Alin Kalam ist begabter Gitarrist und begeisterter Astronom. Seit vielen Jahren bewegt er sich ebenso geschickt, begeistert und erfolgreich in der Welt von Data Science und Data Driven Business. Er ist Strategic BI & Analytics Lead bei der Lufthansa Group / Austrian Airlines, Technology Evangelist, unterrichtet Studenten zu Themen wie Big Data und Data Strategy und setzt sich leidenschaftlich für den europäischen Gedanken ein. Im Vorfeld des kommenden Confare Factsheets „DATA DRIVEN BUSINESS“, das Confare in Kürze in Zusammenarbeit mit Sphinx IT Consulting veröffentlichen wird, fordert er konsequente Veränderungsbereitschaft und Schluss mit den Ausreden, wenn es darum geht mit Daten eine bessere Welt und erfolgreichere Unternehmen zu gestalten.
Mehr rund um Data Driven Business finden Sie im Confare Factsheet 2020 – Kostenlos zum Downloaden.
Wenn Sie keines unserer Factsheets verpassen wollen, abonnieren Sie unseren Confare Newsletter. Wollen Sie an unseren Publikationen oder bei den Digital Confare CIO ThinkTanks mitwirken, melden Sie sich gerne bei melanie.vacha@confare.at
Mit welchen Maßnahmen kann man die Awareness für die Möglichkeiten von Daten im Unternehmen steigern?
Ganz einfach, Daten & datengetriebene Innovationen gehören in das C-Level! Es ist mir über die Jahre rätselhaft geblieben, warum so viele CIOs & CDOs zwar theoretisch C-Level sind, aber trotzdem nicht zum Vorstand ganzer Unternehmen zählen. Entweder gibt es hier Berührungsängste oder wir machen an einer anderen Stelle etwas falsch. Deshalb ist die wahre Dezentralisierung von Daten-Innovationen in Form von holokratische Organisationsstrukturen und eine gnadenlose Datenalphabetisierung (data literacy) entscheidend.
Wir brauchen nicht nur neue Denkmuster und Organisationsstrukturen, sondern auch den nötigen Spielraum für Methoden wie „fail fast to succeed sooner“. Das geht aber sehr schwer, wenn kein Grundverständnis darüber herrscht, was Daten sind und sein können!
Daten per se sind nicht Gold oder Diamant des Digitalen Business, denn Daten alleine sind keine Informationen. Erst recht nicht wertvolle Informationen, aus denen wir Wissen generieren können. Da liegt eine ganze Welt dazwischen.
Welche Methoden haben sich bewährt, um das Unternehmen auf dem Weg ins Data Business voranzubringen?
Nicht neu, aber aktueller denn je ist die sog. Wertstromanalyse (Value Stream Mapping) von Daten. Dabei sollte man sich tatsächlich mit Themen wie Datenqualität, Prozessen, Werten und Potenzial beschäftigen, um sich eine möglichst holistische Sicht zu verschaffen. Das kann aber nur gemacht werden, wenn eine datenorientierte, strategische Ausrichtung im C-Level vorhanden ist.
So eine umfangreiche Wertstromanalyse ist jedoch keine einmalige Sache mit Standardvorgängen. Es braucht dafür eine permanente Weiterentwicklung und Anpassung auf vielen Ebenen des Unternehmens.
Da es keine Patentrezepte dafür gibt, müssen Organisationen meistens auf externe Kapazitäten (Berater etc.) zugreifen, die das Unternehmen meistens nur oberflächlich kennenlernen. Deshalb habe ich über die Jahre leider viel zu oft nur bildlich aufbereitete und kryptische Darstellungen von Wertstromanalysen gesehen, die am Ende wenig Aussagekraft haben und nicht zu konkreten Handlungen führen!
Um dabei wirklich erfolgreich zu sein, muss auf überwiegend interne Ressourcen zugegriffen werden, die im Stande sind folgendes anzugehen:
- Rücksichtnahme auf „Best Practices“ am Markt.
- Dezentralisierung von Innovation und flexible, holokratische Organisationsstruktur.
- Obwohl es etwas aus der Mode gekommen ist: unbedingt umfangreiche Business Analysen, Daten Assessments, um Daten, Projektportfolio etc. zu priorisieren und zu strukturieren.
