Sechs von zehn deutschen Unternehmen bewerten die Fähigkeit, aus heterogenen Massendaten neues, geschäftlich nützliches Wissen zu extrahieren, als einen zentralen Erfolgsfaktor in der digitalen Revolution. Weiterhin unklar ist indessen, wie sich die eigene Firma zu einer „Data-driven Company“ weiterentwickeln kann. Lars Schlömer, Head of Business Intelligence bei Sopra Steria, erläutert im Interview, welche Herausforderungen bewältigt werden müssen, damit aus Daten tatsächlich Wettbewerbsvorteile werden.
Herr Schlömer, Unternehmer setzen große Erwartungen in Big Data. Woran liegt es, dass die wenigsten Projekte bislang über ein „Laborstadium“ hinauskommen?
Die permanent steigende Datenflut birgt ein erhebliches Geschäftspotenzial. Dies hat nicht zuletzt unsere Potenzialanalyse zum Thema gezeigt. Sieben von zehn deutschen Unternehmen wollen bis zum Frühjahr 2017 in Analyse-Tools investieren, denn bislang verwendet nur eine Minderheit der befragten Unternehmen datenbasierte Analysen und Prognosen systematisch für die eigene Geschäftstätigkeit. Stattdessen trifft mehr als die Hälfte der Befragten wichtige Entscheidungen nach wie vor intuitiv. Offenbar gibt es eine tiefe Kluft zwischen theoretischer Einsicht und der Fähigkeit zur praktischen Umsetzung.
Was sind dafür die Hauptursachen?
Das Schlagwort Big Data ist für viele Unternehmen zu einer Art Projektionsfläche ihrer Wünsche und auch mancher Illusion geworden. Eines muss Firmen von Beginn an klar sein: Data-Science-Lösungen sind alles andere als einfach und auch nicht zum Nulltarif zu haben. Grundsätzlich liegen die größten Herausforderungen in einer unzureichenden Datenbasis, mangelnden personellen und technischen Ressourcen, fehlendem Verständnis für datengetriebene Prozesse, der organisatorischen Verankerung oder auch im Datenschutz.
Wie sollten Unternehmen bei der Etablierung von Data Science Projekten am besten vorgehen?
Am Beginn steht idealerweise die Ausarbeitung eines individuellen Data-Science-Fahrplans. Dazu gehört zunächst eine unternehmensweite Bestandsaufnahme quer durch alle Abteilungen. Diese gibt Aufschluss darüber, in welchen Geschäftsbereichen mittels Data Science am ehesten ein greifbarer Mehrwert zu erwarten ist. Im Gegensatz zu konventionellen, stark strukturierten Business-Intelligence-Modellen kommt es beim Data-Science-Einsatz auf eine möglichst breite Perspektive an: Insbesondere unstrukturierte Informationen und solche aus scheinbar exotischen Quellen sollten bei der Zusammenschau nicht übersehen werden – beispielsweise Social-Media-Posts oder Statusmeldungen von sensorgesteuerten Produktionsanlagen.
In welchen Unternehmensbereichen bringen Datenanalysen den größten Nutzen?
Bei der Abschätzung möglicher Anwendungsfälle ist Weitsicht gefragt. Wer hier nur an den Vertrieb und das Kundenmanagement denkt, verkennt die Möglichkeiten. Hochinteressant können datenanalytische Erkenntnisse auch in der Produktion, für das Personalwesen, im Business Development oder bei der Qualitätssicherung sein. Breit gefasste Datenanalysen zeigen zum Beispiel unvermutete Korrelationen zwischen minimalen Abweichungen bei der Rohstoffqualität und dem Prozessverlauf eines Maschinen- und Anlagenparks auf.
Ausführliche Empfehlungen finden sich im Managementkompass „Data Science“
.jpg?sfvrsn=573e59dc_8)
Lars Schlömer, Head of Business Intelligence bei Sopra Steria