Viele Unternehmen streben danach, datengesteuert zu werden, aber ein großer Teil von ihnen konzentriert sich nur auf die technischen Aspekte von Daten und betrachtet sie in erster Linie als technisches Gut. Folglich konzentrieren sich ihre Investitionen und Initiativen häufig auf technologieorientierte Maßnahmen. Es ist jedoch wichtig zu erkennen, dass Technologie nur ein Mittel zum Zweck ist.
Ich glaube, dass es entscheidend ist, 4 grundlegende Fragen zu klären, bevor man sich in den detaillierten technischen Umsetzungsplan stürzt:
- Warum sollten wir Daten in unserer Organisation nutzen? Mit anderen Worten: Welchen Nutzen können Daten für unsere Organisation bringen?
- Wer sind die wichtigsten Interessengruppen, die an der Arbeit mit Daten beteiligt sind? Diese Gruppe deckt ein breites Spektrum ab, darunter Geschäftsanwender, Führungskräfte, Kunden sowie technische Rollen wie Dateningenieure und Datenwissenschaftler.
- Welcher systematische Ansatz kann gewählt werden, um Rohdaten in einen greifbaren Wert zu verwandeln? Dieser Prozess beinhaltet einen schrittweisen Plan, wie man aus Daten Wert schöpfen kann.
- Wie können wir unsere datengesteuerten Bestrebungen effektiv umsetzen? Dazu gehört die Integration von Technologie und einer soliden Datenverwaltungspraxis, die die Datenperspektive mit den übergreifenden Geschäfts- und Unternehmenszielen in Einklang bringt.
In diesem Artikel gehe ich näher auf diese zentralen Fragen ein und erkläre, wie eine gut definierte Datenstrategie eine entscheidende Rolle dabei spielen kann, dass die Antworten auf diese Fragen nahtlos mit den strategischen Zielen und Projekten Ihres Unternehmens übereinstimmen.
Und warum?
Ich plädiere stets dafür, die Beweggründe für Ihre datengesteuerten Managementambitionen zu ermitteln. Was macht die Arbeit mit Daten so wertvoll? Die Beantwortung der Frage nach dem „Warum“ hilft dabei, die potenzielle Rendite Ihrer bevorstehenden Datenprojekte abzuschätzen. Die Klärung Ihrer Datenambitionen ist eine wertvolle Orientierungshilfe für zahlreiche nachfolgende Entscheidungen.
Ein häufig verwendetes Modell zur Darstellung von Werttreibern ist die B2B- und B2C-Wertpyramide von Bain & Company. Zu den Werttreibern, die ich häufig in Datenprojekten einsetze, gehören:
- Transparenz – Nutzung von Dashboards, um eine transparente und objektive Sicht auf die Unternehmensmetriken zu bieten. Ein gut ausgearbeiteter Marketingbericht kann beispielsweise kritische Kampagnenmetriken für ein breites Publikum von Vermarktern und Kampagnenbeteiligten transparent machen.
- Kostensenkung – Reporting-Tools ermöglichen eine eingehende Analyse der Prozessleistung und erleichtern die Identifizierung von Bereichen, in denen Kosteneinsparungen möglich sind.
- Integration – Datenprojekte ermöglichen die Integration von Daten aus verschiedenen Quellen und schaffen so neue Perspektiven und Erkenntnisse. Diese Integration kann dazu beitragen, Anomalien zu erkennen und durchgängige Prozesseinblicke zu liefern.
- Verfügbarkeit – Promptgesteuerte KI-Tools (oder Chatbot-Schnittstellen) sind praktisch immer erreichbar, so dass Sie rund um die Uhr Informationen abfragen können.
- Zeitersparnis – KI-gesteuerte Anwendungen automatisieren häufig sich wiederholende Aufgaben, die in großen Mengen anfallen. So können sie beispielsweise Service-Desk-Tickets automatisch den richtigen Mitarbeitern zuweisen oder die Stimmung in den sozialen Medien in einem übersichtlichen Dashboard zusammenfassen.
- Nachhaltigkeit – Datengesteuerte Tools können ESG-bezogene Metriken auf der Grundlage interner und externer Datenquellen aufzeigen. Dies hilft Organisationen, ihre Nachhaltigkeitsziele voranzutreiben.
