Eine Datenstrategie für das digitale Zielbild entwickeln

von Bernhard Steimel
16. November 2021

Zwei von drei Geschäftsführern oder IT-Verantwortlichen wissen nicht, welche und wie viele Daten in ihrem Unternehmen vorhanden sind, stellt eine aktuelle Studie fest. Ihnen fehlt eine Datenstrategie als Grundlage, mit der Unternehmen Mehrwert und Nutzen erzeugen. Der Beitrag beschreibt, wie Unternehmen die Daten aus ihren Silos befreien und eine Datenstrategie aufbauen. Dafür müssen sie zunächst den Status quo bewerten, ein Zielbild definieren und darauf aufbauend eine Roadmap für die nächsten Schritte entwickeln. Ein wichtiger Meilenstein dabei: Unternehmen sollten Künstliche Intelligenz (KI) im gesamten Unternehmen nutzen, um von der „Learning Loop“ zu profitieren.

Dieser Beitrag ist ein Auszug aus dem „Trendbook Smart Analytics“. Einen Überblick über den Inhalt gibt der Artikel Aus Daten Mehrwerte schaffen. Sie können das Trendbook außerdem direkt kostenlos herunterladen.

„Es reicht nicht, einfach Daten zu sammeln. Unternehmen benötigen eine Datenstrategie, die von der Geschäftsführung gefördert wird. Sie muss gegenüber der Belegschaft und dem ganzen Unternehmen transparent sein. So entsteht eine klare Agenda, die alle Mitarbeiter auf die Digitalisierung ausrichtet und Orientierung schafft.“

Jens Kamionka, Head of Big Data & Data Analytics, T-Systems MMS

Data Analytics verändert die Wettbewerbslandschaft

Fast die Hälfte der Unternehmen (47 %) gab in einer McKinsey-Umfrage an, dass Datenanalysen die Wettbewerbslandschaft erheblich verändert haben. Als Reaktion haben zahlreiche Unternehmen begonnen, Daten zu einem Kernbestandteil der Prozesse in Produktion und Logistik zu machen und die Mitarbeiter für den Aufbau einer datengesteuerten Unternehmenskultur zu schulen.

Das vollständige Trendbook als kostenloses E-Book herunterladen.

Unternehmen, die Schwierigkeiten mit dem Umstieg auf datengesteuerte Produkte und Geschäftsmodelle haben, räumen ein, dass vor allem das Fehlen einer Strategie ein Hindernis für den Erfolg ist. Aus diesen Erfahrungen lassen sich drei Elemente einer Datenstrategie ableiten:

  • Unternehmen müssen die Daten aus ihren Silos befreien. Sie gehören in die Hände von Entscheidungsträgern oder sogar externen Partnern in der gesamten Supply Chain.
  • Unternehmen müssen Daten als Produkt mit realer Kapitalrendite behandeln. Sie sind nicht lediglich ein Rohstoff für Analysen. Stattdessen ist es sinnvoll, sie als internes Produkt zu behandeln, das an alle Fachbereiche zur Wertschöpfung verteilt wird.
  • Unternehmen müssen einen agilen Ansatz für die Transformation wählen. Datenprodukte und datenbasierte Geschäftsmodelle entstehen nicht in einem großen Schritt. Die richtige Vorgehensweise ist schrittweise und iterativ.
Qualitätsdaten allen Kunden verfügbar machen
YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Das finnische Unternehmen Glaston stellt Maschinen zur Glasverarbeitung her. Es sammelt mit Sensoren Parameter rund um den Herstellungsprozess und ermittelt kleinste Abweichungen, die deutliche Auswirkungen auf die Produktqualität haben. Das Unternehmen stellt alle Daten den Nutzern der Glaston-Maschinen auf der Plattform Glaston Insight zur Verfügung. Sie erhalten damit eine Wissensdatenbank, die ihnen eine Justierung der Maschinen erlaubt. Damit steigern sie Produktivität, Verfügbarkeit und vor allem die Rentabilität der Maschinen.

Herausforderungen mit Data Analytics besser meistern

Der Einsatz von Data Analytics für die Entwicklung von Datenprodukten gehört zu den wichtigsten Entscheidungen beim Aufbau einer Datenstrategie. Die analytischen Verfahren ermöglichen es, Probleme zu lösen und Entscheidungen zu treffen, die in der Vergangenheit zur Domäne des Menschen gehört.

Data Analytics kann bei komplexen Entscheidungen helfen, menschliches Verhalten vorhersagen und vieles mehr. Basis dieser Möglichkeiten sind immer Daten, die in großen Mengen nötig sind. Nur dann sind die entsprechenden Werkzeuge in der Lage, die darin verborgenen Muster zu erkennen.

Industrieunternehmen erhalten mit Data Analytics widerstandsfähige Produktionsabläufe und Lieferketten, während sie gleichzeitig die Kosten im Griff behalten. Durch vorausschauende Wartung und bessere Planung wird die Fertigung effizienter.

Um den tatsächlichen Wert der Daten freizusetzen, müssen Unternehmen Data Analytics im großen Maßstab anwenden. So erleichtern Daten die Erkennung von verändertem Kundenverhalten, beschleunigen die Entwicklung von neuen Services oder die Fernwartung von Produkten beim Kunden.

Voraussetzung für eine solche Transformation ist, dass Daten und Data Analytics als zentrales Element des gesamten Unternehmens betrachtet wird. Daten leisten einen wichtigen Wertbeitrag für das Geschäftsmodell und das Betriebsmodell, also die wertschaffenden Systeme, Prozesse und Fähigkeiten.

