Was Manager über Business Analytics wissen müssen


©ra2 studio/fotolia.com

Schlagworte wie Big Data, Data Science und Künstliche Intelligenz sind in aller Munde. Viele Unternehmen sind bereits dabei, schlagkräftige Analytics-Teams und -Abteilungen aufzubauen, die das Zusammenspiel unterschiedlicher Akteure mit unterschiedlichen Kompetenzprofilen umfassen. Erfolgreiche Analytics-Projekte werden also nicht nur von so genannten «Data Scientists» vorangetrieben, sondern viel eher von Personen mit unterschiedlichen Hintergründen. So sind z. B. «Data Engineers» (Sammeln und Aufbereiten von Daten), «Big Data Architekten» (Aufbauen und Betreiben der technischen Infrastruktur), Statistiker und «Machine Learning Engineers» (Entwickeln von Vorhersagemodellen) oder Softwareentwickler (Integration der Modelle in Geschäftslösungen) essenzielle Bausteine für erfolgreiche Analytics-Projekte.

Effektive Manager sind Analytics-Dolmetscher

Was jedoch all diese Analytics-Rollen eint, ist das Fehlen des unmittelbaren Bezugs zum «Business». Vor diesem Hintergrund hat in jüngster Vergangenheit eine Rolle einen besonderen Stellenwert bekommen: der bzw. die «Analytics-Dolmetscher(in)» – Individuen an der Schnittstelle zwischen operativem Tagesgeschäft bzw. Unternehmensentwicklung auf der einen Seite und Analytics-Einheiten auf der anderen Seite. Analytics-Dolmetscher nehmen z. B. Anforderungen und Ziele eines Unternehmens auf und übersetzen diese in Frage- und Problemstellungen, die Analytics-Einheiten mit ihrem Werkzeugkasten lösen können. Gleichzeitig sorgen sie für Verständnis und Akzeptanz für die entwickelten Lösungen – ohne Vertrauen wird eine Nutzung der Ergebnisse im Tagesgeschäft nicht erfolgen. Wie groß die Diskrepanz der beiden Welten sein kann, kann an einem einfachen Beispiel aus dem Vertrieb veranschaulicht werden: Während Ziele aus dem Tagesgeschäft in der Regel um Themen wie Absatzsteigerung oder das Generieren neuer Leads kreisen, sind für viele Data Scientists eher Fragen wie Datenqualität oder die Wahl des richtigen Algorithmus relevant.

Vier Kompetenzfelder für Manager

Doch was müssen Manager eigentlich wissen, um effektive Analytics-Dolmetscher zu werden? Im Rahmen einer umfangreichen Interviewserie haben wir vier Kompetenzfelder freigelegt:

Wettbewerbsvorteile durch Analytics aufbauen: «We never throw away data» – Dieses Zitat von Jeff Bezos veranschaulicht die zentrale Rolle von Daten als Treibstoff für Amazons Geschäftsmodell. Jedoch auch bei Amazon schaffen Daten allein weder Wert noch Wettbewerbsvorteile. Daten können erst Nutzen stiften, wenn sie in die Nutzung getragen werden, um z. B. Entscheidungsprozesse zu verbessern oder neue Geschäftslösungen zu entwickeln. Manager müssen die Spielregeln der digitalen und daten-getriebenen Welt verstehen und ableiten können, wie die eigenen Produkte, Dienstleistungen und Prozesse angepasst werden müssen. Solche Vorhaben sind in der Regel mit einer großen Unsicherheit behaftet – es ist z. B. oftmals unklar, welche konkreten Kundenbedürfnisse mit innovativen daten-basierten Lösungen befriedigt werden können und ob Kunden bereit sind, für solche Zusatzleistungen zu bezahlen. Viele Unternehmen setzen daher konsequent auf agile Verfahren der Innovationsentwicklung (Design Thinking, Lean Startup, Prototyping, etc.), um mögliche Einsatzpotenziale für Analytics zu identifizieren, zu bewerten und für eine weitere Entwicklung aufzubereiten, so dass das Business den strategischen Nutzen und die Analytics-Abteilungen die Machbarkeit einer daten-basierten Innovation evaluieren können.

