Analytics: 10 typische Fehler bei Data Analytics vermeiden

So vermeidet ihr 10 typische Fehler in Data Analytics Projekten!

1. Vision fehlt
Die Geschäftsleitung entwickelt keine Vision dessen, was sie mit Data Analytics erreichen will: Vielen Geschäftsführern fehlt das grundlegende Verständnis für die unterschiedlichen Einsatzmöglichkeiten von Business Analytics, ReportingReporting, Predictive Analytics und Machine LearningMachine Learning. Gegenmittel: Chief Analytics Officer, Chief Digital Officer, Chief Data Officer - oder wie auch immer die Verantwortlichen tituliert sind - veranstalten Workshops, um die Firmenleitung zu coachen. Diese Workshops bilden idealerweise die Grundlage für spätere eine "Analytics Academy" im Unternehmen.

2. Use Cases nicht berechnetDas Unternehmen errechnet nicht, welchen Wert die ersten Use Cases binnen Jahresfrist erreichen sollen: Auf den Enthusiasmus folgt die Frustration, wenn Unternehmen nicht mit konkreten Zahlen operieren. McKinsey rät, drei bis fünf Use Cases aufzusetzen, die bei realistischer Betrachtung schnelle Erfolge einbringen. Dem geht eine genaue Analyse der Wertschöpfungskette voraus, vom Zulieferer über den Verkauf bis zu After Sales-Prozessen.

3. Keine StrategieEntscheider starten Use Cases, ohne einer Strategie zu folgen: Aktionismus ohne Überlegung führt ebenfalls in die Frustration. Entscheider sollten, bevor sie Analytics-Initiativen starten, folgende drei Fragen klären: Welche Bedrohungen gehen für unser Unternehmen von Künstlicher Intelligenz (KI) und Advanced Analytics aus? Welche Möglichkeiten bieten sie uns, das Bestandsgeschäft zu verbessern? Wie können wir damit neue geschäftliche Chancen erschließen?

4. Rollen nicht definiertIm Feld Data Analytics werden die Rollen nicht richtig definiert: Der Begriff "Data Scientist" kann viele Tätigkeiten und Verantwortlichkeiten umfassen. Daten-/ und Digitalisierungsverantwortliche müssen gemeinsam mit dem obersten Personalentscheider konkrete Profile entwickeln.Unternehmen müssen definieren, welche Rollen sie rund um Data Analytics brauchen.Foto: McKinsey

5. Analytics-Translator fehlen"Analytics-Übersetzer" fehlen: McKinsey spricht wörtlich von "Analytic Translators", die jedes Unternehmen braucht. Sie kommen idealweise von der Business-Seite und wirken als Mittler zwischen Technologen und Betriebswirten. Wunschkandidaten für diese Rolle stammen aus dem Unternehmen selbst, kennen es, kennen den Markt und verfügen über ein gutes Verständnis mathematischer Modelle. Solche Kandidaten kann das Unternehmen in einer eigenen Academy ausbilden.

6. Ressourcen nicht richtig eingebundenDie Ressourcen rund um Analytics sind organisatorisch nicht richtig eingebettet: Beschwert sich ein Data Scientist, seine Arbeit verpuffe, liegt das vermutlich an der mangelnden Einbettung von Data Analytics. Es gehört ins Kerngeschäft. McKinsey rät zu einem hybriden Modell: Teile des Unternehmens arbeiten agil. Zu diesen agilen Teams zählen Manager aus dem Business und Data Analysten. Dabei bleibt Data Governance eine zentrale Aufgabe, doch die agilen Teams sollten Stück um Stück mehr Autonomie erhalten.

7. Falsches Data CleansingUnternehmen wenden Data Cleansing falsch an: Unternehmen verteilen Data Cleansing nach dem Gießkannen-Prinzip, beobachtet McKinsey. Das sei Geldverschwendung. Vor dem Start von Data Cleansing-Projekten ist zu klären, welches die wertvollsten Use Cases sind und welche Daten dafür benötigt werden. Parallel dazu müssen die Daten-Verantwortlichen eine Data-Ontologie (Bezugssystem mit Interferenz- und Integritätsregeln) aufbauen.

8. Passende Plattformen fehlenDie richtigen Plattformen für die Lösungen fehlen: Die Bedeutung der Architektur als Grundlage der digitalen Transformation ist anerkannt. McKinsey hält es für falsch, diese zunächst an den Legacys auszurichten. Neue Data-Plattformen können parallel zu Alt-Systemen existieren. Aufgabe des CIO ist es, die Integration der Daten aus verschiedenen Quellen zu ermöglichen.Jan-Henrik Fischer, Business Area Manager bei Seven Principles"Die IT muss sich wandeln, wenn sie der Schlüssel zur digitalen Transformation sein will. Sie muss zum Coach der Fachabteilungen werden."Arne Kaldhusdal, Expert Data Scientist bei Alexander Thamm Data Science Services"Viele Unternehmen haben Data-Lakes aufgebaut, aber ihnen fehlt ein Plan, was sie damit machen wollen.

9. Neue Metriken fehlenEs fehlen Metriken für den quantitativen Wert von Analytics: Alle Stakeholder rund um Data Analytics sollten sich mit dem Finance-Team zusammensetzen, um neue Metriken zu entwickeln. Diese müssen sie dann auch anwenden.

10. Ethische, soziale und regulatorische Probleme übersehenUnternehmen übersehen mögliche ethische, soziale und regulatorische Probleme: McKinsey nennt hier den Fall eines Unternehmens, das den Ursachen für Fehlzeiten auf den Grund gehen wollte. Mittels Data Analytics ließ sich ein Zusammenhang zu Attributen wie Geschlecht und ethnischer Zugehörigkeit der Mitarbeiter erkennen. Das war nicht compliant. Der Daten-Verantwortliche muss sicherstellen, dass das Vorgehen immer regelkonform abläuft.

Keine News mehr verpassen! Jetzt den  Newsletter abonnieren .
Quelle
Menü schließen