Tag Business Analytics

Entscheidungen auf der Basis von Daten treffen

Dirk Böckmann, Agile Analytics, Cover (Bildquelle: @Dirk Böckmann)

Sich bei Entscheidungen allein auf begrenzte und subjektive Vermutungen oder Erfahrungen zu verlassen, ist in einer Zeit wachsenden Datenvolumens und steigender Komplexität im Geschäft nicht mehr zielführend. In einer Data Driven Culture werden Entscheidungen auf der Basis von Daten, also von „harten Fakten“, getroffen. Den Weg dazu bahnt Business Analytics.

Daten – die Lebensader der Unternehmensentwicklung

Führungskräfte bewerten heute zu 77 Prozent Unternehmensdaten als ihr „wertvollstes Kapital“ und sind überzeugt, dass die Geschwindigkeit der Datenanalyse in Zukunft noch wichtiger wird. Sogar die EU-Kommission bezeichnet Daten als die „Lebensader der wirtschaftlichen Entwicklung“. Untersuchungen zeigen: Unternehmen, die datengetrieben agieren und umfassende Daten in Echtzeit verarbeiten, steigern ihre betriebliche Effizienz sowie ihren Gewinn um mindestens 17 Prozent.
Daten umfassend zu nutzen, wird für Unternehmen mehr und mehr zu einem Vermögenswert. Denn eine Data Driven Culture bringt bessere Entscheidungen hervor. Diese zeichnen sich durch höhere Genauigkeit und Treffsicherheit, höhere Geschwindigkeit und höhere Transparenz aus; zudem müssen sie weniger oft revidiert werden. Business Analytics kann Unternehmen helfen, den wachsenden Datenmengen gerecht zu werden und diese produktiv zu nutzen.

Vorteile von Business Analytics

Die meisten Unternehmen verarbeiten heute strukturierte Daten. Auf der Basis eines Reporting-Systems können sie Fragen beantworten, deren Fokus auf der Vergangenheit liegt: Was ist passiert und aus welchen Gründen? Rückwärtsgewandt lassen sich nachträglich Ursachen und Gründe für bestimmte, bereits eingetretene Ereignisse ermitteln. Das nennt sich Descriptive Analytics und ist das Herzstück von Business Intelligence.
Doch dies allein reicht für eine Data Driven Culture nicht aus. Denn es nicht möglich, Echtzeit-Daten (Big Data) mit modernen, datenwissenschaftlichen Werkzeugen zu analysieren und damit vorherzusagen, was in naher Zukunft passieren wird und wie man darauf optimal reagieren sollte (Predictive und Prescriptive Analytics). Business Intelligence fehlt hierzu die Daten- und die Werkzeugbasis. Somit kann die alte Business-Intelligence-Welt nicht ermitteln, wie man im Hinblick auf die wahrscheinlich eintretenden Ereignisse vorausschauend agieren sollte, damit Unerwünschtes ausgeschlossen wird und sich frühzeitig optimale Lösungen zum Erreichen geschäftlicher Ziele finden. Beides ist mit Business Analytics möglich.
Durch die Einführung von Business Analytics kann sich ein Unternehmen aus einer schlüssigen Datenwelt auf der Basis von Algorithmen umfassend und weitestgehend automatisiert mit entscheidungsrelevanten Informationen versorgen lassen. Das ist der Weg zu eine Data Driven Culture, in der Daten in fast jeden Entscheidungsprozess einfließen und die Performance kontinuierlich und präzise messbar ist.

