Bimodale BI im DAX-Konzern

Data Lab als Bindeglied zwischen Corporate BI und Business

| Autor / Redakteur: Jörn Ebbers / Nico Litzel

Abb. 1: Das Data Lab als Mittler in einer BI-Welt der zwei Geschwindigkeiten: Vergleichbar mit einem Zahnrad übersetzt es die hohe Drehzahl der „schnellen“ Fachbereiche in die Geschwindigkeit der „langsamen“ Corporate BI.
Abb. 1: Das Data Lab als Mittler in einer BI-Welt der zwei Geschwindigkeiten: Vergleichbar mit einem Zahnrad übersetzt es die hohe Drehzahl der „schnellen“ Fachbereiche in die Geschwindigkeit der „langsamen“ Corporate BI. (Bild: Oraylis)

Weltweit sehen sich Unternehmen mit der Herausforderung konfrontiert, klassische BI-Lösungen und agile Self-Service-Ansätze unter einem Dach zu vereinen – kein einfaches Unterfangen, stehen sich hier doch vollkommen unterschiedliche Denk- und Vorgehensweisen gegenüber. Ein großer deutscher Konzern hat diese Aufgabenstellung mit Hilfe eine Data Labs gelöst, das als eigenständige Abteilung zwischen Corporate BI und Fachabteilungen angesiedelt ist.

Die Dynamik moderner Märkte verlangt von Unternehmen immer schnellere, möglichst datenbasierte Entscheidungen. Infolgedessen nutzen viele Fachbereiche das breitgefächerte Angebot an Self-Service-Werkzeugen und Cloud-Diensten, um eigene, „kleine“ Analyselösungen – vorbei an der unternehmenseigenen BI-Abteilung – aufzubauen. Diese sogenannte Schatten-BI birgt bekanntlich erhebliche Risiken, wie etwa den Verlust einheitlicher Unternehmenskennzahlen. Darüber hinaus führt der Mangel an Transparenz zu einer Kluft zwischen unternehmensweiter BI-Lösung und den Fachabteilungen – eine Kluft, die sich nicht ohne Weiteres schließen lässt, da beide Parteien ganz unterschiedliche Kulturen und Ziele verfolgen.

Für den erforderlichen Brückenschlag zwischen den beiden BI-Welten kann ein Data Lab sorgen, wie das Beispiel eines führenden DAX-Konzerns zeigt. In dem konkreten Fall fungiert das Data Lab als Ort der Innovation sowie kommunikative Schnittstelle. Es bildet damit das Kernstück einer bimodalen BI, die die Vorteile traditioneller und moderner Ansätze miteinander verbindet. Gleichzeitig hat das Data Lab dem Unternehmen dabei geholfen, die typischen Hürden bei der Umsetzung eines bimodalen Modells zu überwinden.

Herausforderungen der bimodalen BI

Grundidee des bimodalen Ansatzes ist es, die IT des Unternehmens bewusst in zwei Bereiche zu teilen. Auf der einen Seite stehen die stabilen und zuverlässigen Kernsysteme der Corporate BI mit langfristigen Entwicklungszyklen. Die andere Seite bilden experimentelle, agile Vorgehensweisen und Applikationen, die sich gezielt an aktuellen Business-Fragen orientieren. Auf diese Weise erhalten beide Welten ausreichend Raum und Beachtung. Das Szenario einer Schatten-BI wird weitestgehend vermieden. Im Idealfall kann das Unternehmen von den Vorteilen beider Ansätze profitieren.

So viel zur Theorie. In der Praxis mehren sich die warnenden Stimmen – denn: Eine IT der zwei Geschwindigkeiten wird von den betroffenen Mitarbeitern auch schnell als „Zwei-Klassen-IT“ wahrgenommen. Und wer möchte da schon zu den „Langsamen“ gehören? So kann die Trennung der Abteilung in zwei Lager zu einer Konkurrenzsituation unter Kollegen führen, die der unternehmensweiten Datenkultur eher abträglich ist. Zudem setzt sich die Gruppe der „Schnellen“ nach wie vor aus IT-Mitarbeitern zusammen. Diese sind nunmehr gefordert, ihren Fokus vom System auf den Nutzer bzw. den Kunden umzulenken.

