Graham Sharpe, Director Strategic Solutions bei Exasol, erläutert die fünf Level der Analytics-Reife. Er erklärt auch, warum es so wichtig ist, zu erkennen wo Ihr Unternehmen derzeit stehen, bevor Sie weitere Level durchlaufen können.
Die vergangenen 18 Monate haben unsere Wahrnehmung, wie wichtig Daten für alle Arten von Unternehmen sind, deutlich verändert. Und jetzt, da Daten als wichtige Ressource anerkannt sind, erleben wir dieselbe Entwicklung im Bereich Analytics. Und das ergibt durchaus Sinn. Wenn die Daten Antworten auf die Frage „Was geschieht?” liefern, dann beantwortet Analytics die nächste Frage: „Warum geschieht es?” Ohne Analytics können wir keine Einblicke gewinnen und keinen Nutzen generieren. Die Daten allein sind wertlos.
Im Umkehrschluss bedeutet das, dass sich Analytics von einer unterstützenden zu einer treibenden Funktion entwickelt. Und wenn dem so ist, müssen Unternehmen verstehen und definieren, welches Entwicklungsstadium ihre Daten-Analytics-Aktivitäten aktuell erreicht haben.
Definition eines Analytics-Reifegrad-Modells
Am einfachsten lässt sich der Analytics-Reifegrad als eine Maßeinheit verstehen, die angibt, wie gut ein Unternehmen seine Daten nutzt. In Unternehmen mit hohem Analytics-Reifegrad sind Daten fest im Unternehmen, in allen Entscheidungsprozessen und in allen Abteilungen verankert.
Die Roadmap zur Analytics-Reife ist so etwas wie eine allgemein gültige Norm – eine Möglichkeit, die verschiedenen Levels besser zu verstehen. Ihr liegt die Idee einer langfristigen Entwicklung zugrunde, ähnlich wie wir das von Entrepreneuren und kleinen Startups kennen. Wenn nach und nach mehr Governance, Überwachungsmöglichkeiten, Personal und Funktionalitäten hinzukommen, erreichen wir Schritt für Schritt das nächste Level. Die Level eines nach dem anderen zu durchlaufen, bringt viele Vorteile. Aber der Weg ist voller Schlaglöcher und Umleitungen. Und in vielen Fällen bringen neue Level auch neue Herausforderungen mit sich.
Welche Stufen im Analytics-Reifegrad-Modell gibt es?
Es gibt ganz unterschiedliche Darstellungen des Modells. In den meisten Fällen wird es in fünf Stufen gegliedert, die sich wie folgt beschreiben lassen:
- Level 0: Analyst auf Entrepreneur-Niveau
Auf dieser Stufe werden Daten vor allem von IT-Funktionen generiert und in Spreadsheets verarbeitet. Die daraus abgeleiteten Aussagen sind jedoch oft unzuverlässig, weil eine standardisierte und vertrauenswürdige Datengrundlage fehlt. Und die „Wahrheit”, auf deren Grundlage viele Ad-hoc-Entscheidungen getroffen werden, ist häufig sehr subjektiv. - Level 1: Kontrolle und Steuerung des Unternehmens
Hier entwickeln Unternehmensbereiche Data Marts und Dashboards auf der Grundlage statischer Daten. Problematisch sind auf dieser Stufe auf einzelne Bereiche beschränkte Datensilos, eine langsame Verbreitung von Tools und mangelnde Leistung aufgrund hoher Latenzen. - Level 2: Erste Annäherung des Unternehmens
Auf diesem Level sehen wir erste Data Warehousing-Anwendungen und Business Intelligence (BI) sowie erste Ansätze, Unternehmensdaten zentral zu verarbeiten und für Analytics zu nutzen. In diesem Stadium können die umfangreichen Anforderungen die IT-Kapazitäten überfordern. Noch immer genießen Daten keine Priorität im Unternehmen, und Defizite in der Performance erlauben allenfalls eine begrenzte Einführung geeigneter Technologien und Prozesse. - Level 3: Agilität für die Einführung
Auf diesem Level werden Daten bereits als strategisches Kapital betrachtet. Zudem werden erstmals auch die ökonomischen Vorteile von Cloud-Technologien erkannt. Daten-Pipelines mit niedriger Latenz und anspruchsvolle SLAs schaffen neue Möglichkeiten für Loading...Data Science. Allerdings fehlt noch immer eine lückenlose Governance und die IT-Kapazitäten reichen nicht aus. Loading...Künstliche Intelligenz (KI) und Loading...Machine Learning (ML) generieren allenfalls sehr begrenzten Nutzen. - Level 4: Innovationstreiber im Unternehmen
Auf der höchsten Reife-Stufe beginnen Unternehmen damit, Data Science-Anwendungen dort zu implementieren, wo ihre Daten liegen. (Bislang wurden eher die Daten zu den Anwendungen transportiert.) KI und ML mit wesentlichen Komponenten zur Steigerung der Abfrageleistung, der Concurrency und für hohe Verfügbarkeit werden jetzt für zentrale, operative Aufgaben eingesetzt. Aber damit ist man noch nicht am Ziel. Noch immer gibt es Hindernisse, die überwunden werden müssen. Beispielsweise werden KI und ML als schwer verständliche Black Box gesehen. Und die damit erzielten Resultate lassen sich schwer erklären, daher verbreitet sich die Technologie nur langsam.
