Bericht zu Datentrends

Um Lücken bei der Datenkompetenz zu schließen, lassen sich Unternehmen von Hochschulen in Bezug auf Schulungen und Zertifizierungen inspirieren

Der digitale Wandel erfordert datengesteuerte Unternehmen. Deshalb investieren Unternehmen in diesem Jahr erhebliche Beträge – durchschnittlich 15,3 Millionen US-Dollar –, um den Erfolg zu gewährleisten. Auch wenn ein Teil dieser Investitionen in Technologie und Systemarchitektur erfolgt, wird fast die Hälfte der 15,3 Millionen USD (41 %) für Qualifizierung ausgegeben. Dies ist wenig überraschend, denn mehr Menschen als je zuvor haben umfassenden Zugang zu Daten, sind aber der „Datensprache“ nicht mächtig. Mitarbeiter mit grundlegender Datenkompetenz haben die Fähigkeit, die Daten zu verstehen und anzuwenden (zu „übersetzen“), mit denen sie zunehmend arbeiten. So können sie geschäftliche Fragen fundiert beantworten und mehr zum Erfolg ihrer Firmen beitragen. Unternehmen überwinden diese Wachstumshürde, indem sie Analytics-Kompetenzen auch abseits der Data Scientists kultivieren und mit gezielten Schulungen die Lücken bei der Analytics-Kompetenz schließen. Gartner bewertet mangelhafte Datenkompetenz als eines der häufigsten Hindernisse auf dem Weg zur datengesteuerten Kultur und zur Nutzung der Vorteile.

Investitionen in Datenkompetenz sind für Unternehmen relativ neu. Wissenschaftliche Institutionen entwickeln bei ihren Studenten schon seit Jahren die Fähigkeit zum kritischen Denken und Analytics-Kompetenzen als Voraussetzung für Entscheidungsfindung und Problemlösung sowohl im persönlichen als auch im beruflichen Umfeld. Einrichtungen wie die University of Pittsburgh, die Carnegie Mellon University, die University of Edinburgh und andere bilden mit interdisziplinären Datenkompetenzprogrammen für Bachelor- und Master-Studenten die nächste Generation der Digital Natives und damit Data Natives aus. Das University of South Florida Muma College of Business hat ein Citizen Data Scientist-Zertifizierungsprogramm ins Leben gerufen, das gezielt Studenten ausbildet, denen die technischen Fertigkeiten fehlen, Daten für die geschäftliche Entscheidungsfindung zu erfassen und zu analysieren. Mit diesen Datenkompetenzen erhalten Studenten die Analytics-Fähigkeiten und das Rüstzeug, um sich in „Digital-First“-Umgebungen sicher bewegen zu können.

Konzerne nehmen sich ein Beispiel an den Hochschulen und entwickeln entweder ihre eigenen Datenkompetenzprogramme, Exzellenzzentren und Communitys oder nutzen Datenkompetenzschulungen von Drittanbietern und externe Communitys. Außerdem bezuschussen große Unternehmen Analytics-Zertifizierungen, da sie den Wert der Entwicklung von Datenkompetenz erkennen. Diese Investitionen dienen auch dazu, die Analytics-Fähigkeiten der bereits vorhandenen Mitarbeiter zu optimieren, die in Sachen Datenkompetenz den nun kommenden Data Natives noch hinterherhinken.

Lockheed Martin machte Datenkompetenz zu einer tragenden Säule für den digitalen Wandel des Unternehmens und startete formale Datenkompetenz-Workshops und -Kurse, um Mitarbeiter an Standorten quer durch die USA einzubinden und fortzubilden. Diese Programme sollen 2020 weiter ausgeweitet werden. Das globale Sicherheits- und Luftfahrtunternehmen hofft, diese Schulungen auf Mitarbeiter im Fertigungssektor und anderen Abteilungen jenseits der traditionellen Analysten auszudehnen. Das Enterprise Analytics-Team beobachtet nun einen veränderten Umgang der Mitarbeiter mit Daten im Zusammenhang mit ihrer beruflichen Position und einen zunehmenden Mehrwert, den sie für das Unternehmen dank der Datenkompetenz schaffen. Anthony Brown, Enterprise Analytics Leader bei Lockheed Martin, sagte: „Ein wichtiger Punkt bei der Datenkompetenz ist es, zu verstehen, wo die Daten genutzt werden, wie sie genutzt werden und warum sie wichtig sind. [...] Wenn die Mitarbeiter das verstanden haben, gehen sie sorgfältiger mit den Daten um. Das hilft uns sowohl hinsichtlich der Qualität als auch hinsichtlich der Genauigkeit der Daten.“ Für das Ziel, diese Investitionen in Datenkompetenz auf über 100.000 Mitarbeiter auszudehnen, nutzen Anthony und sein Team das interne Tool Eureka. Mit dieser Twitter-ähnlichen Plattform können die Mitarbeiter eine Community aufbauen, Fragen stellen, Antworten geben und sich gegenseitig unterstützen, um die Datenvisualisierung und die Berichtserstellung im Unternehmen zu verbessern.

