Nicht nur Konzerne und Großunternehmen, auch Mittelständler profitieren von Datenanalysen. Dabei braucht es keine langwierigen und aufwendigen Projekte. Erste Ergebnisse lassen sich schon mit wenig Aufwand und Investitionen erzielen. [...]
Egal ob im Privat- oder Arbeitsleben: Es werden immer mehr Daten produziert. Deren Auswertung stellt gerade für Unternehmen ein großes Potenzial dar. Viele Großkonzerne sind beim Thema Data Analytics bereits gut aufgestellt, denn sie haben in aller Regel die Möglichkeiten, eigene Teams aufzubauen, und auch das nötige Kapital, um in diese Projekte zu investieren. Außerdem werden prestigeträchtige Data Analytics-Projekte häufig von der Unternehmensspitze gefordert und gerne gefördert – nicht zuletzt, um im internationalen Vergleich wettbewerbsfähig zu bleiben.
Doch auch im Umfeld von Großkonzernen treten bei Data-Analytics-Projekten durchaus Reibungsverluste auf. Häufig bedarf es neben den großen Investitionen eines langen Atems, bis die ersten Ergebnisse vorzeigbar sind und gefeiert werden können. Denn vor allem Data Scientists sind rar und es dauert, ein Data Analytics-Team aufzubauen. Zudem gibt es meist Unmengen von Daten und die Verantwortlichen müssen erst einmal herausfinden, wie gut diese aufbereitet sind, wo man am sinnvollsten ansetzen und mit Data Analytics echte Vorteile für das Unternehmen generieren kann. Mitunter fehlt es zudem an der Unterstützung der Business Units beziehungsweise eines Teil des Managements. Trotzdem – viele Großkonzerne profitieren mittlerweile von Data Analytics und bauen ihre Aktivitäten hier weiter aus.
Anders sieht es bei vielen mittelständischen Unternehmen aus. Sie haben weder die finanziellen Mittel noch erreichen sie die erforderlichen hochspezialisierte Fachkräfte, um ein eigenes Data Analytics-Team aufzubauen. Gleichzeitig fehlt es meist am langen Atem, bis erste Ergebnisse sichtbar sind – man kann oder will sich das nicht einfach mal so leisten. Doch wie kann auch der Mittelstand mit Data Analytics starten und davon profitieren?
Data Analytics as a Service – man muss nicht alles selber machen
Data Analytics bedeutet nicht automatisch, dass Unternehmen alles selbst machen müssen. Über Data-Analytics-as-a-Service-Angebote können auch Mittelständler wichtige Erkenntnisse und Business-Vorteile aus ihrer vorhandenen Datenbasis ziehen. Cloud-basierte Lösungen haben den Vorteil, dass Data-Analytics-Projekte schneller und mit geringeren Kosten initiiert und umgesetzt werden können, weil nicht erst ein eigenes Team aufgebaut werden muss. Holt man sich externe Experten mit dem notwendigen Know-how und der entsprechenden Erfahrung für Workshops und Brainstormings ins Haus, sind mögliche Data Analytics-Projekte schnell definiert und mit entsprechenden Cloud-Tools erste Ergebnisse bald sichtbar – ohne hohe Investitionskosten.
Data Analytics bedeutet nicht automatisch, dass Unternehmen alles selbst machen müssen. Über Data-Analytics-as-a-Service-Angebote können auch Mittelständler wichtige Erkenntnisse und Business-Vorteile aus ihrer vorhandenen Datenbasis ziehen. Cloud-basierte Lösungen haben den Vorteil, dass Data-Analytics-Projekte schneller und mit geringeren Kosten initiiert und umgesetzt werden können, weil nicht erst ein eigenes Team aufgebaut werden muss. Holt man sich externe Experten mit dem notwendigen Know-how und der entsprechenden Erfahrung für Workshops und Brainstormings ins Haus, sind mögliche Data Analytics-Projekte schnell definiert und mit entsprechenden Cloud-Tools erste Ergebnisse bald sichtbar – ohne hohe Investitionskosten.
Die Einsatzszenarien von Data Analytics bei mittelständischen Unternehmen sind breit gefächert: Autovermieter können beispielsweise mittels Data Analytics vorhersagen, wann Kunden betrügerische Absichten hegen. Oder eine mittelständische Retail-Kette erkennt über die Auswertung der Zahlungseingänge mögliche künftige Zahlungsausfälle und kann entsprechend reagieren oder weiß aus seinen Bonus- und Loyalty-Programmen die richtigen Marketing-Maßnahmen abzuleiten. Geldinstitute identifizieren Kunden, bei denen von einem erhöhten Risiko der Zahlungsunfähigkeit ausgegangen werden muss. Das sind nur wenige Beispiele für die vielen Möglichkeiten, mit Data Analytics Nutzen aus vorhandenen Daten zu ziehen.
