Data Analytics bewährt sich für immer mehr Unternehmen als gut geeigneter Einstieg in eine Transformation hin zum datengetriebenen Unternehmen. Die Gründe liegen auf der Hand: ohne große Vorlaufzeit können mit Hilfe von BI-Tools schnelle erste Erfolge „sichtbar“ gemacht werden - was die Akzeptanz auf Entscheiderebene erhöht. Durch den explorativen Ansatz können auch komplexe Herausforderungen angepackt werden, Mitarbeiter erleben Digitalisierung im eigenen Bereich und selbst durch das schnelle Scheitern von Ansätzen wird klarer, wie sich ein Unternehmen im Hinblick auf digitale Anforderungen besser aufstellen kann. Die Analysemöglichkeiten und Erkenntnisse, die sich daraus ergeben, hängen überwiegend von den verfügbaren Daten und deren Qualität ab. Um erste Erfolge zu erzielen, können oft schon aus den „üblich“ anfallenden Daten sehr wertvolle Erkenntnisse gezogen werden. Schlecht gepflegte Daten oder gar Datenlücken werden ganz nebenbei im Projektverlauf identifiziert und können korrigiert bzw. geschlossen werden.

Was unterscheidet Data Analytics Projekte von „gewöhnlichen“ Projekten?
Die Projekte folgen nicht dem linearen „Wasserfallmodell“ mit definierten Meilensteinen und Ergebnissen in aufeinanderfolgenden Projektphasen mit verbindlichen Vorgaben. Erfolgsversprechender ist ein flexiblerer/agilerer Ansatz. So kann in manchen Fällen die fehlende Datenqualität den Aufbau des notwendigen Datenmodells verhindern oder die erste Analyseidee in einer Sackgasse landen. Dies bedeutet keinesfalls das Scheitern, es heißt vielmehr nochmal zurück auf Start und die Anpassung der Zielsetzung.

Wie startet man am besten mit Data Analytics?
Unsere klare Empfehlung lautet: Schauen Sie auf Ihre vorhandenen Prozesse, Produkte und Services. Identifizieren Sie, was effizienter, zielgerichteter, transparenter angegangen werden soll und setzen sie sich entsprechende Ziele. Dies ist die Basis, um einen passenden Use Cases für Ihr Unternehmen zu finden.
Beispiele aus anderen Unternehmen helfen zu verstehen, was mit Data Analytics möglich ist und welche konkreten Nutzen daraus entstehen können: von einer verbesserten Vertriebssteuerung über eine Bereinigung der Komplexität im Produktmanagement bis hin zu Verbesserungen der Logistikprozesse – die Einsatzmöglichkeiten sind so vielfältig wie die Geschäftsmodelle.

Die Herausforderungen für eine erfolgsversprechende Data Analytics Implementierung sind

• … die erfolgreiche Überführung der analytischen Erkenntnisse in die Unternehmensprozesse und -verantwortlichkeiten.
  
• … der Einsatz der Ressourcen, die in der Lage sind, die Analyse mit den richtigen Tools weiter durchzuführen.
  
• … die Berücksichtigung der Data Analytics in den Entscheidungsprozessen des Top-Management Teams (Spannungsfeld zwischen Rationalität und Intuition).
  

Wie sieht ein erster erfolgreicher Use Case aus?
Sind Erwartungshaltung und Zielsetzung des Data Analytics Projekts klar definiert, startet die Durchführung mit der Datenevaluation.

In einem konkreten Fall konnten cross-divisionale Potentiale durch Data Analytics erkannt und strukturiert bearbeitbar gemacht werden.

1. Use Case: das Unternehmen bietet parallel zum Produktgeschäft eine Service-Einheit für Maschinen- und Produkt-Prüfungen an. Die Service-Einheit pflegt dabei eine Datenbank über Eigen- und Konkurrenzprodukte, die bei Kunden installiert sind. Diese Daten wurden bis dato nicht vom Vertrieb genutzt.
   
2. Datenevaluation: Mit Blick auf die Daten wurde schnell klar, dass eine große Menge an Vertriebsdaten im CRM-System vorlag. Noch hilfreicher war jedoch die Datensammlung der Serviceeinheit. Die Daten enthielten viele vertriebs-relevante Informationen, die zu diesem Zeitpunkt noch unentdeckt „vergraben“ waren.
   
3. Datenanalyse: Die Implementierung der Daten und Aufbereitung des Datenmodells im BI-Tool schaffte die Basis für alle Analysen. Mit BI-Tools gelingt es, komplexe und große Datenmengen zu verarbeiten. Anschließend werden diese in interaktiven Dashboards dargestellt und schaffen so Verständnis bei Management und Mitarbeitern.
   
4. Ableitung und Evaluierung faktenbasierter Hypothesen: Aus den analysierten Daten wurden faktenbasierte Hypothesen abgeleitet, die in einem gemeinsamen Workshop beim Kunden auf ihre Richtigkeit geprüft und hinsichtlich ihrer Bedeutung bewertet wurden.
   Zentrale Erkenntnisse:
   
   1. Wir nutzen die Daten nicht: Die Daten waren nicht aufbereitet in der Datenbank gespeichert. Es fehlte im Unternehmen an Mitarbeitern mit der notwendigen Analyse und BI-Kenntnissen.
   2. Wir kennen unsere Kunden nicht: Kunden wurden Serviceleistungen für Fremdprodukte angeboten, bei denen keine Eigenprodukte verkaufen wurden. Kunden wurden Eigenprodukte verkauft, bei denen kein Service angeboten wurde.
   3. Wir gehen unabgestimmt zum Kunden: Informationen über eingebaute Eigen- und Fremdprodukte beim Kunden wurden nicht geteilt. Kundenbesuche wurden unabhängig voneinander durchgeführt.
5. Erkenntnis und Auswirkung auf Prozesse/Organisation: Daraus wurden entsprechende Maßnahmen abgeleitet: Beispielsweise wurden Kunden ausgesucht, bei denen vor den nächsten Kundenterminen ein Austausch zwischen Vertriebs- und Servicemitarbeiter stattfindet. Die BI-Analyse wurde auf Kundenseite implementiert und ein Mitarbeiter geschult, so dass dieser in Zukunft die Steuerung übernehmen kann.
   

Fazit
Kleine erste Leuchtturmprojekte mit der richtigen Datengrundlage bringen neue Erkenntnisse und schaffen Bewusstsein und Veränderungsbereitschaft bei Management und Mitarbeitern. Hierauf aufbauend werden weitere Projekte durchgeführt sowie notwendige Prozesse und Systeme kontinuierlich nachgezogen. Mit diesem agilen Ansatz transformieren sich Unternehmen schrittweise zu einem datengetriebenen Unternehmen.