Warum Advanced-Analytics-Projekte (nicht) erfolgreich sind – Status quo in der DACH-Region
Überblick
- Warum investieren Unternehmen überhaupt in Advanced Analytics?
- Von Businessanforderungen zu Talentorganisation
- Die Datenarchitektur der Zukunft
Als Reaktion auf den Digitalisierungsschub durch Corona hat sich das Thema Advanced Analytics und vor allem das dahinter liegende Potenzial für Unternehmen stark herumgesprochen, und dies zu Recht! Denn durch automatische oder halbautomatische Datenanalyse und bearbeitung, die über die traditionelle Business Intelligence hinausgehen, können entscheidende Erkenntnisse aus vorhandenen oder generierten Daten gewonnen, Vorhersagen getroffen und Empfehlungen erstellt werden. Die Möglichkeiten von Advanced Analytics scheinen immer mehr Aufmerksamkeit zu erwecken, und auch österreichische Unternehmen zeigen starkes Interesse, ihr Digitalisierungspotenzial mit Advanced Analytics auszuschöpfen und sie zum Erhalt oder Ausbau ihrer Marktpositionierung zu nutzen.
Advanced-Analytics-Studie 2021 – Chancen und Herausforderungen
Das Bewusstsein für den erheblichen Mehrwert durch Advanced Analytics scheint also vorhanden zu sein, doch wie sieht es in der Umsetzung aus?
Dies beantwortet die Advanced-Analytics-Studie, die im Sommer 2021 von EY gemeinsam mit der WU Wien und dem Controller Institut ausgeführt wurde. Im Rahmen der Studie wurde eine Umfrage unter insgesamt 509 Unternehmensvertreter:innen aus Österreich, Deutschland und der Schweiz zum Status quo der Advanced Analytics in KMU und Großunternehmen durchgeführt.
Die Studie umfasst Themengebiete wie die Wahrnehmung des Status quo von Advanced-Analytics-Projekten, deren Management und Organisation sowie die Herausforderungen und die Motivation, in Advanced-Analytics-Projekte zu investieren. Durch die gewählten Themengebiete verfolgt die Studie das Ziel, einen Einblick in den aktuellen Status von Advanced-Analytics-Projekten zu ermöglichen, Herausforderungen zu dokumentieren und potenzielle Lösungen für die erfolgreiche Implementierung darzustellen.
Die Ergebnisse der Studie zeichnen ein klares Bild: Während sich mehr als 60 Prozent der Befragten branchenübergreifend einig sind, dass Advanced Analytics ein enormes Potenzial für ihre gesamte Wertschöpfungskette bietet, erweist sich der aktuelle Reifegrad als deutlich ausbaufähig: Nicht einmal jedes fünfte Unternehmen hat bereits fortschrittliche Analyseprojekte umgesetzt, und nur 12 Prozent nutzen das Potenzial von Advanced Analytics.
Knapp ein Viertel der Betriebe setzt derzeit gar keine Projekte mithilfe von Advanced Analytics um und etwa jedes zweite Unternehmen ist sich nur weniger Projekte bewusst und arbeitet konkret an einem bis maximal fünf Advanced-Analytics-Projekten.
Betrachtet man die Umsetzung der Advanced-Analytics-Projekte nach Branchen, zeigt sich, dass der Technologie-Sektor mit durchschnittlich fast 36 Advanced-Analytics-Projekten die Speerspitze bildet. Darauf folgen die Konsumgüterindustrie, die Mobilitäts- und die Energiebranche mit höchstens acht bis neun laufenden Projekten. Weitere Branchen folgen nur noch mit großem Abstand und haben zum Teil gar keine Berührungspunkte mit Advanced-Analytics-Projekten.
Warum investieren Unternehmen überhaupt in Advanced Analytics?
