Kommentar von Harald Huber, Amentis Solutions BI der Zukunft – Zahlen für alle!

Von Harald Huber |

Anbieter zum Thema

Seine Data- und Analytics-Trends für 2021 hat das Research-Unternehmen Gartner unter den Eindrücken der Corona-Pandemie formuliert. Auch hier – wenn wundert es – lassen sich Spuren der die Krise deutlich erkennen. So stehen solche Ansätze und Technologien im Fokus, die helfen, sich in einer VUCA-Welt zurechtzufinden und die sich bietenden Chancen zu nutzen: Künstliche Intelligenz wird nicht nur smarter, sondern auch skalierbar und berücksichtigt zunehmend ethische Aspekte, Graph-Technologien verbreiten sich weiter und die Bedeutung der Edge nimmt zu.

Der Autor: Harald Huber ist Geschäftsführ von Amentis Solutions
Der Autor: Harald Huber ist Geschäftsführ von Amentis Solutions
(Bild: Amentis Solutions)

Bei den Trends geht es allerdings nicht nur um noch mehr Performance, um noch elaboriertere Verfahren. Es geht vor allem um die Frage, welchen Impact Daten und Analysen tatsächlich haben. Das drückt sich zum Beispiel in der Annahme aus, dass Daten und Analysen zu zentralen Business-Funktionen werden. Und in diesem Zusammenhang ist es nur folgerichtig, wenn sich neben Big Data auch Small Data etabliert – es geht nicht nur um Quantität, sondern auch um Qualität.

Aus unserer Sicht ist der wichtigste von Gartner ausgemachte Trend die Entwicklung zu besser konsumierbaren Daten und Analysen. Denn unser Eindruck aus zahlreichen Projekten bei Unternehmen ist: In den zurückliegenden Jahren hat die technologische Analytics-Leistung enorm zugenommen. Die Art und Weise, wie Ergebnisse genutzt werden, hat sich dagegen kaum geändert. Einerseits sind längst Anwendungen für Predictive Analytics (Was wird passieren?) und Prescriptive Analytics (Wie lässt sich die Zukunft beeinflussen?) vorhanden. Andererseits bleiben die Ergebnisse von Descriptive Analytics (Was ist passiert) und Diagnostic Analytics (Warum ist es passiert?) vergleichsweise folgenlos. Wer aber den Aufbau einer Data-driven Company anstrebt, sollte unbedingt in der Lage sein, die aus Daten gewonnenen Informationen in Wissen zu konvertieren und dieses als Grundlage für Entscheidungen und Aktivitäten zu nutzen.

Excel-Reports und Dashboards

Um zu verstehen, woran es aktuell noch hakt, lohnt sich ein Blick auf die Praxis in vielen Unternehmen. Nach wie vor herrscht hier häufig eine klare Aufgabenteilung: Das Management und die Fachbereiche formulieren ihren Analysebedarf, das Controlling beziehungsweise entsprechend qualifizierte Werksleiter oder Mitarbeiter aus dem Vertriebsinnendienst liefern regelmäßig Reports – gerne als üppige Excel-Tabelle. Was mit den Ergebnissen geschieht? Who cares! In vielen Fällen sind auf dieser Weise über die Jahre Reporting-Routinen entstanden, die viel Aufwand verursachen und wenig Effekt haben.

Mit dem Aufkommen von Dashboards hat sich dieser Missstand ein wenig verbessert. Das liegt vor allem daran, dass die Anwender aus Management und Fachbereichen dank einer konfigurierbaren Oberfläche einen besseren Überblick über die für sie relevanten Analysen gewinnen. Außerdem werden die Ergebnisse visualisiert, was sie unmittelbarer verständlich macht. Perfekt ist die Situation dennoch nicht. Denn an der Abhängigkeit der Daten-Nutzer von den Daten-Aufbereitern ändert sich mit dem Einsatz der üblichen Analytics-Tools erst einmal nichts. Mitarbeiterinnen und Mitarbeiter aus der IT müssen im Backend die unterschiedlichen Datenquellen anbinden und die erforderlichen Datenmodelle aufbauen. Controlling-Mitarbeiterinnen und -Mitarbeiter müssen über das komplexe Frontend die gewünschten Auswertungen durchführen. Und weil die Expertinnen und Experten einen entscheidenden Engpass darstellen, lässt sich Agilität kaum oder gar nicht erreichen.

Aufgrund der limitierten Ressourcen wählen Unternehmen oft einen One-size-fits-all-Ansatz: Damit alle Anwender zu ihrem Recht kommen, wird das Dashboard mit Ergebnissen überfrachtet. Auf Kosten von Übersichtlichkeit und inhaltlicher Relevanz. Zwar ist theoretisch möglich, dass jede und jeder Einzelnen ein Dashboard nach den individuellen Vorstellungen anpasst. In der Praxis scheitert das aber oft an unterschiedlichen Aspekten – an in der Produktion nicht vorhandenen PC-Arbeitsplätzen, an einem unflexiblen Berechtigungssystem oder an hohen Lizenzkosten.

