Teil 1: Datengetriebene Unternehmenssteuerung: Erwartungen und Auslöser
Wie kann ein Unternehmen digitaler werden und sich so auch datengetriebener steuern? Eine solide Datenbasis ist ein Teil des Fundaments, auf dem Digitalisierung möglich wird. Wie gehe ich es am besten an?
In einer fünfteiligen Serie möchten wir unsere Erfahrungen beim Aufbau einer Unternehmensdatenbasis, vor allem im Bereich Datenmanagement und Technologieeinführung, anhand eigener Erfahrungen in unserem Unternehmen mit Ihnen teilen. Im ersten Teil konzentrieren wir uns auf Erwartungen und Auslöser rundum ein unternehmensinternes, digitales Reporting.
Wenn wir das „Mehr“ aus Daten wollen
Auch wir bei doubleSlash haben uns vor Jahren auf den Weg gemacht, Entscheidungen auf Daten zu begründen und begannen, einen Datenhub aufzubauen. Für uns bedeutet es, automatisierte Datenvorbereitung und Bereitstellung von Analysen für einen bestimmten unternehmensinternen Nutzerkreis. Die Erfahrungen daraus – ebensowie aus Kundenprojekten – fließen in diesen Artikel ein. In den weiteren Blogteilen geht es dann:
|
Der Begriff „Business Intelligence“ (BI) tauchte als Begriff vor mehreren Jahrzehnten erstmals auf. Die Bezeichnungen wechselten seitdem mehrfach. Der Kerngedanke ist aber immer noch vorhanden. BI Systeme sind dazu da, informationsbasierte Grundlagen für betriebliche Entscheidungen zu schaffen. Wie die informationsbasierten Grundlagen geschaffen werden, das hat sich über die Jahrzehnte massiv verändert. In den letzten Jahren wurde beispielsweise Machine Learning als großer Trend für BI ausgerufen. Die Vorteile des Erkennens von Mustern in den vorhandenen Daten ist schlüssig. Allerdings ist dafür auch eine qualitativ hochwertige und in vielerlei Dimensionen große Datenbasis erforderlich. Üblicherweise beginnt der Weg der Datennutzung in Unternehmen bei der Beschreibung der Vergangenheit und der aktuellen Situation. Es wird zusätzlich begonnen, verschiedene Datenquellen in Verbindung zu bringen. Damit kann es gelingen, die Gründe, die zu verschiedenen Situationen in Vergangenheit und Gegenwart geführt haben, zu erkennen. Nach zunehmender Erfahrung mit den Datenquellen und wachsendem Datenbestand und -zusammenhängen kann der Weg weiterführen in Richtung einer Vorschau, z.B. mittels Machine Learning. Die späteren Möglichkeiten setzen allerdings die ersten Schritte voraus. Diese beginnen dann, wenn sich ein Unternehmen entschließt, betriebliche Entscheidungen auf Informationen aus Daten zu begründen.
Auslöser für automatisiertes Unternehmensreporting
Bei allen Unternehmen findet ganz allgemein eine Datenerfassung statt – z.B. wenn es um die Buchhaltung geht, die innerhalb des Unternehmens oder durch Dienstleister erbracht werden muss. Zusätzlich gibt es oft ein manuell erstelltes Berichtswesen/Reporting, z.B. für die Geschäftsleitung, für das ein oder mehrere Mitarbeiter Kennzahlen aus ihrem Aufgabenumfeld berechnen. Zu dem Vorteil, dass diese Personen üblicherweise sehr gutes fachliches Wissen über die Daten haben, kommen im Wesentlichen drei große Schwierigkeiten:
|
Bei doubleSlash kam zu diesen drei Gründen die wachsende Unternehmensgröße hinzu, die zunehmend Arbeitsteilung erforderte und damit auch verhinderte, dass eine Person über eine Vielzahl von Kennzahlen Bescheid weiß. Größeres Interesse externer Stakeholder erforderte darüber hinaus die Erstellung standardisierter Kennzahlen in regelmäßigen Abständen.
Ein manuelles Berichtswesen/Reporting basiert oftmals auf einer Vielzahl an Dateien, Berechnungen, Systemen und dadurch sehr viel Know-how in den Köpfen der Mitarbeiter – so auch bei doubleSlash. Zudem werden erhebliche Kapazitäten der Mitarbeiter gebunden, vor allem wenn sie außerhalb der Reportingzyklen Daten bereitstellen sollten. Eine Datenbasis, um davon zeitnah und qualifiziert Entscheidungen ableiten zu können, sollte dieses Problem beheben und zusätzlich die monatlichen oder quartalsweisen Aufwände reduzieren. Es wird das Vorgehen der Mitarbeiter in automatisierter Datenverarbeitung abgebildet, um die Information aus einer geprüften Datenbasis heraus zu ermitteln.