Genau an diesen Kritikpunkten setzt das Data Lab des DAX-Konzerns an. Es soll als eigenständige Instanz die Entwicklung von Innovationen ermöglichen, befördern und moderieren. Wie ein Zahnrad übersetzt es die hohe Drehgeschwindigkeit der Fachabteilungen in das moderate Tempo der klassischen BI (Abb. 1). Entsprechend wurde das Data Lab auch nicht in der IT angesiedelt. Vielmehr handelt es sich um eine eigene Abteilung, die als Schnittstelle zwischen IT und den Fachbereichen dient.

Vorgehensweise im Data Lab

Ziel eines Data Labs ist es, gemeinsam mit den Fachbereichen Mehrwerte und Innovationen aus den Unternehmensdaten herauszuarbeiten und möglichst schnell bereitzustellen. Dabei können die Vorgehensweisen differieren. In unserem Beispiel verproben die Verantwortlichen vielversprechende Anwendungsfälle umgehend mit Protottypen. Bewähren sich die Prototypen, werden diese zu einem „Minimum Viable Product“ (MVP) – also einer ersten funktionsfähigen Iteration – ausgebaut und Schlüsselanwendern in den Fachbereichen zur Verfügung gestellt. Auf diese Weise erhält das Data-Lab-Team umgehend eine erste Rückmeldung.

Abb. 2: Agile Entwicklungsprozesse sorgen im Data Lab für deutlich kürzere Feedback-Schleifen mit den Fachbereichen. Dadurch steigt die Lernkurve beim Aufbau neuer Lösungen exponentiell.
Abb. 2: Agile Entwicklungsprozesse sorgen im Data Lab für deutlich kürzere Feedback-Schleifen mit den Fachbereichen. Dadurch steigt die Lernkurve beim Aufbau neuer Lösungen exponentiell. (Bild: Oraylis)

In kurzen Abständen werden weitere Feedback-Schleifen durchgeführt, um das MVP kontinuierlich zu ergänzen und zu stabilisieren. So lassen sich immer mehr Nutzer-Anforderungen aufnehmen und zeitnah umsetzen. In diesem Kontext wird auch von einer exponentiellen Verbesserung gesprochen. Beträgt der Release-Zyklus beispielsweise nur noch zwei Wochen statt einem Jahr, dann kann 26 Mal im Jahr frisches Feedback und Wissen in die neue Lösung einfließen. Gelingt es, diese Lieferintervalle noch weiter zu verkleinern, steigt die Lernkurve exponentiell (Abb. 2).

Die Verantwortlichen verfeinern die Lösung so lange, bis alle gewünschten Anforderungen umgesetzt sind und belastbare Ergebnisse erzielt werden. Ist dieser Punkt erreicht, wird die Lösung gemeinsam mit der Corporate BI operationalisiert – sprich: Sie wird in die unternehmensweite BI-System überführt und hinsichtlich Themen wie Governance, Zuverlässigkeit, Skalierbarkeit und Wiederverwendbarkeit ausgebaut.

Rollen im Innovationsprozess

Den vielfältigen Aufgabenstellungen entsprechend, wird das Data-Lab-Team des Konzerns mit unterschiedlichen Rollen besetzt, die jeweils über einen ganz eigenen Background verfügen. Da ist zum einen der Data Analyst, der eng mit den Fachbereichen zusammenarbeitet und die Anforderungen der Anwender zu verstehen hilft. Er besitzt analytische Fähigkeiten sowie ein tiefgehendes Verständnis der Geschäftsprozesse. Durch seine intensive und proaktive Kommunikation mit den Anwendern gewährleistet er eine enge Bindung zwischen Data Lab und Business. Zum anderen gibt es den Data Scientist, der die fachlichen Anforderungen in konkrete „Daten-Fragen“ übersetzt. Er erforscht die vorhandenen Daten nach Antworten auf die gestellten Anforderungen und entwickelt passende Modelle. Dies erfordert ein sehr ausgeprägtes analytisches Know-how.

