Die Vorteile faktenbasierter Entscheidungen sind Managern vieler Disziplinen klar: Marketing, Produktion, Rechnungswesen und Human Resources sind einige Beispiele. Für einzelne Beobachter ist bereits eine "Analytics-Blase" auszumachen. Folgt man manchen Beratern und Fachmedien, entsteht der Eindruck, Analytics sei ein Erfolgsgarant - und auf deren Einführung folge zwangsläufig der unternehmerische Erfolg. Doch Analysten von Gartner weisen darauf hin, dass mehr als die Hälfte der Analytics-Projekte den erwarteten Erfolg verfehlt, da Budget oder Zeitrahmen nicht eingehalten werden oder weil sie allzu optimistisch vereinbarte Komponenten und Vorteile nicht liefern. Die folgenden Abschnitte gehen auf die häufigsten Fehler bei der Einführung von Analytics ein und geben praktische Hinweise, um sie zu vermeiden.
Foto: Sfio Cracho - Shutterstock.com
Fehlende Ausrichtung auf die Unternehmensstrategie
Analytics-Vorhaben dienen der zielgerichteten Umsetzung der übergeordneten Unternehmensstrategie. Doch erfordern sie kombiniertes Analytics-, IT- und Management-Wissen. Das ist in den Unternehmen jedoch nicht gleichmäßig verteilt. Deshalb empfiehlt es sich, Analytics-Vorhaben in interdisziplinären, abteilungsübergreifenden Workshops gemeinsam zu erarbeiten. So lassen sich in mehreren Iterationen die Ziele der Vorhaben an denen der Unternehmensstrategie ausrichten. Typische Beispiele für strategisch ausgerichtete Analytics-Vorhaben sind Systeme, die den Umsatz aufgrund von Empfehlungen, also Cross Selling, steigern, betrügerische Transaktionen identifizieren oder maßgeschneiderte Produkte und Dienstleistungen in Form von Mikrosegmentierung in Echtzeit entwickeln.
Ungenügender oder fehlender Business Case
Der Business Case weist den geschäftlichen Nutzen eines Analytics-Projekts nach, zum Beispiel mithilfe des Returns on Investment. Er muss realistisch sein und Simulationen verschiedener Szenarien beinhalten. Während der Projektaufwand vor allem in der IT-Abteilung entsteht, ist der Ertrag eher in den Fachabteilungen zu finden. Der Nutzen ist das wichtigste Kriterium für die Priorisierung bei schrittweiser Einführung mehrerer Vorhaben. Detaillierte Einsichten zu Entstehung und Zusammensetzung des Nutzens kann ein Nutzen-Review liefern.
Zu breites, zu enges oder irrelevantes Business-Problem
Ist das Business-Problem das Analytics lösen soll, zu breit angelegt, fehlt es dem betreffenden Analytics-Vorhaben an Fokus und die erwarteten Ergebnisse bleiben aus. Sind die zu erreichenden Ziele unklar, sind zudem ausufernde Kosten und eine zu lange Projektdauer zu befürchten. Ist das Business-Problem hingegen zu eng abgegrenzt, kann der Nutzen des Vorhabens im Vergleich zum Aufwand gering sein. Unvorteilhaft sind außerdem Analytics-Projekte, die sich einem aktuellen Trendthema widmen, das für die betroffene Organisation jedoch irrelevant ist.
- Scouting mit Scout7
Bei der Talentsuche überlassen Fußballvereine nichts mehr dem Zufall: Spezialisierte Datenanalysewerkzeuge wie Scout7 erfassen und bewerten jeden Monat rund 3000 Spiele. - Spielerprofil
Zu jedem Spieler gibt es im System eine Profilseite mit umfangreichen Statistiken. - Videoclips
Entscheidende Spielzüge können per Videoclip aufgerufen werden. - Leistungsdaten
Die Bewegung jedes Spielers wird bei jeder Partie exakt erfasst. - Vereinsmanagement
SAP bietet eine umfassende Management-Lösung für Sportvereine, basierend auf seiner Hana-Plattform. - Trainingseinheiten im Film
Beim Training und bei Spielen werden mit Kameras Daten auf Basis von hochaufgelösten Videos erfasst. - Rundum-Lösung
Das Sportgeschäft ist heute eine komplexe Beziehung zwischen Fan, Club und Spielern. Durch Echtzeitanalyse von Daten können die Vereine fundierte Entscheidungen in vielen Bereichen treffen. - Auch in der NBA
Auch in anderen kommerziellen Sportarten wie in der amerikanischen NBA (Basketball) und NHL (Eishockey) kommen die Big-Data-Systeme der SAP schon zum Einsatz.