Marina Brazhnikova, BI Manager of Data Visualization bei einer großen akademischen Non-Profit-Gesundheitseinrichtung im Süden der USA, hat die massiv gestiegene Nachfrage nach Analytics in ihrem Unternehmen erkannt. Um die aktuellen Analytics-Anforderungen dieser datengesteuerten Umgebung zu erfüllen und bei Bedarf weiter ausbauen zu können, hat ihr Team bei Neueinstellungen und Fortbildungen von Mitarbeitern vor allem auf Datenkompetenz geachtet, damit die Kunden und das Unternehmen genau das erhalten, was erforderlich ist. Marinas Team ist seither von anfangs zwei Entwicklern auf nunmehr elf gewachsen. Diese erhöhte Datenkompetenz hat zu engagierteren, fähigeren Mitarbeitern geführt und die betriebliche Effizienz insgesamt verbessert.

Diese Belegschaft aus kritisch denkenden Mitarbeitern bei Lockheed Martin und anderen Unternehmen, die Programme zur Datenkompetenz entwickeln, ist in der Lage, Probleme anhand von Daten zu lösen und damit zu verbesserten Geschäftsergebnissen beizutragen. Durch den Übergang vom akademischen Experimentierfeld in die Praxis von Unternehmen hat sich die Datenkompetenz laut Gartner „neben Menschen, Prozessen und Technologien zu einem weiteren zentralen Faktor für das digitale Unternehmen“ entwickelt. Wenn Unternehmen in offizielle Schulungen, Communitys für kontinuierliches Lernen und Zertifizierungen zur Bewertung der Datenkompetenz investieren, können die Mitarbeiter sich mit Daten weiterentwickeln und zu verbesserten Ergebnissen beitragen. Sie sind dann besser gerüstet, um flexibel mit dem digitalen Wandel umzugehen, der auf allen Feldern Datenkompetenz erfordert.

Domain- und Technologie-Experten lassen den Hype hinter sich und entwickeln eine gemeinsame Vision für künstliche Intelligenz und Machine Learning

Künstliche Intelligenz (KI) ist als nächste Stufe des digitalen Wandels in aller Munde. Unternehmen stürzen sich in KI-Projekte, um wettbewerbsfähig zu bleiben. Letztes Jahr prognostizierte IDC, dass die „globalen Ausgaben für KI im Jahr 2019 35 Milliarden US-Dollar übersteigen und sich bis 2022 mit 79,2 Milliarden US-Dollar mehr als verdoppeln werden“. Trotz der wachsenden Ausgaben können die meisten Unternehmen noch immer keinen Wert aus den KI-Investitionen schöpfen, da der Fokus zu Beginn zu sehr auf Technologie statt auf der praktischen Anwendung lag.

Neue Technologien und Dienste haben den Grundstein für eine neue Phase der KI-Reife gelegt. KI-Projekte werden von Unternehmen nun nicht mehr in Innovationslabors durchgeführt, sondern folgen einem praxisbezogeneren Ansatz, der schon mit der Zusammenstellung der Teams beginnt, die KI-Projekte erstellen, testen und implementieren sollen. Wie Andrew Moore, Head of Google Cloud AI, in seinem „Harvard Business Review“-Artikel „When AI Becomes an Everyday Technology“ (Wenn KI zur Alltagstechnologie wird) beschreibt, befinden wir uns im Zeitalter der „praktisch genutzten KI“. Dieses Zeitalter ist dadurch gekennzeichnet, dass sich die Menschen weniger auf die Technik, sondern mehr auf eine „gemeinsame Vision“ für KI konzentrieren, die definiert, wie KI und Machine Learning in vorhandene Prozesse und Strukturen eingebunden werden können. Statt Data Scientists und Technikern, die getrennt voneinander an KI-Projekten arbeiten, binden diese Technologiespezialisten Domain-Experten in die strategischen Planungsgespräche ein, um sicherzustellen, dass die Pläne bezüglich KI und Machine Learning an der globaleren Geschäftsstrategie ausgerichtet werden.