Ich möchte die Frage nach dem „Warum“ anhand konkreter Anwendungsszenarien beantworten. Beschreiben Sie konkret das Szenario, in dem Sie Daten verwenden möchten und welchen Wert diese haben werden. Dies wird später dabei helfen, herauszufinden, „wer“ die Daten in welchem Prozess verwenden wird.
Wer?
Die Beantwortung der Frage „Wer“ hilft bei der Beurteilung des kulturellen Kontexts Ihrer aktuellen und geplanten Organisation. Daten allein können keinen Wert schaffen; Sie brauchen Menschen, die Ihr Unternehmen zu Datenerkenntnissen führen und auf der Grundlage datengestützter Ergebnisse Maßnahmen ergreifen. Das Verständnis Ihrer potenziellen Datennutzer ist wichtig, um fundierte Entscheidungen in Bezug auf Tools, Infrastruktur und den Aufbau einer datengesteuerten Kultur treffen zu können.
Hier sind einige Beispiele für kulturelle Merkmale, die die Antworten auf die späteren Fragen „Was“ und „Wie“ beeinflussen werden:
- Software Crafting DNA – Ist es in Ihrem Unternehmen Tradition, eigene Software zu entwickeln und zu pflegen? Planen Sie, weiterhin in die Entwicklung zu investieren? In diesem Fall könnte die Zusammenarbeit mit einem internen Data-Engineering-Team eine kluge Entscheidung sein.
- IT-Outsourcing-Kultur – Ist Ihr Unternehmen daran gewöhnt, IT-Lösungen auszulagern? Wenn ja, empfehle ich, einen „Kauf“-Ansatz in Erwägung zu ziehen, anstatt interne Lösungen zu entwickeln.
- Raum für Eigeninitiative – Wird in Ihrem Unternehmen die Eigeninitiative der Mitarbeiter gefördert? Wenn ja, wäre es von Vorteil, eine Kultur der Datenselbstbedienung zu fördern, in der die Mitarbeiter ihre eigenen Erkenntnisse gewinnen können.
- Spezialisiertes Fachwissen – Verfügt Ihr Unternehmen über einzigartiges Fachwissen, das anderswo nur schwer zu finden ist? In diesem Fall würde es sich lohnen, diese Bereiche zu identifizieren und in spezialisierte, maßgeschneiderte Datenprodukte zu investieren.
- Spezialisiertes technisches Wissen – Ist im Unternehmen bereits spezialisiertes technisches Wissen zu datenbezogenen Themen wie Cloud, Datenbanken oder Datenpipelines vorhanden? Der Reifegrad des Unternehmens in solchen technischen Bereichen ist entscheidend für die Wahl der richtigen Datenplattform.
- Analytische Basis – Sind Tabellenkalkulationen für die Entscheidungsfindung in Ihrem Unternehmen bereits gang und gäbe? Dann wäre es eine gute Idee, diese Nutzer einen Schritt weiter zu bringen und ihnen ausgereiftere Werkzeuge zur Verfügung zu stellen, mit denen sie bessere und tiefere Analysen durchführen können.
Was?
Im Großen und Ganzen können die „Was“-Fragen anhand der grundlegenden Schritte der DIKW-Pyramide beantwortet werden, die den Prozess der Veredelung von Rohdaten zu Weisheit beinhaltet, indem man die Stufen von Information und Wissen durchläuft
Ich ziehe es vor, diese allgemeinen Phasen in drei leicht unterschiedliche Komponenten zu unterteilen:
- Datenprodukte: In der „Was“-Phase ist es wichtig, die spezifischen Datenprodukte zu ermitteln, die zur Erleichterung der in der „Warum“-Phase beschriebenen Anwendungsfälle erforderlich sind. Diese Datenprodukte kann man sich als wiederverwendbare Datensätze vorstellen, die beispielsweise Informationen über Bestellungen, Rechnungen oder Kunden enthalten.
- Daten-Tools: Ein entscheidender Aspekt der „Was“-Phase ist die Bestimmung der Tools, die von den vorgesehenen Datenpersonen (wie in der „Wer“-Phase ermittelt) eingesetzt werden sollen. Beurteilen Sie, ob Ihre Anwendungsszenarien spezielle statistische Tools erfordern oder ob Sie datengesteuerte Algorithmen nahtlos in bestehende digitale Anwendungen integrieren können. Das Konzept der Datennutzbarkeit ist eng mit der Auswahl der Datentools verbunden.
