Beiträge

Business Intelligence Organisationen

Geschäftsführer und Vorstände von Unternehmen stellen sich häufig die Frage, wie Business Intelligence-Abteilungen eingerichtet werden sollten und wie sie mit anderen Abteilungen interagieren und zusammenarbeiten können.

Da gibt es leider kein Patentrezept, aber jedes Unternehmen muss für sich die richtige Organisation finden. Bevor wir über die Möglichkeiten der Organisation von Business Intelligence (BI) sprechen können, müssen wir die Rollen von Team-Mitgliedern innerhalb einer BI-Abteilung klar definieren:

  • Der Data Engineer (auch Database Developer) verwendet Datenbanken, um strukturierte, semistrukturierte und unstrukturierte Daten zu speichern. Er ist für die Datenbereinigung, Datenverfügbarkeit, Datenmodelle und auch für die Datenbankperformance verantwortlich. Darüber hinaus verfügt ein guter Data Engineer über mindestens Grundkenntnisse in Bezug auf Datensicherheit und Datenschutz. Ein Data Engineer verwendet SQL und NoSQL-Technologien.
  • Der Data Analyst (auch BI Analyst oder BI Consultant) verwendet die vom Data Engineer gelieferten Daten zum Erstellen oder Anpassen von Datenmodellen und zum Implementieren der Geschäftslogik in diesen Datenmodellen und BI-Dashboards. Er oder sie muss die Bedürfnisse des Unternehmens verstehen. Dieser Job erfordert gute Kommunikations- und Beratungsfähigkeiten sowie gute Entwicklungsfähigkeiten in den Bereichen SQL und BI-Tools wie MS Power BI, Tableau oder Qlik.
  • Der Business Analyst (auch Business Data Analyst) ist eine Person aus jeder Unternehmensabteilung, die über Grundkenntnisse verfügt Datenanalyse. Er oder sie verfügt über gute Kenntnisse in MS Excel und zumindest Grundkenntnisse in Datenanalyse und BI-Tools. Ein Business Analyst erstellt keine Datenmodelle in Datenbanken, sondern verwendet vorhandene Datenmodelle zum Erstellen von Dashboards oder zum Anpassen vorhandener BI-Applikationen. Gute Business Analysten verfügen über SQL-Kenntnisse, als kleinster gemeinsamer Nenner für den Umgang mit Daten.
  • Ein Data Scientist ist ein Datenanalytiker mit erweiterten Fähigkeiten im Bereich Statistik und maschinelles Lernen. Er oder sie kann sehr spezifische Werkzeuge und Analysemethoden verwenden, um Muster in unbekannten oder großen Daten zu finden (Data Mining) oder Ereignisse basierend auf einem Muster, das unter Verwendung historisierter Daten berechnet wurde, vorherzusagen (Predictive Analytics). Datenwissenschaftler arbeiten hauptsächlich mit Python- oder R-Programmierung.

1. Organisationstyp – zentralisierter Ansatz (Data Lab)

Die erste Art der sinnvollen Organisation von Business Intelligence im Unternehmen ist der sogenannte Data Lab Ansatz. Diese Organisationsform ist einfach zu verwalten, da sie fokussiert ist und daher hinsichtlich der Budgetierung einfach zu planen ist. Die Datenlieferung erfolgt zentral durch Experten und deren Methoden- und Technologiewissen. Folglich sind hier die Qualitätserwartungen der Datenlieferung und -analyse sowie des gesamten Entwicklungsprozesses am höchsten. Auch die Data Governance ist einfach und die Verantwortlichkeiten klar einstellbar. Nicht zu unterschätzen ist der Aspekt der Personal-Akquise, da neue Mitarbeiter und qualifizierte Bewerber gerne in ein zentrales Expertenteam eintreten.

Diese Organisationsform setzt jedoch voraus, dass das Unternehmen über das passende Mindset verfügt, insbesondere in der Business Intelligence Abteilung selbst. Eine zentralisierte BI-Abteilung fungiert als Shared Service. Dementsprechend wird kundenorientiertes Denken zur Voraussetzung für den Erfolg des Unternehmens – und in diesem Kontext sind die anderen Abteilungen die Kunden der BI-Abteilung, die Zugang zu den Kapazitäten dieser zentralisierten Datenexperten benötigen. Kommunikationsgrenzen müssen überwunden werden und es müssen Wege für eine einfache und effektive Kommunikation gefunden werden.