Ungenügende Planung
Allzu optimistische Erwartungen an Analytics führen oft zu Kostenüberschreitungen und Verzögerungen. Für die Umsetzung Verantwortliche schätzen deshalb Aufwände und Termine am besten Bottom-up. Diese Schätzungen basieren auf Erfahrungswerten und realistischen Annahmen. Ausreichende finanzielle und zeitliche Reserven helfen, unvorhergesehene Probleme zu lösen, ohne das Budget zu überschreiten. Besonders groß ist die Gefahr eines Misserfolgs bei umfangreichen, komplexen Analytics-Projekten. Dauert ein Projekt mehrere Jahre, so können sich zum Projektende wichtige Rahmenbedingungen wesentlich geändert haben. Große Vorhaben sollten deshalb am besten in mehrere kleine zu jeweils höchstens sechs Monaten aufgeteilt werden.
Unzweckmäßige Einführung
Von einer Big-Bang-Einführung von Analytics-Systemen ist abzuraten. Umfangreiche, komplexe, unternehmensweite Analytics-Systeme werden am besten schrittweise eingeführt. Dies bietet den Vorteil, dass die Funktionalität etappenweise überprüft und erweitert werden kann. Für die ersten Vorhaben ist es ratsam, zunächst kleine und klar umrissene Probleme auszuwählen und die Zweckmäßigkeit des gewählten Vorgehens mithilfe von Prototypen zu evaluieren.
Mangelhafte Daten
Relevante, vollständige, korrekte und aktuelle Daten sind Voraussetzung für ein korrekt funktionierendes Analytics-System. Irrelevante, unvollständige, ungenügend bereinigte sowie nicht oder zu spät verfügbare Daten verfälschen die Ergebnisse von Analytics-Systemen. Die Realisierung eines vorgelagerten Systems zur Datenbereinigung beansprucht in der Regel einen maßgebenden Teil des Realisierungsaufwands eines Analytics-Systems. Das unüberlegte Sammeln von Daten führt selten zum Erfolg, denn daraus entstehen oft Heuhaufen ohne Nadeln.
- Daten_Wildwuchs_Shutterstock_naqiewei Kopie
Kommt die Rede auf Datenqualität, haben viele Unternehmen ein schlechtes Gewissen. Das riecht nach einem großen Projekt mit unsicherem Return on Investment. Doch der Einsatz zahlt sich aus, sofern man ein paar Regeln im Auge behält. - 1. Gebot: Du sollst erkennen, dass du betroffen bist!
Datenbanken sind kein statisches Gebilde. Sie unterliegen ständiger Veränderung. Werden sie nicht gepflegt, schleicht sich Wildwuchs ein - durch falsches oder doppeltes Ablegen von Informationen etwa, durch unterschiedliche Schreibweisen, durch unkontrolliertes Zusammenführen von Datenbanken etc. Jedes Unternehmen ist betroffen. - 2. Gebot: Du sollst Verantwortliche für Datenqualität benennen!
Datenqualität ist nur zu haben, wenn es Mitarbeiter gibt, die ein Bewusstsein für die Wichtigkeit der Datenpflege haben und sich um diese Aufgabe dauerhaft kümmern. Dazu muss ein Hauptverantwortlicher ernannt werden, der in regelmäßigen Zeiträumen einen Blick auf die Datenqualität wirft, die Reports von Data-Quality-Tools auswertet und gegebenenfalls Handlungen einleitet. - 3. Gebot: Du sollst Deinen Datenschatz hüten und anreichern!
Die bereinigte Datenbank muss vor neuen Verschmutzungen geschützt werden. Dabei können Data-Quality-Werkzeuge helfen, die jeden neuen Datenbankeintrag prüfen. So lässt sich herausfinden, ob Datensätze schon einmal angelegt wurden (fehlertoleranter Dublettenabgleich), ob Name, Adresse etc. stimmen und die Angaben plausibel sind (Abgleich mit Referenzdatenbanken) oder ob Kunden oder Lieferanten Compliance-Bestimmungen verletzen (Abgleich mit Sanktionslisten). - 4. Gebot: Du sollst deine Daten zugänglich und leicht auffindbar machen!
Auch die bestgepflegte Datenbank nützt nichts, wenn die in ihr schlummernden Informationen im Bedarfsfall nicht schnell genug gefunden werden. Um das zeitnahe Auffinden von Datensätzen zu gewährleisten, bedarf es einer fehlertoleranten Suchfunktion, die in der Lage ist, selbst in riesigen Datenmengen die gewünschten Informationen schnell aufzuspüren. - 5. Gebot: Du sollst Datenqualitätsprozesse automatisieren!