Durch diesen verzahnten Ansatz lässt sich bei Geschäftsentscheidungen bestimmen, welche Aspekte für KI geeignet sind und bei welchen Aspekten Eingriffe durch den Menschen erforderlich sind. Angenommen, Sie eröffnen ein neues Einzelhandelsgeschäft, haben aber zuvor noch nie ein solches Geschäft eröffnet. Um den erwarteten Umsatz für das Geschäft zu prognostizieren, kann ein KI-gestütztes System Empfehlungen basierend auf dem Fußgängeraufkommen oder der Demografie in der Gegend abgeben. Trotzdem benötigen Sie die menschliche Fachkompetenz, um Faktoren wie die Sichtbarkeit des Standorts, Informationen zu Wettbewerbern oder den verfügbaren Parkraum in die Beurteilung einfließen zu lassen. Der Wert von Empfehlungen durch Machine Learning ist nur so gut wie die Menschen, die die Entscheidungen treffen. Richard Tibbetts, Principal Product Manager for AI bei Tableau, erklärt dazu: „Die Existenz von KI bedeutet nicht, dass Ihnen ein Algorithmus sagen kann, wie Sie ein Unternehmen führen sollen. Es werden die Experten aus den Fachbereichen sein, die sicherstellen, dass KI innerhalb eines Unternehmens angenommen wird und Vertrauen genießt.“

Die Einbeziehung von Experten aus den Fachbereichen in die Kommunikation über KI und Machine Learning kann einen weiteren großen Vorteil bringen: die Entwicklung von Wissensvermittlern und Champions zum Thema KI quer durch alle Unternehmensfunktionen. Die engere Zusammenarbeit zwischen Technologiespezialisten und Fachbereichsexperten führt zu mehr gegenseitigem Wissenstransfer. Cameron Davies, Head of Corporate Decision Sciences bei NBCUniversal, hat in einem Artikel in „McKinsey Quarterly“ einen praktischen Anwendungsfall beschrieben, bei dem es um Jahresprognosen ging. Das Unternehmen beschloss, eine Reihe von Machine-Learning-Algorithmen zu erstellen und zu implementieren, die den Prozess ergänzen sollten. In der Anfangsphase wurde ein Wissenschaftler in das Projekt einbezogen. Dieser war so begeistert davon, dass er schließlich die Mitarbeiter in den Geschäftseinheiten darin schulte, die Empfehlungen zu interpretieren.

Datenexperten gewinnen nützliches Wissen darüber, wie das Unternehmen Daten nutzt, während sich die Fachbereichsexperten abseits der Technologiesparte für Datenkompetenz stark machen. Aufgrund ihrer Beziehungen und Fachkenntnisse spielen Experten in den Fachbereichen eine entscheidende Rolle, um die Ergebnisse dieser KI-Projekte in den Abteilungen und Teams in die Praxis umzusetzen und damit eine neue Phase der Ausgereiftheit von KI einzuläuten.

Marken nutzen beschreibende Berichte zu Verbraucherdaten, um authentischere und aufschlussreichere Beziehungen zu schaffen

Welche Fotos haben Ihnen 2019 am besten gefallen? Welche Musik haben Sie am liebsten gehört? Wie viel Sport haben Sie gemacht? Für die Verbraucher im 21. Jahrhundert sind persönliche Datenstorys zugänglicher und inspirierender denn je. Wir haben uns daran gewöhnt, dass Unternehmen unsere Daten sammeln, und wir warten schon regelrecht darauf, dass die Unternehmen unsere Aktivitäten am Monats- oder Jahresende noch einmal für uns Revue passieren lassen. Und jetzt, da diese Einblicke so allgegenwärtig sind wie noch nie, steigern die Marken die Verbraucherinteraktionen, indem sie unsere Datenstorys aussagekräftiger, benutzerfreundlicher und interaktiver gestalten.

