Kommentar von Wiebke Apitzsch, TTE Strategy Warum (Big) Data-Initiativen oft an Menschen scheitern – und nicht an der Technik

Von Wiebke Apitzsch |

Anbieter zum Thema

Auch wenn Big Data seit fast einer Dekade diskutiert wird: Viele Unternehmen in Deutschland tun sich nach wie vor schwer mit der Einführung und Anwendung von Datenanalysen. Das liegt meistens weniger an technischen Voraussetzungen und fehlender Fachkompetenz. Die meisten Fehler passieren auf der menschlichen Ebene. Ein Überblick über die sechs größten „Fails“ in der Umsetzung von Data-Initiativen.

Die Autorin: Wiebke Apitzsch ist Managing Director von TTE Strategy
Die Autorin: Wiebke Apitzsch ist Managing Director von TTE Strategy
(Bild: TTE Strategy)

1. Technische Komplexität wird überschätzt – Faktor Mensch wird unterschätzt

Unternehmen, die zum ersten Mal Datenkompetenz aufbauen wollen, rekrutieren häufig externe Expertinnen und Experten als Projektleiter. Fokus ihrer Mitarbeitersuche: größtmögliche Fachkompetenz im Bereich Data Management. Doch damit setzen sie den Fokus falsch. Der Grund: jemand Fremdes soll etwas Fremdes neu im Unternehmen einführen. Da helfen Fachkenntnisse. Aber es kommt vor allem auf die Fähigkeit an, auf Menschen zuzugehen, ihre Positionen zu verstehen und sie zu überzeugen. Wer kein Vertrauen aufbauen kann, wird an den internen Strukturen scheitern. Darum empfiehlt es sich, zunächst gezielt nach möglichen Kandidatinnen und Kandidaten Ausschau zu halten, die Stärken in nicht-direktiver Führung aufweisen, hohe Agilitätswerte haben und grundsätzlich schon Change-Expertise im technischen und/oder IT-Umfeld mitbringen. Detaillierte Expertise in Daten-Fragen liefern die Anbieter relevanter Software in der Regel ohnehin mit. Unternehmen sollten dazu zunächst intern auf die Suche nach den „Richtigen“ gehen, denn vielfach befindet sich der- oder diejenige schon an Bord. Nur wenn das nicht gelingt, sollte am externen Markt rekrutiert werden. Die „Richtigen“ zu identifizieren ist der Schlüssel für eine erfolgreiche Data-Einführung.

2. Daten-Regiment wird durch Druck aufgebaut – so werden keine Follower rekrutiert

Data-Initiativen gehen häufig von der Unternehmensführung aus – vielfach angestoßen durch Finanzen und Controlling, wo man sich bessere Steuerungszahlen wünscht. Wenn das dann ungalant verpackt wird, fühlt sich die Data-Initiative schnell wie eine neue Kontroll-Idee von Oben an. Die daraus resultierende Gefahr: eine Menge bunter Dashboards, deren Aussagekraft aber eher gering ist. Denn wenn Top-Führungskräfte wie Bereichs- oder Werksleiter nicht ausreichend in den Prozess involviert waren, werden sie später immer Gründe finden, warum die Werte im Dashboard so nicht die Realität widerspiegeln. So können sie jederzeit mit Detailwissen zu ihren Bereichen Aktivitäten, die auf einer Data-Initiative basieren, boykottieren. Empirische Beobachtung zeigt: Das Management versucht dann mit Druck gegenzusteuern. Und bringt die Führungskräfte damit dazu, noch kreativer zu verhindern, die Daten nutzbar zu machen – oder ganz in die Verweigerungshaltung zu wechseln. Was Unternehmen anders machen müssen: Big Data braucht Follower. Alle relevanten Führungskräfte sollten frühzeitig in die Initiative mit einbezogen werden. Es muss klar herausgearbeitet werden, wie die neue Dateninitiative vor allem denjenigen nützt, die Daten abgeben. Ein Beispiel: Wenn einem Werksleiter erklärt wird, wie er die Tools nutzen kann, um seine Standzeiten durch das neue Data Management künftig signifikant zu verkürzen, wird es für ihn interessant. Wenn er und sein Team die Hoheit über diese Daten hat, er selbst vorsichtig testen kann und Erfolge sieht, wird er Vertrauen fassen. Auf dieser Vertrauensbasis kann dann aufgebaut werden. Wenn man ihm jedoch erklärt, dass künftig die „Performance“ seines Werks gemessen werden soll – dann ist wohl eher das Gegenteil zu erwarten.

3. Die richtigen Fragen werden nicht gestellt – aus falsch verstandener Demut vor den Data-Experten

Was sicherlich schon viele Managerinnen und Manager erlebt haben: Ein Data-Team stellt seine Planung und die nächsten Schritte vor. Dabei nutzt es viele Fachbegriffe wie „APIs“ und „Data Cleansing“ und fragt, ob das soweit verständlich ist. Kaum jemand versteht wirklich, worüber gerade gesprochen wird. Fragen werden dennoch nicht gestellt. So werden fragwürdige Grundsatz-Entscheidungen getroffen, die später kaum mehr rückgängig gemacht werden können. Denn: Auch Top-Manager trauen sich oft nicht, die wirklich wichtigen Fragen zu stellen. Weil sie das Gefühl haben, sie könnten mit den Experten nicht mithalten. Diese falsch verstandene Demut kann sehr teuer werden. Darum: Für jedes Fremdwort eine Erklärung einfordern. Und sich trauen, zuzugeben, wenn technische Zusammenhänge nicht verstanden worden sind. Es ist absolut legitim die Expertinnen und Experten zu bitten, die jeweilige Übersetzungsarbeit zu leisten und Klarheit zu schaffen. Allerdings muss ihnen das auch gesagt werden – sonst müssen sie zwangsweise davon ausgehen, dass alles verstanden wurde. Der Rat: Seien Sie mutig, lassen Sie Zusammenhänge im Zweifel auch mehrfach erklären. Alle werden dankbar sein, wenn Sie fragen.

