiven Unternehmen. Dann werden Datenschutzverletzungen noch strenger geahndet und können hohe Geldstrafen nach sich ziehen.

Fazit

Viele Unternehmen müssen sich heute gegen Mitbewerber aus dem Internet zur Wehr setzen. Solche Startups haben den Vorteil, dass sie auf einer grünen Wiese anfangen können und gleich digitalisiert ins Rennen gehen. Doch auch etablierte Unternehmen haben etwas, das den Newcomern noch fehlt: Sie verfügen über jede Menge Kundendaten. Diesen Vorsprung gilt es zu nutzen. Werten Sie Ihre Daten aus und starten Sie ein Big-Data-Projekt. Setzen Sie sich realistische Ziele und seien Sie experimentierfreudig, ohne die Wirtschaftlichkeit aus den Augen zu verlieren. Ein spezialisierter, externer Berater kann dabei helfen.

Diesen Beitrag kommentieren

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.