Komplettiert wird das Data Lab durch den Data Engineer. Sein Background liegt in der Softwareentwicklung und dem Datenmanagement. Er stellt die Daten für die Tätigkeiten des Data Scientist bereit. Gleichzeitig achtet er in Zusammenarbeit mit den Data Architects der Corporate BI darauf, dass nirgends im Unternehmen autarke Datensilos in den Fachabteilungen entstehen. Im Weiteren bildet der Data Engineer die Schnittstelle zur Corporate BI. Er sorgt dafür, dass vorhandene Daten, Infrastrukturen und Konzepte bei neuen Lösungen die notwendige Beachtung finden. Auf diese Weise wird eine reibungslose Überführung und Skalierung der Modelle hin zur Corporate BI gewährleistet.

Technologische Infrastruktur

Von besonderer Bedeutung für ein funktionierendes Data Lab ist eine technologische Infrastruktur, die Corporate BI und Business gleichermaßen unterstützt. Der Markt bietet eine Fülle an Self-Service-Werkzeugen, mit denen Anwender schnell Modelle und Reports ohne Anbindung an die BI-Systeme erstellen können. Dabei sollte die Wahl auf Werkzeuge fallen, die sich homogen in das Ökosystem der Corporate BI integrieren lassen. So müssen die BI-Verantwortlichen die Ergebnisse von Fachanwendern und Data Lab nicht mehr komplett nachbauen, wenn sie diese übernehmen. Zudem ist die IT gefordert, ein separates Experimentierfeld einzurichten, das allen Beteiligten explorative Analysen auf den Unternehmensdaten ermöglicht, ohne laufende Prozesse zu behindern. Zu diesem Zweck eignen sich Sandboxes, die unter anderem auf die Rohdaten eines Data Lakes zugreifen.

In unserem konkreten Projekt verfolgen die Verantwortlichen eine Cloud-Strategie auf Basis von Microsoft Azure. Die BI-Abteilung baut alle ihre Systeme in der Cloud auf, wobei unterschiedliche Ansätze und Dienste genutzt werden. Für business- bzw. datengetriebene Projekte wird indes ein Data Lake über die Cloud zur Verfügung gestellt, der allen Beteiligten einen Zugriff auf die Unternehmensdaten erlaubt. Als Self-Service-Werkzeug für die Fachanwender dient Power BI. Durch den Einsatz der Cloud-Technologien können experimentelle Umgebungen – wie Sandboxes – für das Data Lab flexibel bereitgestellt werden. Da die Microsoft-Dienste ineinandergreifen, lassen sich Self-Service-Erkenntnisse wie auch verprobte Modelle nahezu verlustfrei zwischen den Umgebungen verschieben und ausbauen.

Ein Beispiel: Ein Fachanwender hat eine akute Anforderung und löst diese selbstständig in Power BI. Besitzt dieser Ansatz unternehmensweite Relevanz, dann wird er vom Data Lab übernommen, mit weiteren Mehrwerten angereichert und einem größeren Nutzerkreis zugänglich gemacht. Dabei kann das Datenmodell aus Power BI exportiert und mit Azure Analysis Services auf eine leistungsfähigere Grundlage gestellt werden. Schließlich wird das erweiterte Modell zwecks Skalierung an die Corporate BI übergeben. Dort lässt es sich in vorhandene BI- bzw. Big-Data-Architekturen integrieren.

