Sieben Erfolgstipps für Big Data Analytics

Daten sind das Gold der Neuzeit. Unternehmen haben Unmengen davon. Die Auswertung kann Mehrwerte zu generieren. Das Systemhaus Axians zeigt auf, welches Vorgehen bei Big Data Analytics zum Erfolg führt, und welche Fehler es zu vermeiden gilt.

Um Marktchancen zu nutzen, müssen Unternehmen in der Entwicklung erfolgreicher werden, die eigenen Prozesse optimieren und die Kosten senken. Das Rohmaterial dafür steht in rauen Mengen zur Verfügung: Daten. Big-Data-Analysen können bisher verborgene Zusammenhänge aufdecken, indem sie verschiedene Daten in neuer Form kombinieren und vergleichen. So finden Unternehmen Antworten auf wichtige Fragen – etwa warum Kunden abwandern, wo Verbesserungsbedarf besteht oder wie man Ausschuss reduzieren kann. Consulter von Axians zeigen auf, wie Unternehmen ihre Daten optimal auswerten.

1. Agiles Projektmanagement Big-Data-Projekte lassen sich nicht mit einem starren Wasserfall-Prinzip steuern. Nötig ist vielmehr eine agile Herangehensweise. Es bringt wenig, sich auf ein festgefahrenes Ziel zu beschränken. Manchmal führt ein Projekt vielleicht nicht zum anvisierten Ergebnis, liefert dafür aber andere wichtige Erkenntnisse. Als Beispiel zitiert Axians ein Projekt aus der Automobilbranche, das Predictive Maintenance zum Ziel hatte. Aufgrund der Kombination der Datenbasis und produktionstechnischer Anforderungen fand sich kein tragfähiger Ansatz für Predictive Maintenance. Das agile Vorgehen identifizierte allerdings erhebliche Potenziale zur Steigerung der Qualitätskennzahlen. So war das Projekt war ein voller Erfolg, obwohl das ursprüngliche Ziel verfehlt wurde.
2. Stakeholder rechtzeitig einbinden Ein Analytics-Projekt darf weder eine reine IT-Angelegenheit sein noch an der IT-Abteilung vorbeigehen. Vielmehr handelt es sich um eine interdisziplinäre Spielart, bei der IT- und Fachabteilungen eng zusammenarbeiten müssen. Fachbereichsleiter bringen ihre akuten Problemstellungen ein. Die IT-Abteilung wiederum kennt die technischen Möglichkeiten. Für einen Projekterfolg gilt es, alle Stakeholder rechtzeitig einzubinden. Das bedeutet nicht unbedingt von Anfang an – sondern sobald grundlegende Vorgehensweisen geklärt sind. Entscheidend ist, schnell voranzukommen und zeitnah mit ersten Ergebnissen Interesse zu wecken.
3. Pioniere statt Siedler In jedem Unternehmen gibt es Mitarbeiter, die das Bestehende bewahren möchten, und andere, die sich für Neues begeistern. Man spricht im übertragenen Sinne auch von Siedlern und Pionieren. Jede Gruppe hat ihre Berechtigung. Für Big-Data-Projekte braucht man eher die Pioniere. „Identifizieren Sie innovationsfreudige Mitarbeiter, holen Sie sie ins Team und fördern Sie deren Weiterbildung“, empfiehlt Axians. „Ein spezialisierter Dienstleister kann in Workshops oder Pilotprojekten Wissen weitergeben, verborgene Potenziale identifizieren und bei der Überzeugungsarbeit unterstützen.“
4. Keine Angst vor Fehlern Big-Data-Projekte brauchen Experimentierfreude. Dazu gehört es, verschiedene statistische Modelle auszuprobieren und auch einmal Fehler zu machen. Oft wissen die Analysten am Anfang nicht, welcher Weg zum Ziel führt. Entscheidend ist, dass sie Ergebnisse zeitnah validieren, Sackgassen schnell erkennen und in der Lage sind, sofort die Richtung zu wechseln. Da die Analysten Daten zunächst experimentieren und nicht aktiv in die Produktion oder die Supply Chain eingreifen wird, besteht keine Gefahr, Schaden anzurichten.
5. Quick Wins Die Projektbeteiligten müssen nicht gleich zum Mond fliegen. Sie sollten sich lieber realistische Ziele setzen und beispielsweise am Beginn prüfen, welchen Datenbestand zur Verfügung steht, und was damit möglich ist. Wenn der Projektumfang zu groß ist und das Ziel zu hoch gesteckt, übt das starken Druck auf die Projektbeteiligten aus. Das frustriert und wirkt kontraproduktiv. Stattdessen empfiehlt es sich, schnell zu erreichende Erfolge zu identifizieren und sich in kleinen Schritten vorwärtszubewegen. Gewonnene Erkenntnisse können dann skaliert werden. So erreicht man nach und nach auch weiter entfernte Ziele – und kann der Geschäftsführung gegenüber schnell erste Ergebnisse vorweisen.
6. Wirtschaftlich denken Die Analysten sollten sich nicht in dem verrennen Sie sich nicht, was technisch machbar ist, sondern stets auf die Wirtschaftlichkeit achten. Wenn mehrere Quick Wins zur Wahl stehen, sollten diejenigen am ersten angegangen werden, die am besten zu einer wirtschaftlichen Verbesserung beitragen. Es mag interessant sein, die Tonalität von Kunden-E-Mails in Korrelation mit Alter und Region zu setzen. Betriebswirtschaftlich spielen solche Zusammenhänge aber oft eine sekundäre Rolle. Wichtiger wäre es zum Beispiel herauszufinden, wie sich die Kündigungsrate reduzieren lässt.
7. Auf Datenschutz achten Bei allen Big-Data-Analysen spielt Datenschutz eine entscheidende Rolle. Unternehmen sollten daher personenbezogene Daten identifizieren und Data Privacy Tools einsetzen, um alle Datenschutzrichtlinien einzuhalten. Ab Mai 2018 gilt die neue EU-Datenschutz-Grundverordnung verbindlich für alle Mitgliedsstaaten und die darin aktiven Unternehmen. Dann werden Datenschutzverletzungen noch strenger geahndet und können hohe Geldstrafen nach sich ziehen.

Gegen Mitbewerber aus dem Internet müssen sich viele Unternehmen zur Wehr setzen. Die Start-ups haben den Vorteil, dass sie auf einer grünen Wiese anfangen und gleich digitalisiert ins Rennen gehen. Etablierte Unternehmen haben im Gegenzug etwas, das den Newcomern fehlt, nämlich jede Menge Kundendaten. Diesen Vorsprung gilt es zu nutzen. „Werten Sie Ihre Daten aus und starten Sie ein Big-Data-Projekt“, empfiehlt Axians. „Setzen Sie sich realistische Ziele und seien Sie experimentierfreudig, ohne die Wirtschaftlichkeit aus den Augen zu verlieren.“ Jürgen Frisch