Suchen

Expertenbeitrag

PMP Ingo Meironke

PMP Ingo Meironke

Innovation Manager bei Campana & Schott

Intelligente Vernetzung, Teil 9 Drei Schritte zu einer erfolgreichen Datenstrategie

| Autor/ Redakteur: Ingo Meironke / Marlene Mahlo

Der sinnvolle Einsatz von Daten gestaltet sich aufgrund ihrer großen Masse oft als nicht ganz einfach. Wie die Schrittweise Umsetzung von Daten zur langfristigen Ableitung von Resultaten für Geschäftsziele mit passenden Use Cases funktionieren kann.

Firmen zum Thema

Große Datenmengen erschweren Unternehmen deren strukturierten Einsatz. Es gilt, passende Uses Cases zu verwenden.
Große Datenmengen erschweren Unternehmen deren strukturierten Einsatz. Es gilt, passende Uses Cases zu verwenden.
(Bild: gemeinfrei / Pixabay)

In der fertigenden Industrie fallen heute Unmengen an Daten an. Unter dem Schlagwort Industrie 4.0 versuchen viele Unternehmen diese Daten für Trendthemen wie KI, Predictive Maintenance oder Customer Analytics zu nutzen. Diese Einsatzszenarien passen aber nicht zu jedem Unternehmen. Der Erfolg von Use Cases ist stets abhängig von Know-how, Ressourcen und Geschäftsmodell. Hier unreflektiert zu starten, kann schnell das Gegenteil bewirken. Die Lösung lautet daher: eine Datenstrategie entwickeln und umsetzen.

Unternehmen stehen heute vor zahlreichen Herausforderungen. Zum Beispiel benötigen sie Hilfe bei der Priorisierung, Planung und Umsetzung von Use Cases, etwa für Predictive Maintenance. Häufig kommt die Vorgabe vom Management, sich stärker mit den Themen Data Analytics, Datenanalysen, Künstliche Intelligenz und Machine Learning auseinanderzusetzen. In der Regel wissen die Zuständigen zwar, wie relevant die Themen sind, aber es ist ihnen unklar, welchen Einfluss die Datennutzung auf das Business haben kann. Manche möchten gerne mehr über die Themen und Anwendungsmöglichkeiten erfahren und Ideen entwickeln. Andere erkennen, dass viele unterschiedliche Daten und Ansätze im Unternehmen verstreut sind und eine Konsolidierung von Ideen und Initiativen nötig ist.

Viele Unternehmen starten dann einfach mit Daten, die ihnen vorliegen oder interessant erscheinen. Doch entscheidend ist nicht, welche Daten sie haben, sondern welche sie für einen konkreten Use Case benötigen. Ansonsten scheitert die Umsetzung häufig aufgrund schlechter Datenqualität, aber auch fehlender Skills oder Problemen bei der Implementierung und Überführung in bestehende Prozesse. Und wird das Projekt trotzdem abgeschlossen, zeigt sich oft erst im praktischen Einsatz, dass der Use Case keinen wirklich relevanten Mehrwert bietet.

Predictive Maintenance im Automobilbereich als Negativbeispiel

Telemetrie-Daten stellen die neue Datenquelle in der Automotive-Branche dar. Viele Hersteller, Zulieferer und Werkstätten überlegen derzeit, wie sie diese Informationen nutzen können. Ein auf den ersten Blick verlockender Anwendungsfall ist Predictive Maintenance, also die Voraussage, wann ein Auto defekt wird oder zu warten ist. Der Mehrwert scheint klar: Der Kunde bleibt nicht unterwegs liegen und die Werkstätten können zusätzliches Geschäft generieren.

Bei genauerem Hinsehen erscheinen jedoch die ersten Herausforderungen für die konkrete Umsetzung:

1. Die notwendigen Daten sind derzeit nur bei neuen Fahrzeugen verfügbar, die insbesondere in den ersten Jahren weniger wartungs- und reparaturanfällig sind.

2. Die Datenübertragung und Kommunikation vom Fahrzeug zum Hersteller oder zur Werkstatt erfordert die DSGVO-konforme Zustimmung von Halter oder Fahrer des Autos, hohe Datenqualität, zuverlässige Anbindung sowie einen geschützten Zugang.

Selbst wenn diese Herausforderungen gelöst werden, bleibt die Frage, ob der Mehrwert für die Werkstatt in Form von höherem Umsatz tatsächlich eintritt. Bei Firmenwagen und Fahrzeugflotten gibt es häufig feste Vertragswerkstätten mit regelmäßigen Wartungsterminen. Daher ist die Gefahr gering, dass ein Auto hier liegen bleibt. Privatpersonen mit älteren Fahrzeugen sind in der Regel preissensitiv. Und bei neueren Autos gibt es weniger Reparaturbedarf.

Positives Beispiel: Martkanalyse Automobil-Zulieferer

Allerdings muss es nicht so laufen. Um mögliche Enttäuschungen zu vermeiden, sollten Unternehmen zunächst ihre Prozesse, das Geschäftsmodell, die Strategie und den Analytics-Reifegrad bewerten. Dabei ist zu klären, über welche Fähigkeiten das Unternehmen heute schon verfügt. Es sollte aber vor allem ermittelt werden, welche Herausforderungen es gibt und welche Ziele zu erreichen sind.

