Genauso, wie die meisten von uns in der Musik harmonische Akkorde Dissonanzen vorziehen, so erreicht man auch erst mit der Harmonisierung von Data Strategy, Data Organization und Data Governance maximale Effekte in der Wertschöpfung. Wir beantworten die wichtigsten Fragen und zeigen erfolgreiche Beispiele.
15 bis 20 % Umsatzwachstum erzielen, nur dank einer abgestimmten Datenstrategie? Das alleine führt vermutlich nicht zur genannten Steigerung – ohne Harmonisierung von Data Strategy, Organization und Governance ist sie schlicht nicht möglich. Wenn Daten aber mit Analytics kombiniert und in den Wertschöpfungsprozessen eines Unternehmens richtig angewendet werden, lässt sich dieser Effekt erzielen, das erkennen immer mehr Unternehmen und wollen dieses Potential auch realisieren.
Wir begegnen dabei immer wieder der Frage: „Welche Organisation eignet sich hierfür am besten?“ Über Organisationen und ihre Zusammensetzung lässt sich freilich diskutieren und meistens gibt es mindestens so viele Meinungen wie involvierte Führungskräfte. Nach unserer Erfahrung ist keine Organisationsform per se die beste. Vielmehr gibt es verschiedene Möglichkeiten, eine Aufbauorganisation zu gestalten – mit jeweils unterschiedlichen Vor- und Nachteilen. Wie aber geht man vor, um die Organisationsform für seine aktuelle Herausforderung zu identifizieren? Zuerst empfiehlt es sich, die Ziele und die Art der Wertschöpfung zu definieren, die mit der Organisation erreicht werden soll. Daraufhin lässt sich die Strategie mit Vision und notwendigen Handlungsfeldern formulieren. Erst dann sollte die Aufbauorganisation angedacht werden und wiederum darauf aufbauend gilt es, die Prozesse der Data Governance zu definieren.
Isolierte Ideen, isolierte Maßnahmen sind schön für die Galerie, erzielen aber keine nachhaltige Wertschöpfung. Entsprechend empfehlen wir, die folgenden vier Bereiche konsequent aufeinander abzustimmen.
Im Bereich der Ziele müssen diese im ersten Schritt genau benannt werden. Es stellen sich Fragen wie „Wo und wie soll der Mehrwert erzielt werden?“ oder „Welche Kategorien von Use Cases sollen prioritär angegangen werden?“. Geht es beispielsweise um die Optimierung bestehender Prozesse im Marketing und Vertrieb, so ist eine Verdopplung der Conversion Rate von Kampagnen häufig durchaus möglich. Sollen hingegen Kosteneinsparungen durch die Automatisierung von Entscheidungen in Abwicklungsprozessen erzielt werden, können nicht selten 90 % früherer Entscheidungen automatisiert und damit Durchlaufzeiten reduziert werden. Sollen schließlich neue datenbasierte Produkte geschaffen werden? Dies ist die Königsdisziplin und gerne bringe ich hier meine Erfahrungen ein.
Die Data Vision motiviert für längerfristige Ziele und sollte Use-Case-übergreifend formuliert sein: „Marketing-Aktivitäten werden mit Daten optimiert.“ Selbstverständlich muss die Vision auch auf die spezifische Ausgangssituation abgestimmt sein. Ist dies erfolgt, gilt es, auch die Handlungsfelder zu formulieren, um sie zu erreichen. Wichtig dabei ist es, sich zu fragen: Was bedeutet dies für die Organisation? Für die Prozesse? Für die Infrastruktur? Und last, but not least für die Kompetenzen der Mitarbeiter:innen? Hier spielen fachliches Geschäftsverständnis, informatisch-technisches Rüstzeug, oft statistisches Flair und – sehr wichtig – Sozialkompetenz entscheidende Rollen. Diese vielfältigen Anforderungen sinnvoll miteinander zu orchestrieren, ist immer eine Herausforderung.
