„Data driven enterprise“ – „AI fi rst“ – „Real-Time decision making“ – der Buzzword-Dschungel ist groß und der Weg zum datengetriebenen Unternehmen verspricht vieles, doch leider verläuft er in der Praxis oft irrwegig. Einige Gründe dafür sind: Fehlende digitale Kompetenzen, funktionsorientierte Sichtweisen und Fokus auf die sehr detaillierte Planung anstatt direkter Umsetzung. Ein datengetriebenes Unternehmen ist ein Unternehmen, welches Daten zur Unterstützung von Geschäftsentscheidungen und -prozessen nutzt. Studien belegen, dass diese Unternehmen effizienter arbeiten und am Ende ertragsstärker sind. Voraussetzungen hierfür sind Investitionen in Tools, Technologien und Mitarbeitende, die die Datenerfassung, -analyse und -visualisierung ermöglichen. Doch wie kann diese Transformation für ein Unternehmen erfolgreich aussehen? Wie kann man am besten starten? Am Anfang von allem steht die Vision der Geschäftsführung. Sie geben der Organisation das Ziel des datengetriebenen Unternehmens vor. Und der nächste Schritt erfolgt dann nicht mit einem großen Knall, sondern in verdaulichen Schritten, sonst kann dies zu einer Überforderung der Organisation führen. Think big, start small, scale fast Die Vision ist groß, die Umsetzung wirkt lang, umso wichtiger ist es den richtigen Startpunkt zu wählen und die Erfolgsfaktoren zu kennen: Sich vertraut mit den neuen technologischen Möglichkeiten machen, Kompetenzen aufbauen, Entscheidungsmuster aufbrechen und direkt erste Erfolge nachweisen. Eine der technischen Möglichkeiten ist Process Mining: Eine leistungsstarke Technik, die Algorithmen zur Analyse und Visualisierung von Geschäftsprozessen auf der Grundlage von Daten aus verschiedenen Quellen verwendet. Durch die Analyse von Prozessdaten können unsichtbare Ineffizienzen, Engpässe und andere Problemmuster identifiziert werden.Es ist zu empfehlen, mit weniger komplexen Prozessen zu starten, die einen schnellen monetären Effekt nachweisen. Hierfür eigenen sich insbesondere der Kreditoren- und Debitorenprozess (siehe Abb.). Danach kann die Methodik in Wellen für weitere Prozesse ausgerollt und durch den Aufbau eines Center of Excellence organisatorisch verankert werden. Die Optimierungsfelder der Debitoren- und Kreditorenprozesse liegen in Umsatzsicherung, Working Capital, Produktivität und Compliance & Rsikomanagement. Die Effekte sind entweder direkt monetär messbar (z. B. höherer Free-Cashflow) oder durch Reduzierung von Aufwänden spürbar (z. B. No-Touch-Rate): Umsatzsicherung Der folgende Optimierungsbereich scheint sehr offensichtlich zu sein, doch gerade die Themen um Umsatzsicherung und Ausgabenvermeidung werden in Unternehmen häufig stiefmütterlich behandelt: Der Anteil an doppelten bezahlten Rechnungen im Einkauf (Referenz > 1 %), oder falsch hinterlegte Einkaufskonditionen aufgrund Mengenvereinbarungen im Rahmenvertag des Lieferanten. Es sind nicht die Einzelfälle, die es komplex machen, sondern die Menge an Prozessschnittstellen, Abhängigkeiten, Sonderfällen und funktionaler Kollaboration, die zu diesen ungewollten Effekten führen. Working Capital Working Capital Optimierungen haben in den letzten Jahren aufgrund der makroökonomischen Situation deutlich an Relevanz gewonnen. Die Optimierung des Cash Conversion Cycles mit Days Payable Outstanding und Days Sales Outstanding steht auf der Agenda eines jeden CFOs. Der größte Hebel liegt darin, sich von einer reaktiven Position hin zu einem proaktiven Vorgehen zu entwickeln. Die Realität in den Unternehmen zeigt, dass die Prozessqualität in den letzten Jahren gelitten hat und sich Ineffizienzen eingeschlichen haben. Zahlungsbedingungen (Zahlungsfrist, Skonto) sind heterogen gewachsen, Zahlungen der Kunden gehen verspätet ein (Referenz 27 % der Rechnungssumme) und werden nicht konsequent angemahnt, Skonto wird trotz Fristablauf gewährt (Referenz > 2 % der Rechnungen). Dies hat nicht nur Einfluss auf den Free-Cashflow, sondern mindert direkt den Ertrag des Unternehmens. Häufig werden in der Unternehmensrealität dann Gründe angeführt wie „Es handelt sich um einen strategischen Kunden, den man nicht anmahnen kann“ oder „Der Kunde war in der Vergangenheit sehr zuverlässig, was Zahlungen angeht“. Diese Denkmuster kosten Unternehmen unter dem Strich