Kommentar von Mathias Golombek, Exasol

Data Analytics – mehr Daten, mehr Zusammenhänge, mehr Intelligenz

| Autor / Redakteur: Mathias Golombek / Nico Litzel

Der Autor: Mathias Golombek ist CTO von Exasol
Der Autor: Mathias Golombek ist CTO von Exasol (Bild: Exasol)

Immer mehr Geschäftsentscheidungen basieren auf Daten. Das ist kein neuer Trend, sondern gelebte Praxis in den Unternehmen. Doch Daten sammeln allein ist noch keine Strategie und datenbasierte Reports sind nicht mehr als der Anfang eines langen Weges zu einer Data-driven Company. Über welche Schritte sollten Unternehmen jetzt nachdenken?

Das Wissen um die Bedürfnisse der Kunden, ihre Budgets und ihre Ziele sowie das Verständnis für die Dynamiken des Marktes sind schon immer die Grundlage eines jeden Geschäfts. Statistiken, Zusammenhänge und Entwicklungen stecken in Daten, die –gesammelt in Data Warehouses – regelmäßig ausgewertet, verglichen und als Entscheidungsgrundlage benutzt werden. Was sind das für Daten und wo kommen sie her?

Schon diese Frage nach dem Ist-Zustand lässt sich in den meisten Unternehmen nicht ad-hoc zufriedenstellend beantworten. Es werden eben die Daten benutzt, die sowieso – und das seit Jahren schon – erfasst werden, von den Kundendaten über Bestellungen bis hin zu Informationen aus der Supply Chain. Manchmal fließen noch Informationen über die Wettbewerber und Daten aus Marketing-Kampagnen ein. Doch unternehmensübergreifend und vorausschauend passiert zumeist wenig: In zahlreichen Unternehmen sind Datensilos entstanden, die Fachabteilungen nutzen eigene Datenpools – doppelte Datenhaltung, veraltete und ungenutzte Daten sind keine Seltenheit. So entstehen die wöchentlichen, täglichen oder sogar Echtzeit-nahen Reports nur auf der Basis eigener Daten, äußere Einflüsse und Entwicklungen werden unzureichend berücksichtigt, Trends oder gar disruptive Marktänderungen nur am Rande möglich.

Vom Daten sammeln zu Data-driven

Die um sich greifenden Schlagworte Data-driven, Data Science und Machine Learning mögen als Buzzwords daherkommen. Doch dahinter steckt genau das, was Unternehmen über das Daten sammeln hinaus führen soll: intelligent und vorausschauend nicht mehr reagieren, sondern datenbasiert proaktiv agieren. Dabei wird eben nicht mehr nur davon ausgegangen, welche Erkenntnisse man aus den vorhandenen Daten ziehen kann. Vielmehr steht das Ziel, die Vision oder die produktbezogene Fragestellung im Vordergrund, um davon ausgehend Analysemodelle zu entwickeln und die benötigten internen und externen Daten zu bestimmen.

Die Entwicklung einer Datenstrategie ist deshalb nicht nur ein theoretisches Konstrukt, sondern eine Notwendigkeit, wenn Datenanalysen effektiv und zielgerichtet eingesetzt werden sollen. Grob lässt sich der Weg hin zu einer solchen Datenstrategie in fünf Schritte untergliedern:

