Technologie als Treiber

KMU fokussieren sich meist stark auf ihr operatives Geschäft und lassen das Thema „Data Analytics“ vorerst hintenanstehen. Dabei sammeln sie nebenher bereits unzählige Datenmengen über unterschiedliche Kanäle. Selbst wenn die Bereitschaft zur Datenarbeit vorhanden ist, fehlen strategisches und vor allem technologisches Know-how sowie die Motivation, Dateninitiativen entschieden zu fördern. Mit einer selbstbewussten Hands-on-Mentalität und Aufgeschlossenheit gegenüber neuen Technologien lassen sich Datenprojekte in vier Schritten vorantreiben.

Schritt 1: Einfach machen

Erfolgreiche Datenprojekte starten im Kleinen. „Think smart“ statt „think big“ lautet die Devise. Es reicht oft schon, eine simple Excel-Tabelle mithilfe eines Tools zu visualisieren und dann ein kleines Dashboard zu bauen. Denn dafür sind weder umfangreiche technologische Kenntnisse noch die Hilfe der IT-Abteilung nötig. Mit Microsoft Power BI oder Tableau z.B. lassen sich meist innerhalb der eigenen standardisierten Software-Umgebung kleine Datenmengen zu schnellen Ergebnissen verarbeiten. Solche Annäherungen an die Interpretation eigener Daten sind wichtig, weil sie erste Aha-Effekte auslösen und zeigen, wie Daten zu Erkenntnissen werden. Die Tools sind intuitiv nutzbar und leicht zu bedienen. Es braucht lediglich die Idee, was genau visualisiert werden soll.

Schritt 2: Daten finden, sammeln und anreichern

Der Unternehmensalltag bringt ständig neue Varianten von Daten hervor, die sich erst in der relationalen Interpretation wertschöpfend zeigen. Deshalb ist grundlegendes Wissen darüber notwendig, was genau Daten als solche kennzeichnet, wo sie anfallen und in welchen Kontext sie gesetzt werden können. Um mit diesen Daten später narrativ arbeiten zu können, müssen sie gesammelt werden. Anfangs erledigen Unternehmen dies massenhaft und ungefiltert, weil ihnen die technologischen Möglichkeiten für eine zentralisierte und strukturierte Verwaltung schlicht fehlen. Besonders flüchtige Daten, wie z.B, Maschinendaten, benötigen aber eine dauerhafte Speicherlösung. Für enorme Datenmengen eignet sich ein Data Lake, für strukturiertes Sammeln ist ein Data Warehouse sinnvoll, auch Hybridformen sind denkbar. Zukunftsorientierte Data-Management-Lösungen sind Cloud-basiert, da sie flexibel anpassbar, hoch skalierbar und kostenschonend einsetzbar sind.

Schritt 3: Daten global verfügbar machen

Damit alle diese Zusammenhänge unternehmensweit verstanden und eingesetzt werden, müssen Daten in sämtlichen Bereichen zentralisiert und leicht zugänglich gemacht werden – für alle Mitarbeiter. Dafür gehören technische Hürden beseitigt und rechtliche Probleme gelöst. Vorgaben zur Compliance müssen verstanden und jederzeit berücksichtig werden. Das alles setzt voraus, dass die inhaltlichen Fähigkeiten und Kenntnisse der Mitarbeiter geschult und aktuell gehalten werden.

Schritt 4: Zukunftssicheres Technologie-Setting

Als technologische Grundlage für die zentrale Lagerung von Daten empfehlen Analytics-Profis wie Taod Consulting den Aufbau eines Modern Data Stack. Dabei handelt es sich um ein schichtweise kombiniertes System von automatisierten Services, die Daten sammeln, kombinieren, analysieren und ihren Wert heben. Der Modern Data Stack stellt die Verbindung her zwischen Rohdaten auf der einen und Data Analytics auf der anderen Seite. Für höchste Flexibilität sorgen Cloud-basierte Tools, die aufgrund ihrer Modularität jederzeit austauschbar, erweiterbar oder erneuerbar sind. Besonders technologische Neulinge können auf umfassende, kurzfristig verfügbare und kostengünstige Data-Management-Tools zurückgreifen, die schnell eingesetzt und erlernbar sind.

Bildquelle: Getty Images / iStock / Getty Images Plus