Daten als strategische Ressource managen: 80 Prozent des Aufwands von Analytics-Projekten umfasst in der Regel die Vor- und Aufbereitung von Daten. In anderen Worten: Das Data Engineering ist die Pflicht und das Entwickeln von Vorhersagemodellen die Kür. Gerade in vielen Fachbereichen ist jedoch das Verständnis für das Data Engineering gering – finden diese Aktivitäten doch häufig verborgen im Hintergrund statt. Manager müssen daher mit grundlegenden organisatorischen und technischen Fragestellungen vertraut sein, um vorab abschätzen zu können wie viel Aufwand mit einem spezifischen Analytics-Projekt einhergeht und wie einmal erhobene Daten effektiv für unterschiedliche Kontexte nutzbar gemacht werden können. Dies umfasst nicht nur einen Überblick über gängige Analytics-Infrastrukturen und -Tools, sondern berührt im gleichen Maße auch ein Verständnis für das Management von Daten und Datenqualität sowie potenzielle rechtliche und ggf. auch ethische Fragestellungen wie Datenschutz und Umgang mit personenbezogenen Daten.

Machine Learning und Künstliche Intelligenz sprechen: Auch wenn Analytics-Dolmetscher keine eigenen statistischen Modelle entwickeln, müssen sie die Sprache und den Fachjargon von Data Scientists beherrschen und mit grundsätzlichen Analyseverfahren vertraut sein. Einerseits müssen sie einzusetzende Verfahren und Tools hinsichtlich der Ziele und Anforderungen aus dem Business hinterfragen können. Andererseits müssen sie diese Ansätze und erzielten Ergebnisse auch Anspruchsgruppen ohne entsprechenden Hintergrund erklären können. Analytics-Dolmetscher benötigen dafür eine tiefe Kenntnis über die Produkte und Prozesse ihres Unternehmens. Viele Unternehmen gehen daher dazu über, ihre eigenen Mitarbeitenden für diese Rolle zu qualifizieren und Analytics-Dolmetscher selbst auszubilden, so dass diese aus den Fachbereichen eine Brücke zum Analytics-Team des Unternehmens bauen können.

Datengetriebene Organisationen aufbauen: Während viele Unternehmen erfolgreich erste Analytics-Prototypen umgesetzt haben, scheitern viele daran diese systematisch in das Unternehmen zu integrieren. Manager müssen übergreifende Analytics-Strategien entwerfen und entsprechende organisatorische Strukturen für die Überführung von Prototypen in einen Regelbetrieb schaffen. Viele Unternehmen wie z. B. ZF Friedrichshafen, Volkswagen oder Festo haben dafür «Analytics Labs» aufgebaut, in denen Projektideen in möglichst kurzer Zeit zu funktionstüchtigen Prototypen umgesetzt werden. Das Aufbauen daten-getriebener Organisationen umfasst aber nicht nur das Aufbauen skalierbarer Prototyping-Fabriken. Viel eher geht es hier oftmals um die systematische Neugestaltung von Entscheidungs- und Geschäftsprozessen und begleitendes Change Management. Eine aktuelle Umfrage der Unternehmensberatung McKinsey zeigt, dass hier führende Unternehmen ca. 50 Prozent ihrer Analytics-Budgets für die organisatorische Integration der entwickelten Lösungen aufwenden – mehr als doppelt so viel wie der Rest.

Erfolgreiche Business Analytics-Projekte erfordern die effektive Zusammenarbeit zwischen Analytics-Einheiten und den entsprechenden Fachbereichen. Als Analytics-Dolmetscher können Manager hier eine Schlüsselposition besetzen und eine aktive Rolle bei der daten-basierten Transformation ihrer Unternehmen spielen.

 

Autor: Prof. Dr. Ivo Blohm
Assistenzprofessor für Data Science und Management, Institut für Wirtschaftsinformatik, Universität St. Gallen.

ZOE Ausgabe 3/19
Bei diesem Text handelt es sich um einen Beitrag aus der aktuellen Ausgabe 3 der ZOE, den wir Ihnen hier exklusiv kostenlos zur Verfügung stellen.
Zum Inhaltsverzeichnis des Heftes
Zur Bestellung


Top