Analytics Strategie & Data Culture
Was macht eine gute Datenstrategie aus?
Data Culture
Die letzten Monate und Jahre habe ich mit verschiedenen Kunden diskutiert, wie sich der Wunsch nach mehr BI-Self-Service im Alltag umsetzen lässt. Die CubeServ hat als eine Voraussetzung vorgeschlagen, die Business-Analytics-Platform zu etablieren. Hierdurch werden die Daten technologieübergreifend verwendbar.
Können unsere Anwender produktiv mit den Daten arbeiten, wenn wir ihnen einfach einen Zugriff gewähren? Vermutlich nicht. Für unser Ziel, gute Entscheidungen faktenbasiert zu treffen, reicht der Schritt nicht.
Was macht eine gute Datenstrategie aus? Es gibt insbesondere fünf Dimensionen, die ganzheitlich in der Strategie zu berücksichtigen sind:
- Daten: Die Daten sind relevant, qualitativ hochwertig und die verschiedenen Bestände sind integriert.
- Unternehmen: Wie wird Analytics organisiert, damit eine weite Verbreitung ermöglicht wird?
- Führung/Inspiration: Passt die Datenstrategie zur gelebten Firmenkultur? Werden Fakten und saubere Datenaufbereitung für die Entscheidungen im Unternehmen herangezogen und eingefordert? Wie Gary Loveman, COO Harrah’s, es häufig ausdrückt: „Glauben wir, dass es wahr ist? Oder wissen wir es?“
- den (messbaren) Zielen (für Analytics)
- sowie der Unterstützung für Controller, Data Scientists und (Gelegenheits-) Anwendern (also allen Analysten).
Mit dem Data Mesh–Konzept von Zhamak Dehghani ist ein (in meinen Augen) revolutionärer Ansatz einer dezentralen Datenarchitektur entwickelt worden. Für Data Mesh – dem Aufbau eines Datennetzes etabliert Frau Dehghani vier Prinzipien:
- Domain Ownership
- Data as a Product
- Self-Service Data Platform
- Federated Governance.
Das Konzept wurde 2019 erstmals vorgestellt und hat sich seitdem sehr schnell verbreitet. Zum Beispiel bei Zalando, das unter anderem auf die Data Warehouse Cloud mit dem Spacekonzept setzt, um Data Mesh zu verwirklichen.
Die einfache Prämisse der Datenvernetzung besteht darin, dass Geschäftsbereiche in der Lage sein sollten, ihre eigenen Datenprodukte zu definieren, darauf zuzugreifen und sie zu kontrollieren.
Der Gedanke dahinter ist, dass die Beteiligten in einem bestimmten Bereich ihre Datenbedürfnisse besser verstehen als alle anderen. Wenn Geschäftsleute gezwungen sind, mit Dateningenieuren oder Datenwissenschaftlern ausserhalb ihres Bereichs zusammenzuarbeiten, ist die Bereitstellung der richtigen Daten für die richtigen Datenkonsumenten zur richtigen Zeit zeitaufwändig, oft fehleranfällig und letztlich ineffektiv.
Wenn die Ausprägung der Daten als Datenprodukte in der jeweiligen Domäne (Fachbereich) erfolgt, ist dann das zentrale Analytics-Team überflüssig? Wohl nicht! Das Framework, eine solche Datenvernetzung effektiv und effizient zu gestalten, ist eine echte Herausforderung. Die Datengrundlage kann nur automatisiert und standardisiert bereitgestellt werden. Berechtigungen, die den Schutz der persönlichen Daten sowie der Betriebsgeheimnisse sicherstellen, ein aussagekräftiges Datenmodell, ein Data-Katalog sowie ein Data-Marketplace bleiben grosse Herausforderungen. Auch wenn die Verantwortung für die Datenprodukte in den jeweiligen Domänen liegt, sollte das Analytics-Team Coachings für analytische Methoden und die verschiedenen Standard-Analytics-Anwendungen geben.
Die Ausprägung einer angemessenen Datenstrategie kann nur individuell erfolgen. Gerne unterstützen wir Sie, die Richtige für Ihr Unternehmen zu finden und die Umsetzung zu planen.
Sie haben die Wahl:
Nutzen Sie unser Expertenwissen zur Analytics Strategie
Ihr Ansprechpartner: