„Die Technologie ist nur ein Teil des Puzzles“

ITD: Herr Krause, klassische Business Intelligence Software war in der Vergangenheit sehr komplex und teilweise nur von IT-Spezialisten bedienbar. Welche Vorteile bieten Self-Service-BI-Lösungen im Unternehmen?
Michael Krause: Die Pandemie hat die Digitale Transformation beschleunigt. Selbst skeptische Unternehmen haben den Schritt in die Cloud gemacht und versuchten, datengesteuert zu werden. Das Tempo des Wandels und die Anzahl der Fragen, die Geschäftsanwender mithilfe von Analysen beantworten wollen, sind beispiellos. Ein Hindernis ist aber, dass das Analysten-Team zu klein ist, um die Anfragen der Geschäftsanwender zeitnah zu bearbeiten. So sind die angeforderten Reports oft schon veraltet, wenn die Anwender sie erhalten. Der derzeitige Fachkräftemangel in Kombination mit dem wachsenden Datenvolumen zeigt, dass es nur eine Lösung für diese Situation gibt: Geschäftsanwender müssen in die Lage versetzt werden, durch Self-Service-Analysen ihre eigenen Erkenntnisse aus den Daten zu gewinnen. Ausgestattet mit Technologien wie Suche, KI oder NLP sind moderne Self-Service-Analysetools auch für nicht technische Benutzer einfach zu bedienen. Dabei gehen die Vorteile von Self-Service-Analysen über schnelle und genaue Dateneinblicke hinaus. Laut einer Umfrage der Harvard Business Review aus dem Jahr 2020 berichteten 36 Prozent der Führungskräfte von einem höheren Maß an Engagement und Zufriedenheit, wenn die Mitarbeitenden datenbasierte Entscheidungen treffen können.

ITD: Wie holen Unternehmen damit das Beste aus ihren Daten heraus? Welche Infrastruktur eignet sich hier für Cloud-Daten am besten?
Krause: Die beste Infrastruktur, um das meiste aus den Clouddaten herauszuholen, ist der „Modern Data Stack“. Mit ihm lässt sich für jedes Element der Infrastruktur einen Best-of-Breed-Ansatz entwickeln, der optimal auf die jeweiligen Geschäftsanforderungen abgestimmt ist. Der moderne Daten-Stack umfasst: Cloud-basierte Datenplattformen wie Snowflake, Amazon Redshift oder Google BigQuery, um Daten zu speichern. Datenaufnahme-Tools wie Fivetran oder Stitch, die den Prozess der Datenaufnahme aus den verschiedenen Quellen in das Cloud Data Warehouse automatisiert haben. Transformations-Tools wie dbt oder Supergrain, die die geladenen Daten transformieren. Cloud-basierte Analysetools, die sich direkt mit der Cloud-basierten Datenplattform verbinden lassen und es erlauben, Analysen direkt auf der Plattform durchzuführen. Wie bereits erwähnt, helfen Technologien wie KI, Maschinelles Lernen oder Search dabei, die wichtigsten Daten zu finden und Änderungen schnell zu erkennen. Andernfalls würden wichtige Erkenntnisse in den Datenbergen des Cloud Data Warehouse verborgen bleiben.

ITD: Warum werden offene Standards und Tools hier immer wichtiger?
Krause: In der traditionellen On-premise Softwarewelt war es aufgrund der schwierigen Integrationsanforderungen mitunter sinnvoll, sich auf einen einzigen Anbieter zu beschränken. In der SaaS-Welt fällt diese Komplexität zum Glück weg, denn hier dreht sich alles um Offenheit und APIs, sodass es viel einfacher ist, Best-of-Breed-Technologien zu integrieren und das Beste aus beiden Welten zu erhalten: maximalen Nutzen für das Unternehmen und einfache Integration. Eine der wichtigsten Eigenschaften der einzelnen Komponenten des modernen Daten-Stacks ist, dass sie kompatibel und offen sind. Das ermöglicht es Unternehmen, je nach Bedarf Technologien zu integrieren und zu nutzen.

ITD: Wie lassen sich die eigenen Mitarbeiterinnen und Mitarbeiter zu Self-Service-BI befähigen?
Krause: Technologien wie KI und Suche machen es nicht technischen Benutzern einfach, selbstständig Dateneinblicke zu gewinnen. Aber die Technologie ist nur ein Teil des Puzzles. Menschen, Prozesse und Unternehmenskultur sind andere wichtige Elemente. Zum Aufbau einer wirklich datengesteuerten Unternehmenskultur müssen die Mitarbeiter nicht nur mit Selbstbedienungs-Tools ausgestattet werden, sondern auch mit der nötigen Qualifizierung und Autorität, um auf Basis der von ihnen gewonnenen Erkenntnisse handeln zu können. Dies erfordert einen Change-Management-Ansatz und die Einführung neuer Prozesse, einschließlich unternehmensweiter Programme zur Förderung der Datenkompetenz. Diese müssen Hand in Hand gehen mit Self-Service-Analysen, damit Geschäftsanwender die Daten verstehen, interpretieren, kritisch über sie nachdenken und auf sie reagieren können.

Dies ist ein Artikel aus unserer Print-Ausgabe 7-8/2022. Bestellen Sie ein kostenfreies Probe-Abo.

ITD: Welche Rolle wird künftig das Datenteam übernehmen?
Krause: Selbst mit Self-Service-Analysen werden Datenteams eine entscheidende Rolle in datengesteuerten Unternehmen spielen. Aber anstatt Dashboards und Reports zu erstellen, werden sich ihre Aufgaben auf vier Bereiche konzentrieren. Erstens geht es um Training und Qualifizierung, also darum, den Geschäftsanwendern zu vermitteln, wie man Daten effektiv nutzt. Dazu gehört etwa die Bereitstellung von Ressourcen und Services sowie die Förderung von Datenkompetenz. Zweitens geht es um die strategische Arbeit mit Daten, also um die Zusammenarbeit mit Geschäftsanwendern bei der Frage, wie Daten zur Lösung von Problemen oder zur Erstellung von Modellen für Geschäftsfälle mit hoher Priorität genutzt werden können. Drittens gibt es weiterhin die technische Ingenieursarbeit hinter den Kulissen, die unter anderem dafür sorgt, dass die Cloud-Daten in die Produktion einfließen können. Und viertens geht es um die Transformation, in der Datenkompetenz auf neue Bereiche wie prädiktive Analysen oder maschinelles Lernen ausgeweitet wird.

Bildquelle: Thoughtspot