Das Erzählen von Datenstorys ist ein effektives Mittel für Unternehmen, uns unsere Gewohnheiten vor Augen zu führen und uns auf eine Art zu motivieren, wie es mit bloßen Fakten und Zahlen niemals möglich wäre. Denken Sie an Ihre Banktransaktionen: Sie haben problemlosen Zugriff auf den detaillierten Verlauf sämtlicher Kontobewegungen. Aber wenden Sie auch Zeit auf, um aus diesen Listen Erkenntnisse zu gewinnen? Am Jahresende sendet Ihnen die Bank dann eine Übersicht über Ihre Transaktionen, die nach Kategorien unterteilt und visuell aufbereitet ist. Und dank dieser anderen Sicht auf die Daten erkennen Sie sofort Trends und stellen entsprechende Fragen: „Habe ich zu viel für Kleidung ausgegeben und dafür zu wenig für Reisen oder für meine Hobbys?“

Ein schneller Blick auf Ihre Ausgaben ist nur ein einfaches Beispiel. Diese Art der jährlichen Rückschau macht aber deutlich, wie sehr uns Daten bei der Gewinnung von Erkenntnissen helfen können, wenn sie in den richtigen Kontext gestellt werden. Im Beitrag „Use Data and Analytics to Tell a Story“ (Storys mit Daten und Analytics erzählen) im Gartner-Blog schreibt Autorin Christy Pettey: „Es ist der Kontext der Daten, der uns den Mehrwert bringt und der die Menschen zum Zuhören und Interagieren bewegt.“ Da die Daten die Hauptdarsteller dieser Storys sind, wird die Arbeit mit ihnen deutlich spannender. Und wenn diese Daten direkt in Ihren Posteingang oder auf Ihr Smartphone geliefert werden, können Sie komfortabel und ohne großen Zeitaufwand darauf zugreifen und sie untersuchen.

So großartig personalisierte Einblicke, die neue Fragen oder Aktionen auslösen, auch sind – manche Unternehmen gehen einen Schritt weiter und verbinden Empfehlungen mit den Daten. Slack, die Software für Zusammenarbeit auf Unternehmensebene, stellt Daten über die Channels und Konversationen bereit, an denen sich Ihr Unternehmen beteiligt, gibt aber auch personalisierte Empfehlungen ab, zum Beispiel, dass Sie sich auf produktivere Konversationen konzentrieren können, wenn Sie Channels ohne oder mit nur geringer Aktivität verlassen. (Niemand empfiehlt Ihnen, Sie sollen keine Tierfotos mehr mit Ihren Kollegen teilen.)

Diese persönlichen Dateninteraktionen werden durch Interaktivität sogar noch motivierender. Im Jahresrückblick „Year in Review“ von Spotify sollten die Hörer in einem Quiz die Frage beantworten, welchen Künstler sie die meiste Zeit gestreamt haben. Auch Facebook bietet ein Quiz für Sie und einen Freund, wenn Sie einen bedeutenden Meilenstein in Ihrer Online-Freundschaft erreichen. Sie sollen beispielsweise schätzen, wie oft Sie Inhalte gegenseitig mit „Gefällt mir“ markiert haben oder welches von zwei Fotos zuerst hochgeladen wurde. Durch das Quiz wird die Interaktion mit Ihren historischen Daten nicht nur motivierender, sondern Sie erhalten auch eine spannende Gelegenheit, Ihre Einschätzung der eigenen Datenstory zu überprüfen.

Wir erwarten, dass künftig weitere Marken diese Art von Datenerlebnissen und interaktiven Einblicken anbieten werden. Durch personalisierte Kundenerlebnisse können Unternehmen die Bindung und Zufriedenheit der Kunden erhöhen und neue Möglichkeiten erschließen, zum Beispiel Folgekäufe, Cross- und Upselling. Sie entwickeln aber auch unsere Beziehung zu diesen Marken weiter und bieten uns als Verbrauchern einen erheblichen Mehrwert, einschließlich bedeutsamerer Erlebnisse für Personen, die sich normalerweise nicht mit Datenanalysen beschäftigen. Je wertvoller und informativer die Interaktionen mit unseren eigenen Datenstorys werden, desto mehr werden uns Unternehmen helfen, unser Verhalten zu ändern und persönlich wie beruflich zu wachsen.

