„Die Führungskräfte der Zukunft müssen datengetrieben denken“

Das Thema Advanced Analytics ist in aller Munde. Zahlreiche Unternehmen arbeiten auf Hochtouren an der Analytics-Integration. Susanne Zach, Director und Geschäftsführerin im Bereich Advisory Services bei Ernst & Young Management Consulting GmbH erklärt im Interview, was es braucht, um Fachbereiche und Data Scientists auf einen gemeinsamen Nenner zu bringen.

Controller Institut: Warum ist der Einsatz von Advanced Analytics für den Unternehmenserfolg entscheidend? Was ist der Benefit?

Susanne Zach: Advanced Analytics ist mehr als ein Buzzword. Es ist heute mehr als zuvor wesentlich, Daten zu verwenden, um kompetitiv am Markt zu bleiben und einen Wettbewerbsvorteil zu erzielen. In den letzten 15 Jahren sind 52 Prozent der S&P 500 Unternehmen verschwunden. Viele von Ihnen sind nicht mit der Zeit gegangen, haben sich nicht den geänderten Marktbedingungen und technologischen Möglichkeiten angepasst: Daten sind letzten Endes die Basis für digitale Geschäftsmodelle. Daten sind für den Unternehmenserfolg entscheidend, um fundierte Entscheidungen zu treffen, die außerdem Automatisierungsprozesse vorantreiben können.

CI: Wann und in welchen Bereichen lohnt sich der Einsatz von Advanced Analytics und wann nicht?

Zach: Der Einsatz von Advanced Analytics ist nicht sinnvoll, wenn man Analytics ausschließlich als „Selbstzweck“ im Unternehmen positionieren möchte. Sinn macht es, wenn es zweckgebunden ist. Zunächst sollte man sich überlegen: Welche Geschäftsziele kann ich datengetrieben erreichen? Denn Advanced Analytics ist im Grunde nur das Werkzeug, um diese Geschäftsziele zu erreichen. Ich sage immer: Unternehmen haben keine Analytics-Issues, sie haben Business-Issues, die sie mit Analytics lösen möchten.

CI: Wie sieht ein geregelter Analytics-Projekt-Ablauf aus?

Zach: Im Unternehmen muss zunächst ein Kernprozess definiert werden, der vorgibt, wie die Analytics-Integration gestaltet wird. Wir gehen diese Herausforderung in einem dreiphasigen Prozess an: Ideate, Build und Integrate. Wichtig ist, wie bereits gesagt, dass man von der Geschäftsstrategie und den -zielen ausgeht. In der Ideate-Phase werden datengetriebene Lösungen generiert, die man nach bestimmten Kriterien auf sinnvolle umsetzbare Use Cases herunterbricht. Das können beispielsweise Machbarkeit und Nutzen sein. Frühzeitig sollte ein Proof of Concept (PoC) verprobt werden, um den tatsächlichen Business-Mehrwert aufgrund der zur Verfügung stehenden Daten zu testen. Oft passiert es, dass Analytics beim PoC endet. Der nächste Schritt ist die Integration ins Business, damit man einen Mehrwert daraus ziehen kann. Denn bis zum Proof of Concept entstehen primär Kosten, der Break Even zwischen Aufwand und Mehrwert entsteht erst in der dritten, der Integrate-Phase. Existenziell dabei ist, dass der User, der am Ende das Analytics-Produkt nutzt, regelmäßig in diesen Prozess eingebunden sein muss und so lernt, diesen zu verstehen.

CI: Ein Thema, aber zwei Welten treffen aufeinander: Wie kann die Kommunikation zwischen Data Analyst und dem Management-Board funktionieren?

Zach: Ein ganz wesentlicher Punkt hierbei ist, dass die Zusammenarbeit zwischen IT, den Data Analysten und dem Fachbereich geklärt ist. Alle Beteiligten müssen eine klare Vorstellung vom Ziel der Anwendungen haben, es muss eine gemeinsame Produktvision geben. Dafür braucht es regelmäßige Abstimmungstermine. Denn die Anforderungen an den IT-Bereich während eines Analytics-Projekts haben sich verändert. Früher wurde die IT gebrieft, programmierte mehr oder weniger in der stillen Kammer und präsentierte am Ende die fertige Lösung. Um heutzutage digitale Produkte auf den Weg zu bringen, ist eine agile Arbeitsweise entscheidend, die durch eine gute Vernetzung von Data Analysts und Management unterstützt wird.

CI: Welche Skills brauchen Data Analyst? Ergänzend dazu: Welches Fachwissen braucht die Führungskraft in Zukunft?

Zach: Die Anforderungen an einen Data Analysten sind enorm – dabei kommt mir die eierlegende Wollmilchsau in den Sinn. Immerhin braucht man für eine Anwendungsentwicklung Businessanforderung, Domänenwissen, Verständnis für Daten und Data-Science-Know-how. All das, was benötig wird, findet man nicht in einer Person. Daher hat man unterschiedliche Profile entwickelt, die die unterschiedlichen Kompetenzen abdecken. Der Data Analyst braucht aber meiner Meinung nach schon ein gewisses Domänenwissen. Wichtiger ist jedoch sein technisches Know-how. Er muss die Fähigkeit haben, Daten aufzubereiten, zu modellieren und dann am Ende noch das Ergebnis richtig zu interpretieren, natürlich mit Unterstützung des Fachbereichs. Dennoch muss er wissen, welche State of the Art-Methoden es gibt und welche Algorithmen entscheidend sind. Im Gegenzug muss die Führungskraft der Zukunft immer mehr datengetrieben denken. Und sie müssen das Potenzial von Daten im Tagesgeschäft erkennen.

CI: Welche sind die üblichen Herausforderungen, denen ein Data Analyst begegnet?

Zach: Aus dem eigenen Umfeld kann ich bestätigen, dass Data Scientists mindestens 80 Prozent ihrer Zeit damit verbringen, Daten aufzubereiten, und nur 20 Prozent davon in die Datenmodellierung und die Interpretation derselben investieren können. Oft ist die Datenverfügbarkeit schlecht und die Qualität der Daten noch schlechter, sodass man sehr oft Daten anreichern muss. Und all das unter Einhaltung der Compliance-Anforderungen und des Datenschutzes. Leider fehlt es auch vielen Unternehmen an Anwendungsfällen. So kann es passieren dass der Data Scientist sich hauptsächlich mit dem Projektmanagement beschäftigt und gar nicht dazu kommt, die Daten, die vorhanden sind, zu analysieren.

CI: Welche Tools sind notwendig? Was sollte der Data Analyst beherrschen?

Zach: Das richtet sich streng nach dem Anwendungsfall. Geht es um deskriptive oder detektive Analysen reichen klassische BI-Tools, wie zum Beispiel PowerBI, Tableau oder Ähnliches. Aber auch Process-Mining-Tools sind ein gutes Vehikel, um die Prozesse besser zu verstehen. Wenn man aber tatsächlich Vorhersagen machen und auch in Richtung Künstlicher Intelligenz gehen möchte, braucht man Kenntnisse in Programmiersprachen wie R, Python oder NLP. Neben vielen anderen Faktoren, ist natürlich der Zugriff auf einen zentralen Datenpool das A und O. Die Daten müssen vorhanden und zugänglich sein. Ohne gehts nicht.

Weiterbildungstipp

Certified Business Data Scientist | Wettbewerbsvorteile mit Big Data, Advanced Analytics und Machine Learning
Wann? 16. März 2020 | Wo? Seminarhotel & Palais Strudlhof, 1090 Wien, Eingang: Strudlhofgasse 10 | Anmeldung