Trotzdem scheuen sich viele mittelständische Unternehmen, solche Projekte anzugehen. Sie wissen zwar um die Vorteile, aber nicht, wie sie die Sache sinnvoll starten sollen. Dabei ist es gar nicht so schwer, Data Analytics-Vorteile zu nutzen, wenn man folgende fünf Tipps beachtet.
1. Die IT-Abteilung als Initiator – auch mit externer Hilfe
Insbesondere für IT-Entscheider ergeben sich im weiten Feld von Data Analytics große Chancen. Sie können Initiator sein und sich mit Data-Analytics-Projekten als strategischer Partner des Managements positionieren, da sie die besten Voraussetzungen haben, die vorhandene Datenbasis der unterschiedlichen Business Units zu überblicken. Deswegen sollte sich die IT-Abteilung mit den verschiedenen Geschäftsbereichen zusammensetzen und sinnvolle Einsatzszenarien von Data Analytics entwerfen, die dem Unternehmen einen Nutzen bringen. Hat ein mittelständisches Unternehmen das dafür notwendige Know-how und die Erfahrung nicht im Haus, sind externe Experten, die wissen, worauf zu achten ist, bei Brainstormings und Workshops unterstützen, Know-how vermitteln und Erfahrungen teilen, das Mittel der Wahl.
Insbesondere für IT-Entscheider ergeben sich im weiten Feld von Data Analytics große Chancen. Sie können Initiator sein und sich mit Data-Analytics-Projekten als strategischer Partner des Managements positionieren, da sie die besten Voraussetzungen haben, die vorhandene Datenbasis der unterschiedlichen Business Units zu überblicken. Deswegen sollte sich die IT-Abteilung mit den verschiedenen Geschäftsbereichen zusammensetzen und sinnvolle Einsatzszenarien von Data Analytics entwerfen, die dem Unternehmen einen Nutzen bringen. Hat ein mittelständisches Unternehmen das dafür notwendige Know-how und die Erfahrung nicht im Haus, sind externe Experten, die wissen, worauf zu achten ist, bei Brainstormings und Workshops unterstützen, Know-how vermitteln und Erfahrungen teilen, das Mittel der Wahl.
2. Strategie entwickeln
Bevor Unternehmen das Thema Data Analytics angehen und in die Tat umsetzen, müssen sie die richtigen Fragen stellen, um daraus ihre Projektstrategie abzuleiten: Welche Daten stehen zur Verfügung? Was kann das Unternehmen aus den zur Verfügung stehenden Daten mittels Data Analytics ableiten? Was will es erreichen und wie kann Data Analytics dabei helfen? Welche Personen haben wichtige Schlüsselpositionen für die Analysen? Diese Mitarbeiter sollten ebenso ins Boot geholt werden wie die Geschäftsführung. Denn solche Projekte betreffen weite Unternehmensbereiche wie beispielsweise Finance, Sales, Marketing oder Legal und können das eigene Business erheblich verändern. Weitere wichtige Fragen sind: Welches Know-how und welche Erfahrung ist im Haus? Wie viel externe Unterstützung wird benötigt und wo bekommt man diese?
Bevor Unternehmen das Thema Data Analytics angehen und in die Tat umsetzen, müssen sie die richtigen Fragen stellen, um daraus ihre Projektstrategie abzuleiten: Welche Daten stehen zur Verfügung? Was kann das Unternehmen aus den zur Verfügung stehenden Daten mittels Data Analytics ableiten? Was will es erreichen und wie kann Data Analytics dabei helfen? Welche Personen haben wichtige Schlüsselpositionen für die Analysen? Diese Mitarbeiter sollten ebenso ins Boot geholt werden wie die Geschäftsführung. Denn solche Projekte betreffen weite Unternehmensbereiche wie beispielsweise Finance, Sales, Marketing oder Legal und können das eigene Business erheblich verändern. Weitere wichtige Fragen sind: Welches Know-how und welche Erfahrung ist im Haus? Wie viel externe Unterstützung wird benötigt und wo bekommt man diese?
3. Ziele klären und Erwartungshaltungen von Anfang an genau definieren
Der Erwartungshorizont sowie die Zielsetzung sollten für alle Beteiligten klar abgesteckt sein, um spätere Überraschungen oder Enttäuschungen zu vermeiden und um sich nicht in den Möglichkeiten der Datenauswertungen zu verlieren. Gleichzeitig müssen auch die Voraussetzungen für Data Analytics im eigenen Unternehmen verankert werden, damit die Datenmenge sauber und gewinnbringend ausgewertet werden kann. Über einen Workshop, zu dem alle Business (Unit) Leader an einen Tisch geholt werden, lässt sich am besten diskutieren und festlegen, an welchen Stellen Analytics am sinnvollsten und gewinnbringendsten eingesetzt werden kann.