Datenbanken beinhalten oft Hundertausende oder sogar Millionen von Datensätzen. Es wäre ineffizient, Aufgaben der Datenbereinigung und der laufenden Qualitätspflege manuell steuern zu wollen. Viele der genannten Prozesse und Aufgaben können mit entsprechender Software in serviceorientierten Architekturen (SOA) automatisiert ablaufen. - 6. Gebot: Du sollst Datenqualität als internationale Aufgabe begreifen!
Datenqualität wird mehr und mehr zur grenzüberschreitenden Herausforderung. Im Falle von Fusionen und Übernahmen müssen internationale Stammdaten miteinander in Beziehung gesetzt werden. Darüber hinaus weiten immer mehr Unternehmen ihren Einkauf auf weltweite Märkte aus. - 7. Gebot: Du sollst dich auf Expertenwissen stützen!
Es bringt nichts, Daten einfach durch ein Analysetool laufen zu lassen. Im Umgang mit Stammdaten ist Know-how gefragt. Das betrifft die grundsätzliche Zielstellung und Herangehensweise, die Parametrierung der operativen Prozesse, die Bewertung der Ergebnisse und das Installieren von Automatismen zur nachhaltigen Qualitätspflege. - 8. Gebot: Verbessere die Qualität deiner Daten schrittweise!
Datenqualitäts-Prozesse werden am besten erstmal in nur einem Bereich gestartet, und zwar dort, wo der Nutzen am größten ist. Dieses Vorgehen hat sich in der Praxis vielfach bewährt. So ergeben sich schon in kurzer Zeit messbare Erfolge im Kleinen, etwa im CRM-System. Zudem sorgt die Strategie der kleinen Schritte für Planungssicherheit. - 9. Gebot: Du sollst die Ziele deiner Datenqualitäts-Aktivitäten immer vor Augen haben!
Datenqualität dient letztlich dem einen großen Ziel, alle Prozesse im Unternehmen effizienter zu gestalten, um den Gewinn zu maximieren. Damit dieses große Ziel im kleinen Datenqualitäts-Alltag nicht aus den Augen gerät, empfiehlt es sich, unternehmensspezifische Messgrößen (Key Performance Indicators = KPIs) zu definieren. - 10. Gebot: Du sollst die Früchte hoher Datenqualität ernten!
Wer seine Kunden fehlerfrei anspricht, vermittelt Professionalität und Kompetenz, vermeidet Reklamationen oder gar Kündigungen und sorgt für überschaubare Prozesskosten. Wer saubere Kreditoren- und Materialstammdaten hat, verringert den Verwaltungsaufwand und ist in der Lage, Einkaufsprozesse zu optimieren und etwa Mengenvorteile konsequent auszuschöpfen.
Ungenügende Modelle
Zielgerichtete Analytics-Modelle folgen dem Grundsatz "so einfach wie möglich, so kompliziert wie nötig", das auch als "Prinzip der sparsamsten Erklärung" bekannt ist. Aus mehreren möglichen Erklärungen wird die einfachste ausgewählt, das heißt, diejenige mit den wenigsten Variablen und Hypothesen. Zu komplexe Modelle können rechenintensiv und instabil, während zu einfache Modelle ungenau sein können. In der Praxis kommen zu komplexe Modelle häufiger vor, als zu einfache.
Ein einziges, statt mehrere Modelle
Die mit Analytics zu lösenden Probleme sind oft komplex und lassen sich nicht immer durch ein einzelnes Modell lösen. Daher wählt man in der Praxis ein kombiniertes Vorgehen. Anstelle eines einzigen Modells werden mehrere parallel eingesetzt. Ein solches Hybrid-Modell löst Abweichungen und Widersprüche zwischen den Einzelergebnissen. Unter Zeitdruck ist es jedoch nicht immer möglich, mehrere Modelle parallel zu berechnen und zu konsolidieren. In solchen Fällen helfen Regeln, nach denen automatisch ein geeignetes Modell ausgewählt und ein einziges Ergebnis berechnet wird.
Unzweckmäßige Variablen
Die Wahl der Variablen kann fehlerhaftes Verhalten eines Analytics-Systems zur Folge haben. Zu wenige Variablen führen zu einem ungenauen Modell, zu viele Variablen zu unnötiger Modellkomplexität und -spezialisierung, genannt Overfitting. Falsche Variablen haben ein falsches Modell zur Folge. Die Auswahl der Variablen ist eine der zentralen Aufgaben eines jeden Analytics-Vorhabens. Der Grund: mit jeder zusätzlichen Variablen steigt neben der Modellkomplexität, die Menge der Daten, die es zu sammeln, bereinigen und analysieren gilt.