Profitabilität – mit einer vollkommenen Transparenz über den End-to-End Prozess werden Interdependenzen zwischen Teilprozessen erkannt und Lösungsmöglichkeiten können individuell, faktenbasiert diskutiert werden. Produktivität Ziel ist es, nicht wertstiftende Arbeiten von Mitarbeitenden zu minimieren und durch Automatisierung zu ersetzen. Die mehrmalige Eingabe von Daten oder Veränderung von hinterlegten Stammdaten potenziert sich im täglichen Arbeitsablauf. Kleine Automatisierungen von repetitiven Tätigkeiten entlasten zügig die Mitarbeitenden in operativen Prozessen. Jedoch sind ERP-Systeme dafür häufig zu unflexibel und Anpassungen zu teuer. Anders sieht es bei Process Mining aus, das Aktionen im ERP triggern und steuern kann. Die Technologie ermöglicht beispielsweise das Versenden von Zahlungserinnerungen via E-Mail, Änderungen von Zahlungsbedingungen oder das Überprüfen von Bestellung, Wareneingang und Rechnung (3-Way-Match). Compliance & Risikomanagement Compliance ist in Unternehmen ein schwieriges Unterfangen, oftmals personenbezogen und stark papierbasiert. Process Mining bietet Werkzeuge, um Compliance- Vorgaben einzuhalten. Es kann überprüft werden, ob geplante Aufgabentrennungen erfolgreich im Alltag umgesetzt, Kreditlimits geändert oder Genehmigungsprozesse effizient definiert sind. Fazit Die Potenziale für Ihr Unternehmen sind groß – sie müssen sie nur nutzen. Technologisch können Prozesse und Ineffizienzen heute in einer End-to-End Sicht analysiert und direkt aufgelöst werden. Der Einfluss ist direkt messbar. Debitoren- und Kreditorenprozess sind gute Einstiegsmöglichkeiten, um eine neue Arbeitsweise zu implementieren, datengetrieben zu agieren und messbare Erfolge zu generieren. Das Risiko ist gering, der Ressourcenaufwand überschaubar und die positiven Effekte sicher.

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. 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. 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. 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. 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: 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.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.Wir gehen unabgestimmt zum Kunden: Informationen über eingebaute Eigen- und Fremdprodukte beim Kunden wurden nicht geteilt. Kundenbesuche wurden unabhängig voneinander durchgeführt.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.

„Data driven enterprise“ – „AI fi rst“ – „Real-Time decision making“ – der Buzzword-Dschungel ist groß und der Weg zum datengetriebenen Unternehmen verspricht vieles, doch leider verläuft er in der Praxis oft irrwegig. Einige Gründe dafür sind: Fehlende digitale Kompetenzen, funktionsorientierte Sichtweisen und Fokus auf die sehr detaillierte Planung anstatt direkter Umsetzung. Ein datengetriebenes Unternehmen ist ein Unternehmen, welches Daten zur Unterstützung von Geschäftsentscheidungen und -prozessen nutzt. Studien belegen, dass diese Unternehmen effizienter arbeiten und am Ende ertragsstärker sind. Voraussetzungen hierfür sind Investitionen in Tools, Technologien und Mitarbeitende, die die Datenerfassung, -analyse und -visualisierung ermöglichen. Doch wie kann diese Transformation für ein Unternehmen erfolgreich aussehen? Wie kann man am besten starten? Am Anfang von allem steht die Vision der Geschäftsführung. Sie geben der Organisation das Ziel des datengetriebenen Unternehmens vor. Und der nächste Schritt erfolgt dann nicht mit einem großen Knall, sondern in verdaulichen Schritten, sonst kann dies zu einer Überforderung der Organisation führen. Think big, start small, scale fast Die Vision ist groß, die Umsetzung wirkt lang, umso wichtiger ist es den richtigen Startpunkt zu wählen und die Erfolgsfaktoren zu kennen: Sich vertraut mit den neuen technologischen Möglichkeiten machen, Kompetenzen aufbauen, Entscheidungsmuster aufbrechen und direkt erste Erfolge nachweisen. Eine der technischen Möglichkeiten ist Process Mining: Eine leistungsstarke Technik, die Algorithmen zur Analyse und Visualisierung von Geschäftsprozessen auf der Grundlage von Daten aus verschiedenen Quellen verwendet. Durch die Analyse von Prozessdaten können unsichtbare Ineffizienzen, Engpässe und andere Problemmuster