Nicht mit der technischen Datenverarbeitung beginnen

Im Zuge der steigenden Datenmengen investieren Unternehmen oft isoliert in die Technik, indem sie die vorhandene, statische IT-Infrastruktur durch neue Softwaretools „ergänzen“, um „mehr“ Daten auch anders verarbeiten zu können. Nachher stellt sich häufig heraus, dass die gewünschten analytischen Ergebnisse nicht geliefert werden können, weil die Puzzle-Teile nicht zusammenpassen: Oft fehlen dann Basisdaten, Schnittstellen wie auch Speicherungs- und Auswertungstools.
Beginnen sollte man daher mit der Sammlung und Umsetzung überschaubarer Uses Cases, die schnell einen Business-Mehrwert bieten. Die hierzu notwendigen Anpassungen in der bestehende IT-Architektur nutzt man dafür, diese in Richtung Agilität zu transformieren, und zwar langsam, Schritt für Schritt. Hierzu modularisiert man die technischen Lösungen und definiert das Schnittstellenmanagement. Die Module sind dann eigenständig und können unabhängig voneinander entwickelt, getestet, bereitgestellt, weiterentwickelt und ausgetauscht werden. Dies erhöht die Flexibilität für die Erfüllung neuer Bausteine daramatisch.
In einer Data Driven Culture geht man aber nicht isoliert von der Optimierung der technischen Seite aus, um mehr Daten besser analysieren zu können, sondern von der geschäftlichen Seite. Denn Datenanalyse ist kein Selbstzweck, sondern dient allein der Verbesserung der Geschäftsfähigkeiten. Daten sollen das Unternehmen unterstützen, die Wettbewerbsfähigkeit zu erhöhen, Kundenbedürfnisse besser zu verstehen und neue, innovative Leistungen zu kreieren.
Daher ist es erforderlich, zunächst die geschäftliche Seite im Hinblick auf den angestrebten Nutzen zu betrachten, der mit Business Analytics geschaffen werden soll. In Anbetracht der exponentiell wachsenden Datenmengen sollte eine IT-Infrastruktur zudem in der Lage sein, mit steigenden und sich verändernden Anforderungen kontinuierlich „mitzuwachsen“. Sie darf nicht nur „statisch“ auf die momentanen geschäftlichen Erfordernisse ausgerichtet sein. Es ist die agile, datengetriebene (Entscheidungs-)Kultur, die erst die Nachfrage nach einer speziellen Datenverarbeitung schafft – nicht umgekehrt.

Das Reifegradmodell digitaler Geschäftsprozesse

Von 5 Stufen der Datenreife für die Digitalisierung von Geschäftsprozessen erreichen die meisten Unternehmen erst Stufe 2 mit Business Intelligence und dem Daten-Reporting. Erst ab Stufe 3 werden Daten als Vermögenswerte organisatorisch gemanagt, wobei auch Business-Analytics-Methoden zum Einsatz kommen. Die Mehrheit der Unternehmen bleibt derzeit hinter den technologischen Möglichkeiten zurück und riskiert damit, von Wettbewerbern mit höherem Reifegrad abgehängt zu werden.

Buch zum Thema Agile Analytics

In seinem Buch „Agile Analytics. Wie Unternehmen Daten für bessere Entscheidungen und Leistungen nutzen“ (Haufe Verlag 2023, ISBN 978-3-648-16435-8) zeigt Dirk Böckmann auf, wie Unternehmen Business Analytics mithilfe von Agilität architektonisch, prozessual und strukturell so organisieren, dass sie der Dynamik des Wettbewerbs und dem steigenden Datenvolumen gewachsen sind. Leser des Buches können beim Autor kostenlos einen Readyness-Check anfordern, um ihren Reifegrad für eine Data Driven Culture zu ermitteln.
(Link zum Buch: https://www.amazon.de/Agile-Analytics-Unternehmen-Entscheidungen-Leistungen/dp/364816435X/)

Dirk Böckmann ist Gründer und Geschäftsführer der Beat2Lead GmbH. Seit über 20 Jahren berät er Mittelständler und Global Player im Bereich des Performance Managements und der Nutzung fortgeschrittener Analytics-Technologien.

Die Beat2 Lead GmbH (Geschäftsführer: Dirk Böckmann) berät seit über 20 Jahren Mittelständler und Global Player im Bereich des Performance Managements und der Nutzung fortgeschrittener Analytics-Technologien.

Kontakt
Beat2Lead
Dirk Böckmann
Heinsbergstr.
40547 Düsseldorf
021155083247
—

Startseite

Welche IT-Architektur ist geeignet?

Dirk Böckmann, Agile Analytics (Bildquelle: @Dirk Böckmann)

Die verfügbaren Datenmengen wachsen im digitalen Zeitalter stetig. An Chat-GPT erfahren wir momentan, welche Veränderungen in kürzester Zeit in Gang kommen, sobald ein neuer Algorithmus die Welt betritt. Nachfolgend wird gezeigt, welche IT-Architektur Unternehmen für Business Analytics und den Umgang mit Big Data benötigen.