Der Erwartungshorizont sowie die Zielsetzung sollten für alle Beteiligten klar abgesteckt sein, um spätere Überraschungen oder Enttäuschungen zu vermeiden und um sich nicht in den Möglichkeiten der Datenauswertungen zu verlieren. Gleichzeitig müssen auch die Voraussetzungen für Data Analytics im eigenen Unternehmen verankert werden, damit die Datenmenge sauber und gewinnbringend ausgewertet werden kann. Über einen Workshop, zu dem alle Business (Unit) Leader an einen Tisch geholt werden, lässt sich am besten diskutieren und festlegen, an welchen Stellen Analytics am sinnvollsten und gewinnbringendsten eingesetzt werden kann.
4. Nicht zu groß mit Big Data starten – Ideen strukturieren und priorisieren
Jedes Unternehmen, das bereits einen Workshop in Data Analytics hinter sich hat, weiß: der Kreativität, was sich mit den Datenmengen anstellen lässt, sind erst einmal keine Grenzen gesetzt. Zu Beginn sollten deshalb die Ideen gut strukturiert und anschließend priorisiert werden, damit klar wird, welche schnell und welche weniger schnell umsetzbar sind. Unternehmen sollten vorerst mit einem kleinen, schnell umzusetzenden Projekt starten und von diesem für weitere lernen. So lassen sich binnen weniger Wochen erste Resultate erzielen und wichtige Erkenntnisse für Folgeprojekte ableiten.
Jedes Unternehmen, das bereits einen Workshop in Data Analytics hinter sich hat, weiß: der Kreativität, was sich mit den Datenmengen anstellen lässt, sind erst einmal keine Grenzen gesetzt. Zu Beginn sollten deshalb die Ideen gut strukturiert und anschließend priorisiert werden, damit klar wird, welche schnell und welche weniger schnell umsetzbar sind. Unternehmen sollten vorerst mit einem kleinen, schnell umzusetzenden Projekt starten und von diesem für weitere lernen. So lassen sich binnen weniger Wochen erste Resultate erzielen und wichtige Erkenntnisse für Folgeprojekte ableiten.
5. Data Analytics aus der Cloud – sparen und lernen
Es gibt mehrere Wege, wie Data Analytics technisch in Unternehmen verankert werden kann – allen gemein ist natürlich ein gewisses Investment. Allerdings gibt es hier erhebliche Unterschiede. Wer auf Cloud-basierte Data Analytics-Plattformen setzt, kann bei gleichem Funktionsumfang deutlich gegenüber On Premise-Alternativen sparen, die schnell einen Anschaffungswert von mehreren hunderttausend Euro erreichen. Hinzu kommen die Personalkosten für die Datenanalysten. Deshalb empfiehlt es sich, zumindest anfänglich, auf externe Spezialisten zu setzen und von deren Know-how bzw. Expertise zu profitieren. Später ist man dann gegebenenfalls in der Lage, mit dem Erlernten eigene Data Analytics-Projekte fortzuführen oder selbst aufzusetzen.
Es gibt mehrere Wege, wie Data Analytics technisch in Unternehmen verankert werden kann – allen gemein ist natürlich ein gewisses Investment. Allerdings gibt es hier erhebliche Unterschiede. Wer auf Cloud-basierte Data Analytics-Plattformen setzt, kann bei gleichem Funktionsumfang deutlich gegenüber On Premise-Alternativen sparen, die schnell einen Anschaffungswert von mehreren hunderttausend Euro erreichen. Hinzu kommen die Personalkosten für die Datenanalysten. Deshalb empfiehlt es sich, zumindest anfänglich, auf externe Spezialisten zu setzen und von deren Know-how bzw. Expertise zu profitieren. Später ist man dann gegebenenfalls in der Lage, mit dem Erlernten eigene Data Analytics-Projekte fortzuführen oder selbst aufzusetzen.
Diese fünf ersten Schritte zeigen, dass Data Analytics nicht nur etwas für große Konzerne ist, sondern dass auch der Mittelstand von der Auswertung bestehender Daten erheblich profitieren kann – wenn die richtige Strategie gewählt wird. Trotzdem ist Data Analytics für sie offenbar nicht so einfach umzusetzen wie für die Großen – sei es aus Budget-, Personal- oder sonstigen Kapazitätsgründen, beziehungsweise aufgrund fehlender technischer Voraussetzungen. Mit den hier angeführten Tipps und entsprechender Unterstützung von außen sind erste Data Analytics-Ergebnisse mit vergleichsweise wenig Aufwand und geringen Investitionen auch für mittelständische Unternehmen schnell erzielbar.
* Sandro Lindner ist Geschäftsführer von Unisys Deutschland.
Be the first to comment