  • Den Ist-Zustand erfassen: Unternehmen sollten klären, welche Daten bereits erfasst werden, wo genau sie sich befinden und wer darauf Zugriff hat. Wichtig dabei ist es, die Verbindungen zwischen den verschiedenen Fachabteilungen herzustellen.
  • Eine Datenstrategie entwickeln: Die Datenstrategie definiert den Umgang mit Daten, deren Wert für die künftige Entwicklung des Unternehmens und die Möglichkeiten intelligenter Algorithmen. Welche Daten – aus bestehenden oder neuen Datenquellen – sind notwendig, um die Unternehmensstrategie zu stützen und künftige Entwicklungen zu beeinflussen? Wie lassen sich die Grundlagen für Machine Learning oder gar Künstliche Intelligenz schaffen?
  • Prozesse anpassen und automatisieren: Auf Basis dieser übergreifenden Datenstrategie müssen nun alle Prozesse genau unter die Lupe genommen werden, um sie zu automatisieren. Hierbei geht es um konkrete Abläufe und die Definition von Punkten, an denen der Prozess anhand von Daten eigenständig entscheiden kann. Spätestens hier zeigt sich, ob das Umdenken, welches mit der Datenstrategie theoretisch angefordert wird, den Weg in die Praxis findet. Denn wenn Prozesse selbst entscheiden sollen, brauchen sie sinnvolle Daten-Korrelationen und flexible nachgelagerte Abläufe.
  • Data Science etablieren: Die Prozessautomatisierung basiert auf Modellen und Algorithmen zur Daten-Analyse, die eben nicht mehr nur linear einfache Zusammenhänge zwischen verschiedenen Daten herstellt. Hinter Data Science steckt genau das: eine Wissenschaft, um aus Daten Korrelationen zu erfassen, die bisher entweder nicht möglich oder zu komplex waren. Dem muss die gesamte Unternehmenskultur und die Prozessarchitektur Rechnung tragen. Denn sind die Denkweise oder Prozesse zu starr, wird bei jedem unerwarteten Analyse-Ergebnis der Ablauf ins Stocken geraten, weil es keine Vorgabe gibt, wie weiter zu verfahren ist. Genau diese Offenheit aber ist die Voraussetzung für Machine Learning (ML), die in einem späteren Entwicklungsstadium vielleicht sogar in einer Künstlichen Intelligenz mündet. ML-Algorithmen lernen iterativ, indem sie trainiert und getestet werden. Ausgehend von einer Fragestellung nähern sie sich dieser Schritt für Schritt und entscheiden schließlich an einigen Stellen selbst, welche Daten sie benötigen oder welcher Prozessschritt der nächste sinnvolle ist. Solche Algorithmen können auf diese Weise viele Daten und Zusammenhänge einbeziehen und damit beinahe beliebig komplexe Modelle erschaffen. Die daraus entstehenden Entscheidungen sind zuweilen komplett andere, als die, die ein Mensch getroffen hätte.
  • Eine geeignete Infrastruktur schaffen: Neben allen organisatorischen und prozessualen Überlegungen benötigt die Analyse von Daten eine geeignete IT-Infrastruktur. Gerade wenn die Datenmengen wachsen sowie die Analyse-Modelle komplexer werden und dabei gleichzeitig der Anspruch auf Echtzeit- oder Predictive Analytics besteht, muss das Data Warehouse skalierbar, verfügbar und vor allem performant sein. Systeme, die auf klassischen, relationalen Datenbanken und diskbasierten Speichermedien basieren, stoßen in der Praxis an ihre Grenzen.

Im analytischen Bereich haben sich Datenbanken mit der schnelleren In-Memory-Technologie (IMDB) und Massive Parallel Processing (MPP) etabliert, wie beispielsweise die des Nürnberger Data-Analytics-Spezialisten Exasol. Durch die Nutzung des Hauptspeichers zur Beschleunigung entfällt der Performance-limitierende Diskzugriff auf die Daten, MPP sorgt für die Verteilung der Berechnungen auf mehrere Server und Cluster gleichzeitig. Die Integration mit anderen Infrastrukturteilen und Anwendungen sind bei der Wahl ebenso wichtige Kriterien, wie die Cloud-Readiness der Lösung.

Wie viel Demokratie brauchen Daten?

Je mehr ein Unternehmen sich als Data-driven versteht, umso wichtiger ist es, den Zugang zu den Daten und Analysen zu öffnen. Doch für wen zu öffnen? Ein vollständig Daten-demokratischer Ansatz – Zugriff für jeden auf alle Daten – lässt sich in einem Unternehmen aus verschiedenen Gründen nicht durchsetzen. Zum einen limitieren der Datenschutz und die Datensicherheit beispielsweise den Zugriff auf personenbezogene oder für den Finanzmarkt relevante Daten. Zum anderen ist nicht jeder Mitarbeiter ein versierter Data Scientist und läuft Gefahr, unpassende Daten zu nutzen oder Zusammenhänge fehl zu interpretieren.

Dennoch braucht eine Data-driven Company deutlich mehr Datenautonomie für jeden Mitarbeiter, als das heute üblich ist. Der Zugang zu den Daten, den Analysen und deren Visualisierung sollte vereinfacht werden und es den Mitarbeitern ermöglichen, selbstständig die für sie relevanten Daten auszuwerten und dabei aber auch übergreifende Insights aus anderen Fachbereichen zu bekommen. Die Anbindung neuer, auch externer Datenquellen sollte einfach möglich sein, dabei aber transparent gemacht werden müssen. So ist es dann auch logisch, dass eine Datenstrategie niemals zu Ende geplant ist, sondern dauerhaft anpassungsfähig und visionär zugleich sein muss.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 46005641 / Analytics)