Daten als Ressource belegen, dass Gleichstellung eine Voraussetzung für höhere Mitarbeiterzufriedenheit und bessere Unternehmensleistung ist

Daten werden zur entscheidenden Ressource für Unternehmen, die nach mehr Gleichstellung streben. Mit besseren Daten können Organisationen – Non-Profit-, Regierungsorganisationen oder Konzerne gleichermaßen – Einzelpersonen oder Personengruppen identifizieren, die unterrepräsentiert sind oder sich auf dem Weg zur Gleichstellung strukturellen Barrieren gegenüber sehen, und so die Situation für alle Beteiligten verbessern. Neben der moralischen Pflicht hat die Etablierung von gleichberechtigten Umgebungen und Systemen positive Auswirkungen auf die Individuen und Organisationen, die dies in Angriff nehmen. Bei Großunternehmen schafft die Transparenz der Belegschaftsdaten die Möglichkeit, die Mitarbeiterbindung und -zufriedenheit zu verbessern und die Communitys und Kunden, für die sie arbeiten, präzise widerzuspiegeln. Forschungen zeigen, dass Diversität und Gleichberechtigung am Arbeitsplatz unter anderem zu höherer Profitabilität, optimaler Betriebseffizienz und zur Akquise besserer Mitarbeiter führen.

Anhand von Daten können Unternehmen ihre Diversitätskennzahlen auf granulärer Ebene analysieren und diese Informationen nutzen, um systemische Ungleichheiten zu identifizieren und erfolgreich zu beseitigen. Menschen, die derzeit von politischen Diskussionen ausgeschlossen sind oder Anspruch auf Leistungen haben, können anhand von Daten sowohl im öffentlichen als auch im privaten Bereich besser wahrgenommen, verstanden und unterstützt werden. Daten werden von Non-Profit-Organisationen genutzt, um Gleichstellung mithilfe von Beratungstools für lokale Behördenmitarbeiter zu erreichen, die die Rechte von Frauen und Mädchen fördern. Behörden ermitteln anhand von Dashboards für ethnische Gleichstellung, wo Angehörige hinsichtlich Ethnie, Geschlecht, Einkommen oder kultureller Merkmale benachteiligt werden.

Ein Beispiel für den Einsatz von Daten zur erfolgreichen Umsetzung von Gleichstellung ist das US-amerikanische Bildungssystem. Equal Opportunity Schools (EOS) analysiert die Daten von über 540 Schulen in verschiedenen Schulbezirken, um deren Zugänglichkeit für das Advanced Placement-Programm (AP) und Kurse für das Internationale Abitur zu verbessern. Im letzten Jahrzehnt hat EOS Schulen dabei unterstützt, über 43.000 farbige oder einkommensschwache Schüler in diese höheren Bildungspfade aufzunehmen, die ansonsten häufig übersehen werden und unterrepräsentiert sind. Momentan spiegeln 98 % der Programme für Advanced Placement oder Internationales Abitur in den USA nicht die Diversität in den zugehörigen Schulen wider.

Durch die Nutzung von Daten kann EOS Schulen dabei helfen, schnell Schüler anderer Hautfarbe mit Erfolgsaussichten in diesen weiterbildenden Kursen zu ermitteln, um so den Zugang zu Bildungschancen zu ermöglichen, die bisher außer Reichweite waren, und eine ethnische Gleichstellung in diesen Programmen zu erreichen.

Durch ähnliche Analysen von Arbeitsplatzdaten können private Unternehmen wirksamere Diversitäts- und Inklusionsprogramme sowie Diagnosetools entwickeln, um ihre Verfahren quantitativ zu bewerten. Mit Erkenntnissen zur Gleichstellung in Bezug auf Bezahlung, Geschlecht und Ethnie kann die Führungsebene erkennen, ob diese Merkmale für die Anstellung eine Rolle spielen, ob Programme für jeden offen sind und wie effektiv die vorhandenen Programme wirken.

