Kommentar von Frederic Bauerfeind, Taod So klappt interdisziplinäre Zusammenarbeit in datengetriebenen Unternehmen

Anbieter zum Thema

Disy Informationssysteme GmbH

INFOMOTION GmbH

QUNIS GmbH

Data Management wird erst in dem Moment wertschöpfend, wenn alle im Unternehmen ihr Wissen miteinander verzahnen. Wie aber lassen sich solche zentralen Data Teams aufbauen und einsetzen?

Die Arbeit mit Daten wirkt auf viele Mitarbeiterinnen und Mitarbeiter immer noch wie ein Buch mit sieben Siegeln: zu kompliziert, zu arbeitsintensiv und ohne tatsächlichen Mehrwert. Unwissenheit, Ängste und oft auch Überforderung verhindern, dass sich Daten und deren Analyse ganz selbstverständlich in den Unternehmensalltag integrieren. Und obwohl neue Low-Code-/No-Code-Ansätze sowie moderne Business Intelligence Tools die Allrounder-Kompetenz von Mitarbeitenden schärfen, sind längst noch nicht alle technologische Hürden im Data Management von Unternehmen genommen.

Die Crux: Daten-Initiativen statt Daten-Strategie

Das Unbehagen gegenüber Data Analytics und Data Science hat mehrere Gründe. So starten initiale Data-Management-Projekte nicht selten unbemerkt in einer einzelnen Abteilung und werden dort als kleines innovatives Gut gehegt und gepflegt. Der geschäftliche Mehrwert bleibt meist lokal begründet und die Tools und Best Practices auf die Arbeitsgruppe beschränkt.

Eine zentrale Anlaufstelle sowie klar definierte Zuständigkeiten und Prozesse fehlen. So wissen Mitarbeiter oft nicht, an wen sie sich mit ihren Ideen und Anforderungen wenden sollen. Initiativen rund um Data Science und Data Analytics schießen wie Pilze aus dem Boden und verteilen sich über viele Köpfe und Abteilungen hinweg. Durch diese Kleinteiligkeit sind Synergien von vornherein ausgeschlossen, der Wissenstransfer leidet und der gewünschte Fortschritt bleibt aus.

Die IT im Zentrum des digitalen Sturms

Statt also einzelne Data-Projekte abteilungsintern anzugehen, sollten Unternehmen sie in einen gesamtunternehmerischen Kontext setzen. Doch wer ist für ein solches gesamtstrategisches Datenmanagement in Unternehmen verantwortlich? Traditionell landen datenspezifische und technologisch geprägte Anfragen in der IT-Abteilung. Die intuitive Annahme: IT Professionals verfügen über das technische Know-how in puncto Datenmanagement und Datenanalyse. Zudem besitzen sie die Datenhoheit und sind Ansprechpartner #1, wenn es um den technischen Bedarf der einzelnen Fachabteilungen geht.

Genau hier legt allerdings das Problem: In Zeiten von Home-Office, digitaler Transformation, Cloud und KI sieht sich die IT im Zentrum des digitalen Sturms und steht vor der Herausforderung, eine Flut an Anforderungen businessorientiert zu managen. Damit sind in der IT angesiedelte Daten-Profis meist an ihre Grenzen ausgelastet und verfügen kaum über Kapazitäten, um Daten-Projekte strategisch zu begleiten und zu koordinieren.

Bildung interdisziplinärer Netzwerke

Die gute Nachricht: Digitalisierung und Technologie sind nicht mehr nur reines IT-Thema. In vielen Unternehmen arbeiten IT und Business bereits sehr eng zusammen. Der Fachbereich erarbeitet sich so selbstständig das technologische Wissen, das er für seine Projekte braucht und wird dabei von seiner IT-Abteilung unterstützt. Diese wiederum erhält Einblick in die geschäftsorientierten Prozesse und stärkt ihre Business-Kompetenz, ohne ihre Kapazitäten über die Maßen zu strapazieren.

Voraussetzung für diese interdisziplinäre Zusammenarbeit sind nicht nur klare Strukturen und technische Tools rund um den Zugang zu Daten, sondern auch ein allgemeiner Kulturwandel.

• Zentrale Koordination und Zuständigkeiten

Ein erster Schritt in Richtung datengetriebene Organisation ist die Zentralisierung von Daten-Projekten an einer dedizierten Stelle. Dazu gehören feste Strukturen, abteilungsübergreifende Transparenz, feste Kontaktpersonen auf allen Seiten. Klare Abläufe und regelmäßige Absprachen sind darüber hinaus die Quintessenz zur Bildung von interdisziplinären Teams.

Ein solches Netzwerk hilft, Initiativen und das Wissen aus und über Data Analytics für das ganze Unternehmen nutzbar zu machen. Mitarbeiterinnen und Mitarbeiter entwickeln ein solides Verständnis von Daten und erkennen selbstständig Potenziale der Datenanalyse für interne Abläufe und Entscheidungen. Abteilungen formulieren ihre datenbasierten Anforderungen und wissen, wie sie an die gewünschten Daten herankommen. Dazu sind eine vollumfängliche und kontinuierliche Daten-Alphabetisierung sowie die Übersetzung von Anforderungen in datenspezifische Projekte nötig. Zudem brauchen Mitarbeiter geeignete Data Management Tools sowie das damit verbundene Enablement, das sie sich über Schulungen, Coachings und Trainings-on-the-job aneignen.

