
Agilität in der Datenanalyse
Die meisten Ansätze, mit denen Datenprojekte initiiert und geführt werden, sind zum Scheitern verurteilt. Das liegt zum einen an falschen Vorstellungen, was mit Datenanalyse erreicht werden soll und kann. Warum eine Agile BI die oberste Maxime sein sollte, lässt sich dabei recht einfach erklären und nachvollziehen.
Wer ein Körnchen Gold findet, der findet damit gleichzeitig einen klar definierten Wert. Ebenso ließe sich das Volumen von gefördertem Öl recht genau in monetären Wert umrechnen. Unternehmensdaten allerdings sind deutlich komplexer. Da helfen auch nicht die oft genutzten Metaphern vom wahlweise neuen Öl, neuen Gold oder sonstigen Analogien mit wertvollen Ressourcen. Im Gegenteil offenbaren sie das Missverständnis, das sich durch den falschen Vergleich ergibt: Daten allein sind wertlos!
Daher gibt es auch genug Beispiele vom Misserfolg von Data- und Analytics-Projekten, die deutlich machen, dass Daten und ihre Analyse kein Selbstläufer sind. Einfach nur darauf zu vertrauen, dass in großen Datenmengen auch ausreichend Erkenntnisse schlummern, die sich von ganz allein offenbaren, geht an der Realität von Analytics-Projekten vorbei. Es braucht variable Prozesse und die Bereitschaft, sich immer wieder mit neuen und alten Fragestellungen auseinander zu setzen. Datenanalyse und BI benötigen agiles Denken und Handeln.
Datenanalyse als Wasserfall: Ein hoffnungsloser Fall
Viele Konzepte der Projektplanung werden leider unreflektiert auch für Analytics-Projekte übernommen. Das wird vor allem für Unternehmen, die am Anfang ihrer Datenanalyse stehen, zur Kosten- und Effizienzfalle und führt zu enttäuschten Erwartungen.

Das liegt insbesondere daran, dass nicht jedes Vorgehen und nicht jeder Projektschritt für jedes Unternehmen und Analytics-Projekt als Schablone funktioniert. Die klassische Abfolge wie im Wasserfallmodell führt zu verschiedenen Problemstellungen:
- Das Ergebnis ist eine Insellösung, die sich nicht auf andere Abteilungen adaptieren lässt.
- Die Heterogenität der Unternehmensdaten wird nicht adäquat berücksichtigt.
- Das aufgebaute Wissen und Bewusstsein der zu erzielenden Erkenntnisse wird nicht kontinuierlich mit den Erwartungen und Anforderungen abgeglichen.
- Erkenntnisse aus der Datenanalyse sind nicht nur Endprodukte, sondern fallen kontinuierlich während des Prozesses ab.
Agile Datenanalyse im Rahmen von Agile BI
Der Weg zum Projekterfolg führt nur über notwendige Iterationen, um den zur eigenen Datenlage, den eigenen Erkenntniszielen und auch den eigenen Budgetvorstellungen passenden Ansatz zu finden.
Die agile Datenanalyse im Rahmen von Agile BI verläuft nach dem iterativen Sprintmodell. Im Scrum-Framework dient ein Sprint als Prozess zur Organisation der Arbeit in der agilen Vorgehensweise. Es ist ein Zeitblock, innerhalb dessen das Team ein fertiges und nutzbares Produkt oder ein Teilprodukt erstellt. Grundlage dieses Zwischenergebnisses ist die zuvor vereinbarte Zielsetzung festgelegter Anforderungen. Die Zeitspanne dieses Sprints darf maximal einen Monat betragen. In den meisten Kundenprojekten hat sich die Länge von zwei Wochen bewährt.
Da in vielen Datenprojekten die mangelnde Kommunikation zwischen den Beteiligten dazu führt, dass sich Erwartungen und Ergebnisse auseinander dividieren, ist der regelmäßige Austausch aller oberste Prämisse. Vor Beginn des Sprints gibt es in der agilen Datenanalyse einen Planungstermin (Sprint Planning), um die Anforderungen und Ziele gemeinsam zu definieren. Während der agilen BI Sprints gibt es regelmäßig kurze Meetings (Daily Meetings), in denen sich das Team untereinander austauscht, um sich über den aktuellen Stand zu informieren und gegebenenfalls Anpassungen vornehmen zu können.

Agile BI Sprints garantieren konkreten Mehrwert
Jeder Sprintabschluss bedeuten in der Agilen BI also eine Einordnung der erzielten Ergebnisse und fördert neue Erkenntnisse. Diese Erkenntnisse sind das wertvollste Produkt, das die Datenanalyse befördert, da sie kontinuierlich und frühzeitig konkrete Unternehmenswerte schaffen. Der Prozess ist zielorientiert, aber ergebnisoffen. Durch die stetige Anpassung lassen sich einzelne Teilbereiche nach und nach in bestehende Systeme integrieren.
Dies führt zu einer Steigerung der Effizienz, einer besseren Zusammenarbeit im Team und einer höheren Kundenzufriedenheit. Der Agile-BI-Ansatz erlaubt es Unternehmen, in angemessener Zeit und Qualität sowohl auf vorhersehbare, als auch auf unvorhersehbare Anforderungen zu reagieren – mit einer für das Unternehmen effizienten Lösung.
Um bei der Analogie vom neuen Gold zu bleiben, muss es also eher heißen: Daten sind das neue Gold, wenn du etwas daraus machst.