Fehlende Integration
Werden von Anfang an die Randbedingungen der IT-Landschaft nicht korrekt erfasst, kann dies zu fehlender Integration führen. Beispiele sind unterbrochene Datenflüsse infolge von Datensilos sowie fehlender oder fehlerhaft funktionierender Schnittstellen.
- Self-Service Analytics bauen die vorherrschende Rolle der Daten aus
Ähnlich wie sich die Landschaft der Business Intelligence von statischen Reports zur interaktiven Self-Service Daten verändert hat, so wandelt sich deren Herrschaft. Ansätze wie die Isolation der Daten in einem Unternehmen oder Neutralisation der gesamten Prozesse haben ausgedient. Unternehmen müssen lernen, was Führung bedeutet in einer Welt der Self-Service Analytics. Neue Prozesse und beste Methoden werden sich etablieren, um die Daten zu schützen, während Geschäftsleute ihre Antworten von den Daten bekommen. - Vermarkter und Verkäufer nutzen Social Intelligence
2014 haben Unternehmen erstmals angefangen soziale Daten ernsthaft analysiert. Im kommenden Jahr werden die Verantwortlichen aus diesem Potential ihren Vorteil ziehen. Durch das Beobachten von Online-Unterhaltungen von Beginn an, werden Unternehmen in der Lage sein, wann ein Thema beginnt ein Trend zu werden und worüber die Kunden reden. Soziale Analytics öffnen die Tür zu bedarfsgesteuerter Produktoptimierung. Und als weiteres Resultat wird dieser soziale Vorteil den Wettbewerb vermitteln, dass solche Unternehmen eine unheimliche Fähigkeit haben, in die Zukunft zu schauen. - Die Analytic-Kompetenzen innerhalb eines Unternehmens wachsen
Der heutige Datenanalyst ist vielleicht ein operativer Manager, ein Verantwortlicher der Lieferkette oder eine Vertriebsperson. Neue Technologien, die einfache Nutzung und Browser-basierte Analytics erlauben, lassen Menschen unmittelbar Geschäftsfragen beantworten, während Daten-Analysten weiterhin die komplexen und hochentwickelten Datenanalysen bearbeiten und die Ergebnisse in das Tagesarbeit einfließen lassen. Unternehmen, die diese Entwicklung als strategischen Vorteil erkennen, werden anfangen, den "Alltaganalysten" bei seiner Arbeit mit Daten, Werkzeug und Training zu unterstützen. - Nutzer-Communities im Bereich Software machen den Unterschied
Die Consumerization of IT ist nicht länger eine Theorie, sie ist Fakt. Menschen gebrauchen Technologie, die ihnen Spaß macht und Analyse-Software gehört dazu. Der Wunsch, sich im Unternehmen und außerhalb mit anderen Nutzern auszutauschen und zu sprechen, nimmt enorm zu. Die Unternehmen, die diese Entwicklung unterstützen, haben eine wachsende Gemeinde. Und für potenzielle Kunden wie der Blick auf zufriedene und gesunde Produkt-Gemeinden zu einem wichtigen Entscheidungsaspekt auf dem überfüllten Marktplatz der Angebote.
Fazit
Der Einsatz von Analytics kann Organisationen helfen, ihre Wettbewerbsfähigkeit zielgerichtet zu steigern. Doch entsprechende Projekte sind anspruchsvoll und erfordern große Sorgfalt. Organisationen, die Analytics-Vorhaben in Angriff nehmen wollen, sollten sich deshalb folgende Hinweise auf die Fahne schreiben:
Analytics-Vorhaben konsequent auf die Unternehmensstrategie ausrichten
Business Case mit Nachweis des Returns on Investment erstellen
Analytics-Vorhaben auf ein relevantes Business-Problem fokussieren
Bottom-up und mit ausreichend Reserven planen
Keine Big-Bang-Einführung anstreben, sondern schrittweise vorgehen und Prototypen zur Validierung einsetzen
Aufwand zur Datensammlung und -bereinigung sorgfältig einplanen
Möglichst einfache Modelle anstreben: weniger ist mehr
Für komplexe Vorhaben: mehrere Modelle kombinieren
Variablen sorgfältig auswählen
Integration des Analytics-Systems in die IT-Landschaft frühzeitig beachten (bw)