- Wissenschaftliche Annährung dieser Themen in Kombination mit internen und externen Entitäten. Dabei sind Kooperationen mit Unis und Forschungszentren wertvoller als lediglich die Zusammenarbeit mit Beratungsfirmen.
- Zudem muss eine Organisation gewisse Rahmenbedingungen wie Data-Community, Qualitätsmanagement, Governance, angepasste Strategien & einen gewissen Innovationsdrang samt Veränderungsbereitschaft in die Waagschale werfen.
Agilität und Geschwindigkeit sind eine wichtige Voraussetzung, um in einer digitalen Welt zu bestehen. Welche Rahmenbedingungen sind dafür nötig?
Wir reden nun seit einer gefühlten Ewigkeit über Flexibilität & Agilität im operativen Innovationsumfeld. So wurden permanent Entwicklungsteams nach den Agilitätsprinzipien aufgestellt und klassische Wasserfallprojekte nur mehr danach ausgerichtet. Das kann eine gewisse Schnelligkeit ins Bild hineinbringen, sie bleibt aber unvollständig, wenn die Entscheider im klassischen „Meins-Deins-Prinzip“ denken. Datenzentrische Innovationen sind nur dann erfolgreich, wenn nicht nur die Datensilos, sondern auch die Organisationsilos überwunden werden!
Ein aktuelles Beispiel wären Pharmafirmen wie Johnson & Johnson, die längst in Agility-centric Technologien investieren und dadurch großartige Ergebnisse auf der Innovationsseite hervorbringen (Stichwort Covid-19 Impfung), weil die operativen Entitäten des Unternehmens agil arbeiten.
Auf der anderen Seite ist die Führungsstruktur in den relevanten Etagen des Unternehmens sehr klassisch nach dem „Command and Order“ Prinzip geführt. Also haben sie große Probleme die Innovation mit Machbarkeit, in dem Fall die Anpassung und ein schnelles Hochfahren der Produktion für die Impfung, zu verbinden.
Das zieht sich momentan leider quer durch alle Unternehmen. Überraschenderweise sind auch kleine Startups oder Techfirmen dabei, die sich im Bereich agiles Leadership schwertun. Vor allem, weil mit Dezentralisierungen Macht abgegeben werden muss.
Oft entsteht dadurch ein Führungs-Machtvakuum im Innovationsfeld der Unternehmen. Üblicherweise bleiben bei allen Dezentralisierungsanstrengungen offene Fragen rund um Verantwortungen, Ressourcenmanagement etc., die von Unternehmen zu Unternehmen individuell zu beantworten sind. Das ist die größte Herausforderung, aber auch gleichzeitig die größte Chance, wenn man bereit ist die Strukturen neu zu denken und Neues entstehen zu lassen.
Legacy Infrastruktur kann ein großes Hindernis auf dem Weg zum datengetriebenen Unternehmen darstellen. Welche Modernisierungsschritte sind erforderlich? Wo beginnt man am besten?
Um das omnipräsente Problem „Legacy IT“ zu umgehen, lassen sich Unternehmen im Datenbereich besonders viele Alternativen einfallen. Oft müssen auf „Quick & Dirty“ Lösungen in Architektur, ETL, Datenanalyse/AutoML Bereichen gesetzt werden, um schnelle Projektergebnisse herbeizuführen.
Daraus ergeben sich neue Herausforderungen gekoppelt mit mittel- oder gar langfristigen Auswirkungen im Innovationsumfeld. Vor allem weil Unternehmen gerne auf das große Ganze vergessen und reihenweise Investitionen tätigen, die keine Aussichten haben. Dieser Vorgang nimmt sehr viel Ressourcen und Potenzial aus den datenzentrischen Bestrebungen weg! Bspw. sind deshalb viele Datenmodelle zwar in der Theorie gut, aber können nur sehr schwer optimal in Produktion umgesetzt werden. Die größte Herausforderung im data-driven Umfeld ist aktuell das Chaos im Innovations-Ökosystem ohne jegliche Strategien, klare Ziele und ein Gespür für das große Ganze.
Die holistische Transformation scheitert zudem an großflächiger Veränderungsbereitschaft bzw. schmerzhaften Transformationsvorgängen hinsichtlich Interpretation von Projekterfolg mit internen und externen Daten. Ein gewaltiger Anteil der Projekte mit Datenfokus mündet ins Nichts, weil sich die Stakeholder, Entscheidungsträger nicht auf die Projektergebnisse/Ziele einigen können. Die technischen Hürden sind in den letzten Jahren stetig weniger geworden, aber diese Herausforderungen bleiben bestehen.