Mit Business Analytics große Datenmengen verarbeiten

Im Zuge der Digitalisierung erleben wir eine enorme Beschleunigung durch die permanente Weiterentwicklung der Technologie. Experten haben errechnet, dass sich die Datenmengen innerhalb der kommenden 3 Jahre verfünffachen werden. Mehr als 50 Prozent der Unternehmen geben zu, dass sie mit dem wachsenden Datenvolumen nicht mehr Schritt halten können. Schon heute bleiben 70 Prozent aller Daten ungenutzt.
Führungskräfte sind sich einig: Unternehmensdaten sind das wertvollste Kapital und sichern langfristig ihre Geschäftsfähigkeit. Doch sie haben vielfach keine Vorstellung, wie sie die Datennutzung technologisch organisieren, die Daten besser vernetzen und daraus einen Mehrwert für ihr Unternehmen generieren. Mit Business Analytics lassen sich deutlich mehr Daten verarbeiten als mit Business Intelligence. Zudem können durch eine erweiterte Analytics-Architektur erweiterte Analyse-Techniken zum Einsatz kommen, wodurch sich Entscheidungen verbessern und Leistungen gesteigert werden.

Eine Vorbereitung auf Big Data ist erforderlich

Big Data verlangt es, nicht nur die internen strukturierten Daten, sondern auch externe und semistrukturierte Daten (z.B. Texte aus Kundenabfragen im Web oder Mobilfunk) sowie unstrukturierte Daten (z.B. Bilder und Tonaufnahmen, die nur mittels KI ausgewertet werden können) zu verarbeiten. Darin liegt der Beginn des Wandels von Business Intelligence (BI) zu Business Analytics (BA). Wer ihn vollziehen will, braucht u.a. eine moderne und agile Daten-Architektur, die mit den neuen Herausforderungen mitwächst und sich an verändernde Bedürfnisse des Managements flexibel anpasst.

Die Grenzen des Data Warehouse

Die meisten Organisationen arbeiten bisher ausschließlich mit Data Warehouse (DWH): einer zentralen Datenbank, die alle unternehmensweit gespeicherten Daten für die Analyse bereitstellt und zur Entscheidungsfindung heranzieht. Doch das DWH ist eine statische, nur für Business Intelligence geeignete Architektur. Aufgrund des rigiden Daten-Ablageschemas wird es vielen dynamischen Anforderungen nicht gerecht. Sobald neue Datenquellen hinzukommen oder sich Geschäftsziele oder Entscheidungskriterien ändern, geraten statische IT-Architekturen an ihre Grenzen.
Versuchen Unternehmen, am DWH festzuhalten, entstehen oft Notlösungen: Mit erheblichem manuellen Aufwand werden abteilungsspezifische Lösungen aufgebaut oder aufrecht erhalten, die ohne Integration teilweise „neben“ der IT laufen und fehleranfällig, langsam und kaum verwertbar sind. Im Laufe der Zeit wächst oft die Anzahl der improvisierten Lösungen so an, dass ein „IT-Flickenteppich“ – eine gewachsene statt geplante Architektur – entsteht. Es wird „angebaut, umgebaut, eingebaut“, dennoch funktioniert das Ganze nicht optimal.

