Laut einer beim Fraunhofer-Institut publizierten Studie scheitern 73 % aller Datenprojekte [1]. Einer der wesentlichen Gründe hierfür ist eine mangelnde Definition, die eine Verbindung zwischen der Implementierung der datenbasierten Lösungen und den Business-Strategien eines Unternehmens herstellt. Um ein Datenprojekt erfolgreich umzusetzen und einen größtmöglichen Business-Nutzen zu generieren, muss eine solide Brücke zwischen den Implementierungen der datenbasierten Lösungen und allen entscheidenden betriebswirtschaftlichen Facetten eines Unternehmens geschaffen werden. Um diese Brücke zu schaffen und alle weiteren wichtigen Aspekte für das Datenprojekt zu erkennen, organisieren und strukturieren, kann der Business Analytics-Prozess [2] eingesetzt werden, der im Folgenden näher beschrieben wird.
Business Analytics-Prozess
Das Vorgehensmodell „Business Analytics“ wird in vier Phasen unterteilt, die je nach Bedarf einmal oder auch mehrfach durchlaufen werden können. Im Einzelnen besteht der Prozess aus den Phasen „Framing“, „Allocation“, „Analytics“ und „Preparation“ [2].
Framing
In der Phase „Framing“ wird als erstes ein betriebswirtschaftliches Problem identifiziert. Das erfolgt gewöhnlich durch Erfahrungen oder Beobachtungen von Führungskräften oder Hinweise durch Externe oder Kooperationspartner. Als nächstes muss das Problem operationalisiert werden, so dass ein relevantes Business-Problem geformt wird. Im Abschluss der Phase „Framing“ wird anhand des Business-Problems ein Analytics-Problem SMART (Specific, Measurable, Attainable, Relevant, Timed) definiert, welches die Lösungsstrategie des Business-Problems abbildet und in weiteren Phasen implementiert wird.
Allocation
Das Ziel der Phase „Allocation“ besteht darin, die wichtigsten Ressourcen wie Daten, IT und Personal zu identifizieren und bereitzustellen, um das in der Phase „Framing“ definierte Analytics-Problem zu lösen.
In diesem Teilprozess wird u.a. definiert, welche Daten zum Einsatz kommen sollen. Ebenfalls muss die Datenqualität sichergestellt werden.
Darüber hinaus werden leistungsstarke IT-Ressourcen, wie beispielweise eine Cloud-Umgebung (u.a. AWS, GCP, Microsoft Azure) bereitgestellt, welche ausreichende Kapazitäten für die Lösung des Analytics-Problems aufweisen.
Ebenfalls werden Experten benannt, die je nach Analytics-Problem folgende mögliche Rollen ausführen können: Datenakquise & -haltung, Datenaufbereitung, Datenanalyse, Visualisierung, Deployment, Security und Legaling.
Analytics
In der Phase „Analytics“ wird eine datengetriebene Gewinnung von Roh-Evidenzen durchgeführt, um das in der Phase „Framing“ definierte Analytics-Problem zu lösen. Dabei werden die Daten aus der Phase „Allocation“ aufbereitet und bereitgestellt. Als nächstes wird eine Datenanalyse durch in der Regel eine Descriptive Analyse, Predictive Analyse oder Prescriptive Analyse durchgeführt.
Im Abschluss werden die Ergebnisse der Phase „Analytics“ evaluiert. Dabei werden z.B. die verwendeten Machine Learning Algorithmen miteinander verglichen und die Output-Daten der Algorithmen bewertet.
Preparation
Bei der abschließenden Phase „Preparation“ des Business Analytics-Prozesses werden Roh-Evidenzen aus der Phase „Analytics“ aufbereitet und visualisiert, wobei finale Evidenzen entstehen. Darüber hinaus werden Mechanismen der finalen Evidenzen erklärt und bei Bedarf Handlungsempfehlungen abgeleitet. Diese Evidenzen können optimal von Nutzern in einem Unternehmen eingesetzt werden. Ebenfalls werden in diesem Teilprozess Gültigkeitsgrenzen von finalen Evidenzen festgestellt. Zur Erklärung: wenn die gewonnenen Evidenzen auf bestimmte Kundenverhalten basieren und dieses sich in der Zukunft ändert, dann hat diese Evidenz keine Geltungskraft mehr.
Business-Nutzen aus Daten entwickeln
Bei diconium glauben wir, dass in den Daten jedes Unternehmens riesige Potentiale stecken, und mit dem Business Analytics-Prozess der größtmögliche Business-Nutzen für das Unternehmen erzielt werden kann.
Der Business Analytics-Prozess lässt sich flexibel in diversen datengetriebenen Projekten einsetzen. Zum Beispiel kann der Business Analytics-Prozess die Reduzierung von Retouren im Einzelhandel unterstützen, indem eine maßgeschneiderte datengesteuerte Lösung mit verschiedenen Daten (wie Verkaufsdaten, Lagerdaten oder Social-Media-Daten) und Unternehmensstrategien erstellt wird.
Ebenfalls besteht eine große Stärke des Business Analytics-Prozesses darin, dass es eine robuste Brücke zwischen Implementierung von datengetriebenen Lösungen und allen entscheidenden betriebswirtschaftlichen Bedürfnissen des Unternehmens herstellt. Dabei stellt der Prozess sicher, dass die Ergebnisse eines Datenprojektes zum Erfolg des Unternehmens beitragen.
Quellen: [1] https://publica-rest.fraunhofer.de/server/api/core/bitstreams/9ed9840e-2f1a-4e0e-8e12-74ae965f1bd0/content [2] Mischa Seiter, „Business Analytics: Wie Sie Daten für die Steuerung von Unternehmen nutzen“, 2. Auflage, 2019, Vahlen