Warum sollten Sie herausfinden, auf welchem Level Sie sich befinden?
Sie müssen Ihren derzeitigen Analytics-Reifegrad kennen, weil Sie eine klare Strategie für Ihre Data-Analytics benötigen. Die können Sie nicht entwickeln, wenn Sie nicht wissen und verstehen, auf welcher Stufe Sie momentan stehen. Ohne einen bekannten Startpunkt können Sie keinen Weg festlegen und nicht überprüfen, ob Sie das Ziel erreicht haben.
Ihre Daten-Analytics-Strategie sollten und werden Sie multidimensional anlegen. Eine lineare Strategie, die nur einen Weg von A nach B verfolgt, wird letztlich scheitern, weil Ihr Unternehmen in verschiedenen Unternehmensbereichen unterschiedliche Prioritäten bei der Nutzung von Daten setzen wird. Sie müssen daher an verschiedenen Fronten aktiv werden. Es wird immer Dinge wie beispielsweise mit hohen Risiken behaftete Compliance-Probleme geben, die sofort gelöst werden müssen. Daneben werden Sie schnelle Erfolge erzielen, meist mit Aufgaben, die leicht bearbeitet und erledigt werden können. (Mit solchen Erfolgen können Sie auch den Mehrwert, den Ihr Team schafft, am besten kommunizieren.) In solchen Phasen wird Ihr übergeordnetes, langfristiges strategisches Ziel – der Aufbau Ihrer wahren Kompetenzen und die Entwicklung Ihrer Analytics-Reife – in den Hintergrund treten. Aber irgendwann werden die schnellen Erfolge und Problemlösungen kein Thema mehr sein, und Sie werden 80 % Ihrer Zeit in die Arbeit für Ihre grundlegenden, strategischen Ziele investieren. Theoretisch jedenfalls …
Dennoch – es bleibt kompliziert
Hier sollten wir wohl klarstellen, dass nur in Ausnahmefällen alle Bereiche eines gesamten Unternehmens zur selben Zeit denselben Analytics-Reifegrad erreichen. Normalerweise starten verschiedene Unternehmensteile von unterschiedlichen Stufen und verfolgen unterschiedliche Ziele für die Zukunft. Vielleicht gibt sich die Personalabteilung mit punktuellen KI- und ML-Anwendungen zufrieden, während Marketing- oder Finanzabteilungen höhere Erwartungen haben.
Zudem müssen Sie verstehen, dass Ihr Weg durch die Reifegrad-Levels nicht immer gerade verlaufen wird. Manchmal müssen Sie vielleicht sogar einen oder mehrere Schritte zurückgehen, beispielsweise, wenn Sie eine neue Plattform einführen oder Anwendungen erstmals in die Cloud migrieren. Außerdem werden Sie viel Zeit für Aufgaben aufwenden, die unvermeidlich sind, Sie aber nicht wirklich voranbringen, etwa für notwendige Anpassungen an Veränderungen Ihrer Unternehmensstrategie.
Und jetzt?
Die gute Nachricht ist, dass Exasol Ihnen helfen kann, Ihr Unternehmen zu entwickeln und die einzelnen Levels zu durchlaufen – unabhängig davon, welchen Reifegrad Sie bislang erreicht haben, welche Roadmap Sie verfolgen und vor welchen Problemen Sie stehen. Mit Exasol werden Sie Ihre Ziele auf dem schnellsten und kürzesten Weg erreichen. Der Einstieg ist einfach. Exasol ist eine schnelle, flexible und bewährte Plattform und wird von einigen der weltweit ambitioniertesten Unternehmen genutzt. Die Analytics-Lösung kann On-Premises, in der Cloud oder in hybriden Umgebungen implementiert werden. Und sie kann sich an die Ziele und Vorgaben jedes Unternehmens anpassen und mit ihnen wachsen.
Natürlich wollen alle Unternehmen die höchsten Reifegrad-Levels erreichen. In den meisten Fällen fehlen ihnen aber die dafür notwendigen Tools, das Personal oder die Kultur. Zwar mögen viele Wege zum Ziel führen, nicht immer verlaufen sie aber nur geradeaus. Und sie brauchen Zeit. Für jedes neue Reifegrad-Level, das Sie erreichen, müssen Sie Ihre Daten weiter demokratisieren, mehr Menschen den Zugang ermöglichen und sie in die Lage versetzen, Daten intelligent zu nutzen.