Die Flexibilisierung der Analytics-Architektur: Data Lake und Data Lakehouse

Um das Data Warehouse zu flexibilisieren, empfiehlt sich zunächst, eine bimodale IT einzuführen. Dabei kombiniert man den stabilen, auf Effizienz ausgerichteten Betrieb des DWH (Modus 1) mit einer agilen Struktur zur Bewältigung neuer datentechnischer Herausforderungen (Modus 2). In Ergänzung zum Data Warehouse wird oft ein Data Lake oder ein Data Lakehouse eingeführt. Ein Data Lake ist von vornherein auf die automatisierte Verarbeitung großer Datenmengen ausgelegt, die im Rohformat gespeichert werden und flexibel ohne manuellen Aufwand für sehr unterschiedliche Zwecke verarbeitet werden können.
Das Data Lakehouse ist eine moderne Datenarchitektur, die Elemente von Lake und Warehouse kombiniert. Das ermöglicht die zentrale Speicherung großer Mengen strukturierter und unstrukturierter Daten in einem Repository; gleichzeitig werden Funktionen wie Datenverarbeitung, Abfrageoptimierung und Zugriffskontrolle für analytische Zwecke optimiert. Im Data Lakehouse wird also eine Integration beider Welten angestrebt.
Außerdem sind in einer Analytics-Architektur spezielle Werkzeuge integriert für maschinelles Lernen (Muster-Identifikation), die Vorhersage von Trends und zur Beantwortung komplexer Optimierungsfragen. Eine analytische Architektur erlaubt es beispielsweise, durch Anwendung von Algorithmen – mit einer Eintrittswahrscheinlichkeit von 70 und mehr Prozent – Erkenntnisse darüber zu gewinnen, was zukünftig passieren wird (Predictive Analytics). So lassen sich frühzeitig angemessene und vorausschauende Entscheidungen treffen. Das ist ein wesentlicher Vorteil von Business Analytics.
Im Vergleich dazu kann man mit Business Intelligence bzw. einem Data Warehouse nur strukturierte und vergangenheitsorientierte Daten auswerten (Descriptive Analytics). Es handelt sich um ein Reporting, das nachträglich analysiert, warum und was geschehen ist.
Auf der Basis einer analytischen Architektur – der Voraussetzung für die Anwendung von Business Analytics – kann sich ein Unternehmen aus einer schlüssigen Datenwelt mit entscheidungsrelevanten Informationen versorgen lassen. Das ist der Weg zur datengetriebenen Entscheidungsfindung.

Buch zum Thema „Agile Analytics“

In seinem Buch „Agile Analytics“ (Haufe Verlag 2023, ISBN 978-3-648-16435-8) zeigt Dirk Böckmann auf, wie Unternehmen Business Analytics für bessere Entscheidungen nutzen und mithilfe von Agilität architektonisch, prozessual und strukturell so organisieren, dass sie der Dynamik des Wettbewerbs und Big Data gewachsen sind. Sie erfahren, wie Advanced Analytics mit agilen Methoden im Unternehmen implementiert und betrieben werden kann. Dadurch können sie fundiertere Entscheidungen treffen und ihre Leistungsfähigkeit spürbar steigern.

Die Beat2 Lead GmbH (Geschäftsführer: Dirk Böckmann) berät seit über 20 Jahren Mittelständler und Global Player im Bereich des Performance Managements und der Nutzung fortgeschrittener Analytics-Technologien.

Kontakt
Beat2Lead
Dirk Böckmann
Heinsbergstr. 7
40547 Düsseldorf
021155083247
—

Startseite

Agiles Vorgehen bringt bessere Softwarelösungen hervor

Agile Analytics von Dirk Böckmann (Bildquelle: @Dirk Böckmann)

Agilität macht einen Unterschied bei der Entwicklung von Business-Analytics-Lösungen. Die agile Einführung und der agile Betrieb erlauben es im Unterschied zum klassischen Vorgehen, flexibel mit wachsenden Datenvolumina umzugehen. So können automatisiert auf der Basis von Algorithmen daten- bzw. faktenbasierte Entscheidungen getroffen werden. Im Rahmen klassischer Organisationsmodelle wurde linear entwickelt, doch das macht bei Agile Analytics keinen Sinn mehr. Denn es würde an Flexibilität fehlen, veränderte Anforderungen datentechnisch abzubilden. Nachfolgend wird gezeigt, welchen Nutzen ein agiles Projektmanagement hat.

