{"id":11562,"date":"2017-09-13T12:45:17","date_gmt":"2017-09-13T10:45:17","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=11562"},"modified":"2017-09-12T08:48:56","modified_gmt":"2017-09-12T06:48:56","slug":"dos-donts-bei-big-data-analytics-nutzen-sie-ihre-daten-aber-richtig","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=11562","title":{"rendered":"Dos & Don\u2019ts bei Big Data Analytics: Nutzen Sie Ihre Daten \u2013 aber richtig!"},"content":{"rendered":"

Autor\/Redakteur: Sascha B\u00e4cker, Solution Architect bei Axians IT Solutions<\/a>\/gg<\/p>\n

Was im 19. Jahrhundert der Goldrausch war, ist in der heutigen Zeit der Datenrausch \u2013 mit nur einem Unterschied: Unternehmen haben bereits Unmengen an Daten zur Verf\u00fcgung. Jetzt geht es darum, den Rohstoff gewinnbringend auszuwerten, um Mehrwerte zu generieren. Aber welches Vorgehen f\u00fchrt zum Erfolg \u2013 und was sollte man besser vermeiden?<\/p>\n

<\/p>\n

Wie die Siedler 1848 beim Start des kalifornischen Goldrausches stehen heute auch Unternehmen unter dem enormen Wettbewerbsdruck, schneller und erfolgreicher in der Entwicklung zu sein, um gebotene Chancen bestm\u00f6glich zu nutzen. Die eigenen Prozesse m\u00fcssen optimiert und Kosten gesenkt werden. Im Gegensatz zu damals steht das wertvolle Rohmaterial den Unternehmen bereits in rauen Mengen zur Verf\u00fcgung: Daten. Big-Data-Analysen k\u00f6nnen bisher verborgene Zusammenh\u00e4nge aufdecken, indem sie verschiedene Daten in neuer Form kombinieren und vergleichen. Sie ver\u00e4ndern den Blickwinkel und erm\u00f6glichen fundierte Entscheidungen. So finden Unternehmen Antworten auf wichtige Fragen \u2013 etwa warum Kunden abwandern, wo Verbesserungsbedarf besteht oder wie man Ausschuss reduzieren kann. Die folgenden Best Practices helfen Ihnen dabei, das Beste aus Ihren Daten herauszuholen.<\/p>\n

Agiles Projektmanagement<\/strong><\/p>\n

Big-Data- und Analytics-Projekte lassen sich nicht mit starrem Wasserfallprojektmanagement durchf\u00fchren. Stattdessen ist eine agile Herangehensweise gefragt. Es bringt nichts, sich auf ein festgefahrenes Ziel zu beschr\u00e4nken. Denn manchmal f\u00fchrt ein Projekt vielleicht nicht zum anvisierten Ergebnis, liefert daf\u00fcr aber andere wichtige Erkenntnisse. Nur wer in der Lage ist, auch einmal nach rechts und links zu sehen und vielversprechende Abweichungen zu verfolgen, kann das Potenzial von Big Data Analytics voll aussch\u00f6pfen. Ein Beispiel hierf\u00fcr bietet ein Fall aus der Automobilbranche. Zielsetzung war \u201ePredictive Maintenance\u201c. Ein Thema, welches in aller Munde ist, aber durchaus mit gesunder Skepsis betrachtet werden darf. So auch in diesem Fall. Aufgrund der Kombination von Datenbasis und produktionstechnischer Anforderungen lie\u00df sich keinerlei Ansatz f\u00fcr \u201ePredictive Maintenance\u201c finden. Da aber agil vorgegangen wurde, wurden erhebliche Potenziale zur Steigerung der Qualit\u00e4tskennzahlen identifiziert. Das urspr\u00fcngliche Ziel wurde nicht erreicht, das Projekt war dennoch ein voller Erfolg.<\/p>\n

Stakeholder rechtzeitig einbinden<\/strong><\/p>\n

Ein Analytics-Projekt darf weder eine reine IT-Angelegenheit sein noch an der IT-Abteilung vorbeigehen. Denn hier handelt es sich um eine interdisziplin\u00e4re Spielart, bei der IT- und Fachabteilungen eng zusammenarbeiten m\u00fcssen. Fachbereichsleiter bringen ihre akuten Problemstellungen ein. Die IT-Abteilung wiederum kennt die technischen M\u00f6glichkeiten. F\u00fcr einen Projekterfolg ist es wichtig, alle Stakeholder rechtzeitig mit einzubinden. Das bedeutet nicht unbedingt von Anfang an \u2013 sondern sobald grundlegende Vorgehensweisen gekl\u00e4rt sind. Entscheidend ist, schnell mit dem Projekt voranzukommen und mit zeitnah erzielten, ersten Ergebnissen Interesse zu wecken.<\/p>\n

Siedler und Pioniere<\/strong><\/p>\n

In jedem Unternehmen gibt es Mitarbeiter, die das Bestehende bewahren m\u00f6chten, und andere, die sich f\u00fcr Neues begeistern. Man spricht im \u00fcbertragenen Sinne auch von Siedlern und Pionieren \u2013 und jede Gruppe hat ihre Berechtigung und positiven Eigenschaften. F\u00fcr Big-Data-Projekte braucht man jedoch eher die Pioniere. Identifizieren Sie innovationsfreudige Mitarbeiter, holen Sie sie ins Team und f\u00f6rdern Sie deren Weiterbildung. Ein spezialisierter Dienstleister kann in gemeinsamen Workshops oder ersten kleineren Projekten Wissen weitergeben, verborgene Potenziale identifizieren und bei der \u00dcberzeugungsarbeit unterst\u00fctzen.<\/p>\n