• Daten-Visualisierung

Daten zu verstehen und als wertvoll zu erkennen, ist ein Prozess. Endlos erscheinende Zahlenkolonnen sind hier eher kontraproduktiv. Vielmehr müssen aus Daten gewonnene Erkenntnisse spannend aufbereitet und präsentiert werden, damit Mitarbeiter sie wahrnehmen und auch tatsächlich heranziehen. Hilfreich für die Daten-Visualisierung und intuitive Nutzung sind zum Beispiel moderne Dashboards. Spezielle Tools visualisieren auf Knopfdruck einen direkten Zusammenhang und ermöglichen sekundenschnelle Entscheidungen. Das intuitive Verständnis und der souveräne Umgang mit Daten fließen dann routiniert in kooperative und kollaborative Prozesse ein.

• Datendemokratisierung

Um solche Prozesse in Gang zu setzen, müssen Daten nicht nur anschaulich aufbereitet, sondern auch unternehmensweit zugänglich sein. Viele Organisationen beherbergen immense Datenmassen und Datensilos, Trennlinien beherrschen die IT-Landschaft. Im Ergebnis wird Analyse auf standardisierte und minimalistische Ergebnisse reduziert, die auf fragmentarische Sachkenntnis und nicht selten auf einen veralteten Technologie-Stack basieren. Immer gleiche Abläufe verursachen dann Routinen, die besonders im Kontext von Business Intelligence wenig bis gar keinen Mehrwert liefern. Die Datendemokratisierung sollte daher auf der Prioritätenliste von Unternehmen ganz oben stehen. Das Ziel muss sein, Daten zu einem normalen Bestandteil der täglichen Arbeit zu machen.

• Neue Datenkultur

Wer eine solch neue Datenroutine für Mitarbeiterinnen und Mitarbeiter etablieren will, muss sich im Klaren sein, dass damit auch ein Kulturwandel im Unternehmen einhergeht. Datenanalyse soll den Wert von Daten offenlegen und somit als Bereicherung wahrgenommen werden. Daten dürfen nicht bloß nackte Zahlen sein, sondern sollen in Form von Fallbeispielen, Grafiken und Erklärungen neue Blickwinkel eröffnen. Im Idealfall erzählen Daten erkenntnisbringende Geschichten. Ihre Komplexität schreckt dann nicht mehr ab, sondern begeistert. Dies gelingt am besten, wenn Daten unternehmensweit für alle einfach zugänglich und mit modernen Tools individuell verwertbar sind. Die Demokratisierung von Daten ist elementar für einen routinierten Umgang mit ihnen. Die Interpretation der Daten muss direkte Rückschlüsse auf das eigene Projekt und die eigenen Ziele zulassen, um wertschöpfende Erkenntnisse ableiten zu können.

Data Team & Data Journey: 4 Phasen

Ein Data Team nimmt bei all diesen Aufgaben eine zentrale Rolle ein. Es bringt die fachliche Expertise mit, um unterschiedliche Anforderungen zu bündeln und auszuarbeiten. Als interner Dienstleister bildet es die Kommunikationsbrücke zwischen den Fachbereichen und der klassischen IT-Abteilung. Da das Data Team unabhängig agiert, verfolgt es ein eigenes Mindset, ermittelt Anforderungen in den Abteilungen und ist allein von Wertschöpfungszielen geleitet. Die Zusammensetzung des crossfunktionalen Teams richtet sich nach der Entwicklung der anvisierten Data- und AI-Projekte, der sogenannten Data Journey. Generell lässt sich dieser Prozess in vier spezifische Phasen unterteilen.

1. Data Thinking: In dieser Phase ermittelt der Data Value Creator, wie aus Daten ein Mehrwert für das Unternehmen generiert werden kann. Diese Aufgabe setzt lange Erfahrung und interne Kenntnisse im Unternehmen voraus, sodass die Rolle des Data Value Creators meist intern besetzt wird. Als Insider kennt er die wirtschaftlichen Ziele sowie die Mitarbeiter und übernimmt eine zentrale Funktion beim Aufbau des Data Teams. Neben technischer Versiertheit ist auch eine hohe Vermittler- und Kommunikationskompetenz gefragt.

2. Data Preparation: Im nächsten Schritt geht es an die Aufbereitung, Anbindung und Bereitstellung von Daten, um die vorab definierten Wertschöpfungsziele auch auf technischer Seite umzusetzen. Der Analytics Engineer arbeitet hier eng mit der IT-Abteilung zusammen und stellt sicher, dass die Daten anschließend in Form von Berichten und Visualisierungen zur Verfügung stehen.

3. Data Interpretation: Die gesammelten Daten werden an den Data Analyst weitergegeben. Dieser steht im engen Austausch mit den jeweiligen Fachbereichen und kann so die Daten je nach Bedarf und Relevanz für die Abteilungen aufschlüsseln und auswerten.

4. Data Enhancement: In der letzten Phase werden die Daten veredelt bzw. vom Data Scientist aufbereitet. Dabei kommen unterschiedliche Methoden zum Einsatz, um beispielsweise Entscheidungen zu begründen, Prozesse zu automatisieren oder Vorhersagen zu treffen.

Eine datengetriebene Unternehmenskultur entsteht nicht über Nacht. Es ist vielmehr ein Prozess, der mit der Zugänglichkeit von Daten beginnt und im Idealfall mit datenbasierten Entscheidungen endet. Das Data Team unterstützt diesen Prozess, spricht mit Abteilungen über ihre Daten-Anforderungen, übersetzt diese in Daten-Initiativen und schafft so langfristig Synergien. Auf diese Weise können Daten ein wertvolles Grundrauschen in jedem Unternehmen erzeugen.

(ID:48425811)