3, 2, 1 Data-Driven

Daten haben sich in den letzten Jahren zu einer der wertvollsten Ressourcen in der Unternehmenswelt entwickelt. Sie erlauben Unternehmen, Informationen zu verschiedensten Fragestellungen zu erhalten:

• Wie lange dauert es durchschnittlich vom ersten Kontakt mit einem Kunden bis zum Vertragsabschluss und wie viel kostet es?
• Welche saisonalen Schwankungen sind am Absatzmarkt zu erwarten?
• Welche für die Produktentwicklung kritischen Fähigkeiten fehlen der aktuellen Belegschaft?

Die Transformation zu einer Data-Driven Organization ist ein komplexer Prozess, der die Integration von Daten in alle Geschäftsbereiche erfordert. Daraus folgt, dass Schwierigkeiten in unterschiedlichen Bereichen sowie Phasen während der Umstellung auftreten können. Das betrifft unter anderem Punkte wie Datenqualität, Datensilos, Unternehmenskultur oder Technologieauswahl und erstreckt sich auf Änderungen des Geschäftsmodells, der Prozesse oder der Kultur, um nur einige Bereiche zu nennen. Am Anfang ist daher sicherzustellen, dass der Ausgangspunkt, die Ausgestaltung und Überwachung der Transformation sowie das Zielbild definiert sind. Das beinhaltet ebenfalls Fragen wie: Welche Faktoren sind zu beachten? Wie kann der Ablauf gestaltet werden, damit das Vorhaben der Transformation zur Data-Driven Organization gelingt?

Entscheidende Faktoren für datengetriebene Entscheidungen

In einer datengesteuerten Organisation sollen nicht nur Managemententscheidungen auf einer soliden Datengrundlage basieren, sondern auch sämtliche Entscheidungen aller Mitarbeitenden. Um dies zu erreichen, sind drei zentrale Fähigkeiten ausschlaggebend:

• relevante Daten zu sammeln und diese strukturiert zu integrieren (Technologie),
• entscheidende Informationen daraus abzuleiten (Business)
• sowie die richtigen Entscheidungen und Handlungen auf Basis dieser Informationen zu treffen (Organisation) [Rid15].

Des Weiteren muss eine professionell aufgestellte Data-Driven Organization einen prozessorientierten Ablauf in den drei Bereichen Data Engineering, Data Analytics und IT DevOps etablieren:

• Im Rahmen des Data Engineering werden verfügbare Daten in Rohform gesammelt und aus unterschiedlichsten Quellen extrahiert. In diesem Zustand stehen die erfassten Daten aber noch in keinem Zusammenhang, leiden unter mangelnder Qualität und liefern in dieser Form noch keinen sinnvollen Informationsgehalt.
• Daher ist es in einem nächsten Schritt notwendig, dass die Daten verarbeitet, bereinigt, transformiert, beschrieben und gespeichert werden. Die aufbereiteten Daten liegen somit in einem Zustand vor, der mittels Data Analytics eine mehrdimensionale Analyse ermöglicht: Was ist passiert? (Descriptive Analytics) Warum ist es passiert? (Diagnostic Analytics) Was wird passieren? (Predictive Analytics) Welche Optionen gibt es? (Prescriptive Analytics)
• Die Antworten auf diese Fragen sind die Grundlage der Modellentwicklung und diese wiederum die Basis, um die erworbenen Erkenntnisse zu visualisieren und zu interpretieren. Diese werden im Ergebnis der Organisation zur Verfügung gestellt (IT DevOps). Die veröffentlichten Lösungen und daraus abgeleitete Datenprodukte werden in die etablierten Prozesse des Unternehmens integriert.

Das ermöglicht datengesteuerte Entscheidungsprozesse auf allen Ebenen einer Organisation. Eine Disziplin, die sich vorrangig mit oben aufgeführten Fragestellungen beschäftigt, ist Data Analytics. Das Sammeln, Organisieren und Speichern von Daten stehen im Vordergrund, um mit geeigneten Technologien und statistischen Verfahren Situationen und Trends zu ermitteln sowie Problemlösungen zu liefern. Geschäftsprozesse werden zukünftig maßgeblich durch die Bereitstellung und Verarbeitung der verfügbaren Daten und der Analysemöglichkeiten beeinflusst. Für eine Data-Driven Organization ist es unerlässlich, alle Dimensionen (siehe Abbildung 1) der Wertschöpfungskette zu berücksichtigen. Der Weg dahin lässt sich in einzelne Schritte untergliedern.

