Articles

So nutzen Sie Analytics, um eine wirklich datengesteuerte Organisation zu werden – drei Dinge, die Sie beachten sollten

So nutzen Sie Analytics, um eine wirklich datengesteuerte Organisation zu werden – drei Dinge, die Sie beachten sollten
Von Dorman Bazzell und Scott Schlesinger, Capgemini
In vielen führenden Organisationen gibt es eine neue Rolle, die sich darauf konzentriert, Daten in Informationen und Informationen in Intelligenz umzuwandeln – der Datenwissenschaftler. Es ist eine etwas zweideutige Rolle, da nicht viele Menschen verstehen, was sie tun und wie sie es tun. Dennoch ist es eine Rolle, die als bedeutend wichtig verehrt wird. Datenwissenschaftler helfen der Organisation, den Weg nach vorne zu planen, indem sie Daten nutzen und ausgefeilte statistische Algorithmen erstellen, um Probleme auf dem Weg zu umsetzbarer Intelligenz zu lösen. Dieser Job ist so gefragt, dass McKinsey schätzt, dass bis 2020 in den USA bis zu 190.000 Data Scientists benötigt werden.
Heutzutage gibt es jedoch nur sehr wenige Datenwissenschaftler und Talente, die über fundierte Kenntnisse darüber verfügen, wie Daten optimal genutzt werden können. Viele von uns sind bestrebt, diesen Trend schnell zu nutzen, um die riesigen Mengen neuer Daten zu nutzen, die in unser Unternehmen gelangen, indem sie mehr Datenpunkte als je zuvor sammeln und bewerten, um die Entscheidungsfindung zu unterstützen.
Was viele erkannt haben, ist, dass ihr Interesse weniger am Trend selbst liegt, sondern mehr an der Analyse. Dieser Eifer, angetrieben von dem Wunsch, sofort wertvolle, umsetzbare Erkenntnisse aus Daten abzuleiten, führt leider zu Ergebnissen mit geringer Auswirkung. Grundlegende Schlüsselelemente, die benötigt werden, um eine effektive Analytics-Vision wirklich zu realisieren, gehen in Eile verloren.
Durch unsere Kundeninitiativen glauben wir, dass es drei wesentliche Elemente gibt, die Führungskräfte in jeder Geschäftsfunktion übernehmen müssen, um ideale Ergebnisse durch Datenanalyse zu gewährleisten. Dazu gehört die Erstellung einer Klassifizierung, die zwischen Big Data und Analytics unterscheidet; Definition eines klaren Geschäftsanwendungsfalls; und Optimierung der vorhandenen Infrastruktur und Tools, um die Bemühungen zu unterstützen.
Big Data von Analytics trennen
Die allgemeine Idee hinter Big Data ist nicht neu. Unternehmen versuchen seit Jahren, die verfügbaren Daten zu nutzen, um den Geschäftsbetrieb und die Kundeninitiativen zu verbessern. Was heute anders ist, ist die große Menge an Datentypen und -volumen, ihre Einstiegspunkte und die Geschwindigkeit, mit der Unternehmen versuchen, diese Daten zu erfassen und zu analysieren. Was durch Eifer oft verloren geht, ist das Verständnis, dass es bei Big Data nicht nur darum geht, Datensätze zu sammeln und zu verwalten. Vielmehr muss Big Data Analytics integrieren – die Fähigkeit, Ergebnisse und Trends zu bewerten und zu identifizieren, um fundiertere, wirkungsvollere Geschäftsentscheidungen zu treffen. Um die Vorteile der Analytik nutzen zu können, benötigen Unternehmen organisatorische Strenge bei der effizienten Erfassung und Nutzung von Big Data. Zu Beginn müssen alle an einer Initiative Beteiligten das gleiche Verständnis und die gleichen Erwartungen haben.
Definieren Sie den Business Use Case
Die Big Data- und Analytics-Reise beginnt mit einem relevanten, klar definierten und gut verstandenen Business Use Case. Eine der Hauptursachen für Frustration ist jedoch, dass Sie zu früh in eine Analytics-Initiative einsteigen, ohne klar zu definieren, was das Unternehmen erreichen möchte.