Nun nehmen wir uns dem Thema Organisation – alt oder neu – an. Unter Analytics & Data Organization verstehe ich alle Aspekte der Aufbauorganisation: BI-Organisation, DWH-Teams, fachliche Analytics-Teams und AI-Spezialteams. Welche Kompetenzen haben in der Vergangenheit suboptimal zusammengespielt und sollten neu aufgestellt werden? Welche müssen grundsätzlich neu aufgebaut werden? Wo erwarte ich Kosteneinsparungen durch Synergien? Wo braucht es mehr kritische Masse, um entscheidend voranzukommen? Entsprechend gibt es Spielformen von zentralen Teams über bimodale Modelle bis hin zu dreistufigen Organisationen. Liegen die Herausforderungen im fachlichen Verständnis, dann mag eine Organisation fachorientiert aufgesetzt werden, um dieses Verständnis zu bündeln. Bestehen die Herausforderungen in den technischen Kompetenzen, dann mag eine Organisation nach technischen Komponenten aufgesetzt werden, um dieses Rüstzeug schnell aufzubauen. Offensichtlich kann sich der Fokus der Herausforderungen mit der Zeit auch verschieben.
Mindestens so wichtig wie die Aufbauorganisation ist auch die Ablauforganisation innerhalb und über Abteilungsgrenzen hinweg. Wie spielen die verschiedenen Teams zusammen, um Datenqualität zu adressieren, um Metadaten-Management zu nutzen, um Arbeiten redundanzfrei zu koordinieren? Um eine kurze Time-to-Market für neue Datenprodukte zu erreichen, kann die Governance doppelte Arbeit in einem gewissen Maße erlauben. Arbeiten, die sich gegenseitig aufheben, sind aber definitiv zu unterbinden. Die Absicht ist logischerweise mit Standards und Richtlinien zu unterstützen, um die Datenassets gut zu verstehen, einfach zu nutzen und den Datenschutz einzuhalten.
Du willst den IoT Core durch eine Multi-Cloud-Lösung ersetzen und die Vorteile weiterer IoT-Services von Azure oder Amazon Web Services nutzen? Dann melde Dich bei uns und wir unterstützen Dich bei der Umsetzung mit unserer Expertise und dem b.telligent Partnernetzwerk.
Geschäftsführer
Am Zitat „Daten sind das Gold des 21. Jahrhunderts“ kam in den letzten Jahren kaum jemand vorbei. Doch es gibt einen entscheidenden Unterschied zwischen Daten und Gold. Daten haben nur einen Wert, wenn man sie nutzt. Um diese Nutzung zu ermöglichen, muss sich in vielen Fällen etwas ändern – die Daten müssen demokratisiert werden.
Die Europäische Zentralbank (EZB) sowie viele andere Aufsichtsbehörden erkannten in der Analyse der Ursachen der Finanzkrise 2008 unter anderem große Defizite in der IT und Datenarchitektur der Institute. Diese Defizite führten dazu, dass Risikobewertungen nicht schnell und präzise genug und nicht vollständig durchgeführt werden konnten. Kurz gesprochen: Risiken konnten weder im angemessenen Maße berichtet noch kontrolliert werden. Aus dieser Lehre heraus wurde von dem Baseler Ausschuss für Bankenaufsicht (engl. Basel Committee on Banking Supervision, kurz BCBS) der vielseits durch die Presse bekannte Standard 239 veröffentlicht, auch bekannt als „Principles for effective risk data aggregation and risk reporting“ bzw. als AT 4.3.4 der MaRisk.
Data Lakes sind beliebte Komponenten von Cloud Data Plattform Architekturen. Wenn Du Dich für die Implementierung von Data Lakes und entsprechenden Services auf AWS interessierst, solltest Du folgende Blogbeiträge lesen. Bei einem Data Lakehouse handelt es sich um eine Architektur, die Datentransparenz im Data Lake ermöglicht und die Daten für die weitere Auswertung in einem Data Warehouse verfügbar macht. Erfahre hier mehr.
Kein vorheriger Beitrag
Kein nächster Beitrag
