Menschen von oben fotografiert, die an einem Tisch sitzen.

adesso Blog

„Kein Wind ist demjenigen günstig, der nicht weiß, wohin er segeln will…“
(Michel de Montaigne)

Dieses Zitat bringt die Sache auf den Punkt. In Zeiten wachsender Datenmengen wird es für Unternehmen schließlich zunehmend schwieriger, reale Mehrwerte zu erzeugen. Das bloße Sammeln von Daten reicht dafür nicht aus. Es bedarf einer Strategie im Umgang und zur Verwendung von Daten. Wie ist es also möglich, eine Data-and-Analytics-Strategie aufzubauen? Und wie gelingt es die Daten zu monetarisieren und daraus einen Mehrwert zu generieren?

Der adesso Data Navigator – Was ist das überhaupt?

Der adesso Data Navigator hilft Unternehmen bei der Orientierung auf hoher „Datensee“. Konkret handelt es sich um ein Vorgehensmodell zur Einführung und Umsetzung von Data-and-Analytics-Strategien, die drei Teilschritte durchlaufen.


In drei Schritten zur Monetarisierung der Daten

Schritt 1: IR:Scope

In einem Interaction Room (IR) werden das Reiseziel festgelegt und die Rahmenbedingungen festgesteckt. Der IR ist ein physischer Workshopraum, in dem die Stakeholder eines Projektes zusammenkommen und mithilfe von Whiteboards - sogenannten Landkarten (engl. Canvas) - interaktiv verschiedene Sichtweisen auf eine gewählte Thematik einnehmen und die erfolgskritischen Aspekte eines Projektes herausarbeiten.

Beim IR:Scope stehen folgende Fragen im Mittelpunkt:

  • Wo soll die Reise hingehen?
  • Wie groß ist die Crew?
  • Mit welchen Wetterbedingungen muss gerechnet werden?
Schritt 2: SOT-Analyse

Mit der sog. SOT-Analyse wird der Standort bestimmt und die Reiseroute geplant. SOT steht für die drei Säulen „Strategie“, „Organisation“ und „Technologie“:

Strategie

Diese Säule bildet die Analyse der Geschäfts- und IT-Strategie (mit der Zielsetzung, diese mit der Data-and-Analytics-Strategie anzupassen) sowie die Herausarbeitung der fachlichen Treiber und Anforderungen ab. Typische Fragen, die in diesem Kontext anfallen, sind:

  • Welcher Informationsbedarf besteht?
  • Besteht Near-Real-Time-Auswertungsbedarf?
  • Welche Datenvolumina müssen verarbeitet werden?

Organisation

Hier wird festgestellt, ob beispielsweise die jeweiligen Rollen (unter anderem Data Owner, Power User oder Data Steward) definiert sind und ob eine Data Governance etabliert ist. Weitere wichtige Fragen in dem Kontext sind:

  • Sind die Prozesse - etwa zur Anforderungserhebung, Entwicklung, zum Testing oder zur Dokumentation - definiert und transparent?
  • Sind die Skills der Mitarbeitenden für den Einsatz der geplanten Technologien ausreichend oder besteht Recruiting-Bedarf?
  • Sind Gremien (zum Beispiel BICC) etabliert?
  • Bestehen regulatorische Anforderungen, wie zum Beispiel die Dokumentationspflicht nach BCBS-239?

Technologie

In diesem Abschnitt wird die aktuelle Architektur auf den Prüfstand gestellt:

  • Ist diese geeignet für die Umsetzung der fachlichen Anforderungen?
  • Welche Lizenzen liegen vor und welche werden noch benötigt? In dem Zusammenhang bietet es sich an, eine Kosten-Nutzen-Analyse durchzuführen.
  • Sind die aktuell gewählten Technologien noch zukunftssicher? Diese Frage wird in einem Technologie-Review geklärt.
  • Was sind die technologischen Anforderungen?