Manchmal ist es auch eine sehr konkrete Routine bei einzelnen Mitarbeitern, die täglich, wöchentlich oder monatlich eine Vielzahl einzelner Dateien zusammenführen müssen, um z.B. Überblick über Bestellungen und Lager zu bekommen und mittels automatisierter Zusammenführung und Bereitstellung diese Aufwände dramatisch reduzieren wollen oder müssen. Als Beispiel aus unserem Datenprojekt dient hier die Marketingabteilung. Dort wurden aus vielen Online-Datenquellen, auf die nur einige Mitarbeiter Zugriff hatten, manuell KPIs errechnet, die nicht umfassend die Wirkung und den Erfolg durchgeführter Marketing-Maßnahmen abbilden können. Ein möglicherweise erhöhtes Anfrageverhalten potentieller Kunden im Vertrieb, was ein Ziel der Anstrengungen ist, kann das Marketing aber in seinen eigenen Quellen nicht finden.
Erwartungen an das (automatisierte) Unternehmensreporting
Spätestens nach der Feststellung, dass eine Datenbasis aufgesetzt werden sollte, entwickeln sich erste Erwartungen daran. Manche davon werden detailliert spezifiziert und gehen in unterschiedlicher Priorisierung in die Anforderungsermittlung ein. Andere bleiben in hoher Flughöhe und sind eher implizite Gründe für spätere Zufriedenheit oder auch Unzufriedenheit, wenn die Lösung nicht zufällig den nicht näher spezifizierten Ideen entspricht.
Bei doubleSlash bezogen sich die Erwartungen rückblickend darauf, ein tagesaktuelles Reporting „auf Knopfdruck“ zu bekommen. Zusätzlich die Möglichkeit zu haben, selbständig jederzeit Dashboards auf Basis bereitgestellter Datenquellen erstellen zu können (Selfservice) und Aufwände zu reduzieren, die für manuelle Datensammlung und Darstellung benötigt werden. Zudem war die Erwartung, Big Data Kenntnisse in Open Source Technologien zu erweitern. Letzteres ist natürlich charakteristisch für uns als IT-Dienstleister, da wir unsere Kenntnisse an neuen Technologien immer erweitern möchten.
Zu einem etwas späteren Zeitpunkt starteten weitere Abteilungen wie Marketing und HR mit Erwartungen und Fragestellungen ins Projekt. Zu der schon genannten Aufwandsreduzierung sah man dort auch die Möglichkeit weitere Sichtweisen auf die Daten zu erhalten und sie besser in Zusammenhang bringen zu können. Das war vorher aufgrund des Aufwands nicht durchgängig möglich. Zudem hat das Marketing eigene Ziele, diese sind abgeleitet von Unternehmenszielen, deren Wirkung sich nur durch die Zusammenarbeit alle Beteiligter im Unternehmen entfalten kann. Diese abteilungsübergreifenden Ziele wollte man durch eine gemeinsame Datenbasis besser im Blick behalten können.
Fazit
In Datenprojekten mit Kunden treffen wir auf ähnliche Auslöser und Erwartungen wie beim Aufbau unseres eigenen Datenhubs:
- Die Verringerung von Aufwand,
- des Risikos manueller Fehler und
- der Abhängigkeit von Reportingzyklen
stehen zunächst im Vordergrund. Mit der Zeit kommen oft Faktoren hinzu, die durch besseres Verständnis der Daten möglich werden. Es werden neue Zusammenhänge und Sichtweisen in den Daten erwartet, die datengetriebene Unternehmenssteuerung auf die nächste Ebene heben können. Wichtig ist es, sich die Auslöser für ein automatisiertes Unternehmensreporting und die damit verbundenen Herausforderungen genau anzuschauen. In dem Zuge ist die Klärung der Erwartungshaltung durch eine Ermittlung der Anforderungen und deren Priorisierung entscheidend.
In der nächsten Folge der Reihe gehen wir auf eine fachliche Strukturierung des Berichtswesens ein, die für die Nutzung und das Verständnis der Daten in größerem Anwenderkreis von Bedeutung ist.
