McKinsey attestiert gravierende Schwachpunkte

Effektivität durch Data Analytics? Fehlanzeige!

| Autor / Redakteur: Otto Geißler / Nico Litzel

Das Management verfügt häufig über keine klaren Vorstellungen, was Datenanalysen bewirken sollen. So fehlt es beispielsweise am Verständnis für den Unterschied zwischen traditioneller Analytik (Business Intelligence und Reporting) und fortgeschrittener Analytik.
Das Management verfügt häufig über keine klaren Vorstellungen, was Datenanalysen bewirken sollen. So fehlt es beispielsweise am Verständnis für den Unterschied zwischen traditioneller Analytik (Business Intelligence und Reporting) und fortgeschrittener Analytik. (Bild: © Bulat - stock.adobe.com)

Beim Einsatz von Data Analytics kommen die Berater von McKinsey zu einem vernichtenden Urteil: Nur acht Prozent der Unternehmen können ihre Lösungen wirksam skalieren. Laut dem Befund der Berater liegen die Probleme nicht nur im technologischen, sondern auch im organisatorischen Bereich.

Die Erwartungshaltungen des Managements sind hinsichtlich Data Analytics, so beobachteten die Berater von McKinsey, sehr hoch gesteckt. Gleichzeitig fällt der Nutzen für die meisten Unternehmen noch relativ gering aus. Das bedeutet, nur rund jeder Zwölfte von 1.000 Managern, das sind lediglich acht Prozent, skaliert die Data-Analytics-Maßnahmen effektiv.

In der Studie „Ten red flags signaling your analytic program will fail“ identifiziert McKinsey die größten Fehler und Problemstellungen und gibt darüber hinaus wertvolle Vorschläge, wie sie erfolgreich gelöst werden können. CEOs, die auf die genannten Hinweise reagieren, könnten, so versprechen es die McKinsey-Berater, ihre Ergebnisse nur in zwei oder drei Jahren drastisch verbessern.

Zielsetzungen und Visionen fehlen

Problem: Das Management verfügt über keine klaren Vorstellungen, was Data Analytics bewirken soll. Es fehlt beispielsweise an dem Verständnis für den Unterschied zwischen traditioneller Analytik (Business Intelligence und Reporting) und fortgeschrittener Analytik (leistungsfähige prädiktive und präskriptive Instrumente wie zum Beispiel Machine Learning). Die Berater von McKinsey stellten vielfach fest, dass das zusammengestellte Analytik-Team nicht an den eigentlichen Problemen arbeitet und zudem oft nicht in der Lage ist, die neuesten Tools und Techniken einzusetzen.

Lösung: McKinsey empfiehlt die Einrichtung von Workshops für das Führungsteam, um Missverständnisse zu beseitigen. Diese Workshops könnten auch die Basis für spätere interne „Akademien“ bilden, die unter anderem Analytik-Konzepte erarbeiten.

Wert der Use Cases wird nicht bestimmt

Problem: Das Führungsteam hat es versäumt, die Machbarkeit genau zu bewerten oder den Geschäftswert zu berechnen, den die definierten Use Cases letztlich generieren sollen.

Lösung: Unternehmen, die sich noch in der Anfangsphase der Skalierung von Analytik-Anwendungsfällen befinden, empfiehlt McKinsey drei bis fünf realisierbare Anwendungsfälle en detail zu durchdenken, die innerhalb des ersten Jahres schnell einen Optimalen Wert erreichen können. Dies wird nach Meinung der Berater wichtige Impulse geben und den Einstieg in zukünftige Analytik-Investitionen unterstützen. Dabei hilft eine Analyse der gesamten Wertschöpfungskette des Unternehmens. Das heißt, vom Lieferanten über den Einkauf bis hin zum After-Sales-Service.

Für die Prüfung der Machbarkeit sollten zum Beispiel folgende Fragen beantwortet werden: Sind die für den Anwendungsfall benötigten Daten zugänglich und von ausreichender Qualität? Welche spezifischen Prozessschritte müssten für einen bestimmten Anwendungsfall geändert werden? Sollte sich auch das an diesem Prozess beteiligte Team ändern? Was könnte mit minimaler Unterbrechung geändert werden?

Es existiert keine Strategie

Problem: Unternehmen identifizieren zwar mehrere potenzielle Fälle, für die eine Technologie einen Mehrwert bringen würde, aber es existiert jedoch keine Strategie, wie man mit Analytik über diese spezifischen Situationen hinaus einen Wert schaffen könnte.