Das Ergebnis der SOT-Analyse ist die Feststellung des Reifegrads in Bezug auf die Maturität von Buisness Intelligence (BI) sowie Data and Analytics (D&A) und eine abgeleitete Data-and-Analytics-Strategie samt Roadmap (Törnplanung).

Darauf basierend erarbeitet adesso die Handlungsempfehlungen, damit Unternehmen den nächsten Maturitätslevel erreichen.


BI Maturity

Um im Seefahrtsjargon zu bleiben: Das Maturitätsmodell visualisiert die aktuelle Entwicklungsstufe des Segelscheins – vom Schein für Binnengewässer (erste Stufe des Reifegrads) bis zur hohen See (fortgeschrittene Stufe).

In diesem Kontext gibt es unterschiedliche Bewertungskriterien, die wir euch kurz vorstellen möchte:

Standards

Hier sind zunächst folgende Fragen zu klären:

  • Werden Corporate Designs und einheitliche Kennzahlendefinitionen im Reporting verwendet?
  • Wird eine einheitliche Datenbasis („Single point of truth“) für Auswertungszwecke verwendet?
  • Gibt es standardisierte Prozesse und klar definierte Verantwortlichkeiten, die bei der Anforderungsaufnahme und Reporterstellung eingehalten werden?
  • Werden einheitliche Tools für das Datenmanagement, die Auswertungen und Visualisierungen verwendet?

BI Nutzung

Wer im Unternehmen nutzt bereits Business-Intelligence-Lösungen (beispielsweise Power Users vs. Casual Users, Self-Service BI oder Dashboards für Entscheidungsebene)?

BI Erkenntnisse

Es ist zu klären, welche Erkenntnisse aus BI- und D&A-Initiativen gezogen werden und ob vergangenheitsbezogene oder zukunftsorientierte Berichte - beziehungsweise Handlungsempfehlungen zur Steuerung des Business - erstellt werden. Darüber hinaus stellt sich die Frage, ob Daten in Echtzeit ausgewertet werden.

Business Value

Hier stellen sich vor allem zwei zentrale Fragen:

  • Welchen Business-Mehrwert liefert BI beziehungsweise D&A?
  • Wird Reporting lediglich als Kostentreiber oder als wertschöpfend wahrgenommen oder werden sogar Data-driven-Services an externe Unternehmen angeboten?

Schritt 3: Implementierung

Sobald alle Schritte gemeinsam durchlaufen wurden, heißt es: Leinen los und raus aus dem sicheren Hafen. Die Reise beginnt! Der Data Navigator sorgt dabei für einen stabilen Kurs auf hoher Datensee.

Exkurs: Data-driven-Services (DDS)

Data-driven-Services sind disruptive Erweiterungen des bestehenden Geschäftsmodells und die logische Konsequenz der allgegenwärtigen Digitalisierung. Datengetrieben Service-Innovationen (DDSI) können in folgende drei Kategorien unterteilt werden:

1. Explorative DDSI (Fokus: Opportunities):

Anwendung von Daten zum Aufdecken von neuen Trends, Bedarfen, Ideen und Designoptionen. DDSI dient lediglich als Trigger für Service Innovationen. Es ist nicht notwendig, dass die Daten später das Herzstück des Wertversprechens neu entwickelter Services bilden. Mittels Data Mining können beispielsweise nutzergenerierte Inhalte analysiert und Nutzerbedürfnisse abgeleitet werden.

2. Validative DDSI (Fokus: Entwicklung):

Unterstützung des Serviceentwicklungsprozesses mit daten- und analytics-getriebenen Softwaretools, die das Ziel haben, den Entwicklungserfolg zu monitoren. Agentenbasierte Simulationsmodelle helfen dabei, Serviceprodukte schon vor dem Produktivgang zu evaluieren. Wie auch bei den explorativen DDSI, muss der Service, der dem Kunden bereitgestellt wird, während der Erbringung nicht datenbasiert sein.