- Rohdaten: Es ist auch wichtig, die Rohdaten zu bestimmen, die für die Erstellung der identifizierten Datenprodukte erforderlich sind. Die Identifizierung von Rohdaten und Datenprodukten ist oft ein iterativer Prozess, bei dem die Verfügbarkeit von Rohdaten die Schaffung neuer Datenprodukte anregt und umgekehrt.
Nachdem Sie nun ein umfassendes Verständnis sowohl der Inputs (Rohdaten) als auch der Outputs (Datenprodukte) haben, können Sie mit der Ermittlung der notwendigen Datenumwandlungen fortfahren, die technisch als „Pipelines“ bezeichnet werden und zur Umwandlung von Rohdaten in diese Produkte erforderlich sind. In dieser Phase ist es besonders wichtig, die mit diesen Pipelines verbundenen funktionalen Anforderungen zu erfassen. Beispiele für funktionale Anforderungen sind:
- Frische der Daten: Bestimmen Sie den gewünschten Aktualitätsgrad für Ihre Datenprodukte. Benötigen Sie Informationen in Echtzeit, oder reicht eine stündliche Aktualisierung aus?
- Datenvolumen und Geschwindigkeit: Beurteilen Sie die Datenmengen, die umgewandelt und integriert werden müssen, sowie die Geschwindigkeit, mit der diese Datenmengen wachsen.
- Datenvielfalt: Ermitteln Sie die Vielfalt der Rohdatenquellen, die umgewandelt werden müssen. Berücksichtigen Sie, ob diese Quellen hauptsächlich aus strukturierten Daten in relationalen Datenbanksystemen (RDBMS) bestehen oder ob sie auch unstrukturierte Datentypen wie Dokumente, Videos und Bilder umfassen.
Wie?
Nachdem Sie nun Klarheit über die Antworten auf die Fragen „Warum“, „Was“ und „Wer“ haben, müssen Sie sich im nächsten Schritt mit dem „Wie“ befassen. In dieser Phase legen Sie die optimale technische Architektur fest und entwickeln Strategien für die effektive Verwaltung Ihrer Organisation im Lichte dieser neuen datengesteuerten Möglichkeiten.
Technologie
Ziel ist es, technische Produkte zu finden, die Ihren Zielen entsprechen und mit den Aspekten „Warum“, „Was“ und „Wer“ Ihres Unternehmens harmonieren. So wäre es beispielsweise unpraktisch, sich für maßgeschneiderte, entwicklungszentrierte Datenansätze zu entscheiden, wenn Sie keine Strategie zur Internalisierung von Entwicklungskapazitäten innerhalb Ihrer Organisation haben.
Bei der Einrichtung einer Datenplattform muss eine Reihe von technologischen Entscheidungen sorgfältig geprüft werden. Diese Liste ist zwar nicht erschöpfend, zeigt aber einige wichtige Kompromisse auf:
- Kaufen vs. Bauen: Es ist wichtig, klar abzugrenzen, welche Komponenten Ihrer Datenplattform intern erstellt werden sollten und welche sich besser zum Kauf oder zur Miete eignen. Lösungen für bereits gelöste Probleme neu zu erfinden, bringt oft wenig Nutzen, während die Schaffung eines Alleinstellungsmerkmals (USP) innerhalb Ihrer Plattform von großem Vorteil sein kann. Natürlich spielen bei diesen Entscheidungen auch die Kosten und die Leistungsfähigkeit der Dienste und Tools eine wichtige Rolle.
- Art der Datenumwandlung: Überlegen Sie, wer die Fähigkeit zur Integration und Transformation von Daten benötigt. Wenn Ihre Zielbenutzer Dateningenieure sind, die mit großen Datenmengen arbeiten, ist die Verwendung von Technologien wie Spark mit Python oder Scala für Pipelines eine sinnvolle Wahl. Für weniger komplexe Szenarien sind Low-Code-Lösungen oder SQL möglicherweise besser geeignet. Auch die erforderliche Datenaktualität spielt bei dieser Entscheidung eine Rolle, da bestimmte Pipeline-Technologien für Echtzeitszenarien gut geeignet sind, andere hingegen nicht.
