Daten können Unternehmen viel erzählen

Daten getrieben

„Alles, was wir machen, machen wir messbar“. So lautet das Credo datengetriebener Agilität. Wer allerdings nicht nur datengetrieben, sondern auch agil arbeiten möchte, braucht Analytics-Architekturen, die viele verschiedene Daten von Menschen und Maschinen verdichten und daraus Informationen generieren, die schnelle Entscheidungen unterstützen. Hierzu einige Erkenntnisse aus unserer Studie Datengetriebene Agilität, die wir zusammen mit Wissenschaftlern der Universität Hamburg und der Leuphana-Universität Lüneburg durchgeführt haben.

Daten, Daten, überall Daten

Daten haben Unternehmen eine Menge zu erzählen, wie Unternehmen ihr Geschäft verbessern können: welche und wie viele Produkte sie herstellen sollen, wer die Personen sind, die sie kaufen und was sie gut oder schlecht daran finden.

Dazu kommt: Es gibt immer mehr Daten, in immer mehr Ausprägungen, und sie sind dank Digitalisierung überall zu finden. Kunden loben, kritisierten und empfehlen öffentlich Produkte und Marken in ihren sozialen Internetnetzwerken und in den App Stores. Logdateien zeichnen auf, wie sich Personen auf Internetseiten bewegen.

Die Fülle an Daten ist im Prinzip eine gute Sache. Entscheidungen erhalten eine breitere Grundlage, Risiken von Fehlplanungen zu senken. Gleichzeitig liefern neue Datentöpfe die Möglichkeit neue Erkenntnisse zu erschließen, und es wird einfacher, sie sofort zu nutzen. Vieles, was Unternehmen heute aus den sozialen Medien über Zielgruppen und Produkte erfahren, können sie direkt in die Gestaltung und die Kommunikation einfließen lassen. Oder in neue Geschäftsmodelle: E-Commerce-Riese Otto öffnet seine Datenschatztruhe beispielsweise für Werbetreibende. Über eine Daten-Management-Plattform können diese künftig Bannerwerbung deutlich zielgenauer schalten.

Die pure Menge erschwert allerdings die Arbeit, den Daten einen Erkenntnisgewinn zu entlocken. Die etablierten BI- und Analytics-Lösungen stoßen an ihre Grenzen. Für Unternehmen ist es eine erhebliche Herausforderung, neue Data-Analytics-Architekturen einzuführen, die eine übergreifende Integration und Auswertung verschiedenster Datentypen aus einer großen Bandbreite an Datenquellen ermöglichen.

Machine-based Data wird mehr

Komplex wird die Angelegenheit auch, weil neben den Kunden auch die Maschinen „zu Wort“ kommen und als Datenlieferanten für Unternehmen arbeiten. Mit Sensoren gespickt, liefern sie jede Menge Daten über ihren Zustand und über ihre Umgebung. Autos funken Verbrauchsdaten und Fahrverhalten, Windparks, Bahnwaggons und Brücken senden Messwerte zum Verschleiß für Predictice-Maintainance-Anwendungen.

Die beiden Disziplinen, Machine-based Data-driven Agility und People-based Data-driven Agility, sind grundsätzlich verschieden, allein aufgrund der unterschiedlichen Quellen und der Nutzung der Daten. Transformationsaufgabe der Unternehmen ist, BI-Architekturen zu errichten, die beiden Datenwelten gerecht werden. Bei einigen Unternehmen lohnt sich eine Integration beiden Arten datengetriebener Agilität. Ein durch digitale Services optimiertes Auto liefert beispielsweise beide Arten von Daten parallel.

Machine-build_People_build_756x352
KPI-Landschaft verändert sich

Richtig auskunftsfähig und damit nützlich werden Daten erst, wenn sie als Kennzahl verdichtet auf dem Bildschirm der Entscheider erscheinen und die Manager mit ihrer Entscheidung das Unternehmen besser steuern. In der Steuerungsphilosphie rücken kundenbezogene Kennzahlen in den Vordergrund, wobei sowohl externe als auch interne Partner als Kunden anzusehen sind. Kennzahlen entlang der Customer Journey liefern beispielsweise direkte Erfahrungswerte des Kunden in der Interaktion, lassen sich kontinuierlich überwachen, schnell verstehen und zeitnah verbessern.

Die Studie zeigt, dass in Unternehmen eine große Bandbreite an KPIs genutzt wird. Gängig sind klassische Kennzahlen wie Umsatz sowie KPIs aus der Online-Welt, zum Beispiel Kundengewinnung, Kundenaktivierung und -bindung, Verweildauer in den einzelnen Prozessschritten und der Ausstiegspunkt im Prozess.

Diese werden allerdings vermehrt durch nutzerbezogene Kennzahlen ergänzt oder ersetzt. Effizienz- und wachstumsorientierte KPIs kommen verstärkt zum Einsatz, beispielsweise Time to buy, Landing-Page-Besucher oder die Dauer bis Vertragsabschluss und Anzahl der Abschlüsse.

Diese vermehrt datengetriebene Steuerungslogik ist das Ergebnis der Digitalisierungsmaßnahmen von Unternehmen. Aktuell sind Unternehmen, die sich nach dem Objectives-and-Key-Results-Ansatz (OKR) strukturieren, hier Vorreiter. Google nutzt diesen Ansatz beispielsweise unternehmensweit. Unternehmensziele werden hier strukturiert auf Teams, Mitarbeiterinnen und Mitarbeiter heruntergebrochen. Das sichert eine kontinuierliche Ausrichtung der Aktivitäten an den Unternehmenszielen.

Link zur Studie

DDA-DeckblattDaten als Treiber für die kontinuierliche Weiterentwicklung zu nutzen ist ein Merkmal einer Data-driven Company. Weitere lassen sich in der Studie Datengetriebene Agilität nachlesen.

 

 

 

 

Foto: Getty Images / selimaksan


Lars Schlömer

Lars Schlömer ist Leiter BI Community und Public Analytics bei Sopra Steria Consulting. Er kümmert sich um das Business Development im Geschäftsfeld Business Intelligence. Hier im Blog schreibt er im Schwerpunkt über BI & Analytics.

Kommentare

  1. Wir haben oft die Erfahrung gemacht, dass es einfach zu viele Informationen in Abteilungen gibt und diese schlichtweg überfordert sind daraus die richtigen Schlüsse zu ziehen. Mittlerweile sind viele digitale Lösungen in der Lage Mengen an Daten zu generieren, die aber im Rohzustand nur schwer zu verarbeiten sind. Daher lohnt es sich vor allem für KMU vorab festzulegen, welche Daten man wirklich verarbeiten möchte und welche Daten eher unwichtig sind.

    Grüße

    Markus

Hinterlassen Sie eine Antwort

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind markiert *

Sie können folgende HTML-Tags benutzen: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>