Demokratisierung durch Empowerment

Als Reaktion auf diese Lage wird seit einiger Zeit die Idee einer „Data Democratization“ debattiert. Gemeint ist damit die Teilhabe aller Mitarbeiterinnen und Mitarbeitern am Potenzial, das in Daten steckt. Zwar lässt sich darüber streiten, wie glücklich die Verwendung eines politischen Begriffs ist. Schließlich ist die Motivation für die Demokratisierung nicht besonders altruistisch, sondern in erster Linie egoistisch – Mitarbeiterinnen und Mitarbeiter sollen mehr Teilhabe erhalten, damit sie für das Unternehmen bessere Ergebnisse erzielen. Dass der Weg für das Business aber der vollkommen richtige ist, steht nach unserer Auffassung außer Zweifel. In einer Data-driven Company müssen alle internen Stakeholder zu „Data Citizens“ werden, als solche autonom mit Daten umgehen können und die Ergebnisse routinemäßig nutzen.

Aus technologischer Sicht lassen sich die Voraussetzungen für dieses Empowerment leicht schaffen. Es gibt eine ganze Reihe von performanten und ziemlich komfortablen Lösungen, die Self-Services bereitstellen, über die auch Anwenderinnen ohne dezidierte IT- und Statistikkenntnisse Daten eigenständig und nach den individuellen Anforderungen zu analysieren können. SAP bietet etwa die SAP Analytics Cloud an, Microsoft hat Power BI im Portfolio. Verbreitet sind außerdem Qlik von Victa sowie die Anwendungen von Tableau. Der Nachteil: Die proprietäre Software ist nicht ganz günstig. Das gilt vor allem dann, wenn viele Lizenzen beziehungsweise Log-ins für viele Mitarbeiterinnen und Mitarbeiter benötigt werden. Eine interessante Alternative sind daher Open-Source-Anwendungen wie Kibana von Elastic oder Apache Superset. Funktional kann solche Open-Source-Software mühelos mit den kommerziellen Lösungen mithalten. Beim Komfort hakt es aber ein wenig. Damit sind die Anwendungen für Nutzer ohne spezifischen Hintergrund weniger gut zugänglich. Und das steht einer Demokratisierung im Weg.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Vor diesem Hintergrund ist unsere DXS-Plattform entstanden: Sie kombiniert unterschiedliche Open-Source-Software und führt sie unter einer gemeinsamen Oberfläche zusammen. Die Anbindung von Datenquellen und der Aufbau von Datenmodellen ist damit nach wie vor Sache der IT-Abteilung oder Data Scientist. Die Self-Services sind aber für alle Mitarbeiterinnen und Mitarbeiter nutzbar, um eigenständig Analysen auszuführen.

Data Governance setzt Rahmen

Um noch einmal die politische Sphäre zu bemühen: Damit eine Demokratie funktioniert, ist ein Mindestmaß an verbindlichen Regeln erforderlich. Sie dienen zum einen als Konvention, an der sich alle orientieren können. Zum anderen sind sie ein Maßstab, nach dem Verhalten beurteilt werden kann. Im Data- und Analytics-Kontext übernimmt das eine Data Governance. Aus unserer Sicht ist das Regelwerk ein zentraler Erfolgsfaktor für den Aufbau einer Data-driven Company, weshalb wir Unternehmen in Projekten immer dazu raten, frühzeitig eine entsprechende Strategie zu entwerfen und zu verankern.

Wie eine Data Governance im Detail ausformuliert wird, hängt sehr von der individuellen Situation jedes Unternehmens und vor allem dessen Business-Strategie ab. Orientierung bieten dabei zum Beispiel die sechs Dimensionen, die das Konsortium DEMAND (Data Economics and Management of Data driven business) veröffentlicht hat:

  • Assets: Wenn Daten als Vermögenswert (Asset) betrachtet werden, muss festgelegt sein, wie der Wert definiert und identifiziert wird.
  • Compliance: Beim Umgang mit Daten müssen rechtliche Vorgaben zum Datenschutz berücksichtigt werden – zum Beispiel die DSGVO oder bestimmte Aufbewahrungsfristen.
  • Security: Neben dem Datenschutz geht es auch um die Datensicherheit – also darum, dass Daten vor Verlust, Manipulation und Zugriff durch Unbefugte geschützt werden.
  • Architecture & Tools: Der Aufbau und die Ausführung von Data Governance kann durch Software unterstützt werden.
  • Processes: Für den Umgang mit Daten sind Prozesse erforderlich, die beispielsweise sicherstellen, dass Daten richtig bewertet und rechtliche Vorgaben eingehalten werden.
  • Roles, Tasks & Responsibilities: Damit eine Data Governance im Unternehmen greift, müssen Rechte und Pflichten klar geregelt sein.

Fazit

Unternehmen können mithilfe von geeigneten Technologien und einer passenden Data Governance dafür sorgen, dass Daten und Analysen besser konsumierbar sind. Nach unserer Erfahrung ist das ein wesentlicher Schritt zu einer Data-driven Company.

Artikelfiles und Artikellinks

(ID:47527006)