Keine Angst vor Fehlern<\/strong><\/p>\n

F\u00fcr Big-Data-Projekte braucht man Experimentierfreude. Dazu geh\u00f6rt, verschiedene statistische Modelle auszuprobieren und auch einmal Fehler zu machen. Oft wei\u00df man am Anfang nicht, welcher Weg zum Ziel f\u00fchrt. Entscheidend ist, dass man Ergebnisse zeitnah validiert, Sackgassen schnell erkennt und in der Lage ist, sofort die Richtung zu wechseln. Da mit Daten zun\u00e4chst experimentiert und nicht aktiv in die Produktion oder andere Bereiche einer Supply Chain eingegriffen wird, besteht keine Gefahr, Schaden anzurichten.<\/p>\n

Quick Wins<\/strong><\/p>\n

Sie m\u00fcssen nicht gleich zum Mond fliegen. Setzen Sie sich realistische Ziele. Daf\u00fcr sollten Sie zu Beginn pr\u00fcfen, welchen Datenbestand Sie \u00fcberhaupt zur Verf\u00fcgung haben und was damit m\u00f6glich ist. Wenn der Projektumfang zu gro\u00df ist und das Ziel zu hoch gesteckt, \u00fcbt das starken Druck auf die Projektmannschaft aus. Das frustriert und wirkt kontraproduktiv. Stattdessen empfiehlt es sich, schnell zu erreichende Erfolge zu identifizieren und sich in kleinen Schritten vorw\u00e4rtszubewegen. Gewonnene Erkenntnisse k\u00f6nnen dann skaliert werden. So erreicht man nach und nach auch weiter entfernte Ziele \u2013 und kann der Gesch\u00e4ftsf\u00fchrung gegen\u00fcber schnell erste Ergebnisse vorweisen. Zur Identifizierung der Quick Wins empfiehlt es sich, praxiserprobte Spezialisten zu konsultieren.<\/p>\n

Wirtschaftlich denken<\/strong><\/p>\n

Verrennen Sie sich nicht in dem, was technisch machbar ist, sondern achten Sie stets auf die Wirtschaftlichkeit. Wenn Sie mehrere Quick Wins zur Wahl haben, sollten Sie die priorisieren, die am besten zu einer wirtschaftlichen Verbesserung beitragen. Es mag vielleicht interessant sein, die Tonalit\u00e4t von Kunden-E-Mails in Korrelation mit Alter und Region zu setzen. Betriebswirtschaftlich spielt das aber eine sekund\u00e4re Rolle. Wichtiger w\u00e4re es zum Beispiel herauszufinden, wie man die K\u00fcndigungsrate reduzieren kann.<\/p>\n

Auf Datenschutz achten<\/strong><\/p>\n

Bei allen Big-Data-Analysen spielt Datenschutz eine entscheidende Rolle. Identifizieren Sie personenbezogene Daten und setzen Sie entsprechende Data Privacy Tools ein, um alle Datenschutzrichtlinien vollumf\u00e4nglich einzuhalten. Ab Mai 2018 gilt die neue EU-Datenschutz-Grundverordnung verbindlich f\u00fcr alle Mitgliedsstaaten und die darin aktiven Unternehmen. Dann werden Datenschutzverletzungen noch strenger geahndet und k\u00f6nnen hohe Geldstrafen nach sich ziehen.<\/p>\n

Fazit<\/strong><\/p>\n

Viele Unternehmen m\u00fcssen sich heute gegen Mitbewerber aus dem Internet zur Wehr setzen. Solche Start-ups haben den Vorteil, dass sie auf einer gr\u00fcnen Wiese anfangen k\u00f6nnen und gleich digitalisiert ins Rennen gehen. Doch auch etablierte Unternehmen haben etwas, das den Newcomern noch fehlt: Sie verf\u00fcgen \u00fcber jede Menge Kundendaten. Diesen Vorsprung gilt es zu nutzen. Werten Sie Ihre Daten aus und starten Sie ein Big-Data-Projekt. Setzen Sie sich realistische Ziele und seien Sie experimentierfreudig, ohne die Wirtschaftlichkeit aus den Augen zu verlieren. Ein spezialisierter, externer Berater kann dabei helfen.<\/p>\n","protected":false},"excerpt":{"rendered":"

Autor\/Redakteur: Sascha B\u00e4cker, Solution Architect bei Axians IT Solutions\/gg Was im 19. Jahrhundert der Goldrausch war, ist in der heutigen<\/p>\n","protected":false},"author":3,"featured_media":11565,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[750,1881],"tags":[8548,3091,9290,10147,1015,9408,3923,10148,4399],"class_list":["post-11562","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-glosse","tag-agilitaet","tag-analytics","tag-axians","tag-datenrausch","tag-datenschutz","tag-dsgvo","tag-eu","tag-predictive-maintenance","tag-projektmanagement"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/11562","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=11562"}],"version-history":[{"count":1,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/11562\/revisions"}],"predecessor-version":[{"id":11567,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/11562\/revisions\/11567"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/11565"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=11562"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=11562"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=11562"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}