In einem konkreten Beispiel stellte sich heraus, dass das Unternehmen kaum Erfahrung im Bereich Big Data gesammelt hatte und bisher lediglich an beschreibenden Reports und Visualisierungen arbeitete. In prediktiven und präskriptiven Bereichen wie KI oder Machine Learning war die Expertise bis dahin gering und das Risiko entsprechend groß. Deshalb wurden im Rahmen eines zweitägigen Workshops zunächst eine Vielzahl an Ideen generiert und daraus im nächsten Schritt sechs Use Cases identifiziert und entsprechend des Mehrwertes und der Umsetzbarkeit priorisiert. Drei der vielversprechendsten Use Cases wurden weiter ausgearbeitet.

Einer dieser Cases war eine Marktanalyse beziehungsweise die Ermittlung des Marktpotenzials. Das Unternehmen war in bestehenden Märkten erfolgreich, wollte jedoch neue Märkte erschließen. Im Workshop wurden die erforderlichen Ressourcen wie Datenquellen, Skills, Tools und Technologien sowie Partnerunternehmen erarbeitet. Im Anschluss erfolgte die Umsetzung im Rahmen eines dreimonatigen Projektes, an dessen Ende das genaue Absatzpotenzial auf Produktebene für drei Märkte ermittelt wurde. So wurde die Grundlage für eine strategische, datengetriebene Entscheidung geschaffen und konnte dem Management vorgelegt werden.

Schrittweise Entwicklung von Datenstrategien und Uses Cases

Die Ausgangssituation ist aber je nach Unternehmen sehr unterschiedlich. Daher sind Use Cases individuell und zweckgebunden zu entwickeln. Diese bilden meist den Startpunkt, um langfristig eine ganzheitliche Datenstrategie inklusive Data Governance und Management abzuleiten. Dabei sind jedoch überzogene Erwartungen aufzuklären. Zum Beispiel will die Unternehmensführung direkt eine Optimierung durch KI einführen, aber Datenqualität, IT-Strukturen und Skills der Mitarbeiter reichen dafür nicht aus. Um Risiken zu minimieren, empfiehlt sich eine schrittweise Vorgehensweise anhand konkreter Use Cases mit Hilfe der Design-Thinking-Methode.

1. Schritt: Generierung von Ideen (divergieren). In diesem ersten Schritt geht es um das Verständnis von Geschäftsmodell, Unternehmensstrategie und Analytik-Reifegrad. Teilnehmer aus verschiedenen Abteilungen und Entscheidungsebenen werden zur Herausstellung von zu erreichenden Zielen und bestehenden Herausforderungen eingebunden.

2. Schritt: Priorisierung der Ideen (konvergieren). Basierend auf den Ideen werden konkrete Anwendungsfälle identifiziert. Diese wiederum müssen im Anschluss hinsichtlich ihres Mehrwerts und ihrer Komplexität priorisiert werden. Die Anwendungsfälle können dabei auf das bereits bestehende Geschäftsmodell einzahlen oder neue mögliche Geschäftsideen entwickeln.

3. Schritt: Konkretisierung und Ausarbeitung der einzelnen Use Cases. Welche Ressourcen (Daten, Skills, Tools/Technologien, Prozesse) sind erforderlich, um die gewünschten Mehrwerte zu erreichen? Dabei ist die Daten- und Skill-Landschaft pro Use Case zu analysieren, um mögliche Defizite zu erkennen und entsprechend Abhilfe zu schaffen.

Diese Herangehensweise ist kein Hexenwerk und lässt sich mit Hilfe eines zweitägigen, gut moderierten Workshops umsetzen. Durch den Workshop werden für jedes Unternehmen datengetriebene Ansätze identifiziert, auf deren Basis es eine ganzheitliche Datenstrategie entwickeln kann.

Best Practices für den Einstieg

  • Starten Sie bei Ihren Zielen oder Herausforderungen und definieren Sie, welche Mehrwerte ein Use Case liefern soll. Erst dann sollten Sie überlegen, welche Daten und sonstige Ressourcen sowie Prozesse zur Umsetzung erforderlich sind. Nicht umgekehrt!
  • Binden Sie von Anfang an die richtigen Personen ein, welche die Tiefe und Breite Ihres Unternehmens angemessen repräsentieren.
  • Gehen Sie mit den Erwartungen richtig um. Überzogene Erwartungen sollten Sie frühzeitig relativieren, aber auch unterschätzte Möglichkeiten unterstützen.
  • Insgesamt sollten Sie eine reflektierte und allen Stakeholdern angemessene Moderation sicherstellen.

Fazit

Bei der Entwicklung datengetriebener Anwendungsfälle sollten Unternehmen immer zweckgebunden denken: Was bringt der Use Case? Wie zahlt dieser auf meine Geschäftsstrategie ein? Erst im zweiten Schritt ist die dafür notwendige Umsetzung zu planen. Dies bildet aber nur den Startpunkt eines laufenden Prozesses. So ist langfristig eine ganzheitliche Strategie inklusive Datenmanagement und -sicherheit nötig.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 46235780)

Über den Autor

PMP Ingo Meironke

PMP Ingo Meironke

Innovation Manager bei Campana & Schott