- Computing-Engine: Das Volumen und die Art Ihrer Daten sowie die Anforderungen an die Aktualität bestimmen die Wahl der Computing-Engine. Die Verwendung umfangreicher Big-Data-Rechenleistung für kleine Datensätze erweist sich in Bezug auf Kosten und Leistung oft als ineffizient. Darüber hinaus wird die Umwandlung unstrukturierter Daten vor dem Laden in ein relationales Datenbankmanagementsystem (RDBMS) in der Regel als kontraproduktiv angesehen. In solchen Fällen ist eine Datenverarbeitungsarchitektur, die ein Lakehouse-Muster unterstützt, möglicherweise besser geeignet.
- Cloud oder On-Premises: Ähnlich wie bei der Entscheidung „Kaufen oder Bauen“ ist es wichtig zu beurteilen, welche Teile Ihrer Datenplattform für die Cloud geeignet sind und welche nicht. Zu den zu berücksichtigenden Faktoren gehören die Cloud-Vision und der Reifegrad Ihres Unternehmens. Analysieren Sie außerdem die künftigen Betriebsausgaben (Opex), die mit Cloud-Diensten verbunden sind, im Vergleich zu den traditionellen Investitionsausgaben (Capex) von On-Premises-Lösungen.
- Integrationen: Die Erleichterung eines nahtlosen Datenflusses zur richtigen Zeit an den richtigen Ort innerhalb Ihres Unternehmens ist für die Wertschöpfung von entscheidender Bedeutung. Daher ist die Definition von Datenintegrationsmustern ein entscheidender Schritt. Zu den gängigen Optionen gehören der Datenzugriff über APIs, Datenbankverbindungen oder die Erstellung von Datenthemen in Streaming-Pipelines.
Technische Entscheidungen werden durch die Realisierung einer Datenplattform umgesetzt, die aus den Daten einen Wert schöpft. Diese Datenplattform umfasst eine Mischung aus technischen Produkten: (Cloud-)Dienste, Standard-Softwareprodukte und maßgeschneiderte technische Lösungen. Dieser resultierende Software-Stack sollte die Kriterien erfüllen, die notwendig sind, um die in der Antwort auf die „Warum“-Frage genannten Ziele zu erreichen.
Data Managment
Die Schaffung einer soliden technologischen Grundlage ist ein entscheidender Schritt bei der Einführung von Dateninitiativen in Ihrem Unternehmen. Ein effektives Datenmanagement ist der Dreh- und Angelpunkt, der den nachhaltigen Erfolg Ihrer umfassenden Datenpraktiken gewährleistet. Im Rahmen einer ehrgeizigen datengesteuerten Organisation kommen mehrere Schlüsselfaktoren für das Data Management ins Spiel:
- Rollen und Zuständigkeiten: Ein zentraler Aspekt der Datenverwaltung ist die Schaffung eines klaren Modells, das die Rollen und Zuständigkeiten für die Datenverarbeitung festlegt. Dieser Rahmen beantwortet die grundlegende Frage: Wer ist für bestimmte Daten verantwortlich? Sobald diese Struktur definiert ist, wird festgelegt, wer für Anfragen zu bestimmten Datensätzen oder für die Lösung von Datenqualitätsproblemen zuständig ist. Die Datenverantwortlichen arbeiten jedoch nicht isoliert. Ein RACI-Modell kann zum Beispiel zur Ergänzung und Erfüllung von Rollen und Verantwortlichkeiten erstellt werden.
- Datenqualität: Die Effektivität eines jeden datengesteuerten Produkts oder einer nachfolgenden Technologienutzung hängt von der zugrunde liegenden Qualität der Daten ab. Eine wesentliche Datenverwaltungspraxis dreht sich um die ständige Überwachung der Datenqualität. Die Dateneigentümer (wie im vorigen Punkt erwähnt) sind aufgefordert, Maßnahmen zur Verbesserung der Datenqualität einzuleiten.