Nachteile der linearen Projektmethodik

Unternehmen sind seit Jahrzehnten an die lineare Projektentwicklung gewöhnt. Sie beginnen oft mit der Programmierung einer Software erst, wenn alle Anforderungen gesammelt und alle Funktionen festgelegt sind. Doch das hat Nachteile:
-Es können keine Änderungswünsche des Managements und der Kern-Anwender mehr integriert werden, sobald mit der Programmierung begonnen wurde.
-Das Endprodukt ist möglicherweise bereits nach der Fertigstellung suboptimal oder veraltet, weil aktuelle, disruptive oder andere Entwicklungen nicht berücksichtigt wurden.
-Fehler und Dysfunktionalitäten der Software werden viel zu spät bemerkt, oft erst nach ihrer Inbetriebnahme. Die Beseitigung kostet erneut Zeit und Geld.
Die klassische Projektmethodik, z.B. die Wasserfallmethode, ist statisch, weil die Durchführung kaskadierend nur in einer Richtung fließt: Von der Planung, über eine mehrschrittige Umsetzung bis zum Ziel werden alle Aufgaben nacheinander abgearbeitet. Das Planergebnis wird einmalig zu Anfang definiert, obwohl sich vieles erst auf dem Weg herausstellt. Während der Entwicklung fehlt die Rückkopplung, um Software-, Geschäfts- oder IT-Anforderungen neu zu bewerten oder zu verändern.
Darin mag ein wesentlicher Grund liegen, warum rund 60 bis 80 Prozent aller IT-Projekte heute scheitern, insbesondere in mittelständischen und großen Unternehmen. Sie kosten deutlich mehr als geplant oder dauern erheblich länger; sie erfüllen nicht alle Zielvorgaben oder müssen komplett gestoppt werden, wie jüngst von Lidl, wo ein 500-Millionen-Euro-Projekt zur Installation einer neuen Software nach 7 Jahren erfolglos abgebrochen werden musste. Wie kann man es besser machen?

Agiles Vorgehen bringt bessere Softwarelösungen hervor

Business-Analytics-Lösungen, die nicht agil, sondern klassisch-linear entwickelt werden, haben meist eine lange Einführungs- und eine geringe Lebensdauer. Die IT-Projektplanung und -entwicklung sollte daher nicht linear, sondern iterativ erfolgen. Dabei werden einzelne Entwicklungsphasen mehrfach durchlaufen. Dies hat mehrere Vorteile:
-Das Projektrisiko wird vermindert.
-Es besteht keine Notwendigkeit, die gesamte Anwendung und Entwicklung schon in der Planungsphase vollständig festzulegen. Denn auf Änderungen der Anforderungen lässt sich im Laufe des Projekts flexibel reagieren.
-Am Ende jeder Iteration, die einige Wochen dauert, steht bereits eine funktionierende Softwareversion als (Zwischen-)Produkt zur Verfügung. Es muss nicht erst das Ende des Projekts abgewartet werden.
Iterative Modelle eignen sich besonders für große Projekte mit Anwendungen, die neu im Unternehmen sind. Zu den bekannten agilen Vorgehens- und Projektmethoden gehören Scrum, Kanban und Extreme Programming (XP). Sie zeichnen sich durch intensive Kommunikation und frühzeitiges Nutzer-Feedback aus.

Bedenken gegen agiles Vorgehen sind grundlos

Trotz der Vorteile des agilen Vorgehens haben nicht wenige Unternehmen Bedenken, dementsprechend vorzugehen. Sie sind seit jeher an eine lineare Methodik gewöhnt – bei der Entwicklung neuer IT-Produkte ebenso wie bei Projekten anderer Art. Das Vorgehen nach einem zu Anfang festgelegten Plan folgt dem Sicherheits- und Budgetdenken: Man glaubt, ein differenzierter Plan mit einer detaillierten Aufwandsschätzung garantiere, am Ende das zu bekommen, was man „bestellt“ hat. Aber ist es wirklich das, was man braucht? Unternehmen, die Business-Analytics-Projekte in Auftrag geben, brauchen oft selbst Zeit, um ihr geschäftliches Problem im vollen Umfang zu durchdringen und zu beschreiben, was sie technisch benötigen.
Oftmals meinen Auftraggeber, beim agilen Vorgehen hätten sie nichts Verbindliches in der Hand; es sei unsicher, was am Ende des Projekts herauskomme. Das Vertrauen stellt sich oft erst ein, wenn nach jedem Iterationsschritt ein funktionsfähiges Zwischenprodukt verfügbar ist.
Ein weiterer Irrtum besteht darin zu glauben, beim agilen Vorgehen liefen Zeit und Kosten aus dem Ruder. Das Gegenteil ist der Fall: Beim traditionellen Projektmanagement sind die Funktionen des Endprodukts und z.T. die Qualität fix, Zeit und Kosten hingegen nicht. Beim agilen Vorgehen ist es umgekehrt: Fixiert werden Zeit, Qualität und Kosten, während die Funktionen des IT-Produkts variabel sind. Besteht die Gefahr, über die Deadline oder das Budget hinauszuschießen, verzichtet man auf weniger wichtige Funktionen der Software und stellt sie zurück, um sie gegebenenfalls später zu entwickeln. Auf jeden Fall entsteht am Ende ein funktionsfähiges und fehlerfreies Softwareprodukt, das die wesentlichen Anforderungen erfüllt. Ein Scheitern des IT-Projekts ist damit ausgeschlossen.