3. Generative DDSI (Fokus: Outcome):

Die Daten bilden das Herzstück des Wertversprechens eines Services. Auf Basis der Daten besteht die Möglichkeit, dass dem Kunden auf ihn zugeschnittene Services angeboten werden. Zusätzlich können GDDSI bestehende Services ergänzen und aufwerten (beispielsweise Maschinen in Kombination mit Predictive-Maintenance-Lösungen).

Zusammengefasst können die Daten in bestehenden Prozessen zur Optimierung eingesetzt werden oder dabei helfen, die Produkte eines Unternehmens zu verbessern. Darüber hinaus besteht die Möglichkeit, aus den gesammelten Daten, innovative und datengetriebene Produkte zu entwickeln, die völlig neue Wertschöpfungspotenziale bieten.

Erste Inspirationen / Vom Suchen und Finden eines Schatzes

In der unternehmerischen Praxis zeigt sich ein breites Spektrum an Möglichkeiten der Datenmonetarisierung. Dazu zählen unter anderem:

  • Die visualisierte Auswertung der Nutzungsintensität von Krediten zur gezielten regionalen, politischen Steuerung von Förderkrediten,
  • ein kundenspezifisches Marketing auf Basis von User-Verhalten auf der Website (Webtracking),
  • Optimierung der Wartung oder Ausfallzeiten von Produktionsmaschinen (Predictive Maintenance),
  • die Erkennung von Betrugsfällen bei Kreditanträgen sowie Rechnungsstellungen (Fraud Detection),
  • die Vorhersage von Abgangswahrscheinlichkeiten von Kunden (Churn Prediction) oder
  • eine Vorhersage von Anruferzahlen im Call-Center.

Bereits die kurze Auflistung an Beispielen zeigt die Vielzahl an Möglichkeiten, die es gibt, um Daten zu monetarisieren. Mit dem adesso Data Navigator können Unternehmen herausfinden, welche Anwendungsfälle für ihr eigenes Unternehmen sinnvoll und erfolgsträchtig sind.

Stecht mit uns in See! Wir erstellen auf Basis eines gemeinsam erarbeiteten Inputs Architektur- und Technologieempfehlungen und zeigen, welche Handlungsfelder Unternehmen auf dem Weg zu einem gestandenen Datenmonetarisierer in Angriff nehmen sollten.

Ein Denkanstoß

Es vergeht kaum ein Tag, an dem man nicht neuen News und Versprechungen im Kontext von Künstlicher Intelligenz (KI) begegnet. Basis für eine erfolgreiche KI-Umsetzung bilden Daten. Es gilt: Ohne Daten kein maschinelles Lernen. Ihr möchtet wissen, wie KI bei der Datengewinnung und -aufbereitung unterstützen kann? Dann empfehlen wir euch unseren Blog-Beitrag zum Thema „KI fängt mit D“ wie „Daten“ an.“

Wenn ihr mehr zum Themen Data and Analytics bei adesso, zu unserer Vorgehensweisen oder unseren Projekten erfahren möchtet, dann werft einen Blick auf unsere Website.

Bild Jannik Kutscher

Autor Jannik Kutscher

Johanna Odametey ist Business Engineer in der Line of Business Data & Analytics der adesso SE. Sie ist für das Business Consulting in BI-Projekten zuständig und beschäftigt sich mit den Themen Business-Analyse, Requirements Engineering und Agilität. Als zertifizierter Interaction-Room-Coach hat sie Erfahrung bei der Durchführung von Interaction Rooms.

Jannik Kutscher ist erfahrener Business Engineer in der Line of Business Data & Analytics der adesso SE. In Kundenprojekten füllt er die Rollen des Strategieberaters, Business Analysten und Requirements Engineers aus. Darüber hinaus ist er zertifizierter Interaction-Room-Coach und hat den IR:KI mehrfach erfolgreich durchgeführt.

Diese Seite speichern. Diese Seite entfernen.