Data Analytics im Kundenservice
YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Versicherungsunternehmen wie die Ergo Gruppe kommunizieren mit ihren Kunden vorwiegend per E-Mail. Dabei erreichen die Versicherung pro Jahr mehrere 100.000 E-Mails mit unterschiedlichen Anliegen. Die Kunden nutzen dabei in erster Linie generische Mailadressen wie „info@“. Diese große Masse kann nur noch automatisch bearbeitet und an die richtigen Ansprechpartner weitergeleitet werden. Ergo nutzt dafür eine KI-gestützte Data-Analytics-Anwendung, die den Inhalt der Mails analysiert und sie anschließend bestimmten Fachbereichen und Themenkreisen zugeordnet. So erreicht jede Kundennachricht automatisch und ohne Benutzereingriff den richtigen Ansprechpartner.

Die richtige Datenstrategie: KI für alle

In einigen Unternehmen wird KI lediglich in Form von Leuchtturmprojekten genutzt. So bleiben der Mehrwert und Nutzen von künstlicher Intelligenz auch nur auf einen kleinen Bereich beschränkt. Eine wirkungsvolle Datenstrategie macht dagegen allen Mitarbeitern Künstliche Intelligenz und Machine Learning verfügbar.

Damit KI-Lösungen die Mitarbeiter bei ihren Aufgaben zufriedenstellend unterstützen, sind alle Mitarbeiter – nicht nur IT-Experten – in die KI-Entwicklung einzubeziehen. Damit stellen Unternehmen sicher, dass die von ihnen genutzten Lösungen die Mitarbeiter wirklich bei ihrer alltäglichen Arbeit unterstützen.

Erfahrungen mit KI sorgen dafür, dass sich das Unternehmen langsam in eine KI-gestützte Organisation verwandelt. Nach Analysen der Unternehmensberatung McKinsey werden weniger als fünf Prozent aller Arbeitsplätze vollständig mit KI automatisiert. Trotzdem ändert sich künftig das Arbeitsumfeld der Mitarbeiter.

Viele gegenwärtige Berufe verändern sich. Sie erfordern von den Mitarbeitern Erfahrung mit Technologie, höhere Kreativität und kritisches Denken. Die Arbeitgeber müssen deshalb eine Kultur schaffen, in der Daten für alle verfügbar sind, agile Prinzipien vorherrschen und Experimente erlaubt sind. Erst dadurch gelingt es, alle Mitarbeiter in Innovationsprozesse einzubeziehen.

 

Diese KI kennt ihre nächsten 1.000 Kunden
YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Der Mainzer Big-Data-Spezialist DATA lovers nutzt Data Analytics und Machine Learning, um die Sales-Performance von B2B-Unternehmen zu verbessern. Die Nutzer erhalten eine Plattform, die alle vorhandenen Kunden- und Produktdaten auf der Basis von KI auswertet. So kann die Lösung beispielsweise ermitteln, welche Unternehmen potenzielle Kunden sind und vom Vertrieb unbedingt angesprochen werden müssen. Darüber hinaus kann die Lösung die Abschlusswahrscheinlichkeit von Leads vorhersagen und das Umsatzpotenzial von Bestandskunden.

Smarter KI-Einsatz mit der „Learning Loop“

Unternehmen mit hohem digitalen Reifegrad nutzen für Data Analytics künstliche Intelligenz und Machine Learning. Im Zusammenhang mit Datenanalysen bedeutet Machine Learning: Daten werden in ein Modell verwandelt, das sich durch zusätzliche Daten Schritt für Schritt verbessert. Künstliche Intelligenz heißt in diesem Fall: Die smarte Automatisierung von Entscheidungen.

Die "Learning Loop" in der KI
YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Data-Analytics-Anwendungen mit KI nutzen die sogenannte „Learning Loop“, ein Modell von Michael Wu, Chief AI Strategist at PROS, einer Digitalberatung aus Oakland in Kalifornien. In ihr werden große Datenmengen durch Machine Learning zu dynamischen Modellen verarbeitet. Deren Ergebnisse werden zur Grundlage von Entscheidungen und in der Folge von Aktionen. Diese haben bestimmte Ergebnisse, die über Feedback erneut als „Big Data“ in den Anfang der Schleife eingespeist werden.

Ein wichtiger Teil dieser Schleife (Machine Learning, Modellierung, Analyse) geschieht entweder vollautomatisch oder mit geringen menschlichen Eingriffen. So ist es beispielsweise sinnvoll, die Modellbildung durch Data Scientists zu unterstützen, um größtmögliche Präzision zu erreichen. Aus technischer Sicht wird das Feedback außerdem in Form von Echtzeitdaten in die Berechnung der Ergebnisse eingefügt – etwa als Veränderung eines Messwertes. 

Das vollständige Trendbook als kostenloses E-Book herunterladen.

Ohne Datenstrategie und klares digitales Zielbild geht es nicht. Wie sieht es in Ihrem Unternehmen aus?  Welches Zielbild verfolgen sie und welche Datenstrategie haben sie definiert? Gehört KI und Machine Learning für Sie ebenfalls zu einer Datenstrategie? Schreiben Sie uns oder hinterlassen Sie einen Kommentar.

Schreiben Sie einen Kommentar

Ähnliche Beiträge