Das datengetrieben Business hat viel mit Innovation und Experimentieren zu tun. Was braucht es, um die notwendigen Freiräume und Spielwiesen dafür zu schaffen?
Die Rahmenbedingungen für Innovationen sind heutzutage fast überall gegeben. Auch die konservativsten Unternehmen haben für sich die Startup- & Innovationshubs entdeckt, weil sie sich sonst mit Veränderungen sehr schwertun. Ich schilderte bereits, dass man dabei seine Achtung vor Innovationsstrategie, Datenmanagement, Governance, Rollen etc. nicht aus den Augen verlieren sollte.
Leider scheitert es an vielen Stellen an der Art, wie man die Ergebnisse von Datenprojekten betrachtet. Hier ein Beispiel, das auch die Brücke zu den vorherigen Fragen bildet:
Die Bank X möchte eine Kundenabwanderungsanalyse durchführen und Kunden digital kontaktieren. Dabei werden interne und externe Daten analysiert, um bspw. in den Transaktionen Muster für potenzielle Abgänger zu entdecken. Es werden großflächige Analysen gemacht, Hypothesen richtig oder falsch aufgestellt und am Ende Vorhersagemodelle erstellt.
Die Erfolge und Misserfolge dieser Modelle werden nicht an einer einzigen Stelle wirksam. Es gibt die Marketing Sicht, es gibt die Sales Sicht, es gibt eine digitale und eine Retail-Betrachtungsweise etc. Wenn das Vorhersagemodell Kunden von Retail (also klassische Filialen-Besucher) auf digital ummünzt, werden die Kundenbestände und die damit verbundenen Umsätze, Honorare der Bankberater etc. weniger. Auf einmal gibt es Gewinner und Verlierer.
Wie schaffen wir es trotzdem, dass alle am selben Strang ziehen?
Wie kann es von allen Entscheidungsträgern verstanden werden, dass das Retail-Geschäft dadurch per se nicht schlechter performt?
Wie können wir die besten Beratungsleistungen aus der Filiale mit digitalen Produkten optimal verbinden, sodass das Ziel, dem Kunden zu dienen und dabei Geschäfte zu machen, optimal erreicht wird?
Der Aberglaube, dass sich diese Herausforderungen von alleine in Luft auflösen, wird nicht lange halten. Dazu müssen Organisationen aufhören ständig die Standardsprüche zu klopfen und endlich ins Tun kommen. Die Krise war hoffentlich für viele Motivation genug!
Daten gewinnen an Wert, wenn man sie vernetzt betrachtet. Welchen Stellenwert haben Data-Ecosystems für Sie? Mit welchen Maßnahmen kann man solche Ecosysteme aufbauen?
Die holokratische Betrachtung- und Führungsweise muss keine Anarchie bedeuten. Es bedeutet nicht, dass jeder im Unternehmen frei mit Daten jonglieren kann und sollte!
Diese Veränderung ist sicherlich nicht die Antwort auf alle Fragen dieser Welt und es gibt auch Unternehmen, die besser die Finger davon lassen sollten – nur um das klarzustellen!
Ich bleibe aber dabei: Der Erfolg von datenzentrischen Innovationen setzt eine gewisse holokratische Komponente voraus, insbesondere in Bezug auf die Datenverfügbarkeit. Ein Lösungsansatz wäre die sognannte „Demokratisierung“ der Daten. Gemeint ist damit, dass alle definierten Business- und IT-Rollen, (IT SPOC, Data Steward, Data Owner, Data Analyst, Data Scientist/Engineer etc.) laut Governance Richtlinien mindestens einige Lesezugriffe auf einen Datenkatalog haben MÜSSEN (natürlich unter Beachtung der DSGVO und kritischer Daten).
Auf dieser sauberen Basis kann man, so wie üblich in einer Demokratie, die weiteren Schreibzugriffe etc. aufbauen. Dann müsste auch dafür Sorge getragen werden, dass im C-Level das Thema ankommt. Das beginnt bei Excel und PDF Reports, messbaren Kennzahlen, sauberer Datenstruktur und BI Dashboards. Das Ganze beginnt zu wachsen und es entsteht optimalerweise ein Kreislauf der evolutionären Weiterentwickelung und Verbesserung.