identifiziert werden.Es ist zu empfehlen, mit weniger komplexen Prozessen zu starten, die einen schnellen monetären Effekt nachweisen. Hierfür eigenen sich insbesondere der Kreditoren- und Debitorenprozess (siehe Abb.). Danach kann die Methodik in Wellen für weitere Prozesse ausgerollt und durch den Aufbau eines Center of Excellence organisatorisch verankert werden. Die Optimierungsfelder der Debitoren- und Kreditorenprozesse liegen in Umsatzsicherung, Working Capital, Produktivität und Compliance & Rsikomanagement. Die Effekte sind entweder direkt monetär messbar (z. B. höherer Free-Cashflow) oder durch Reduzierung von Aufwänden spürbar (z. B. No-Touch-Rate): Umsatzsicherung Der folgende Optimierungsbereich scheint sehr offensichtlich zu sein, doch gerade die Themen um Umsatzsicherung und Ausgabenvermeidung werden in Unternehmen häufig stiefmütterlich behandelt: Der Anteil an doppelten bezahlten Rechnungen im Einkauf (Referenz > 1 %), oder falsch hinterlegte Einkaufskonditionen aufgrund Mengenvereinbarungen im Rahmenvertag des Lieferanten. Es sind nicht die Einzelfälle, die es komplex machen, sondern die Menge an Prozessschnittstellen, Abhängigkeiten, Sonderfällen und funktionaler Kollaboration, die zu diesen ungewollten Effekten führen. Working Capital Working Capital Optimierungen haben in den letzten Jahren aufgrund der makroökonomischen Situation deutlich an Relevanz gewonnen. Die Optimierung des Cash Conversion Cycles mit Days Payable Outstanding und Days Sales Outstanding steht auf der Agenda eines jeden CFOs. Der größte Hebel liegt darin, sich von einer reaktiven Position hin zu einem proaktiven Vorgehen zu entwickeln. Die Realität in den Unternehmen zeigt, dass die Prozessqualität in den letzten Jahren gelitten hat und sich Ineffizienzen eingeschlichen haben. Zahlungsbedingungen (Zahlungsfrist, Skonto) sind heterogen gewachsen, Zahlungen der Kunden gehen verspätet ein (Referenz 27 % der Rechnungssumme) und werden nicht konsequent angemahnt, Skonto wird trotz Fristablauf gewährt (Referenz > 2 % der Rechnungen). Dies hat nicht nur Einfluss auf den Free-Cashflow, sondern mindert direkt den Ertrag des Unternehmens. Häufig werden in der Unternehmensrealität dann Gründe angeführt wie „Es handelt sich um einen strategischen Kunden, den man nicht anmahnen kann“ oder „Der Kunde war in der Vergangenheit sehr zuverlässig, was Zahlungen angeht“. Diese Denkmuster kosten Unternehmen unter dem Strich Profitabilität – mit einer vollkommenen Transparenz über den End-to-End Prozess werden Interdependenzen zwischen Teilprozessen erkannt und Lösungsmöglichkeiten können individuell, faktenbasiert diskutiert werden. Produktivität Ziel ist es, nicht wertstiftende Arbeiten von Mitarbeitenden zu minimieren und durch Automatisierung zu ersetzen. Die mehrmalige Eingabe von Daten oder Veränderung von hinterlegten Stammdaten potenziert sich im täglichen Arbeitsablauf. Kleine Automatisierungen von repetitiven Tätigkeiten entlasten zügig die Mitarbeitenden in operativen Prozessen. Jedoch sind ERP-Systeme dafür häufig zu unflexibel und Anpassungen zu teuer. Anders sieht es bei Process Mining aus, das Aktionen im ERP triggern und steuern kann. Die Technologie ermöglicht beispielsweise das Versenden von Zahlungserinnerungen via E-Mail, Änderungen von Zahlungsbedingungen oder das Überprüfen von Bestellung, Wareneingang und Rechnung (3-Way-Match). Compliance & Risikomanagement Compliance ist in Unternehmen ein schwieriges Unterfangen, oftmals personenbezogen und stark papierbasiert. Process Mining bietet Werkzeuge, um Compliance- Vorgaben einzuhalten. Es kann überprüft werden, ob geplante Aufgabentrennungen erfolgreich im Alltag umgesetzt, Kreditlimits geändert oder Genehmigungsprozesse effizient definiert sind. Fazit Die Potenziale für Ihr Unternehmen sind groß – sie müssen sie nur nutzen. Technologisch können Prozesse und Ineffizienzen heute in einer End-to-End Sicht analysiert und direkt aufgelöst werden. Der Einfluss ist direkt messbar. Debitoren- und Kreditorenprozess sind gute Einstiegsmöglichkeiten, um eine neue Arbeitsweise zu implementieren, datengetrieben zu agieren und messbare Erfolge zu generieren. Das Risiko ist gering, der Ressourcenaufwand überschaubar und die positiven Effekte sicher.