Transparenz bezüglich der Arbeitsplatzdaten steigert das Vertrauen und die Zufriedenheit der Mitarbeiter. Ein zufriedener Mitarbeiter ist produktiver und leistungsfähiger. Ein Deloitte-Bericht zeigt, dass inklusive Unternehmen 3,6-mal besser mit individuellen Leistungsproblemen umgehen können als solche, die sich nicht aktiv um Inklusion bemühen. Humankapital ist in Unternehmen häufig die größte Investition und jede Initiative für mehr Inklusion führt zu mehr Bindung und mehr Erfolg bei der Gewinnung von Mitarbeitern. Dies zahlt sich langfristig aus.

Diversität und Gleichberechtigung am Arbeitsplatz führen auch zu höherer Rentabilität. In der McKinsey-Studie Diversity Matters (Auf Diversität kommt es an) wurde ein direkter Zusammenhang zwischen finanziellem Erfolg und einem Umfeld mit höherer Diversität bezüglich Geschlechtern und Ethnien festgestellt. „Die Unternehmen im oberen Quartil bei der Geschlechtervielfalt hatten 15 Prozent höhere Chancen auf Renditen oberhalb des natürlichen Medians ihrer Branche. „Die Unternehmen im oberen Quartil bei der ethnischen Diversität hatten 35 Prozent höhere Chancen auf Renditen oberhalb des natürlichen Medians ihrer Branche.“ Dieser Zusammenhang zwischen Erfolg und Diversität unterstreicht, wie wichtig Daten – und deren Transparenz – als Ressource sind, um Gleichstellung am Arbeitsplatz zu erreichen und die Mitarbeiterzufriedenheit und den Erfolg des Unternehmens zu steigern.

Führungskräfte tragen gemeinsam die Verantwortung für die Zukunft von Daten und Analytics

Unternehmen investieren Billionen von Dollar, um datengesteuert zu werden, aber laut einer Analytics-Umfrage von McKinsey aus dem Jahr 2018 gibt es eine wachsende Lücke zwischen dabei erfolgreichen Unternehmen und jenen, die hinterherhinken, – die einen schließen Dateninitiativen erfolgreich ab, die anderen warten noch immer auf den Lohn ihrer Mühen. Die erfolgreichsten datengesteuerten Unternehmen investieren genauso viel in Kultur wie in Technologie und binden Daten in zentrale Geschäftsfunktionen ein. Und Unternehmenskultur – einschließlich Datenkultur – beginnt ganz oben.

Das Aufkommen des Chief Data Officer (CDO) in den letzten Jahren war ein deutliches Zeichen für den wachsenden Wert von Daten im Unternehmen und für die Notwendigkeit einer aktiven Unterstützung der Daten- und Analytics-Initiativen durch die Führungsebenen. CDOs erhielten die Aufgabe, alle Unternehmensaspekte in eine Analytics-Strategie einzubetten und die Lücke zwischen IT und Geschäft zu schließen. Auch heute fördern CDOs die Initiativen zum digitalen Wandel. Mittlerweile betrachten aber alle Führungskräfte die Nutzung von Daten und Analytics als eine gemeinsame Aufgabe.

Von allen Führungskräften wird erwartet, dass sie sich mit ihren Teams aktiv in die Daten- und Analytics-Strategie im Unternehmen einbringen. Das Management muss verstehen, wie die Mitarbeiter Daten in ihren jeweiligen Geschäftsbereichen nutzen, teilen und präsentieren. „Ihre Datenstrategie muss die Anforderungen des gesamten Unternehmens berücksichtigen, damit sie den globalen Geschäftszielen dienen kann“, sagte Mike Hetrick, Senior Product Marketing Manager bei Tableau. „Die Daten- und Analytics-Strategie muss das Management von Personen, von Prozessen und von Änderungen einschließen.“

Ein weiteres Element dieser Verantwortlichkeit ist die Unterstützung durch die Managementebene. Abgesehen von der Strategie wird von Führungskräften auch erwartet, dass sie den Mitarbeitern die Tools und Schulungen bereitstellen, die sie für die Entwicklung einer datengesteuerten Zukunft benötigen. „Führungskräftesponsoren müssen nicht nur den Umfang der genutzten Technologie prüfen, sondern auch den erforderlichen Support, die Schulungsmaßnahmen sowie das Änderungsmanagement bieten und in der Lage sein, strukturelle Hindernisse auf dem Weg zu einem datengesteuerten Unternehmen zu überwinden”, sagte Hetrick. „Ein Teil dieser Sponsorenrolle besteht darin, mit gutem Beispiel voranzugehen und Fürsprecher der Daten zu sein.“