2. Organisationstyp – Stakeholder-Fokus

Andere Unternehmen möchten mehr Verantwortung für Data Governance, insbesondere für Datennutzung und Analyse, auf die Abteilungen übertragen, in denen Daten gerade jetzt eine Schlüsselrolle spielen. Eine zentrale Business Intelligence-Abteilung verwaltet eigene Projekte, die für das gesamte Unternehmen von Bedeutung sind. Die Fachabteilungen, die einen besonderen Bedarf an Datenanalysen haben, verfügen über eigene Datenexperten, die kritische Projekte für die Fachabteilung durchführen. Die zentrale Business Intelligence-Abteilung sorgt nicht nur für die technische Bereitstellung von Daten, sondern auch durch methodische Beratung. Obwohl die Hauptverantwortung bei der BI-Abteilung liegt, sind einige andere datenorientierte Abteilungen zumindest mitverantwortlich. Der Vorteil liegt auf der Hand: Es gibt spezielle Datenexperten, die tiefer in den jeweiligen Abteilungen arbeiten und sich mit ihnen stärker verbunden fühlen. Der technisch-geschäftliche Fokus liegt auf den aktuellen Schwerpunkten oder Painpoints des Unternehmens, das kann bei manchen Unternehmen die Controlling/Finanz-Abteilung sein, bei anderen Unternehmen vielleicht die Marketing-Abteilung oder auch die Abteilung für Produktion oder Logistik.

Diese Form der Organisierung von Verantwortung und fachliche Zugehörigkeit hat jedoch auch entscheidende Nachteile: Die Gefahr, Insellösungen zu entwickeln, die in bestimmten Bereichen so besonders sind, dass sie nicht unternehmensweit funktionieren werden. Normalerweise muss sich das Unternehmen mit dem asymmetrischen Wachstum des Know-Hows der Datenanalyse befassen. Die Verwaltung der Datenbanken und der sonstigen IT-Infrastruktur ist komplexer und die Rekrutierung wird schwieriger, da die Business-Intelligence-Abteilung geschwächt und kleiner wird und Datenexperten für andere Abteilungen einen stärkeren Geschäftsfokus benötigen, da sie suchen nach spezialisierteren Profilen suchen werden.

3. Organisationstyp – Dezentralisierter Ansatz

Einige Unternehmen lehnen Shared Services weitgehend ab und möchten die Datenkompetenz auf die Abteilungen verteilen und die Verantwortung dezentralisieren. Die Business Intelligence Abteilung hat in dieser Form nur Data Engineers, die das Data Warehouse oder den Data Lake einrichten und warten, aus dem sich die Fachabteilungen kontrolliert bedienen dürfen. Bei diesem Ansatz stellt die zentrale Abteilung also nur Daten zur Verfügung, die in allen anderen Abteilungen für die jeweiligen Anwendungen verwendet und analysiert werden. Der Vorteil liegt in der persönlichen Verantwortung der jeweiligen Abteilungen, da die „Pain Points“ des Unternehmens im Fokus stehen, in dem Glauben, dass Geschäftsabteilungen ihre Probleme und Lösungen besser kennen als jede andere Abteilung. Hochspezialisierte Datenexperten können Kollegen ihrer eigenen Fachabteilung auf Grund ihrer hohen Integration und Zugehörigkeit zu der jeweiligen Fachabteilung besser verstehen und sich für die Interessen deren Mitarbeiter einsetzen. Auch ist nur eine reduzierte Shared-Service-Denkweise erforderlich, denn abgesehen von der Datenbereitstellung, die über das zentrale Data Engineering erfolgt, arbeiten die Fachabteilungen in ihren Analysen autonom.

Natürlich hat diese Organisationsform klare Nachteile, da viele Insellösungen unvermeidbar sind und der Entwicklungsprozess jeder datengetriebenen Lösung – da nicht zentral gesteuert und abgestimmt – generell eher ineffizient abläuft. Diese Insellösungen funktionieren möglicherweise für Ihre eigene Abteilung, nicht jedoch für das gesamte Unternehmen. Es gibt keine einzige Quelle der Wahrheit. Ferner ist der Rekrutierungsprozess schwieriger, da dafür spezialisiertere Datenexperten mit mehr noch spezifischerem betriebswirtschaftlichen Hintergrund dringend erforderlich sind.

Anders als beim zentralen Organisationsansatz, bei dem das Know-How gebündelt wird und sich diese gebündelten Kräfte gegenseitig verstärken können, müssen beim dezentralisierten Ansatz mit einem asymmetrischen Wachstum des Daten-Know-Hows und einer schwierigeren Data Governance gerechnet werden.

Datenstrategie – Von Rohdaten zur umsetzbaren Datennutzung

Big Data spielt bereits heute in nahezu allen Branchen eine entscheidende Rolle und ist ein elementarer Ergebnisfaktor geworden. Dennoch verfügen nur wenige Unternehmen über eine ausgereifte Datenstrategie, um daraus datengetriebene Geschäftsmodelle und Ertragsfelder zu erschließen, schlankere Prozesse oder einfach nur eine neue Form von Datentransparenz zu erreichen. Viele Manager verfallen hierbei in unkontrollierten Aktionismus. Die Folge: Ohne Datenstrategie würde man den Erfolg der eingeleiteten Maßnahmen einfach dem Zufall überlassen. Es gilt somit, den richtigen Datenkurs zu bestimmen und die besten Anwendungen konkret zu identifizieren, um den Anschluss im Wettbewerb nicht zu verlieren. Eine klare und durchdachte Strategie liefert eindeutige Antworten auf datenbezogene Fragen, u.a.