Buch zum Thema Agile Analytics

Kombiniert man agiles Denken und Handeln im Unternehmen mit Business Analytics, so wird daraus „Agile Analytics“. Mehr darüber im Buch von Dirk Böckmann: „Agile Analytics. Wie Unternehmen Daten für bessere Entscheidungen und Leistungen nutzen“ (Haufe Verlag 2023, ISBN 978-3-648-16435-8), bestellbar im Handel u.a. unter: https://www.amazon.de/Agile-Analytics-Unternehmen-Entscheidungen-Leistungen/dp/364816435X/

Die Beat2 Lead GmbH (Geschäftsführer: Dirk Böckmann) berät seit über 20 Jahren Mittelständler und Global Player im Bereich des Performance Managements und der Nutzung fortgeschrittener Analytics-Technologien.

Kontakt
Beat2Lead
Dirk Böckmann
Heinsbergstr. 7
40547 Düsseldorf
021155083247
—

Startseite

Interview mit dem Analytics-Experten Dirk Böckmann

Agile Analytics, Buch-Cover (Bildquelle: @Dirk Böckmann)

Frage: Wir befinden uns mitten in einem digitalen Wandel, der seit einigen Jahren von zahlreichen disruptiven Umbrüchen begleitet wird. Wie können Unternehmen dem begegnen?
Böckmann: In Anbetracht des schnellen technologischen Wandels und der exponentiellen Entwicklung der Datenmengen braucht es flexible, kontinuierlich verbesserte Analytics-Systeme, außerdem agile Arbeitsweisen, die für flexible Prozesse sorgen.

Frage: Was genau ist der Unterschied zwischen Business Intelligence und Business Analytics?
Böckmann: Das Herzstück von Business Intelligence ist Descriptive Analytics. Diese gibt eine Antwort auf die Frage: „Was ist passiert und aus welchen Gründen?“ Das ist der Status-quo in den meisten Unternehmen. Damit lassen sich lediglich Standardberichte, Statistiken und Reports erstellen, die vergangenheitsorientierte Daten auswerten.
Business Analytics leistet mehr, und zwar durch den Einsatz von Algorithmen, die automatisiert die Analyse umfassenderer zeitnaher Daten erlauben. Predictive Analytics legt den Fokus auf die Zukunft und fragt: „Was wird voraussichtlich passieren?“ Das hilft, flexiblere und schnellere Entscheidungen zu treffen. Prescriptive Analytics macht jederzeit korrigierbare Vorschläge für das beste Handeln und die beste Lösung in einer gegebenen Situation.
Business Intelligence ist nur ein Blick in den Rückspiegel und entspricht dem Stand der frühen 2000er-Jahre. Business Analytics hingegen ist der Blick nach vorne durch die Frontscheibe, verbunden mit dem Navi, das die beste Route zum Ziel ausrechnet und nötigenfalls unterwegs immer wieder anpasst.

Frage: In Ihrem Buch schreiben Sie, dass es auf die IT- bzw. Analytics-Architektur ankommt, wenn man Business Analytics im Unternehmen implementieren will. Welche Architektur eignet sich dafür?
Böckmann: In der Tat haben viele Unternehmen noch nicht verstanden, dass sich nicht jede Analytics-Architektur für Business Analytics eignet. Die „klassische“, statische BI-Architektur ist auf Effizienz und Zuverlässigkeit ausgerichtet, wird aber dynamischen Anforderungen nicht gerecht. Sobald neue Datenquellen hinzukommen, sich die Geschäftsziele oder Entscheidungskriterien verändern, geraten die statischen Architekturen an ihre Grenzen.
Das weit verbreitete Data Warehouse allein eignet sich nicht, um große Datenmengen – auch externe und semi- oder unstrukturierte Daten – mit Hilfe von Business Analytics auszuwerten. Unternehmen, die es dennoch versuchen, etablieren oft, ohne es zu wollen, eine „Schatten-IT“. Oder es entwickelt sich im Laufe der Zeit ein „Flickenteppich“ aus verschiedenen Daten-Insel-Lösungen, die einen hohen manuellen Betriebsaufwand erfordern.
Eine erste Stufe zur Flexibilierung wäre die Einführung einer bimodalen IT. Dabei kombiniert man den stabilen, auf Effizienz und Zuverlässigkeit ausgerichteten Betrieb existierender Systeme (Modus 1) mit agilen, innovationsgetriebenen Ansätzen zur Bewältigung neuer Herausforderungen und Chancen (Modus 2). Architektonisch wird in Ergänzung zum Data Warehouse oft ein ein Data Lake oder ein Data Lakehouse eingeführt. Eine geeignete Analytics-Architektur sollte den Entscheidungen im Kerngeschäft dienen und zur Geschäftsstrategie passen.

