Mit einem Proof of Concept in datengetriebene Projekte einsteigen

Empfehlen Sie den Beitrag weiter ...

Im Rahmen unserer Kampagne zu Datenqualität hat unser Gast-Redakteur Andreas Brüggenthies von human IT, Experte für datengetriebene Projekte, mit verschiedenen Experten gesprochen. Dario Waechter, Head of Data & Analytics bei atlantis dx betont die Wichtigkeit eines vertrauensvollen Einstiegs. Mit einem Proof of Concept steigen Sie optimal in datengetriebene Projekte ein.

Welchen Einfluss hat Datenqualität heute auf den Unternehmenserfolg?

Die Datenqualität wirkt sich ganz erheblich auf den Unternehmenserfolg aus. In Zeiten von Big Data geht ohne Daten im wahrsten Sinne des Wortes nichts mehr. Darum müssen Unternehmen zwangsläufig eine gewisse Datenkultur etablieren – sofern noch nicht geschehen. Dabei bilden qualitativ hochwertige Daten nicht nur die Voraussetzung für effiziente End-to-End-Prozesse. Sie sind auch für die Entscheidungsfindung unabdingbar. Denn viele Beschlüsse beruhen nicht mehr auf persönlichen Einschätzungen und der Abwägung von Argumenten, sondern auf datenbasierten Auswertungen. Und Unternehmen können nur dann belastbare Entscheidungen treffen, wenn sie sich auf die Richtigkeit, Konsistenz und Aktualität ihrer Daten verlassen können – und zwar systemübergreifend. Aus diesem Grund ist ein professionelles Datenmanagement Pflicht. Dabei geht es darum, Probleme im Hinblick auf die Datenqualität nicht nur zu erkennen und zu beheben, sondern auch die Verfügbarkeit der Informationen sicherzustellen. Daten müssen im richtigen Kanal im richtigen Format zum richtigen Zeitpunkt und in der richtigen Qualität bereitstehen.

InfoZoom Webinar

Wie steigen Sie in datengetriebene Projekte ein und schaffen einen vertrauensvollen Start?

Da die Ausgangssituation immer verschieden ist, achten wir auf die individuellen Voraussetzungen und Anforderungen des jeweiligen Unternehmens. Wenn es ans konkrete Doing geht, hat sich ein Vorgehen bewährt: Klein starten und schnelle Quick Wins erzielen. Hierfür setzen wir uns mit unserem Kunden zusammen und definieren zunächst das ganz große globale Ziel. Für einen guten Einstieg bietet es sich an, einen überschaubaren Use Case auszuwählen und einen Proof of Concept zu erarbeiten und umzusetzen, also den jeweiligen Prozess komplett durchzuspielen. Ein Beispiel könnte sein, einen BI-Prozess zu modellieren – mit dem Ziel, einen bestimmten Report zu erstellen. Im Proof of Concept würden wir definieren, was es für die Erstellung des Reports braucht, also welche Daten aus welchen Quellen in welchem Format vorliegen müssen und wie sie aufzubereiten sind. Das Ergebnis wäre ein auf dieser Basis automatisch generierter Report. Dieses Vorgehen lässt sich im Projektverlauf auf weitere, auch komplexere Prozesse übertragen.

Schnell ein Ergebnis zu präsentieren, ist wichtig, um die Mitarbeiter, die nicht am Projekt beteiligt sind, von Anfang an ins Boot zu holen. Doch auch das Management will überzeugt sein. Um Geschäftsabläufe von hinten neu aufzusetzen – beginnend mit einem Check und der Verbesserung der Datenqualität – und Datenflüsse neu zu definieren, braucht es zwingend den Rückhalt des Managements. Und das sichert man sich am einfachsten mit schnellen, überzeugenden Ersterfolgen.

Wie kommunizieren Sie plakativ mit Ihren Kunden über Daten und Ziele?

Hier ist Transparenz sehr wichtig – eben, weil die Ergebnisse unserer Arbeit oftmals auf den ersten Blick nicht erkennbar sind. Prozesse neu aufzusetzen und dafür die nötigen Daten konsistent und aktuell bereitzustellen, ist die eigentliche Königsdisziplin. Darum suchen wir stets den Dialog mit unserem Kunden, wir beraten ihn proaktiv und beziehen von Beginn an alle relevanten Stakeholder ein. Denn Probleme mit der Datenqualität gibt es immer und überall. Das zielführend anzusprechen, ist nicht ganz leicht, weil sich die verantwortlichen Mitarbeiter im Zweifel persönlich angegriffen fühlen. Darum braucht es einiges an Fingerspitzengefühl. Ist das Bewusstsein für den Wert einer hohen Datenqualität erst einmal geschaffen, finden sich in den allermeisten Fällen praktikable Lösungen. Schließlich gibt es etliche Systeme, etwa die CRM-Lösungen bestimmter Anbieter, die Unternehmen dabei unterstützen, Daten sauber zu erfassen und zu organisieren.

Mit einem Proof of Concept in datengetriebene Projekte einsteigen

Wie kommen Sie zu einer vollständigen, validen Einschätzung der Ausgangsdaten für das Projekt?

Neben dem ersten Proof of Concept sind auch gemeinsame Workshops unverzichtbar. Dabei lernen wir die Daten und Systeme unseres Kunden kennen und verschaffen uns einen Überblick über die jeweilige IT-Systemlandschaft. Übrigens ist es keine Seltenheit, dass die in Datenprojekte involvierten Mitarbeiter selbst nicht wissen, welche Systeme in welchen Abteilungen zum Einsatz kommen. Auch für sie ist es wichtig, zunächst die eigene Ausgangslage kennenzulernen. Im zweiten Schritt ist zu entscheiden, welche neuen Systeme einzuführen und wie sie in die vorhandene IT-Infrastruktur zu integrieren sind. Dabei ist ein Datenkatalog, in dem definiert ist, welche Daten in welchem Format in welchem System liegen (sollen), ein wertvolles Hilfsmittel. Die sich daraus ergebende Roadmap setzen wir dann Schritt für Schritt um.

Welche Funktionen wünschen Sie von Software zur Verbesserung von Datenqualität?

Hier möchte ich gern beim Beispiel CRM bleiben. Auch wenn es bereits Ansätze gibt, ist das Potenzial von künstlicher Intelligenz und Machine Learning bei weitem noch nicht ausgeschöpft. Anstatt fehlerhafte Datensätze manuell zu bereinigen – und damit wieder menschliche Fehler zu riskieren –, wäre es sinnvoll, diese zeitraubende und fehleranfällige Aufgabe zu automatisieren. Eine in das CRM-System integrierte KI-Komponente könnte nicht nur Tipp- und Rechtschreibfehler, sondern auch gewisse Muster beziehungsweise auffällige Anomalien in Datensätzen erkennen und dann – je nach Trainingsstand – entweder Verbesserungsvorschläge machen oder den entsprechenden Datensatz selbst bereinigen. Daneben ist es eine gute Idee, Auswertungen zu visualisieren, um in zig Tausenden Datensätzen verborgene Ungereimtheiten optisch zu erkennen.

Hierfür nutzen wir jene Tools, die wir ebenso unseren Kunden empfehlen: Wir verwenden Tableau, um Daten zu visualisieren. Talend kommt zum Einsatz, um Daten aus verschiedenen Quellen zusammenzuführen und für die Bereitstellung aufzubereiten. Und SugarCRM ist das Tool, mit dem wir unser eigenes Kundenbeziehungsmanagement organisieren. Entsprechende KI-Komponente out-of-the-box würden wir sehr begrüßen.

Source of origin