  • Wo verfügen wir über nutzbare Daten und wie können wir die Datenlücke schließen?
  • Welche werthaltigen Datenprodukte können wir daraus generieren?
  • Wie können wir mit Big Data unser bestehendes Geschäft messbar verbessern?
  • Welche Daten-Projekte macht unser Wettbewerb?
  • Welches datengetriebene Geschäftsmodell passt zu uns?
  • Was sind die daraus resultierenden Chancen und Risiken?
  • Wie setzen wir es am besten um?
  • Welchen Return on Investment können wir erwarten?
  • Welche Methoden, Technologien und Ressourcen werden benötigt?

DATANOMIQ liefert die Fakten zu diesen Fragestellungen und bringt als Spezialist im Data Science Markt beste Voraussetzungen mit, um Datenstrategien zu entwickeln, die echte Werte schaffen. Darüber hinaus verfügen wir als Gründer des deutschen Digitalisierung- und Vernetzungs-Verbandes Connected Industry e.V. einen einzigartigen Einblick in die Datenstrategien führender Unternehmen und greifbare Erfahrungen. Klassischen Beratungen fehlt dafür zumeist das notwendige Big Data Know-How, so dass es oftmals bei einem nicht umsetzbaren Strategiepapier bleibt. IT-Beratungen und Softwarefirmen mangelt es demgegenüber am funktionellen Verständnis. Damit werden häufig IT-Lösungen ohne geschäftlichen Nutzen implementiert.

Erfahren Sie hier – mit nur einem Klick – mehr über die Vorgehensweise unserer Datenstrategie-Entwicklung für Ihr Unternehmen.

Über DATANOMIQ

DATANOMIQ ist der herstellerunabhängige Lösungs- und Service-Partner für Business Analytics, Data Science und Industrie 4.0. Wir erschließen die gewaltigen Ergebnispotenziale durch Big Data erstmalig in allen Bereichen der Wertschöpfungskette – maßgeschneidert für Ihre Anforderungen. Dabei setzen wir auf die besten Köpfe und das umfassendste Methoden- und Technologieportfolio in unserer Branche.

Kontakt

DATANOMIQ GmbH
Leipziger Straße 96-98
D-10117 Berlin
Tel: +49 (0) 30 20653828
I: www.datanomiq.de
E: info@datanomiq.de

 

Data Leader Workshop

Big Data ist bereits heute für eine Vielzahl von Unternehmen unverzichtbar geworden. Dennoch wird lediglich ein Bruchteil der Möglichkeiten genutzt, um daraus datengetriebene Geschäftsmodelle, schlankere Prozesse oder einfach nur eine neue Form von Datentransparenz zu erreichen. Es gilt, den richtigen Datenkurs zu bestimmen und die besten Anwendungen konkret zu identifizieren. Klassischen Beratungen fehlt dafür das notwendige Big Data Know-How. Oftmals bleibt es bei einem nicht umsetzbaren Strategiepapier. IT-Beratungen und Softwarefirmen mangelt es demgegenüber am funktionellen Verständnis. Damit werden häufig IT-Lösungen ohne geschäftlichen Nutzen implementiert.

DATANOMIQ ist im Spannungsfeld zwischen Business und operativer Datenebene tätig und verbindet ausgeprägtes Verständnis für Data Science mit der Professionalität klassischer Unternehmensberatungen. Um das Thema Big Data individuell für Ihr Unternehmen anzugehen, haben wir ein innovatives Workshop-Format entwickelt, das ohne Umwege zum Ziel führt:

Data Leader Mindset – Einführung in Data Driven Thinking

Über eine Kombination aus Kurz-Vorträgen und interaktiven Reflektionsrunden mit Ihnen bzw. Ihren Mitarbeitern erfahren Sie:

  • Welche Use Cases in Ihrem Marktumfeld umgesetzt werden bzw. wettbewerbsrelevant sind,
  • welche Anwendungsfälle höchste Priorität für Ihr Unternehmen haben,
  • wie der Umsetzungsfahrplan und Funktionsbauplan konkret aussehen,
  • welche Wertbeiträge dabei realisiert werden,
  • wie ein erster Prototyp entwickelt wird.

Zudem erhalten die Teilnehmer einen fundierten Einblick in die Methoden und Arbeitspraktiken des Design Thinkings und erleben dabei das Gestalten von Innovationsräumen, sowie das Anwenden eines nutzerorientierten Gestaltungsprozesses. Die konzeptionelle Expertise aus einer Vielzahl von Big Data-Projekten, der Zugang zur Spitze der deutschen Digitalwirtschaft und unsere originären Kompetenzfelder rund um Data Science, Data Engineering und Themen wie Datensicherheit und Datenschutz machen DATANOMIQ dabei zum ersten Ansprechpartner.

Zu unseren Seminaren und Workshops kommen Sie hier: DATANOMIQ Seminare & Workshops für Kaufleute und Techniker