Wenn Unternehmen versuchen, Daten – sei es intern, extern, strukturiert oder unstrukturiert – zu nutzen, um die betriebliche Effizienz zu steigern, die Rentabilität zu verbessern und den Marktanteil zu erhöhen, bietet Analytics die Möglichkeit, Erkenntnisse über Geschäftsbereiche zu gewinnen, die zuvor eine ferne Realität waren. Welche Erkenntnisse erhoffen Sie sich? Was möchten Sie messen? Was erhoffen Sie sich durch Analytics für Ihre Abteilung oder Ihr Unternehmen? Diese Fragen müssen beantwortet werden, bevor Sie die Reise beginnen, da Sie sonst nicht dort ankommen, wo Sie erwartet werden, und Ihre ROI-Erwartungen werden zunichte gemacht.
Organisationen müssen verstehen, warum und wo es sinnvoll ist, Big Data zu nutzen. Durch die Festlegung einer Reihe priorisierter Anwendungsfälle auf Ebene der Funktionsbereiche werden Klarheit und strategische Leitlinien für jede Initiative sichergestellt und Erfolgskriterien für die Messung der Erfolge bereitgestellt. Anwendungsfälle helfen bei der Erstellung von Geschäftsfällen, die sowohl der IT als auch dem Unternehmen einen gemeinsamen Rahmen bieten, um die ROI-Fragen zu beantworten, die von der Unternehmensführung an Investoren erwartet werden.
Zum Beispiel ist es für einen Bekleidungshändler ziemlich einfach, die Anzahl der verkauften Krawatten für Männer zu verfolgen. Aber es ist für sie weniger offensichtlich – es sei denn, sie nutzen die Konversation über soziale Daten –, warum bestimmte Bindungen so heiße Verkäufer sind. Ölunternehmen könnten Maschinensensordaten verwenden, um festzustellen, wann ein Ausblasverhinderer ausfallen könnte und was die wahrscheinliche Ursache ist.
Diese Verwendung von Daten verbessert die Sicherheit der Arbeitnehmer; vermeidung von Umweltschäden und Beseitigung potenzieller Kosten.
Bestehende Technologieinvestitionen optimieren
Viele Unternehmen, die schnell von Analysen profitieren möchten, stürzen sich in Kaufentscheidungen. Sie suchen nach der neuesten und besten Analysesoftware und -tools. Wenn sie jedoch nicht zuerst einen klaren Geschäftsanwendungsfall erstellt oder die richtigen Data Governance-Frameworks eingerichtet haben, erzielen sie wahrscheinlich von Anfang an einen niedrigen Return on Investment.
Unternehmen sollten sich zunächst ihre aktuelle IT-Infrastruktur und ihre Unternehmensplanungssysteme ansehen und nach Möglichkeiten suchen, diese mit externen Quellen wie sozialen Medien und Sensoren zu koppeln. Dies wird ihnen helfen, erste Datenerkenntnisse zu gewinnen, die wahrscheinlich eine größere Flexibilität bei der Skalierung von Analysen nachfolgender Datensätze gewährleisten, die einen breiteren Einfluss auf das Unternehmen, seine Partner und Kunden haben werden. Noch wichtiger ist, dass diese Praxis einen Weg zu effizienteren Datenoptimierungsbemühungen bietet, um Open-Source-Datentools wie Hadoop zum Speichern und Bewerten größerer Datensätze zu nutzen.
Das Erreichen von Echtzeitantworten aus Daten ist das ideale Ergebnis von Analysen. Das Handeln auf diese drei kritischen Elemente erfordert eine Wertschätzung für Geduld – sie erfordern Zeit. Der Eifer, Analysen einzusetzen und schnelle Ergebnisse zu erzielen, birgt das Risiko, auf lange Sicht mehr Schwierigkeiten als Vorteile für das Unternehmen zu schaffen. Damit Unternehmen ihre idealen Ergebnisse mit Analysen erzielen können, sind diese Blockierungs- und Bekämpfungsschritte unerlässlich. Sie brauchen zweifellos Zeit, aber ihre Kapitalrendite wird für jede Analyseinitiative von unschätzbarem Wert sein.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.