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. 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. 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. 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. 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: 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.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.Wir gehen unabgestimmt zum Kunden: Informationen über eingebaute Eigen- und Fremdprodukte beim Kunden wurden nicht geteilt. Kundenbesuche wurden unabhängig voneinander durchgeführt.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.

„Data driven enterprise“ – „AI fi rst“ – „Real-Time decision making“ – der Buzzword-Dschungel ist groß und der Weg zum datengetriebenen Unternehmen verspricht vieles, doch leider verläuft er in der Praxis oft irrwegig. Einige Gründe dafür sind: Fehlende digitale Kompetenzen, funktionsorientierte Sichtweisen und Fokus auf die sehr detaillierte Planung anstatt direkter Umsetzung. Ein datengetriebenes Unternehmen ist ein Unternehmen, welches Daten zur Unterstützung von Geschäftsentscheidungen und -prozessen nutzt. Studien belegen, dass diese Unternehmen effizienter arbeiten und am Ende ertragsstärker sind. Voraussetzungen hierfür sind Investitionen in Tools, Technologien und Mitarbeitende, die die Datenerfassung, -analyse und -visualisierung ermöglichen. Doch wie kann diese Transformation für ein Unternehmen erfolgreich aussehen? Wie kann man am besten starten? Am Anfang von allem steht die Vision der Geschäftsführung. Sie geben der Organisation das Ziel des datengetriebenen Unternehmens vor. Und der nächste Schritt erfolgt dann nicht mit einem großen Knall, sondern in verdaulichen Schritten, sonst kann dies zu einer Überforderung der Organisation führen. Think big, start small, scale fast Die Vision ist groß, die Umsetzung wirkt lang, umso wichtiger ist es den richtigen Startpunkt zu wählen und die Erfolgsfaktoren zu kennen: Sich vertraut mit den neuen technologischen Möglichkeiten machen, Kompetenzen aufbauen, Entscheidungsmuster aufbrechen und direkt erste Erfolge nachweisen. Eine der technischen Möglichkeiten ist Process Mining: Eine leistungsstarke Technik, die Algorithmen zur Analyse und Visualisierung von Geschäftsprozessen auf der Grundlage von Daten aus verschiedenen Quellen verwendet. Durch die Analyse von Prozessdaten können unsichtbare Ineffizienzen, Engpässe und andere Problemmuster identifiziert werden.Es ist zu empfehlen, mit weniger komplexen Prozessen zu starten, die einen schnellen monetären Effekt nachweisen. Hierfür eigenen sich insbesondere der Kreditoren- und Debitorenprozess (siehe Abb.). Danach kann die Methodik in Wellen für weitere Prozesse ausgerollt und durch den Aufbau eines Center of Excellence organisatorisch verankert werden. Die Optimierungsfelder der Debitoren- und Kreditorenprozesse liegen in Umsatzsicherung, Working Capital, Produktivität und Compliance & Rsikomanagement. Die Effekte sind entweder direkt monetär messbar (z. B. höherer Free-Cashflow) oder durch Reduzierung von Aufwänden spürbar (z. B. No-Touch-Rate): Umsatzsicherung Der folgende Optimierungsbereich scheint sehr offensichtlich zu sein, doch gerade die Themen um Umsatzsicherung und Ausgabenvermeidung werden in Unternehmen häufig stiefmütterlich behandelt: Der Anteil an doppelten bezahlten Rechnungen im Einkauf (Referenz > 1 %), oder falsch hinterlegte Einkaufskonditionen aufgrund Mengenvereinbarungen im Rahmenvertag des Lieferanten. Es sind nicht die Einzelfälle, die es komplex machen, sondern die Menge an Prozessschnittstellen, Abhängigkeiten, Sonderfällen und funktionaler Kollaboration, die