Wie sich zeigt, bieten die experimentellen Umgebungen viele Freiheitsgrade bei der schnellen Entwicklung und Bereitstellung von Modellen. Daher ist es wichtig, dass die Nutzer stets die technische Umsetzbarkeit im Rahmen der Corporate BI im Blick behalten. Wer der Geschwindigkeit wegen „technische Schulden“ ansammelt, der muss – wie bei finanziellen Schulden – die Zinslast tragen können. Bei einer zu hohen Zinslast kann die geregelte Überführung in die unternehmensweiten BI-Lösungen zum unüberwindbaren Hindernis werden.

Kollaboration befördern

Die Self-Service-Werkzeuge haben in den Fachbereichen des Konzerns eine hohe Dynamik erzeugt. Daher wurden Instanzen geschaffen, die die Entwicklungstätigkeiten der Anwender kontrollieren. Nach dem Motto „Angriff ist die beste Verteidigung“ sind diese Maßnahmen darauf ausgelegt, die Fachbereiche bei der Arbeit an ihren Lösungen zu unterstützen. Auf diese Weise behält das Data-Lab-Team nicht nur den Überblick über laufende Aktivitäten. Ebenso kann es auf Fehler hinweisen und den eingeschlagenen Weg justieren, wofür auch die Fachbereiche dankbar sind. Zu den konkreten Formaten in diesem Kontext gehören Hackathons, Innovation Labs und Walk-in Sessions.

Hackathons werden genutzt, um ein bereits bekanntes Thema in einer vorgegebenen Zeit –idealerweise einigen Stunden bis wenigen Tagen – zu bearbeiten. Ein oder mehrere interdisziplinäre Teams aus Corporate BI, Data Lab und Fachbereich erarbeiten zunächst die Bedürfnisse, Erwartungen und Motive hinter dem konkreten Anwendungsfall. Mithilfe dieser Erkenntnisse werden zunächst Mockups und schließlich erste Prototypen erstellt. Vorteil des Hackathons ist, dass sowohl die Anwender als auch die IT unmittelbar Einfluss auf die Prototyp-Entwicklung nehmen können. Auf diese Weise wird eine reibungslose Überführung hin zur Corporate BI sichergestellt.

Während beim Hackathon das Thema bereits vorliegt, geht es beim Innovation Lab darum, neue Ideen und Anwendungsfälle zu erarbeiten. Dabei verschaffen sich die Beteiligten – wiederrum aus verschiedenen Abteilungen stammend – zunächst einen Überblick über aktuelle Markttrends und Herausforderungen. Danach werden mittels Kreativmethoden wie Design Thinking konkrete Ideen gesammelt. Lohnenswerte Ansätze werden detailliert ausgearbeitet und nach technischer Machbarkeit und fachlichem Nutzen bewertet. Auf dieser Basis entscheiden die Beteiligten dann, ob der Anwendungsfall – etwa im Rahmen eines Hackathons – als Prototyp weiterentwickelt wird.

Da die Intervalle zwischen Hackathons und Innovation Labs der Geschwindigkeit der Anwender nicht vollständig gerecht werden, hat der Konzern noch ein weiteres Format geschaffen: die Walk-in Session. Hier können sich die Fachanwender zu festen Zeiten über ihre aktuellen Entwicklungen mit den Data-Lab-Experten beraten. Durch den direkten Austausch erhält der Anwender unmittelbares Feedback zu akuten Problemstellungen. Im Gegenzug erfährt das Data-Lab-Team, wo gerade Entwicklungen stattfinden.