Diese Erwartungen betreffen alle Ebenen bis zum CEO. Beim führenden südafrikanischen Luftfahrtunternehmen Comair beispielsweise wollte das Business Intelligence-Team die Selfservice-Analytics unternehmensweit für mehr Mitarbeiter zugänglich machen. Um die Mitarbeiter zu schulen und einzubinden, hatten sie die Idee eines Datensteward-Programms. Dabei wurden Datenspezialisten in Geschäftsfunktionen eingebettet, die neue Benutzer unterstützten und den Selfservcie-Ansatz propagierten. Mit tatkräftiger Unterstützung durch den CEO brachte das Programm die Schaffung einer Analytics-Kultur einen großen Schritt voran. „Wir haben großes Glück, dass unser CEO sehr an Daten interessiert ist“, meinte Liezl Brouckaert, Business Intelligence Manager bei Comair. „Ohne die CEO-Unterstützung ist die Umsetzung eines Business Intelligence-Programms praktisch unmöglich.“

Dieser Ansatz führt dazu, dass die gesamte Führungsebene fundiertere Einblicke in Daten und Analytics erhält, wodurch Daten zum wichtigen Bestandteil von Strategiegesprächen und Vorstandsitzungen werden. Wenn diese Zusammenarbeit auf der Führungsebene beginnt, haben Daten- und Analytics-Initiativen die erforderliche Unterstützung und Rückendeckung, damit das Handeln des Unternehmens grundlegend verändert werden kann. Daten müssen dafür in allen Abteilungen und Funktionen zum integralen Bestandteil der gesamten Kommunikation und aller Verfahren werden.

Unternehmen dehnen die Beteiligung am Datenmanagement aus, um datengesteuerte Entscheidungsfindung im großen Maßstab zu unterstützen

Haben Sie sich Gedanken über den Status Ihrer Daten gemacht? Wissen Sie, wo sie gespeichert sind und wer sie wie häufig nutzt? Wissen die Personen in Ihrem Unternehmen, welche Daten für die Entscheidungsfindung geeignet sind und wie sie darauf zugreifen?

Vorreiter der Datensteuerung zeichnen sich dadurch aus, dass sie ihre Unternehmen mit neuen Lösungen zur Integration ihrer verteilten Datenpipelines ausstatten. Die Rollen und Prozesse, mit denen Daten unternehmensweit vorbereitet, kuratiert und geteilt werden, verschieben sich im Zuge der Entwicklung, die bereits innerhalb der Datentechnologien stattfinden, ebenfalls. IT sollte sich ein Beispiel an „Ghostbusters“ nehmen: Auch wenn es nicht empfehlenswert ist, Ströme zu kreuzen, kann dies doch manchmal die größten und furchterregendsten Probleme lösen. In unserem Beispiel sind Unternehmen durch das Aufweichen der Grenzen zwischen IT und Geschäftsverantwortlichkeiten rund um das Datenmanagement nicht mehr durch funktionale Grenzen eingeschränkt und können Daten im großen Maßstab unternehmensweit integrieren und allen Personen im Unternehmen zum richtigen Zeitpunkt die benötigten Daten zur Verfügung stellen.

Die Überwindung dieser Herausforderungen der Datenintegration ist unabdingbare Voraussetzung dafür, dass das Unternehmen die interne und externe Compliance wahren kann und in der Lage ist, ihre Geschäfte ganzheitlich zu betrachten, die Kunden zu verstehen und neue Geschäftsmöglichkeiten zu finden. Viele Unternehmen sind bestrebt, die Daten, die dem gesamten Unternehmen am meisten helfen, zu identifizieren, vorzubereiten, zu verwalten und weitreichend zur Verfügung zu stellen. Dort wo dies gelingt, ändert sich das Datenmanagement – zunächst bei der Technologie.

