Obwohl die Problematik von Datensilos in der IT und im Datenmanagement gut bekannt ist, scheint es, dass viele Unternehmen bei der Einführung von Augmented Analytics, also KI- & ML-gestützten Analytics- & Forecast-Lösungen, erneut denselben Fehler begehen:
Wie eine von Qlik und IDC durchgeführte Studie zeigt, kommt in 80% der Fälle Augmented Analytics nur insular und nicht abteilungsübergreifend im gesamten Unternehmen zum Einsatz.
Warum ist das so? Der Trend zum Silo hat vor allem drei Gründe, die BI-Pionieren nur zu gut bekannt sein dürften:
- Gatekeepers: Mit Blick auf die Datensicherheit ist Gatekeeping durchaus sinnvoll: Je weniger Leute Zugriff haben, desto geringer die Gefahr von Datenlecks. Allerdings beschränkt dies auch die Chancen der von den Daten ‘abgeschnittenen’ Geschäftsbereiche. Hier gilt es die Bedürfnisse der IT und der Geschäftsbereiche besser zu koordinieren!
- schwierig anzubindende Datenquellen: Bei bestimmten Systemen ist die Extraktion der benötigten Daten besonders schwierig – und schon kleinste Fehler können die Datenqualität erheblich einschränken. Ein klassisches Beispiel sind ERP-Systeme wie SAP, die es anderen Geschäftsbereichen – bspw. dem Vertrieb – unmöglich machen, die gewünschten Informationen in intelligente Analytics- & Forecast-Lösungen einzubinden.
- mangelnde Datenkompetenz: Eine ältere Studie von Qlik und Accenture zeigte, dass nur 18 % aller Mitarbeiter weltweit angaben, dass alle Kollegen über die nötigen Fähigkeiten verfügten, um Daten zu lesen und zu analysieren, mit ihnen zu arbeiten und zu argumentieren. Diese Datenkompetenz ist jedoch die Grundvoraussetzung, um die Erkenntnisse aus intelligenten Business-Lösungen kompetent zu interpretieren und zu hinterfragen.
Doch glücklicherweise wächst das Problembewusstsein: 42 % der befragten Führungskräfte betrachteten die Demokratisierung von Augmented Analytics als entscheidenden Erfolgsfaktor bei Data-Analytics-Projekten.
Ausgehend von dieser Erkenntnis können die neuen Silos aufgebrochen werden, um der gesamten Organisation das Potential dieser Technologie zugänglich zu machen:
- Self-Service ermöglichen: 61 % der Führungskräfte nennen das Auffinden relevanter Datenquellen als eine ihrer grössten Herausforderungen. Dies zeigt, wie wichtig ein durchsuchbarer Datenkatalog ist! Im Vergleich zu statischer Datenspeicherung bieten SaaS-Plattformen hier viele Vorteile bzgl. Usability, Governance & Zugangsrechten.
- Datenintegration in Echtzeit: Viele wertvolle Daten lagern in ERP- & CRM-Systemen und werden aufgrund der aufwändigen ETL-Prozesse nur periodisch abgefragt. Um zeitnah entscheidungsrelevante Erkenntnisse zu gewinnen, braucht es automatisierte Datenpipelines, die mittels ELT & Change Data Capture (CDC) Echtzeit-Zugriff ermöglichen.
- intuitive Plattformen: Nicht jeder Mitarbeiter ist ein Data Scientist, daher sollten Augmented-Analytics-Plattformen möglichst ‚zugänglich‘ gestaltet sein und Nutzer bei der Erlangung handlungsrelevanter Erkenntnisse unterstützen. Wichtigste Stichworte sind hier Conversational Analytics & Natural Language Processing (NLP).
- Qualifizierung der Mitarbeiter: Die Umfragewerte zeigen, dass immer mehr Unternehmen die Notwendigkeit erkennen, die Datenkompetenz ihrer Mitarbeiter durch Fort- & Weiterbildungsmassnahmen zu fördern, um den Erfolg bestehender und geplanter Augmented-Analytics-Projekte zu ermöglichen.
Die Demokratisierung von Augmented Analytics ist eine grosse Herausforderung – die erfolgreiche Bewältigung dieser Aufgabe befördert nicht nur den Erfolg aktueller Analytics-Projekte, sondern legt auch langfristig die Grundlage für neue, noch lukrativere Active Intelligence im Unternehmen.