Die Entscheidung von Unternehmen, in Advanced Analytics zu investieren, wird von sehr unterschiedlichen Faktoren beeinflusst:
Laut den Unternehmensvertreter:innen hat mit je 48 Prozent das Potenzial, die Kosten zu senken und die Produktivität zu steigern, den größten Einfluss, um in Advanced Analytics zu investieren. Die Möglichkeit, neue Kund:innen und Aufträge zu gewinnen, bewerten vier von zehn Betrieben als essenziell. Ein Drittel der Unternehmen beruft sich vor allem auf das Potenzial der Datenanalysetools, Risiken zu reduzieren.
Von Businessanforderungen zu Talentorganisation – wie meistert man die größten Herausforderungen?
Stellt man das Bewusstsein für den Bedarf an Advanced-Analytics-Projekten der tatsächlichen Umsetzung solcher Projekte gegenüber, wird deutlich, dass die Hemmschwelle noch groß ist. Doch wie kommt es zu dieser deutlichen Diskrepanz? Die Advanced-Analytics-Studie belegt: Der Wille der Unternehmen, Advanced-Analytics-Projekte umzusetzen, wird von Herausforderungen und Sorgen gedämpft. Viele Hindernisse treten schon lange vor der tatsächlichen Entwicklung von Advanced-Analytics-Lösungen auf – als größtes Hindernis zur Umsetzung gaben die Befragten mit 35 Prozent den Mangel an adäquaten Ressourcen an. Besonders personelle Problematiken wie zum Beispiel der Fachkräftemangel im Datenanalysebereich wurden von fast der Hälfte der Unternehmensvertreter:innen (49 Prozent) genannt, was die erschwerte Situation am Arbeitsmarkt widerspiegelt. Über ein Drittel der Befragten hat aufgrund des Fachkräftemangels Probleme, Data-Analytics-Expert:innen zu finden und im Unternehmen zu halten.
Doch nicht nur das Rekrutieren von Talenten und das Halten vorhandener Expert:innen erweisen sich bei der Entwicklung von Advanced-Analytics-Lösungen als besondere Herausforderung; aus der Befragung ging hervor, dass auch weitere Business-Anforderungen in den Unternehmen oftmals nicht gegeben sind. Mit 31 Prozent nannten die Befragten primär den Mangel an ordentlich konstruierten Business Cases für Advanced Analytics als große Herausforderung, die direkt an das nächste Hindernis anknüpft: 29 Prozent der Befragten gaben an, dass das Wissen und das Verständnis für die Möglichkeiten und Limitierungen von Advanced Analytics fehlen – und somit das Know-how, um einen guten Business Case und die Einsatzmöglichkeiten von Advanced Analytics zur Optimierung der Geschäftsprozesse zu konstruieren.
23 Prozent der Befragten gaben an, dass die firmeninternen Prozesse nicht dafür geeignet sind, um Profit aus Advanced Analytics ziehen zu können, und 21 Prozent erwähnten auch den Widerstand der Nutzer:innen gegenüber neuen Systemen. Ob Wissens-, Organisations- oder Zusammenarbeitsthemen, es wird deutlich: Der Bedarf an Verbesserung und Klarheit ist groß.
Um diese Kombination an Hindernissen abfangen und den Erfolg von Advanced-Analytics-Projekten gewährleisten zu können, empfiehlt es sich, eine allgemeine Daten- und Analytics-Strategie zu definieren. Mithilfe eines Rahmenwerks wie des EY Data Driven Enterprise Framework ist es möglich, besondere Herausforderungen von Advanced-Analytics-Projekten zielgerichtet zu meistern. Das EY Data Driven Enterprise Framework beinhaltet eine umfassende Vision, die darlegt, wie Daten, Informationen, Technologien und Ressourcen zur Erreichung der Geschäftsziele eingesetzt werden. Es bietet die Basis für eine nachhaltige Datenstrategie, die auch hilft, die aktuellen Datenfähigkeiten zu erfassen und Potenziale für die Zukunft auszuschöpfen.
Zu dieser Strategie gehört auch die Etablierung eines angepassten Operating and Governance Model. Eine transparent definierte Data Governance ist für die volle Übersicht und Kontrolle über Daten, Prozesse und Rollen unerlässlich. Nicht zuletzt fängt solch ein Betriebsmodell auch Problematiken der Projektressourcen auf: Die Verteilung und vor allem Verfügbarkeit von personellen Ressourcen kann nicht nur besser dargestellt, sondern auch definiert werden und bewahrt bestehende Talente vor unnötig limitierenden Faktoren, die ohne sorgfältige Governance auftreten können.