Anbieter von Lösungen integrieren zunehmend Datenmanagementfunktionen, die sich an breitere Nutzerbasen als lediglich das IT-Personal richten. Und je tiefer die Funktionalität in die Workflows der Geschäftsbenutzer – einschließlich der Analytics-Plattformen – eingebettet ist, desto aktiver wirken die Mitarbeiter bei den Aufgaben des Datenmanagements mit, die zuvor traditionell dem IT-Personal vorbehalten waren. Dies ist der nächste logische Schritt in der Entwicklung des Selfservice in der Business Intelligence: Zunächst verbreiterten die Unternehmen den Zugang zu Daten, anschließend ermöglichten sie detailliertere Untersuchungen und banden neue Arten von Benutzern in die Erstellung von Analytics-Inhalten ein. Und heute sind einige Geschäftsbenutzer in der Lage, mit den eigentlichen Daten zu arbeiten. In jeder dieser Phasen lernte die IT, die Balance zwischen verwalteten und Selfservice-Inhalten zu gestalten, damit Geschäftsbenutzer einen Teil der Arbeitslast übernehmen konnten. Die Kreuzung dieser Ströme wird entscheidend für die Verwaltung von Daten und Analytics sein, wenn die Einführung auf das ganze Unternehmen ausgeweitet wird.

Selfservice-Datenvorbereitung ist ein gutes Beispiel für diese Entwicklung. Verschiedene Aspekte der herkömmlichen Verfahren zum Extrahieren, Umwandeln und Laden können nun mit modernen Tools, die in den Analytics-Workflow integriert sind, als Selfservice-Prozesse erfolgen. Dies ermöglicht nicht nur bessere Ad-hoc-Entdeckungen, sondern kann auch ein Ausgangspunkt sein, um neue Anwendungsfälle zu testen, bevor sie auf das ganze Unternehmen ausgeweitet werden. Und davon profitieren alle: Die Geschäftsabteilungen können größere Verantwortung im Datenmanagement übernehmen und verkürzen dadurch den (meistens) langwierigen Entwicklungslebenszyklus, während bei der IT Ressourcen für die hochspeziellen Aufgaben frei werden, für die sie am besten geeignet ist.

Ein weiteres Beispiel für diese Evolution ist der Datenkatalog: ein Bestand von Datenassets, mit dessen Hilfe Daten definiert und qualifiziert und gleichzeitig Beziehungen zwischen Datenquellen, Inhalten und Benutzern nachvollzogen werden können. In Unternehmen, in denen die Integration und Verwaltung von Daten auf mehrere Schultern verteilt ist, spielt ein Katalog als zentrale Übersicht über alle Vorgänge im Zusammenhang mit den Datenassets des Unternehmens eine wichtige Rolle. Mit Katalogen ist es einfacher, Daten zu entdecken und zu propagieren, ihre Relevanz und Aktualität zu verstehen und die Personen im Blick zu behalten, die bestimmte Assets nutzen.

Moderne Kataloge fördern diese wertvollen Informationen zutage und ergänzen sie direkt im Analyse-Workflow der Benutzer um den entsprechenden Geschäftskontext. Je mehr Daten also in einem Unternehmen integriert und vielseitig zugänglich werden, desto besser verstehen die Mitarbeiter die Qualität der Daten und deren Anwendungsgebiete innerhalb der bestehenden Richtlinien. Und hier wird die Datenkompetenz entscheidend: Selbst im Minimalfall lernen die Benutzer, wie sie Datenindikatoren interpretieren und vertrauenswürdige, relevante Daten identifizieren. Wenn Datennutzer ihre eigenen Datenstewards sein können, wird die IT entlastet und ein verantwortungsbewusster Umgang mit Daten bei der Entscheidungsfindung gewährleistet. Anschließend können versiertere Benutzer mit den entsprechenden Fertigkeiten sich an der Selfservice-Datenvorbereitung beteiligen, neue Datenquellen für das Unternehmen zertifizieren oder bei der Kuratierung den geschäftlichen Kontext als Metadaten hinzufügen.

So können IT und Geschäftsabteilungen neue Formen der Zusammenarbeit und Abstimmung erzielen, wenn die Grenzen zwischen Funktionalität und Verantwortlichkeit unschärfer werden. Mit einem individuell abgestimmten Ansatz, der Geschäftsbenutzer und Ziele einbezieht, werden umfangreiche Initiativen zum Datenmanagement zum Erfolg führen, da IT und Geschäftsbenutzer gemeinsam darauf hinwirken, dass die Datenumgebung sichtbarer, transparenter und vertrauenswürdiger wird. So kann das Unternehmen außerdem die Datenressourcen mit dem meisten Nutzen ermitteln und priorisieren sowie kontrollierte Daten und Analytics im großen Umfang besser unterstützen.