Konkrete Werte aus Daten ziehen

Ausgangslage des Unternehmens 

• Im Laufe der Jahre wurden verschiedene Systeme und Datenbanken eingerichtet und mit Transaktionsdaten des Unternehmens gefüllt
• Es liegt auf der Hand, dass aus den vorhandenen Unternehmensdaten konkrete Werte gezogen werden können, aber die zugrunde liegende Datenqualität, die Prozesse und das Wissen reichen nicht aus, um den vollen Nutzen zu realisieren
• Transparenz über digitale Transformationspotenziale wie datengetriebene Geschäftsmodelle, KI-Einsatzfähigkeit etc. muss geschaffen werden
• Datengetriebene Entscheidungsfindung wird immer wichtiger, um mit häufigen, grundlegenden Veränderungen umgehen zu können

Die Schmerzen

• Die Qualität oder Vollständigkeit der Unternehmensdaten ist unklar und muss möglicherweise verbessert werden, bevor ein zuverlässiger Wert abgeleitet werden kann
• Erste Data-Science-Projekte oder -Ziele sind zwar definiert, aber es ist nicht klar, wie groß der Aufwand und das Potenzial sind oder wie sie angegangen werden sollen
• Beim Start von Data-Science-Projekten sind nicht immer die richtigen Mitarbeiter, Systeme oder Daten vorhanden, um erfolgreich zu sein
• Es ist schwierig, Geschäftsbereiche zu identifizieren, die sowohl ein erhebliches monetäres Data-Science-Potenzial als auch eine kurz- und mittelfristige Machbarkeit aufweisen

Ansatz, die Situation wirklich zu verbessern

• Ein Team von Datenarchitekten und Unternehmensberatern zusammenstellen, gemeinsam das Geschäftsmodell und die Werttreiber verstehen
• Ein gemeinsames Verständnis der Prozess- und Systemlandschaft entwickeln und den Wertbeitrag einzelner Prozessschritte für die Strategieumsetzung ermitteln
• Fokusthemen der Data Science Readiness mit den Prozessen verknüpfen
• Bestehende und benötigte Daten abgleichen, IT-Systeme und Datenbanken sichten
• Datenqualität prüfen und Eignung zur Lösung ausgewählter Business-Probleme evaluieren
• Quick Hits beschreiben und mittelfristige Roadmap definieren

Kundenbeispiel: Erste Ergebnisse innerhalb eines Monats

• Erarbeitung eines stufenweisen Ansatzes für die Aufnahme vorhandener Daten in eine strukturierte Datenbank zur Unterstützung der künftigen Dateneingabe und des Dashboarding, wodurch die Zeit für die künftige Suche nach Informationen um > 40 % reduziert wurde
• Verknüpfung von Datenverbesserungen mit betrieblichen Verkaufszielen, was zu einer Gewinnsteigerung > 100.000 US-Dollar führte
• Nachvollziehbare Darstellung der Beziehung zwischen Geschäftszielen und benötigten Daten
• Identifizierung von Problemen im aktuellen Datenlayout und der Datenqualität
• Umriss der Datenpflegearbeiten für KMUs, um den vorhandenen Datenbestand funktionsfähig zu machen
• Förderung von Dateneigentum und einer Datenkultur, die die Erstellung unbrauchbarer Daten verhindert