1. Entwicklung der Datenstrategie

Für verlässliche datengetriebene Entscheidungen ist eine solide Datenbasis notwendig [Pit20]. Die Ausgestaltung dieser Datenbasis ist abhängig von den Fragestellungen, die beantwortet werden sollen. Die Fragestellungen wiederum sollen die Geschäftsziele unterstützen. Dies erfordert die Festlegung auf Kerngeschäftsziele. Diese Ziele bestimmen, welches Problem am Markt gelöst beziehungsweise welche Chancen genutzt werden sollen und wie der Erfolg gemessen wird. Diese Entscheidung definiert die erforderlichen Daten zur Ableitung der Informationen, die zur Erfüllung der ausgewählten Geschäftsziele erforderlich sind. Daraus resultiert eine Datenstrategie, die mit der Geschäftsstrategie eng verknüpft ist. Außerdem wird so sichergestellt, dass alle datengetriebenen Entscheidungen und Handlungen im Sinne der Erreichung der Geschäftsziele vorgenommen werden. Des Weiteren sind für eine erfolgreiche Transformation zur Data-Driven Organization auch innerorganisatorische menschliche Faktoren beziehungsweise Datenkompetenzen ein Erfolgsfaktor [Rid15]. Datenkompetenz meint in diesem Kontext die Kompetenz und den Willen, Daten auf kritische Art und Weise zu sammeln, zu managen, zu bewerten und anzuwenden. Basis für die Verbreitung dieser Einstellung (Mindset) in der gesamten Organisation ist die Unterstützung durch die Unternehmensleitung [Man20]. Die Unternehmensführung setzt die Prioritäten, allokiert die Ressourcen und sorgt für die notwendige Finanzierung des Vorhabens [Pit20].

Die Motivation der Transformation und die daraus abgeleiteten Vorteile müssen also auf der Führungsebene verstanden werden. Das ist Voraussetzung, um den notwendigen Antrieb zu entwickeln und in den entscheidenden Bereichen die richtigen Anreize für das Vorhaben zu setzen. Die identifizierten Bereiche sind die Treiber der Transformation. Dabei ist die Organisation mit vielen Veränderungen konfrontiert, die eine gezielte und vielfältige Kommunikation sowie ein adäquates Transformations-, Projekt- und Change-Management erfordern. Die Definition des Zielbildes ist ein bedeutender Baustein für die Entwicklung der Roadmap. Aber ebenso wichtig ist es, den Ausgangspunkt zu kennen, sonst können die notwendigen Maßnahmen nicht identifiziert werden.

2. Analyse des Status quo und Gap-Analyse

Für eine effektive und effiziente Umsetzung der definierten Datenstrategie ist es notwendig, den Status quo zu ermitteln. Diese Analyse ermöglicht es beispielsweise zu identifizieren, welche Daten der Organisation zur Verfügung stehen, wie die Daten zur Verfügung stehen und wie sie in der Organisation fließen. Außerdem ist zu beleuchten, ob die Infrastruktur, die eingesetzten Technologien und das vorhandene Know-how die Zielerreichung ausreichend unterstützen.

Wie wird Data Analytics heute betrieben? Was ist dabei positiv und was fehlt?

Wie Data Analytics betrieben wird und welche Aspekte funktionieren oder vernachlässigt werden, liefert unter anderem Erkenntnisse darüber, wie Analytics-Prozesse in der Organisation gestaltet sind und wie Analytics grundsätzlich gelebt wird. Ebenfalls muss untersucht werden, ob die eingesetzten Technologien, Werkzeuge und Tools die geeigneten sind sowie welche Akzeptanz und welchen Stellenwert sie in der täglichen Arbeit der Mitarbeitenden haben. Ist kein Verständnis für den Mehrwert von Daten und Analytics bei den Anwendern vorhanden, können die eingesetzten Technologien ihr Potenzial nicht entfalten. Darüber hinaus ist zu befürchten, dass diese Mitarbeiter einen stärkeren Fokus auf Erkenntnisse aus Daten ablehnen. Dies könnte eine Barriere für die Transformation darstellen. Daher dürfen die fehlenden Aspekte dieser Fragestellung nicht vernachlässigt werden.

Wie sollte Data Analytics in Zukunft betrieben werden, um die Ziele der definierten Datenstrategie zu erreichen?

Es gibt eine Vielzahl von Möglichkeiten, Data Analytics in einer Organisation einzusetzen. Es gilt hierbei herauszuarbeiten, wie operationales und strategisches Reporting am besten eingesetzt werden kann. Dies beinhaltet auch, wie autark die Anwender bei der Nutzung von Analytics-Applikationen agieren dürfen oder wie Technologietrends (Big Data, AI, ML) lohnend eingesetzt werden können.