Frage: Welche Rolle spielt dabei die Agilität?
Böckmann: Agilität ist die Fähigkeit einer Organisation, sich selbst zu erneuern, sich wechselnden Rahmenbedingungen anzupassen, sich schnell zu verändern und in einem rapide wandelnden Umfeld erfolgreich zu agieren. Konkret meint dies zweierlei: zum einen flexible, modular aufgebaute Architekturen und Analytics-Infrastrukturen, die mit neuen Anforderungen mitwachsen und sich verändernde Bedürfnisse, wachsende Datenmengen usw. anpassen können. Zum anderen braucht es ein flexibles Vorgehen bei der Entwicklung geeigneter Software- bzw. Daten-Produkte, was ein entsprechendes Führungsverhalten erfordert.

Frage: Welche Vorteile haben Unternehmen, die auf Agile Analytics setzen?
Böckmann: Mehr und aktuellere Daten in Echtzeit zu analysieren und damit tragfähigere Entscheidungen zu treffen. Hinzu kommt, dass man Entwicklungen früher erkennt und so mehr Möglichkeiten hat, den Eintritt unerwünschter Ereignisse zu vermeiden bzw. rechtzeitig gegenzusteuern, bevor sie eintreten.
Eine hohe Bedeutung für mittelständische und große Unternehmen hat das Forecasting. Studien zufolge verbringen Führungskräfte im Controlling heute noch rund 40 Prozent ihrer Zeit mit manuellem Forecasting, ohne jedoch zu treffsicheren, d.h. soliden Werten zu kommen. Die Genauigkeit einzelner Planpositionen liegt oft um die 50 Prozent und ist nicht viel besser als ein „Blick in die Glaskugel“.
Mit Hilfe von Predictive Analytics lässt sich die Exaktheit auf 70 bis 90 Prozent erhöhen. Das automatisierte Forecasting kann man „auf Knopfdruck“ innerhalb von Minuten oder wenigen Stunden durchführen und regelmäßig, nicht nur einmal pro Jahr, aktualisieren. Unternehmen bestätigen, dass sie damit nicht nur viel Zeit einsparen, sondern sich auch die operative Steuerung deutlich verbessert.
In meinem Buch nenne ich weitere Beispiele für höhere Wettbewerbsfähigkeit, fundiertere Entscheidungen und spürbar erhöhte Leistungsfähigkeit, die Unternehmen dank Business Analytics erreicht haben.
Frage: Vielen Dank für das Interview.

Das Buch „Agile Analytics. Wie Unternehmen Daten für bessere Entscheidungen und Leistungen nutzen“ (Haufe Verlag 2023, ISBN 978-3-648-16435-8) ist im Buchhandel bestellbar (https://www.amazon.de/Agile-Analytics-Unternehmen-Entscheidungen-Leistungen/dp/364816435X/).

Dirk Böckmann ist Gründer und Geschäftsführer der Beat2Lead GmbH. Seit über 20 Jahren berät er Mittelständler und Global Player im Bereich des Performance Managements und der Nutzung fortgeschrittener Analytics-Technologien.

Die Beat2 Lead GmbH (Geschäftsführer: Dirk Böckmann) berät seit über 20 Jahren Mittelständler und Global Player im Bereich des Performance Managements und der Nutzung fortgeschrittener Analytics-Technologien.

Kontakt
Beat2Lead
Dirk Böckmann
Heinsbergstr. 7
40547 Düsseldorf
021155083247
—

Startseite