Akzeptanz und Transparenz durch Kommunikation

Darüber hinaus hat das Unternehmen verschiedene Maßnahmen ins Leben gerufen, die die Kommunikation zwischen Corporate BI, Data Lab und Fachbereich befördern. Hierzu zählen regelmäßige Release Events, die zu einem besseren Verständnis neuer Lösungen beitragen. Jede neue Funktion wird anhand von Live-Demos ausführlich vorgestellt. Die potenziellen Nutzer haben daraufhin die Möglichkeit, elementare Fragen zur Bedienung direkt zu klären. Das steigert die Akzeptanz für die Neuerungen und stellt deren Erfolg sicher. Gleiches gilt für den Einsatz sozialer Medien. Regelmäßig gewähren die Beteiligten im unternehmenseigenen Intranet offene Einblicke in ihren Projektalltag, was die Sensibilität für die Herausforderung des jeweils anderen schärft. Als Formate werden neben Textbeiträgen und Bildern auch Videos genutzt.

Schließlich verfügt das Data Lab noch über einen sogenannten Development Blog. Hier werden in der Entwicklung befindliche Lösungen diskutiert. Entsprechend können Fachanwender schon vor der Umsetzung ihr Feedback geben und einen inhaltlichen Beitrag leisten. Gleichzeitig wird die Entscheidungsfindung für einen spezifischen Lösungsweg transparent gemacht, was die Akzeptanz bei den künftigen Nutzern weiter fördert.

Trotz aller Maßnahmen der Kollaboration und Kommunikation erscheint es sinnvoll, einen Überblick über die Gesamtheit aller Entwicklungen in Corporate BI, Data Lab und Fachbereichen zu schaffen. Zu diesem Zweck nutzt der Konzern einen sogenannten Data Catalog – sprich: einen unternehmensweiten Katalog mit allen Metadaten. Speziell Intransparenzen bei den Kennzahlen lässt sich auf diese Weise effektiv vorbeugen. Der Data Catalog ist für alle Nutzer zugänglich und unterstützt somit die Erfassung und Weitergabe undokumentierten Wissens.

Fazit

Die Kritikpunkte an einer bimodalen BI sind durchaus berechtigt – aber sie sind nicht unüberwindbar. Das zeigt unser Data-Lab-Beispiel. Durch die organisatorische Trennung von Corporate BI und agiler Entwicklung werden abteilungsinterne Konkurrenzkämpfe weitestgehend vermieden. Die interdisziplinäre Zusammensetzung des Data Labs sorgt dafür, dass die konträren Zielvorstellungen gleichberechtigt behandelt und gemeinschaftlich zusammengeführt werden. Auf diese Weise kann der Konzern seinem Innovationsbedarf gerecht werden und sich gleichzeitig auf die validen Fakten einer qualitätsgesicherten BI stützen.

Allerdings zeigt das Projekt auch, dass Unternehmen diverse Aspekte beachten müssen, damit ein Data Lab erfolgreich ist. Es bedarf klar definierter Prozesse genauso wie klar definierter Rollen. Letztere gilt es, in Zeiten des massiven Fachkräftemangels möglichst kompetent zu besetzen. Ebenso werden Unternehmen ihre Scheu vor der Cloud endgültig ablegen müssen – denn: Nur Cloud-Dienste ermöglichen eine schnelle und flexible Bereitstellung von Ressourcen, die für die experimentellen Ansätze im Data Lab unverzichtbar ist. Nicht zuletzt bedarf es gewisser Rahmenbedingungen und kommunikativer Maßnahmen, um auch in dieser Konstellation den Überblick zu behalten und einen Wildwuchs an autarken Business-Lösungen weiter zu verhindern.

Natürlich kann dies zu beträchtlichen Aufwänden führen. Aber was wäre die Alternative? Letztendlich kann es sich kein Unternehmen erlauben, das Innovationsstreben seiner Fachabteilungen einzudämmen oder gar zu stoppen. Eine dauerhafte Verzahnung der unterschiedlichen Entwicklungsgeschwindigkeiten erscheint somit unumgänglich. Insofern bildet das Data Lab als Bindeglied zwischen Corporate BI und Business sicherlich einen sinnvollen und gangbaren Weg.

Ergänzendes zum Thema
 
Der Autor

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: 45490194 / Analytics)