Klarheit über zentrale und lokale Verantwortung kann aufgezeigt werden, Rollenbilder werden mit Verantwortlichkeiten und Aufgaben verteilt und abgegrenzt und ermöglichen damit eine erhöhte Reaktionsfähigkeit und verbesserte Zusammenarbeit.
Besonders während der Anfangsphase der Advanced-Analytics-Projekte muss eine Analytics Community geschaffen und aktiv gestaltet werden, um den Grundstein für spätere Phasen zu legen und für weitere mögliche Elemente wie zum Beispiel ein Center of Excellence (CoE) strategisch vorzubereiten. Der Nutzen dieser Community erstreckt sich weit über Zusammenarbeitsthemen; es wird nicht nur eine gleiche Sicht auf Analytics-Projekte, Ziele, Rollen und Funktionen ermöglicht, sondern es werden auch Talente gezielter eingesetzt, wodurch mögliche Use Cases beispielsweise durch crossfunktionale Zusammenarbeit generiert werden können.
Durch geteiltes Know-how und die Demokratisierung dieses Wissens kann der Zugang zu Technologien und Informationen vereinfacht und internes Recruitment ermöglicht werden – Synergiepotenziale erhöhen sich und etwaiger Mehraufwand oder Dopplung von Lizenzierungen und Zugängen können verhindert werden.
Datenschutz als Showstopper?
Ein weiteres Problemgebiet der Befragten ist der Datenschutz. 22 Prozent gaben an, erhebliche Bedenken bezüglich des Datenschutzes und der Datenschutzvorkehrungen bei der Entwicklung von Advanced-Analytics-Lösungen zu haben.
Kombiniert man die teils komplexe Regularienlandschaft mit der Unerfahrenheit und Unsicherheit vieler Unternehmen im Bereich Datenschutz, entstehen reale Herausforderungen. Diese betreffen Advanced-Analytics-Projekte besonders stark, da darin mit großen Datensets operiert wird und viele Standards eingehalten werden müssen. In der Praxis sind die Verfügbarkeit und die Nutzbarkeit der benötigten Daten in ihrer Reinform aufgrund regulatorischer Bestimmungen wie z. B. der Datenschutz-Grundverordnung (DSGVO) oft stark reglementiert.
Die aus den regulatorischen Rahmenbedingungen resultierenden Beschränkungen im Zusammenhang mit der Datennutzung sind nachvollziehbar, können aber das Trainieren der Modelle in KI-Systemen erschweren oder gar verhindern. Dabei können hierbei einerseits Techniken zur datenschutzkonformen Nutzung großer Datensets und andererseits Rahmenwerke wie z. B. das EY Trust in AI Framework Abhilfe schaffen.
Es ist sinnvoll, den Einsatz folgender Techniken (sogenannter Data Privacy Preserving ML Techniques) für sich zu prüfen:
Die Techniken besitzen jeweils unterschiedliche Reifegrade und müssen je nach Anwendungsfall bewertet werden.
Dazu gehört die Anonymisierung, die personenbezogene oder identifizierende Daten verdeckt, ersetzt oder zusammenfasst, sodass natürliche Personen gar nicht oder nur unter unverhältnismäßig großem Aufwand zugeordnet werden können.
