Datenbasierte Entscheidungen statt Bauchgefühl

Datenbasierte Analysen können Optimierungs- und Einsparpotentiale in Unternehmen freisetzen. Nicht umsonst sind Big Data und Data Analytics im Rahmen von Digitaler Transformation und Industrie 4.0 viel diskutierte Themen. Allerdings sind in vielen Firmen die Daten da, doch die Auswertung und Nutzung der Datenmengen erfolgt nur punktuell. Die Analysen unterstützen dann zwar übliche Bauchgefühlentscheidungen, eine Revolution ist das allerdings nicht.

Die Datenbasis verbreitern

Beinahe jedes Unternehmen erfasst gewisse Daten und wertet sie aus. Üblich ist es etwa, die Kundenkaufhistorien für Marketingkampagnen oder gezielte Erweiterungsangebote zu nutzen. Doch die Ansprüche sind in den letzten Jahren gewachsen, immer häufiger konnte die IT oder der Data-Warehouse-Verantwortliche die Anforderungen der Fachabteilungen nicht mehr erfüllen. Die Folgen: Es entstanden Datensilos und Business Intelligence im Self Service. Durch beide Entwicklungen kann Data Analytics das eigentliche Potential nicht ausschöpfen – denn das Entscheidende sind nicht die Auswertungen, sondern die Datenbasis selbst und die möglichst automatisierte Anpassung der Prozesse.

Für das obige Marketingbeispiel könnte dies folgendes bedeuten: Die Datenbasis ließe sich deutlich verbreitern. Daten aus dem CRM-System könnten neben der Kaufhistorie mit Daten aus dem Beschwerdemanagement und dem Kundensupport verknüpft werden. Ebenso interessant sind die zusätzlichen Tools, die die Kunden einsetzen und eventuelle geografische Besonderheiten. Gleichzeitig lohnt ein Blick, welche Sonderangebote der Wettbewerb gerade im Programm hat und welche Zielgruppen bisher unbeachtet blieben. Soll heißen: Die Integration aller internen und ausgewählter externer Datenquellen kann eine Geschäftsentscheidung auf eine validere Basis stellen und sogar neue Geschäftspotentiale eröffnen.

Von Auswertungs-Sheets zur Prozessoptimierung

Wichtig ist dabei, nicht einfach Auswertungen über die vergrößerte Datenbasis zu fahren, sondern Modelle zu entwickeln, die die Auswertungen direkt in Prozesse umwandeln. So könnten die Fachabteilungen weniger bestimmte Daten anfordern, sondern Fragestellungen definieren. Zum Beispiel: Wie gestalten wir unsere Kampagnen zielgerichteter? Wie verbessern wir den Kundensupport? Und warum verkauft der Wettbewerber erfolgreicher? Smarte Modelle, zunehmend auf der Basis von Deep und Machine Learning liefern die Zusammenhänge und lösen dabei unternehmerisches Bauchgefühl ab. Schon heute generieren konsequent datenbasiert automatisierte Webseiten dem Nutzer die Angebote und Optionen, die nach Meinung des Algorithmus erfolgsversprechend sind. Dynamic Pricing und User Experience sind hier die Schlagworte.

Um Prozesse in dieser Art überhaupt anpassen zu können, brauchen Unternehmen Klarheit darüber, welche Daten bereits erfasst werden und wer sie zu welchem Zweck nutzt. Zudem sollten die Verantwortlichen eine übergreifende Datenstrategie definieren, die festlegt, wie künftig die Datenhaltung zentralisiert werden könnte und welche unternehmerischen Ziele durch datenbasierte Entscheidungen unterstützt würden. Denn Data Analytics ist vor allem ein organisatorisches Thema, welches sich durch interdisziplinäre Zusammenarbeit und Rückendeckung durch das Management deutlich verbessern lässt.

Die Infrastruktur: Skalierbarkeit, Performance und Verfügbarkeit

Für die Umsetzung der Datenstrategie ist überdies eine entsprechende Infrastruktur notwendig. Dank wachsender Datenmengen und steigender Ansprüche in punkto Geschwindigkeit stoßen vorhandene IT-Infrastrukturen schnell an ihre Grenzen. Selten ist die Modernisierung der gesamten Umgebung notwendig, vielmehr sollten die Verantwortlichen zunächst die Erweiterungsoptionen prüfen – idealerweise solche, die aus dem High-End-Performance-Bereich kommen und flexible Skalierung bieten.

So hat sich im analytischen Bereich die In-Memory-Datenbank-Technologie etabliert. Sie nutzt den Hauptspeicher des Servers als beschleunigenden Cache und das über mehrere Cluster-Knoten hinweg parallel. In-Memory-Datenbanken (IMDB) sind deshalb performanter als klassische Datenbanksysteme, gleichzeitig lassen sich beide gut kombinieren.

Um die Skalierbarkeit sicherzustellen, bieten sich Cloud-Optionen an. Gerade wenn es um große Datenmengen oder um die Abdeckung von Lastspitzen geht, ist die Cloud eine flexible Alternative. Allerdings müssen sich Unternehmen dann verstärkt mit Integrationsfragen auseinandersetzen – eine zusätzlich angeschaffte Datenbank sollte cloud-ready sein und insgesamt für hybride Infrastrukturen taugen.

Data Analytics praktisch umsetzen:

• Den Ist-Zustand der Datenerfassung, -haltung und -nutzung kritisch hinterfragen: Welche Daten gibt es im Unternehmen und wer hat Zugriff darauf? Wo sind Datensilos entstanden?
• Eine übergreifende Datenstrategie entwickeln: Wie können Daten künftig die Unternehmensentwicklung unterstützen? Essentiell dabei: die volle Unterstützung durch das Management.
• Datenzentralisierung: zentrale Datenhaltung mit klar definierten Zugriffsregeln.
• Prozessautomatisierung: die Datenanalysen nutzen, um Prozesse direkt und weitgehend automatisiert anzupassen.
• Infrastruktur bereitstellen: als Erweiterung möglich, mit hoher Performance und Skalierbarkeit

* Der Autor Mathias Golombek ist CTO bei der Exasol AG.

Bildquelle: Getty Images/iStock