Sobald es um Digitalisierung und Technologien geht, wird schnell mit attraktiv klingenden Modewörtern herumgeworfen: da geht es sofort um Artificial Intelligence, Data Science, Advanced Analytics, Predictive Analytics, Data Warehouse und überhaupt um Big Data, wobei oftmals das konkrete Wissen fehlt, was hinter den Begriffen - inklusive Sinn und Nutzen - eigentlich steht. Hauptsache es wird beim Buzzwords-Bingo mitgespielt.
In der Realität der Unternehmen und Organisationen stellt sich das schnell anders dar: Unterschiedliche Abteilungen oder Standortleiter arbeiten mit ihren eigenen Excel-Dateien und individuellen Definitionen zur Berechnung von unternehmensrelevanten Schlüsselkennzahlen - eine unternehmensweite Vergleichbarkeit ist folglich nicht möglich.
Um eine data-driven Culture zu etablieren benötigt es zuerst einmal eine Definition der wesentlichen Fragestellungen: Welche KPI's ('Key Performance Indicators' bzw. Schlüsselkennzahlen) sind für mein Unternehmen bzw. meine Organisation relevant? Welche Entwicklungen will oder muss ich beobachten und welche Ziele habe ich mir gesteckt, die ich verfolgen will?
Aus diesen Fragestellungen ergibt sich der nächste Schritt: Welche Daten existieren bereits in irgendeiner Form und welche sollte oder muss ich beginnen zu erheben - ganz gleich, ob es interne Umsatzdaten, Marktdaten, Sensordaten oder Budgetvorgaben sind.
Aus diesem Fragenkatalog entsteht der unternehmensweit gültige Datenkatalog: Hier werden die Quellen des Vertrauens und die validierten Definitionen von Berechnungen dokumentiert und damit fehleranfällige Silos ausgehebelt.
Dieser Datenkatalog kann unterteilt werden in ein Data Lake - eine mehr oder minder lose Sammlung von Daten, die jetzt oder auch später zur Erkenntnisgewinnung oder einer anderen Art der Monetarisierung wertvoll sind.
Und dem Data Warehouse - hier werden die Daten durch Data Engineers bereits für konkrete Fragestellungen und 'Use Cases' für definierte Analysen aufbereitet.
Oftmals fühlen sich Unternehmen getrieben, ohne konkrete Fragestellung 'Advanced Analytics' oder 'Artificial Intelligence' einzuführen. Dabei gilt es allerdings das Paretoprinzip zu beachten, das in etwa besagt, dass zum Erreichen von 80% der Ziele lediglich ein Einsatz von 20% notwendig ist, während zum Erreichen der letzten 20% ein Aufwandseinsatz von 80% notwendig ist.
Wenn eine Organisation durch Künstliche Intelligenz und Predictions aus den letzten 20% noch etwas rausholen will, so muss zuerst die Datenbasis im Unternehmen dafür geschaffen werden.
Der umgekehrte Weg scheitert in der Praxis oftmals und übrig bleibt nur Enttäuschung, auch wenn es nicht an einer motivierten und gut gemeinten Zielsetzung mangelt.
Wenn ein Unternehmen bzw. eine Organisation also nicht die Grundlagen geschaffen hat, um data-driven zu agieren, also einen Datenkatalog und eine (moderne Self-service) Analytics Plattform als 'Single point of truth' im Unternehmen etabliert hat, wird für eine Implementierung von Maßnahmen um Buzzwords gerecht zu werden, nur viel Geld ausgeben und wenig Nutzen gezogen werden.
Wieviele Menschenleben Florence Nightingale durch ihr Wirken tatsächlich bis heute gerettet hat, lässt sich kaum beziffern.
Read more
Wenn es um die 'Demokratisierung von Daten' geht, so gibt es dabei unterschiedliche Ebenen. Die eine ist das öffentliche zur Verfügung stellen von Daten, wie man es zB von Open Data Portalen kennt.
Read more
