Infrastrukturen, Prozessen und Kompetenzen. Sie bedingen nicht nur eine stabile Skalierbarkeit und ein dauerhaft reibungsloses Operieren, sondern auch die Einhaltung und Gewährleistung rechtlicher Bestimmungen.
Prozess- und strukturorientierte Implementierung
Der Einsatz von Analytics-Technologien bedeutet nicht, dass die Strukturen eines Unternehmens von Grund auf umgekrempelt werden. Es lässt sich gut klein starten. Wenn sich die ersten Erfolge eingestellt haben, wächst nicht nur das Vertrauen, sondern auch das Verständnis für die Reichweite der Möglichkeiten und so können mit der Zeit weitere Schritte in Angriff genommen werden.
Eine Standardlösung für jedes Unternehmen und jeden Anwendungsfall gibt es ohnehin nicht. Sie müssen immer an die aktuellen Gegebenheiten und Voraussetzungen wie auch die gewünschten Ziele individuell angepasst werden. Aufgabenbereiche und Ressourcen müssen gegeneinander abgewogen werden und entscheiden über die jeweilige strukturelle Arbeitsweise im Einsatz der Analytics-Technologien.
Optimale Ergebnisse liefern die implementierten Technologien, wenn zudem externe Datenquellen eingebunden werden. Sie sorgen dafür, dass die Analysen profunder und damit noch verlässlicher werden. Dies gekoppelt mit ihrer Arbeitsgeschwindigkeit in Echtzeit senkt die Kosten für Entscheidungsfindungen dauerhaft und nachhaltig.
Bei der Operationalisierung von Data-Science-Einheiten im Unternehmen lassen sich wie im Zuge der BI auch unterschiedliche Formen von virtuellen Einheiten bis hin zu zentralisierten Einheiten abbilden (vgl. Abb. 3–2; [Zimmer 2015]).
Abb. 3–2 Die unterschiedlichen Einsatzformen externer Analysten
Ein derzeit in der Praxis weitverbreiteter Ansatz, um die Organisation von Data Science im Unternehmen zu unterstützen, sind Shared Services. Dies bezeichnet die zentralisierte und gegebenenfalls sogar ausgelagerte Zusammenführung von Prozessen verschiedener Abteilungen. Der Rückgriff auf solche Kompetenzzentren ist häufig geboten, wenn für einige Funktionen die Fähigkeiten von entsprechend hochspezialisierten Analysts von mehreren Einheiten benötigt werden.
Shared Services lassen sich beispielsweise für Folgendes nutzen:
Taktische Lösungen für effizienten Betrieb (z.B. Prozess-Analytics, FP&A-Dashboards)
Unterstützung bei der Entscheidungsfindung durch Verarbeitung und Vernetzung der Daten verschiedener Abteilungen wie Finanzen, Personal, IT etc.
Bereitstellung von Data as a Service durch Optimierung der IT-Infrastruktur und Verlagerungen in die Cloud
Zielgenaue Ausrichtung der KPIs und SLAs auf handlungsorientierte Erkenntnisse
Der Umfang an Services im Umfeld der Data Science lässt sich vereinfacht in die in Tabelle 3–2 beschriebenen Kategorien Insight-, Advisory-, Enabling- und Production-Services kategorisieren:
| Insight-Services (erkenntnisorientiert) | |
| Durchführung von Analysen, um sinnvolle Ansatzpunkte aufzudecken und passende Analytics-Modelle entwickeln zu könnenAufbau von unternehmensinternen Kompetenzen für Self-Service-Reports, Dashboards und Datenanalysen | ErfolgskontrollenInnovationenDatenanalyse und neue Erkenntnisse |
| Advisory-Services (beratungsorientiert) | |
| Etablierung von Standards und Richtlinien für Arbeitsbereiche, die Datenanalysen durchführenBereitstellung einer zentralen Anlaufstelle mit Analytics-Experten für komplexere Funktionen | WissensmanagementZusammenarbeitDatenmanagement |
| Enabling-Services (effizienzorientiert) | |
| Definition und Priorisierung von Analytics-ProjektenTerminologiemanagement für eine teamübergreifend konsistente DatenhandhabungAufzeigen und Einführung neuer Technologien | AnforderungsmanagementService Level ManagementLösungsentwicklung |
| Production-Services (instandhaltungsorientiert) | |
| Unterstützung bei Support-Anfragen der Endnutzer und Lösung auftretender Probleme (bspw. bei kritischer Datenqualität in Quellsystemen) oder Dirigieren an zuständige Abteilung | ServiceeinführungProblemmanagementZugangsmanagement |
Tab. 3–2 Servicekategorien
3.4Aus der Praxis
Die Effekte erster Ordnung, die sie nach sich ziehen, sind vor allem die Optimierung von Geschäftsprozessen sowie die durch personalisierte Angebote verbesserten Verkaufs- und Absatzmöglichkeiten. Das führt schnell zu gesteigerten Einnahmen. Diese Fakten helfen Analytics-Bereichen naturgemäß, gute Überzeugungsarbeit dafür zu leisten, Analytics initial in ein Unternehmen zu integrieren. Doch allzu schnell verengt genau das auch den Blick auf den weiteren Nutzen solcher Technologien. Jenseits des unmittelbaren finanziellen Zugewinns gibt es nämlich auch noch den – nebenbei bemerkt deutlich langfristigeren Effekt – einer gesteigerten Kundenzufriedenheit, die wiederum zu einem loyalen, großen Kundenstamm führt. Personalisierte Angebote sollten vor allem auch als Serviceleistung im Interesse des Kunden verstanden werden. Sie können ihm – positiv gesehen – großes Herumsuchen ersparen, Neugier und Lust auf ein neues Produkt wecken und es kann – negativ gesehen – vermieden werden, dass sich ein Kunde von zu vielen, weil ungezielten Angeboten eventuell sogar genervt vom Unternehmen abwendet. Je mehr also der Gewinn für den Kunden bei der Umsetzung von Analytics bedacht wird, desto nachhaltiger wirken sie sich aus.
3.4.1Die Automobilbranche als Beispiel
3.4.1.1Machen Sie Ihren Kunden ein Angebot, das sie nicht ausschlagen können
Die Umstellung von Geschäftsprozessen und der nachhaltige Einbezug von Analytics verändert vieles: die Herangehensweise an Marketingmaßnahmen, den Kundenkontakt, die Angebotsplanung und vieles mehr. Personalisierte Angebote an die richtigen Kunden zur richtigen Zeit sind die Parameter, die helfen können, eine Geschäftsstrategie erfolgreich umzusetzen. Im Fall der Automobilindustrie steht beispielsweise herstellerübergreifend die Verbesserung der Verkaufsstrukturen und des Kundenmanagements im Fokus. Ziel ist hier, bei gleichbleibenden (personellen und zeitlichen) Ressourcen automatisierte, maßgeschneiderte Lösungen, heißt Angebote, für jeden einzelnen Kunden zu finden und dadurch die Kundenbindung zu verbessern, die Kaufwahrscheinlichkeit zu erhöhen und letztlich den Ertrag zu steigern. Gleichzeitig sollen die Kundendaten der Automobilhersteller in Wissen transformiert werden und so sowohl gezieltere Ansprachen ermöglichen als auch die Kundenzufriedenheit steigern. Beides sind zwei Seiten einer Medaille, einer Lösung. Bevor die jedoch in den Blick