Auch die Synthetisierung (künstliche Herstellung hochrepräsentativer Daten, abgeleitet aus Echtdaten) ist eine Option – hierbei wird eine Logik entwickelt, die die Originaldaten so gut wie möglich nachbildet. Es werden neue, „synthetische“ repräsentative Daten generiert, mit ähnlichen statistischen Eigenschaften wie Originaldaten. Das Federated Machine Learning ermöglicht es mehreren Organisationen oder Organisationseinheiten, bei der Entwicklung von Modellen zusammenzuarbeiten, ohne sensible Daten untereinander austauschen zu müssen. Ohne Federated ML werden Modelle zentral erstellt, wobei eine Nutzung von Daten aus unterschiedlichen Entitäten (z. B. Abteilungen) zentral erfolgen muss. Dies wird oft im Hinblick auf den Datenschutz und anderen Rechtsgrundlagen als bedenklich bewertet (z. B. statistisches Abschottungsgebot). Durch Federated ML nutzen bzw. trainieren dezentrale Entitäten ein zentral erstelltes Modell lokal mit ihren Daten. So müssen keine potenziell sensiblen Daten an eine zentrale Entität geschickt werden. Die zentrale Entität konsolidiert die Ergebnisse der einzelnen dezentralen Modelle in ein optimiertes Modell.
Das Encrypted Machine Learning, zu Deutsch „verschlüsseltes maschinelles Lernen“, ermöglicht es, KI-Systeme zu trainieren und zu betreiben, ohne die benutzten Daten im Klartext vorliegen zu haben. Hier werden die erforderlichen Daten (z. B. nur personenbezogene Daten) vom/von der Besitzer:in in verschlüsselter Form an das KI-System übergeben. Auf Grundlage dieser verschlüsselten Daten kann anschließend das entsprechende Modell entwickelt und trainiert werden. Die Resultate des Modells können anschließend vom/von der Besitzer:in passend zu seinem/ihrem Anwendungsfall entschlüsselt werden. Folglich muss der/die Verarbeiter:in der Daten deren Inhalt nicht kennen, um sie zu verarbeiten. Lediglich der/die Besitzer:in der Daten hat Zugriff auf die unverschlüsselten Daten bzw. ist in der Lage, die Daten und Resultate zu entschlüsseln.
Um Vertrauen in Advanced Analytics zu schaffen, wird empfohlen, Methoden für Risikomanagement und organisatorische Richtlinien einzuführen, unser EY Trusted AI Framework bietet hier mit rund 120 Kontrollen zur Minimierung der Risiken entlang des gesamten Entwicklungsprozesses von KI-Lösungen – von der Lösungsspezifikation über Datenbeschaffung und Training des Algorithmus bis hin zum konkreten Produktivbetrieb – eine effiziente Orientierungshilfe. Die Kontrollschritte sind abgestimmt mit den internationalen Standards und Frameworks wie zum Beispiel den EU Ethics Guidelines for Trustworthy AI. Ziel des EY Trusted AI Framework ist es, Risiken in jeder Phase zu berücksichtigen und Ethikleitlinien mit Kernprinzipien zuverlässig zu befolgen.
Die Datenarchitektur der Zukunft
Auch die Datenarchitektur spielt für den Erfolg von Advanced Analytics eine zentrale Rolle. Während eine sauber aufgebaute technische Infrastruktur für IT-Projekte unerlässlich ist, sehen 20 Prozent der Befragten die eigene technische Infrastruktur als kritische Herausforderung an und indizieren darüber hinaus, dass auch die eigenen Geschäftsprozesse nicht flexibel genug sind.
Der Digitalisierungswandel hat gezeigt, dass eine geordnete, fundierte Datenarchitektur für die Zukunft unabdingbar ist – die Masse der Daten steigt, der potenzielle Mehrwert dieser Daten wird immer deutlicher, aber nicht alle Unternehmen haben ein solides Grundgerüst für ihre Daten etabliert.
Advanced Analytics – holpriger Start, vielversprechender Ausblick
Deutlich wird, dass die Jahre des „Ausprobierens“ von Advanced Analytics und künstlicher Intelligenz vorbei sind und die Unternehmen festgestellt haben, dass die Qualität der Daten oft noch nicht ausreicht, um einen Mehrwert aus ihnen ziehen zu können. Die Praxis demonstriert, dass mehr Strategie in die Verwendung von Daten im Unternehmen einfließen und ein organisatorischer, prozessualer und technologischer Rahmen geschaffen werden muss. Für Unternehmen bedeutet das konkret: Ärmel hochkrempeln und sich dringend in die Thematik vertiefen; drei von zehn Unternehmen haben noch keinen Business Case für Advanced Analytics entwickelt und ein ebenso großer Teil gibt an, die Möglichkeiten und auch Grenzen dieser Technologien noch nicht zu verstehen. Hier gilt es, rasch tätig zu werden, um den Anschluss nicht zu verlieren.
