Die Erwartungen, die CEOs an Data Analytics knüpfen, sind sehr hoch, beobachtet der Berater McKinsey. Faktisch profitieren die meisten Unternehmen derzeit noch nicht im erhofften Maß. Das heißt: Nur rund jeder Zwölfte - acht Prozent - von 1.000 Managern skaliert seine Data Analytics-Lösungen effektiv. In dem Papier "Ten red flags signaling your analytic program will fail" listet McKinsey zehn typische Fehler auf.
Foto: McKinsey
1. Vision fehlt
Die Geschäftsleitung entwickelt keine Vision dessen, was sie mit Data Analytics erreichen will: Vielen Geschäftsführern fehlt das grundlegende Verständnis für die unterschiedlichen Einsatzmöglichkeiten von Business Analytics, Reporting, Predictive Analytics und Machine Learning. Gegenmittel: Chief Analytics Officer, Chief Digital Officer, Chief Data Officer - oder wie auch immer die Verantwortlichen tituliert sind - veranstalten Workshops, um die Firmenleitung zu coachen. Diese Workshops bilden idealerweise die Grundlage für spätere eine "Analytics Academy" im Unternehmen.
2. Use Cases nicht berechnet
Das Unternehmen errechnet nicht, welchen Wert die ersten Use Cases binnen Jahresfrist erreichen sollen: Auf den Enthusiasmus folgt die Frustration, wenn Unternehmen nicht mit konkreten Zahlen operieren. McKinsey rät, drei bis fünf Use Cases aufzusetzen, die bei realistischer Betrachtung schnelle Erfolge einbringen. Dem geht eine genaue Analyse der Wertschöpfungskette voraus, vom Zulieferer über den Verkauf bis zu After Sales-Prozessen.
3. Keine Strategie
Entscheider starten Use Cases, ohne einer Strategie zu folgen: Aktionismus ohne Überlegung führt ebenfalls in die Frustration. Entscheider sollten, bevor sie Analytics-Initiativen starten, folgende drei Fragen klären: Welche Bedrohungen gehen für unser Unternehmen von Künstlicher Intelligenz (KI) und Advanced Analytics aus? Welche Möglichkeiten bieten sie uns, das Bestandsgeschäft zu verbessern? Wie können wir damit neue geschäftliche Chancen erschließen?
4. Rollen nicht definiert
Im Feld Data Analytics werden die Rollen nicht richtig definiert: Der Begriff "Data Scientist" kann viele Tätigkeiten und Verantwortlichkeiten umfassen. Daten-/ und Digitalisierungsverantwortliche müssen gemeinsam mit dem obersten Personalentscheider konkrete Profile entwickeln.
Foto: McKinsey
5. Analytics-Translator fehlen
"Analytics-Übersetzer" fehlen: McKinsey spricht wörtlich von "Analytic Translators", die jedes Unternehmen braucht. Sie kommen idealweise von der Business-Seite und wirken als Mittler zwischen Technologen und Betriebswirten. Wunschkandidaten für diese Rolle stammen aus dem Unternehmen selbst, kennen es, kennen den Markt und verfügen über ein gutes Verständnis mathematischer Modelle. Solche Kandidaten kann das Unternehmen in einer eigenen Academy ausbilden.
6. Ressourcen nicht richtig eingebunden
Die Ressourcen rund um Analytics sind organisatorisch nicht richtig eingebettet: Beschwert sich ein Data Scientist, seine Arbeit verpuffe, liegt das vermutlich an der mangelnden Einbettung von Data Analytics. Es gehört ins Kerngeschäft. McKinsey rät zu einem hybriden Modell: Teile des Unternehmens arbeiten agil. Zu diesen agilen Teams zählen Manager aus dem Business und Data Analysten. Dabei bleibt Data Governance eine zentrale Aufgabe, doch die agilen Teams sollten Stück um Stück mehr Autonomie erhalten.
7. Falsches Data Cleansing
Unternehmen wenden Data Cleansing falsch an: Unternehmen verteilen Data Cleansing nach dem Gießkannen-Prinzip, beobachtet McKinsey. Das sei Geldverschwendung. Vor dem Start von Data Cleansing-Projekten ist zu klären, welches die wertvollsten Use Cases sind und welche Daten dafür benötigt werden. Parallel dazu müssen die Daten-Verantwortlichen eine Data-Ontologie (Bezugssystem mit Interferenz- und Integritätsregeln) aufbauen.
8. Passende Plattformen fehlen
Die richtigen Plattformen für die Lösungen fehlen: Die Bedeutung der Architektur als Grundlage der digitalen Transformation ist anerkannt. McKinsey hält es für falsch, diese zunächst an den Legacys auszurichten. Neue Data-Plattformen können parallel zu Alt-Systemen existieren. Aufgabe des CIO ist es, die Integration der Daten aus verschiedenen Quellen zu ermöglichen.
- Jan-Henrik Fischer, Business Area Manager bei Seven Principles
"Die IT muss sich wandeln, wenn sie der Schlüssel zur digitalen Transformation sein will. Sie muss zum Coach der Fachabteilungen werden." - Arne Kaldhusdal, Expert Data Scientist bei Alexander Thamm Data Science Services
"Viele Unternehmen haben Data-Lakes aufgebaut, aber ihnen fehlt ein Plan, was sie damit machen wollen." - Benjamin Krebs, Director Germany bei Dell EMC
"Data Ownership ist ein Riesenthema. Beim connected Car geht die Tendenz dahin, dass die Daten dem Fahrzeughersteller gehören." - Dr. Hardy Kremer, Head of Data Science bei Deloitte Deutschland
"Der Wille zu Predictive Analytics ist da, doch für die Umsetzung fehlt der Aufbau der Daten. Mitarbeiter werden nicht motiviert und nicht incentiviert, Daten zu pflegen." - Vladislav Malicevic, Vice President Development & Support bei Jedox
"Viele Unternehmen kommen aus einem Excel-Chaos und bewegen sich langsam in Richtung Predictive Analytics. Doch oft haben die Mitarbeiter in den Fachbereichen Angst, ersetzt zu werden." - Lars Schwabe, Associate Director bei Lufthansa Industrie Solutions
„Manche Entscheider laufen Gefahr, zu viel Aufwand in ihre Unabhängigkeit zu stecken, statt zu sagen: ‚Diese Plattform nehmen wir‘." - Gregor Stöckler, CEO Datavard
"Man hat früher ja auch keinen ‚Chief Dampfmaschinen Officer‘ eingestellt. Die Dampfmaschine war Chefsache. Ebenso muss die Digitalisierung Chefsache sein."
9. Neue Metriken fehlen
Es fehlen Metriken für den quantitativen Wert von Analytics: Alle Stakeholder rund um Data Analytics sollten sich mit dem Finance-Team zusammensetzen, um neue Metriken zu entwickeln. Diese müssen sie dann auch anwenden.
10. Ethische, soziale und regulatorische Probleme übersehen
Unternehmen übersehen mögliche ethische, soziale und regulatorische Probleme: McKinsey nennt hier den Fall eines Unternehmens, das den Ursachen für Fehlzeiten auf den Grund gehen wollte. Mittels Data Analytics ließ sich ein Zusammenhang zu Attributen wie Geschlecht und ethnischer Zugehörigkeit der Mitarbeiter erkennen. Das war nicht compliant. Der Daten-Verantwortliche muss sicherstellen, dass das Vorgehen immer regelkonform abläuft.