zu diesen ungewollten Effekten führen. Working Capital Working Capital Optimierungen haben in den letzten Jahren aufgrund der makroökonomischen Situation deutlich an Relevanz gewonnen. Die Optimierung des Cash Conversion Cycles mit Days Payable Outstanding und Days Sales Outstanding steht auf der Agenda eines jeden CFOs. Der größte Hebel liegt darin, sich von einer reaktiven Position hin zu einem proaktiven Vorgehen zu entwickeln. Die Realität in den Unternehmen zeigt, dass die Prozessqualität in den letzten Jahren gelitten hat und sich Ineffizienzen eingeschlichen haben. Zahlungsbedingungen (Zahlungsfrist, Skonto) sind heterogen gewachsen, Zahlungen der Kunden gehen verspätet ein (Referenz 27 % der Rechnungssumme) und werden nicht konsequent angemahnt, Skonto wird trotz Fristablauf gewährt (Referenz > 2 % der Rechnungen). Dies hat nicht nur Einfluss auf den Free-Cashflow, sondern mindert direkt den Ertrag des Unternehmens. Häufig werden in der Unternehmensrealität dann Gründe angeführt wie „Es handelt sich um einen strategischen Kunden, den man nicht anmahnen kann“ oder „Der Kunde war in der Vergangenheit sehr zuverlässig, was Zahlungen angeht“. Diese Denkmuster kosten Unternehmen unter dem Strich Profitabilität – mit einer vollkommenen Transparenz über den End-to-End Prozess werden Interdependenzen zwischen Teilprozessen erkannt und Lösungsmöglichkeiten können individuell, faktenbasiert diskutiert werden. Produktivität Ziel ist es, nicht wertstiftende Arbeiten von Mitarbeitenden zu minimieren und durch Automatisierung zu ersetzen. Die mehrmalige Eingabe von Daten oder Veränderung von hinterlegten Stammdaten potenziert sich im täglichen Arbeitsablauf. Kleine Automatisierungen von repetitiven Tätigkeiten entlasten zügig die Mitarbeitenden in operativen Prozessen. Jedoch sind ERP-Systeme dafür häufig zu unflexibel und Anpassungen zu teuer. Anders sieht es bei Process Mining aus, das Aktionen im ERP triggern und steuern kann. Die Technologie ermöglicht beispielsweise das Versenden von Zahlungserinnerungen via E-Mail, Änderungen von Zahlungsbedingungen oder das Überprüfen von Bestellung, Wareneingang und Rechnung (3-Way-Match). Compliance & Risikomanagement Compliance ist in Unternehmen ein schwieriges Unterfangen, oftmals personenbezogen und stark papierbasiert. Process Mining bietet Werkzeuge, um Compliance- Vorgaben einzuhalten. Es kann überprüft werden, ob geplante Aufgabentrennungen erfolgreich im Alltag umgesetzt, Kreditlimits geändert oder Genehmigungsprozesse effizient definiert sind. Fazit Die Potenziale für Ihr Unternehmen sind groß – sie müssen sie nur nutzen. Technologisch können Prozesse und Ineffizienzen heute in einer End-to-End Sicht analysiert und direkt aufgelöst werden. Der Einfluss ist direkt messbar. Debitoren- und Kreditorenprozess sind gute Einstiegsmöglichkeiten, um eine neue Arbeitsweise zu implementieren, datengetrieben zu agieren und messbare Erfolge zu generieren. Das Risiko ist gering, der Ressourcenaufwand überschaubar und die positiven Effekte sicher.

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. 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. 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. 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. 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: 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.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.Wir gehen unabgestimmt zum Kunden: Informationen über eingebaute Eigen- und Fremdprodukte beim Kunden wurden nicht geteilt. Kundenbesuche wurden unabhängig voneinander durchgeführt.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.