Positiv ist zu sehen, dass das Management das Zukunftspotenzial von Advanced Analytics zu erkennen scheint und auch treibt – immerhin 35 Prozent der bereits bestehenden Datenanalyseprojekte wurden von der Führungsebene initiiert, 32 Prozent von funktionellen Abteilungen wie IT oder Forschung
Susanne Zach |Leitung Data Analytics, Österreich
Von Businessanforderungen zu Talentorganisation – wie meistert man die größten Herausforderungen?
Stellt man das Bewusstsein für den Bedarf an Advanced-Analytics-Projekten der tatsächlichen Umsetzung solcher Projekte gegenüber, wird deutlich, dass die Hemmschwelle noch groß ist. Doch wie kommt es zu dieser deutlichen Diskrepanz? Die Advanced-Analytics-Studie belegt: Der Wille der Unternehmen, Advanced-Analytics-Projekte umzusetzen, wird von Herausforderungen und Sorgen gedämpft. Viele Hindernisse treten schon lange vor der tatsächlichen Entwicklung von Advanced-Analytics-Lösungen auf – als größtes Hindernis zur Umsetzung gaben die Befragten mit 35 Prozent den Mangel an adäquaten Ressourcen an. Besonders personelle Problematiken wie zum Beispiel der Fachkräftemangel im Datenanalysebereich wurden von fast der Hälfte der Unternehmensvertreter:innen (49 Prozent) genannt, was die erschwerte Situation am Arbeitsmarkt widerspiegelt. Über ein Drittel der Befragten hat aufgrund des Fachkräftemangels Probleme, Data-Analytics-Expert:innen zu finden und im Unternehmen zu halten.
Doch nicht nur das Rekrutieren von Talenten und das Halten vorhandener Expert:innen erweisen sich bei der Entwicklung von Advanced-Analytics-Lösungen als besondere Herausforderung; aus der Befragung ging hervor, dass auch weitere Business-Anforderungen in den Unternehmen oftmals nicht gegeben sind. Mit 31 Prozent nannten die Befragten primär den Mangel an ordentlich konstruierten Business Cases für Advanced Analytics als große Herausforderung, die direkt an das nächste Hindernis anknüpft: 29 Prozent der Befragten gaben an, dass das Wissen und das Verständnis für die Möglichkeiten und Limitierungen von Advanced Analytics fehlen – und somit das Know-how, um einen guten Business Case und die Einsatzmöglichkeiten von Advanced Analytics zur Optimierung der Geschäftsprozesse zu konstruieren.
23 Prozent der Befragten gaben an, dass die firmeninternen Prozesse nicht dafür geeignet sind, um Profit aus Advanced Analytics ziehen zu können, und 21 Prozent erwähnten auch den Widerstand der Nutzer:innen gegenüber neuen Systemen. Ob Wissens-, Organisations- oder Zusammenarbeitsthemen, es wird deutlich: Der Bedarf an Verbesserung und Klarheit ist groß.
Wie genau die aktuellen Herausforderungen und die Zukunft unserer Unternehmen aussehen und ob sie den Aufsprung auf den Advanced-Analytics-Zug schaffen können, wurde bei einer Expertenrunde in unserem Webcast gemeinsam mit der Wirtschaftsuniversität Wien und Datenverantwortlichen der Firma Zeiss, von Hutchison Drei und Energie Steiermark diskutiert.
Fazit
Deutlich wird, dass die Jahre des „Ausprobierens“ von Advanced Analytics und künstlicher Intelligenz vorbei sind und die Unternehmen festgestellt haben, dass die Qualität der Daten oft noch nicht ausreicht, um einen Mehrwert aus ihnen ziehen zu können.
Dein Kommentar
An Diskussion beteiligen?Hinterlassen Sie uns Ihren Kommentar!