Lösung: Es sind drei entscheidende Fragen, die das Analytik-Team den Geschäftsführern des Unternehmens stellen müssen: Welche Bedrohungen stellen Technologien wie Künstliche Intelligenz (KI) und Advanced Analytics für das Unternehmen dar? Welche Möglichkeiten bieten solche Technologien, das Bestandsgeschäft zu optimieren? Wie können wir Daten und Analysen nutzen, um neue Chancen für das Geschäft zu erschließen?

Zuständigkeiten nicht klar definiert

Problem: Die Funktion eines „Data Scientist“ kann viele Tätigkeiten und Aufgaben umfassen. Laut McKinsey ist das wenigen Führungskräften bekannt.

Lösung: Die Stellenbeschreibungen für alle Data-Analytics-Aufgaben müssen im Detail verfasst werden. Ein unmittelbarer nächster Schritt erfasst die Bestandsaufnahme aller Mitarbeiter des Unternehmens, die diese Anforderungen erfüllen könnten. Im darauffolgenden Schritt können die restlichen Stellen durch externe Einstellungen besetzt werden.

Analytics nicht im Kerngeschäft integriert

Problem: Die Berater von McKinsey beobachteten, dass Unternehmen, die Data Analytics mit nachhaltigem Erfolg einsetzen, auch Analysefunktionen für ihr Kerngeschäft integriert haben. Denn Unternehmen, denen es Schwierigkeiten bereitet, durch Analytik Werte zu schaffen, neigen ebenfalls dazu, Analysefunktionen isoliert zu entwickeln. Das heißt, entweder zentralisiert, weit vom Geschäft entfernt oder in sporadischen Projekten schlecht koordinierter Silos.

Lösung: Für breit angelegte Analytics-Initiativen eignen sich laut McKinsey meist hybride Organisationsmodelle. Das bedeutet, in den Teams sollten talentierte Profis sowohl von der Geschäftsseite als auch von der Analyseseite stammen. Bei der Initiierung von Data Analytics könnte es nach Ansicht der Berater auch sinnvoll sein, zentral zu arbeiten, da es einfacher ist, ein Team zentral aufzubauen. Allmählich könne man dann, wenn das Unternehmen leistungsfähiger wird, die zentralistische Komponente in eine moderierende Rolle transformieren und so den agilen Teams mehr Autonomie gewähren.

Data Cleansing wird falsch verstanden

Problem: Die McKinsey-Berater stellten fest, dass Unternehmen das Thema Data Cleansing falsch angehen. Bis zu 70 Prozent der Budgets werden auf diese Weise verschwendet. Die Berater erkannten hierzu eine Tendenz bei Geschäftsführern, möglichst alle verfügbaren Daten bereinigen zu wollen, bevor Analytik-Initiativen beginnen sollten.

Lösung: Vor dem Start einer Data-Cleansing-Initiative ist zu klären, welche die wichtigsten Use Cases sind und welche Daten dafür bereitgestellt werden müssen. Das heißt, bei der Bewertung von Initiativen für Data Cleansing sollte nicht zuerst „in Daten gedacht“, sondern immer dazu die wertvollsten Anwendungsfälle fokussiert werden. Gleichzeitig sollten die Verantwortlichen an einer sogenannten Data-Ontologie (Inferenz- und Integritätsregeln für Schlussfolgerungen) und einem Stammdatenmodell arbeiten.

Geeignete Analytics-Plattformen fehlen

Problem: McKinsey entdeckte bei den Unternehmen immer wieder den Irrglauben, dass ältere IT-Systeme in Data-Analytics-Initiativen erst integriert werden müssen. Ein weiterer Fehler ist der Einsatz von Data Lakes, bevor man über die konkreten Szenarien einer Verwendung nachdenkt. Oft entwerfen Unternehmen den Data-Lake als eine Einheit, ohne zu verstehen, dass er in verschiedene Bereiche unterteilt werden muss, um auch verschiedene Arten von Anwendungsfällen anzugehen.

Lösung: Neue Datenplattformen können parallel zu Altsystemen existieren. Entsprechende Inputs stellen sicher, dass die Datenaufnahme von Anwendungsfall zu Anwendungsfall aus mehreren Quellen erfolgt und dass die Datenbereinigung und Analyse auf der Plattform durchgeführt werden kann.

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: 45713618 / Analytics)