4. Es werden keine konkreten Probleme mit den neuen Daten gelöst – der Nutzen der gesamten Initiative wird in Frage gestellt

Viele Initiativen beginnen damit, dass von Oben die erforderlichen Datenpunkte definiert und künftig erhoben werden. Auf Dashboards werden sie in Meetings referiert. Aber: Bei denjenigen, denen sie wirklich helfen würden, kommen sie oft erst gar nicht an. Damit werden Daten zu einem Selbstzweck und eine gerade gestartete Initiative wird von vielen Seiten damit schnell wieder in Frage gestellt. Darum ist es wichtig, mit denjenigen zu sprechen, von denen die Daten benötigt werden – und auf deren Bauchgefühl zu hören, welche Daten man erheben und was man im Anschluss damit tun sollte. So finden die Daten sehr schnell den Weg zurück in die operative Anwendung. Werksleiter zum Beispiel haben oft schon ein Gefühl, wo ihnen relevante Informationen fehlen. So sollte man anfangen, gemeinsame Erfolge erzielen und damit eine Motivation aufbauen, die Data-Initiativen auszuweiten.

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

5. IT und IT-Sicherheit werden gar nicht oder zu spät eingebunden – und schon passen die neuen Tools nicht mehr in die Systemlandschaft

Viele Data-Initiativen kommen aus dem operativen Geschäft und werden mithilfe von Beratern umgesetzt. Dort werden dann Tools zur Datenerhebung und -Analyse produziert, die als Pilot in die operative Anwendung gebracht werden. Und die beim nächsten System-Update plötzlich nicht mehr funktionieren oder die Sicherheitsstandards verletzen. Was öfter passiert, als man denkt: Weil das Management oder einzelne Geschäftsbereiche möglichst schnell die eigenen Initiativen vorantreiben wollten, hat man ganz zufällig vergessen, essenzielle interne Stakeholder wie die IT in den Prozess mit einzubinden. Nicht, dass die eigenen Leute einen noch aufhalten würden. Immer wieder das Resultat: Es wurde viel Geld ausgegeben, das erste Ergebnis gefällt. Und dann soll die IT-Abteilung alles übernehmen, kann es aber beim besten Willen nicht in die bestehende Systemlandschaft integrieren. Die Tools müssen verändert oder im schlimmsten Fall neu entwickelt werden. Darum gehört die IT genauso wie die IT-Sicherheit vom ersten Moment einer Data-Initiative mit an den Tisch. Wer glaubt, die eigene Organisation rechts überholen zu können, der wird gerade in IT-Themen in fast allen Fällen spätestens einige Wochen später eines Besseren belehrt.

6. Daten lügen nicht – doch, das tun sie!

Unternehmen liegen oft dem Irrglauben auf, künftig die ganze Wahrheit zu erkennen – nur weil sie ein Data Management aufgesetzt haben. Die wahre Wahrheit ist jedoch: Das hilft alles gar nichts, wenn die Daten schlichtweg falsch sind. Und das sind sie häufig in einem signifikanten Maß. Nicht richtig angebrachte Sensoren können in Werken falsch messen, Finanzkennzahlen werden inkongruent aus System übertragen, Daten werden nicht konsistent eingegeben. Vor allem aber wird die Interpretation nicht im Detail durchdacht. Beispielsweise müssen Daten aus Testläufen für neue Produkte, oder während größerer Wartungen aus Berechnungen ausgeschlossen werden. Oft ist das Sicherstellen der Datenqualität etwa dreimal so aufwendig, wie das Etablieren von Data-Management-Prozessen. Daten müssen immer wieder hinterfragt, neu qualifiziert und bereinigt werden. Darum: Misstrauen Sie Ihren Daten. Immer. Und immer wieder. Fragen Sie die Personen, die dort arbeiten, wo sie erhoben werden, ob die Werte die Realität widerspiegeln. Wenn diese zustimmen, sind Sie auf einem guten Weg.

Über die Autorin:

Wiebke Apitzsch ist Managing Director bei der Unternehmensberatung TTE Strategy. Sie ist Expertin für Data, IoT und Change Management und berät Unternehmen in der Durchführung interkultureller digitaler Projekte, arbeitet als Schnittstelle zwischen Technologie- und Managementteams und bringt Führungskräfte in digitalen Themen mit einem Schwerpunkt auf Daten auf den neuesten Stand. Sie hat in München Betriebswirtschaft studiert, und vor ihrer Tätigkeit für TTE im Bereich Analytics der Boston Consulting Group (BCG) gearbeitet. Wiebke Apitzsch ist zertifizierte Scrum Product Ownerin.

www.tte-strategy.com

(ID:47630273)