Business Analytics

Laut einer aktuellen Studie*, an der 267 Unternehmen im DACH-Raum teilgenommen haben, beschäftigen sich 72 Prozent mit Advanced-Analytics-Prototypen, während 28 Prozent bereits entsprechende Lösungen in den Prozessen operationalisieren. Advanced Analytics, Big Data und Data Science bieten den Unternehmen zweifelsohne großes Potenzial. Was sind jedoch die wesentlichsten Voraussetzungen und Erfahrungen, aber auch Hürden für Unternehmen in der Umsetzung?

Daten und Prozesse im Fokus
Business Analytics braucht als Grundlage noch immer ein strukturiertes Data Warehouse sowie hohe Datenqualität und -verfügbarkeit, um das digitale Gold analysieren und nutzen zu können. Ohne qualifizierte Datenbasis funktionieren auch Selfservice-Ansätze in der Datenanalyse nicht. Voraussetzung ist aber auch eine passende, agile Unternehmenskultur, die Experimentieren und Scheitern zulässt. Zu Beginn eines BA-Projekts sollten einfache Use Cases stehen, ähnlich wie bei Start-ups, die es erlauben, eine Idee ohne viel Budget und Zeitaufwand zu prüfen – nach dem Motto: „Sometimes you win, sometimes you learn“. Dabei ist ein Zusammenspiel zwischen Prozess- und Datenverantwortlichen wichtig. Denn interdisziplinäre Teams und Arbeitshypothesen helfen, Abläufe und Datenflüsse zu verstehen und daraus einen Algorithmus – etwa ein Prognosemodell – zu entwickeln.

Hohe Erwartungen als Bremse
In der Praxis behindern zu hohe Erwartungen und der fehlende Erfahrungsschatz beim Abstrahieren von Geschäftsprozessen und Entwickeln von Business-Analytics-Anwendungen. Künstliche Intelligenz beispielsweise ist weitaus komplexer als eine Blackbox, die man mit Daten füttert und die eine Lösung ausspuckt. Zuerst müssen die Daten in hoher Qualität und Quantität verfügbar sein, um Algorithmen einsetzen zu können. Gut gepflegte Stamm- oder Maschinendaten sind ebenso grundlegend für erfolgreiche BA-Projekte wie eine detaillierte Prozessanalyse. Oft wirken auch Datenschutzvorschriften als Bremse. Dabei sind es gerade in der Industrie kaum personenbezogene Daten, sondern solche von Maschinen, die transparent gemacht und genutzt werden sollen. Wenn man etwa Predictive Maintenance Services anbieten möchte, muss man den Zustand der Maschine über Sensoren laufend erfassen, um die Wartung proaktiv planen zu können.

Step by Step zum Erfolg
Grundsätzlich sollte man in kleinen Schritten nach der Methode „Crawl, walk, run“ vorgehen. Ein gut aufgesetztes Data Warehouse ist Pflicht, um mit dem Strukturieren, Aufbereiten, Analysieren und Anreichern der Daten beginnen zu können. Im nächsten Schritt gilt es, eine skalierbare Plattform aufzubauen, am besten Cloud-basiert, die es ermöglicht, zusätzliche Datenquellen, wie zum Beispiel Umwelt- oder Geräteinformationen, einzubinden. Bewährt haben sich Plattformen wie SAP und Microsoft, die offen und flexibel sind. Danach kann man Advanced-Analytics-Prototypen entwickeln und operationalisieren, also in den Prozess einbinden. Dabei ist es wichtig, einfach zu beginnen, zu experimentieren, rasch zu lernen und flexibel zu reagieren. Zu bedenken ist, dass Algorithmen nicht absolute Wahrheiten, sondern statistische Methoden mit Abweichungen sind. Hilfreich in der Umsetzung sind erfahrene Dienstleister, die am besten das gesamte Projekt begleiten, aber auch bei spezifischen Problemen kompetente Unterstützung bieten.

Großes Einsparungspotenzial
Business Analytics eröffnet ein großes Nutzenpotenzial – vor allem für die Industrie und produzierende Branchen, aber auch für den Dienstleistungs- und Verwaltungssektor. Anwendungen mit künstlicher Intelligenz oder Machine Learning unterstützen bei der Arbeit und helfen, Zeit und Kosten einzusparen, wenn man Sie nahtlos in die Geschäftsprozesse des Unternehmens einbettet. Versicherungen haben zum Beispiel recht früh begonnen, Algorithmen zu entwickeln, um eine voll automatisierte Schadensabwicklung zu ermöglichen. Das Potenzial ist jedenfalls enorm – man muss nur den ersten Schritt wagen.

Stefan Pirer, Autor dieses Artikels, leitet das DCCS Business Analytics Team
* BARC Anwenderstudie Advanced Analytics 2019