Abbildung 2 stellt grafisch dar, wie Organisationen ihren aktuellen Stand auf dem Weg zur Data-Driven Organization sowie ihre Ziele in Bezug auf ihre datengesteuerten Ambitionen einordnen können. Der Reifegrad Operations beschreibt das operative Geschäft, das Daten erzeugt und die Informationsgrundlage liefert. BI & Data Warehousing beschreibt das Zusammenführen und Transformieren der Daten sowie die strukturierte Bereitstellung zu Analysezwecken. Der Reifegrad Self-Service Analytics befähigt Anwender, mit minimaler Unterstützung durch die IT eigenständig Analytics durchzuführen. Der höchste Reifegrad wird mit Business Transformation beschrieben. Dies beschreibt den Zustand einer Organisation, die durch Technologien wie zum Beispiel. Predictive Analytics und Machine Learning automatisch Trends identifiziert und Handlungsoptionen generiert, aus denen neue Business-Modelle oder Geschäftschancen abgeleitet werden. Mit jedem Erreichen eines höheren Reifegrades der Organisation steigt das Potenzial der Mehrwerte, die sich aus den angewendeten Technologien erzielen lassen. Die Standortbestimmung des aktuellen Reifegrads und der aus dem Zielbild abgeleitete Reifegrad ermöglicht es, die notwendigen Anpassungen zu identifizieren.

Ist die vorhandene IT-Infrastruktur fähig, die angestrebte Datenstrategie zu ermöglichen?

Mit der Transformation zur Data-Driven Organization steigen die Anforderungen an das Volumen, die Vielfalt, die Exaktheit und die Geschwindigkeit der Datenerzeugung. Daraus resultiert die Notwendigkeit, die IT-Infrastruktur und -Architektur zu analysieren und sicherzustellen, dass die zukünftigen Anforderungen und Veränderungen damit abgedeckt werden können. Das beinhaltet ebenfalls Anforderungen an die Datensicherheit, um Datenverlust und Datenmissbrauch zu vermeiden. Hierfür wird neben einer starken IT-Sicherheitsinfrastruktur auch eine effektive Datenschutzrichtlinie benötigt [Pit20]. Im Ergebnis muss sichergestellt werden, dass beispielsweise durch regelmäßige Sicherheitsüberprüfungen Schwachstellen identifiziert werden oder die Belegschaft im Umgang mit Daten geschult ist und die Datenschutzrichtlinie bekannt ist und eingehalten wird.

Ist das notwendige Wissen in der Organisation vorhanden, um die Operationalisierung der Strategie sicherzustellen?

Die notwendige Datenbasis ist identifiziert, die richtigen Technologien ausgewählt und die IT-Infrastruktur gewappnet. Das reicht allerdings noch nicht aus, um die gesetzten Ziele zu erreichen, wenn der Organisation das Know-how fehlt, um Erkenntnisse aus den Daten zu verwerten. Für erfolgreiche datengetriebene Entscheidungen im Zielbild der Data-Driven Organization sind das Wissen und die Einstellung (Mindset) beziehungsweise die Fähigkeiten der handelnden Mitarbeiter essenziell. Daher ist zu evaluieren, ob der Kenntnis- und Wissensstand in der erforderlichen Breite und Tiefe für eine erfolgreiche Transformation vorhanden ist. Ist dies nicht der Fall, reicht es nicht aus, erfahrene Mitarbeiter anzuwerben. Es muss ein Wissensmanagement innerhalb der Organisation etabliert werden. Vorhandenes Wissen muss an den richtigen Stellen internalisiert oder externalisiert werden. Möglicherweise ist das Wissen in der Tiefe vorhanden, steht jedoch nicht jedem Mitarbeiter ausreichend zur Verfügung. Die Ergebnisse der Analyse des Status quo in Kombination mit der Datenstrategie ermöglichen es, den Fortschritt der Transformation entlang der Dimensionen Business, Technologie und Organisation zu messen und einzuordnen.

3. Umsetzung der Transformation

Neben der Einführung neuer Technologien für die Umsetzung der festgelegten Datenstrategie geht es vor allem um eine menschliche Transformation. Dieser kulturelle Wandel kann auf Widerstand stoßen. Es ist notwendig, die Mitarbeitenden davon zu überzeugen, dass Daten ein wichtiger Bestandteil ihrer operativen Tätigkeiten sind [Kes22]. Außerdem ist eine offene datengesteuerte Kultur zu fördern, die das Experimentieren und Treffen von datengetriebenen Entscheidungen fördert. Dies kann durch Schulungen zur Analyse und Nutzung von Daten sowie die Integration des Erlernten in den Arbeitsablauf unterstützt werden.

