Datenanalyse in Theorie und Praxis
Das Thema Datenanalyse steht in den Führungsetagen von Unternehmen hoch im Kurs. Viele haben verstanden, dass angewandte Datenanalyse ein Schlüsselfaktor für Innovationen ist. Aber nur wenige Unternehmen wissen auch in der Praxis, wie man die Ergebnisse und Erkenntnisse aus Daten konsequent in konkrete Geschäftswerte umwandelt. Warum also scheitern so viele Datenprojekte?
Einer der häufigsten Gründe ist, dass Unternehmen Analytics-Projekte immer noch als ein weiteres von vielen IT-Projekten betrachten. Zuallererst muss die Datenanalyse aber als eine sich ständig weiterentwickelnde Strategie, Vision und Architektur betrachtet werden. Eine Strategie die kontinuierlich danach strebt, die Abläufe und die Ausrichtung eines Unternehmens zu optimieren, entlang strategischer Geschäftsziele sowie taktischer und operativer Entscheidungen. Jedoch kommt es auch bei den umsichtigen Unternehmen oftmals zum Scheitern von Datenprojekten. Im Folgenden untersuchen wir einige Gründe, die für dieses Scheitern verantwortlich sind.
Falsche Herangehensweise bei Datenprojekten
Ein erstes großes Problem ist die generelle Herangehensweise an Datenprojekte. Big Data verwandelte sich in den letzten Jahren zu einem starken Buzzword. Genau aus diesem Grund wird es jedoch von vielen Unternehmen als etwas wahrgenommen, dass nur getan werden muss, um relevant zu bleiben. Projekte auf dieser Grundlage werden deswegen nur als nötig angesehen, ohne dabei ernsthaft definierte Geschäftsziele oder Kennzahlen zu verfolgen. Wenn entsprechendes Know-how und Kapazitäten fehlen, um mit diesen großen Datenmengen korrekt umzugehen, gibt es nur geringe Chancen, diese Datenprojekte erfolgreich durchzuführen.
Fehlende Kommunikation bei der Datenanalyse
Der häufigste Grund für das Scheitern von Datenprojekten ist schlichtweg eine schlechte oder gänzlich fehlende Kommunikation, zum Beispiel zwischen Teammitgliedern oder Fachbereichen und Unternehmensführung. Das beginnt mit den Zielen und Anforderungen des Datenprojekts. Diese sollten in ihrem Kern die Ziele des gesamten Unternehmens widerspiegeln. Ist die jeweilige Erwartungshaltung zwischen der Unternehmensführung und den Projektbeteiligten nicht miteinander vereinbart, ist es nur sehr schwer möglich, das Projekt erfolgreich durchzuführen.
Ein immer wiederkehrendes Problem ist, dass Data Scientists, die innerhalb eines Unternehmens in unterschiedlichen Umgebungen arbeiten, oft doppelte Arbeit leisten. Sie haben keine Einblicke in die Arbeit der übrigen Belegschaft, von der sie profitieren könnten. In Unternehmen, die mehrere Data Scientists beschäftigen, führt diese Arbeitsweise oftmals zu Investitionsverlusten und verpassten Chancen, zum Beispiel weil sie unkoordiniert an denselben Anforderungen arbeiten. Es muss gelingen, die individuellen Fähigkeiten zu bündeln und ein dynamisches Team aufzubauen.
Technologische Hürden bei Datenprojekten
Jedes Datenprojekt, ob Visualisierung, Data Science, Machine Learning oder jeglicher anderer Bereich, wird ohne Zugang zu relevanten Daten scheitern. Haben Datenteams also keinen vollen Zugriff auf die entsprechenden Unternehmensdaten, wird jedes Datenprojekt direkt zu Beginn zum Erliegen kommen.
Ein weiterer wesentlicher Grund für das Scheitern von Datenprojekten ist die falsche Nutzung der zu Verfügung stehenden Technologie für das jeweilige Projekt. Nur weil bestimmte Tools für ein Problem verwendet werden können, bedeutet das nicht, dass es immer die beste Option ist. Beispielsweise ist Hadoop nur unter bestimmten Umständen sinnvoll, abhängig von der Menge der zu speichernden Daten, der vorliegenden Datenstruktur und dem Verwendungszweck der Daten. Data-Science-Teams würden es sich also unnötig schwer machen wenn sie Hadoop in einer Situation einsetzen würden, in der ein SQL BI-Tool oder etwas vergleichbares effektiver wäre. Dasselbe gilt für Programmiersprachen und andere Entscheidungen zur Dateninfrastruktur.
Fehlerhafte Datenmodellierung
Ein großer Fehler, den viele Datenteams im Verlauf eines Datenprojekts begehen, ist die Verwendung unsauberer Daten. Modelle, die auf der Grundlage von unsauberen Daten erstellt wurden, sind nicht in der Lage, aussagekräftigen Erkenntnisse zu liefern. Dadurch führt eine schlechte Bereinigung von Daten mit einer enormen Wahrscheinlichkeit zu einem Scheitern des Datenprojekts.
Ist bereits ein Datenmodell in den Unternehmensprozess eingepflegt, kommt es auf ein korrektes Management dieses Modells an. Ohne ein ordnungsgemäßes Management kann ein Datenmodell in der Produktion mehr Schaden als Nutzen anrichten. Ein Modell, das nicht überwacht oder aktiv kontrolliert wird, kann dem Unternehmen schweren Schaden zufügen, sei es in Form von Compliance-Fehlern, Umsatzeinbußen, Branding- oder Imageschäden.
Erfolgreich Datenprojekte umsetzen heißt genau planen
Um mit der Generierung von Mehrwert aus Data Analytics zu beginnen, müssen Unternehmen ein konsistentes und sinnvolles Framework für Menschen, Prozesse und Technologien entwickeln und implementieren. Unternehmen, die Zeit und Energie in dieses Framework investieren und die Datenanalyse als Kernkompetenz erfolgreich einsetzen, profitieren auch langfristig davon.
Erfolge mit Datenprojekten zu erzielen ist nicht einfach. Oftmals gibt es große Hindernisse, die es zu überwinden gilt. Letztendlich sind Unternehmen, die sich den Fallstricken bei der Skalierung von Modellen bewusst sind und die ihre Fachbereiche mit ausreichenden Zugängen zu Datenquellen ausstatten, besser gerüstet, um diese langfristig für Wettbewerbsvorteile zu nutzen.