- Datenentdeckung: Unabhängig davon, ob die Datenverwaltung dezentral oder zentral erfolgt, sollte jedes Datenverwaltungsteam einen umfassenden Überblick über die verschiedenen im Unternehmen vorhandenen Datenelemente haben. Es werden Initiativen ergriffen, um sicherzustellen, dass die Mitarbeiter im gesamten Unternehmen wissen, wo sie bestimmte Datensätze finden können.
- Unterstützende Datenprozesse: Die umfangreiche Arbeit mit Daten ist oft mit arbeitsintensiven Prozessen verbunden. Zu diesen Prozessen gehören die Verwaltung des Datenzugriffs (Einholung der Zustimmung der Dateneigentümer zum Zugriff auf bestimmte Datensätze), die gemeinsame Nutzung von Daten (gemeinsame Nutzung von Datenprodukten mit anderen) und die Dokumentation der Datensicherheit.
Auch wenn das primäre Ziel des Datenmanagements nicht technologiegesteuert ist, können Tools die Reifung von Datenmanagementpraktiken erheblich beschleunigen. Diese Tools umfassen ein breites Spektrum, von Datenkatalogen zur Visualisierung von Datenmodellen über Datenqualitäts-Tools zur Überwachung des Datenqualitätsstatus bis hin zu spezifischen Tools zur Erleichterung verschiedener Datenprozesse. Auch wenn die verschiedenen Anbieter diese Tools unterschiedlich positionieren, ist das zugrunde liegende Konzept weitgehend im Metadatenmanagement verwurzelt.
Daten-Strategie
Ich empfehle die Einführung einer agilen Datenstrategie, da es unrealistisch ist, zu erwarten, dass die Antworten auf die Fragen „Warum“, „Wer“, „Was“ und „Wie“ über längere Zeiträume statisch bleiben und sich oft über Wochen oder Monate hinweg ändern. Auch wenn die Bereitschaft zur Veränderung gefördert wird, kann es eine Herausforderung sein, einen umfassenden Überblick über alle dynamischen Elemente zu behalten. Deshalb rate ich dazu, eine Methode zu wählen, die die Verbindungen zwischen „Warum“, „Wer“, „Was“ und „Wie“ greifbar macht.
Die von mir bevorzugte Strategie basiert auf der Verwendung einer einfachen, aber unglaublich leistungsfähigen „digitalen Plantafel“ mit drei vertikalen Bahnen:
- Wie: Diese Spur konzentriert sich auf technische Produkte wie Pipelines, Computerressourcen, Datenbanken und Datenverwaltungsinitiativen, die das anschließende „Was“ und „Warum“ erleichtern.
Was: Dieser Bereich bezieht sich auf Datenprodukte, die die notwendigen Daten für die Umsetzung von Anwendungsszenarien enthalten.
Warum: In diesem Bereich identifizieren Sie die Werttreiber, zu denen die Anwendungsfälle beitragen.
Außerdem empfehle ich, die Elemente auf der rechten Seite der Planungstafel mit den zugehörigen Personas (dem „Wer“) zu beschriften. Auf diese Weise wird sichergestellt, dass der gelieferte Wert mit der Kultur und DNA Ihres Unternehmens übereinstimmt.
Indem Sie die Verbindungen von links nach rechts ziehen, können Sie die Beziehungen zwischen den Werttreibern und den unterstützenden Initiativen schnell erfassen. Dieser strategische Ansatz erleichtert es, Unterstützung für transformative „Wie“-Projekte zu gewinnen, die letztendlich einen erheblichen Wert für den „Warum“-Aspekt liefern werden.
Schlussfolgerungen
In diesem Artikel habe ich gezeigt, dass datengesteuertes Management über die rein technische Implementierung einer Datenplattform hinausgeht. Durch die Beantwortung von vier Kernfragen – dem „Warum“, „Wer“, „Was“ und „Wie“ – können wir erkennen, wie technische Implementierungen und Datenmanagement-Initiativen mit den breiteren Werttreibern des Unternehmens in Einklang stehen. Eine gut definierte Datenstrategie spielt eine entscheidende Rolle bei der Wahrung dieser Ausrichtung und stellt sicher, dass die kulturelle Harmonie zwischen technischen Implementierungen und der DNA des Unternehmens erhalten bleibt.
Quelle: medium.com