Der technologische Wandel muss durchgehend mit Wissensaufbau durch Mitarbeiter und Anwender begleitet werden. Das Tempo der technologischen Weiterentwicklungen im Bereich Data Analytics fordert eine kontinuierliche und dynamische Überprüfung sowie Anpassung der Mitarbeiterfähigkeiten. Bereits nach drei bis fünf Jahren kann erlangtes Wissen obsolet oder überholt sein. Auf die Mitarbeiter zugeschnittene, personalisierte Weiterbildungen werden durch Konzepte wie Education asa Service (EaaS), also Bildung als Dienstleistung, ermöglicht [Man20; Rid15]. Der Fokus liegt hier weniger auf der Erreichung eines traditionellen Abschlusses oder ähnlichen Erfolgsnachweisen, sondern vielmehr auf den im Moment für den Mitarbeitenden erforderlichen Fähigkeiten. Ziel ist es, dass Anwender und Mitarbeiter die für ihre Aufgaben erforderlichen Fähigkeiten genau dann erlernen, wenn sie für ihre aktuellen Tätigkeiten notwendig sind.

Die Transformation zur Data-Driven Organization sollte immer das Ziel verfolgen, die für die definierte Datenstrategie richtigen Technologien einzuführen, diese mit einer datenorientierten und datenkompetenten Belegschaft anzuwenden und dabei den Faktor Mensch in den Vordergrund zu stellen. Des Weiteren ist zu beachten, dass es sich um einen fortlaufenden Prozess handelt, der kontinuierliche Anpassungen und Verbesserungen erfordert.

4. Monitoring

Schlussendlich ist die Transformation durch ein regelmäßiges Monitoring sicherzustellen. Dies verhindert eine Fehlentwicklung, da frühzeitig gegengesteuert werden kann. Dabei ist zu prüfen, ob die getroffenen Entscheidungen weiterhin Bestand haben, die technologischen Voraussetzungen noch gültig sind und die Ziele unverändert sind. Dazu können unter anderem die Fragen zur Ermittlung des Status quo als Basis zur regelmäßigen Evaluation herangezogen werden. Daraus können Erkenntnisse zum Fortschritt der Transformation abgeleitet werden.

Fazit

Der Weg zu einer datengesteuerten Organisation erfordert die Berücksichtigung zweier grundlegender Faktoren: zum einen die Identifizierung und Implementierung der für die Organisation passenden Technologien für Datenmanagement und Analytics, zum anderen die Förderung eines Data-Driven-Kulturwandels innerhalb der gesamten Organisation durch die Unternehmensführung. Ohne einen Kulturwandel hin zu einem datengesteuerten Entscheidungsverhalten, also einer datengesteuerten Einstellung (Data-Driven Mindset), ist eine erfolgreiche Transformation unwahrscheinlich. Dabei sind, wie oben detailliert ausgeführt, folgende Punkte zu berücksichtigen:

• Entwicklung einer Datenstrategie, die sich an der Geschäftsstrategie orientiert
• Status-quo- sowie Gap-Analyse zur Auslegung des Zielpfads
• Mitarbeiterorientierte Umsetzung
• Monitoring der Transformation

„Data-Driven Readyness“ gemäß unserem Referenzmodell (siehe Abbildung 3) erfordert darüber hinaus ein abgestimmtes Vorgehen in den drei Dimensionen Business (Strategie und Prozesse), Technologie (Daten, Analytics und Systeme) und Organisation (Menschen und Veränderung), um ein nachhaltiges datengesteuertes Entscheidungsverhalten in der Organisation zu etablieren.

Weitere Informationen

[Kes22] Kesavan, M.: How a Data-Driven Approach Can Help Your Enterprises. 29.10.2022,
https://thenextscoop.com/data-driven-approach-help-organization/, abgerufen am 15.5.2023

[Man20] Management Events: How to become and thrive as a data-driven organization? 10.2.2020,
https://managementevents.com/news/how-to-become-and-thrive-as-a-data-driven-organization/, abgerufen am 15.5.2023

[Pit20] Pitney, R.: Roadmap to Becoming a Data-Driven Organization. 24.4.2020,
https://www.elderresearch.com/blog/roadmap-to-becoming-a-data-driven-organization/, abgerufen am 15.5.2023

[Rid15] Ridsdale, C. et al.: Strategies and Best Practices for Data Literacy Education: Knowledge Synthesis Report. 2015