Erfolgsfaktoren von Big Data Projekten
Wie können Wertschöpfungspotenziale von Big Data erfolgreich gehoben werden?
Mittels Big Data Technologien lassen sich bestehende Geschäftsprozesse optimieren beziehungsweise erweitern sowie neue Geschäftsfelder erschließen. Einige Unternehmen haben diese Wertschöpfungspotenziale erkannt und bereits Big Data Initiativen gestartet und erste Lernkurven durchlaufen. Mittels einer Befragung von zehn Experten wurden fünf zentrale Erfolgsfaktoren von Big Data Projekten identifiziert. Dieser Beitrag gibt insbesondere Unternehmen, die sich neu mit dem Thema Big Data beschäftigen, nützliche Tipps und Handlungsempfehlungen.
Unter dem Begriff Big Data werden insbesondere neue Lösungstechnologien und Verfahren verstanden, die es ermöglichen, komplexe Daten effizient zu verarbeiten. Insbesondere ab Mitte der 2000er Jahre rückte der Begriff in den Mittelpunkt der wissenschaftlichen und praktischen Diskussion, da sich mittels Big Data Technologien neue, innovative Anwendungsfälle realisieren lassen.
Abbildung 1: Typische Anwendungsfälle für Big Data Technologien, Quelle: Friedrich-Alexander-Universität Erlangen-Nürnberg.
So können unter anderem bestehende Geschäftsprozesse hinsichtlich des Ressourceneinsatzes optimiert werden, indem beispielsweise die Effizienz der Datenverarbeitung gesteigert wird beziehungsweise bisher ungenutzte Datenquellen zur Unterstützung von Prozessen genutzt werden. Neben der Optimierung bestehender Prozesse können etablierte Geschäftsfelder erweitert sowie neue Geschäftsfelder erschlossen werden, indem Daten zum Beispiel zur Realisierung von datenbasierten Services genutzt werden.
In einer qualitativen Studie wurden zehn Projektleiter hinsichtlich Erfolgsfaktoren von Big Data Projekten befragt. Hierbei lassen sich fünf zentrale Erfolgsfaktoren ableiten:
1. Laboransatz und iteratives Vorgehensmodell
Ein präzise definierter Anwendungsfall mit klarer Fragestellung ist zentral für den Erfolg von Big Data Projekten. Allerdings ist es in den meisten Fällen in der ersten Projektphase nicht möglich, einen klassischen Business Case zu rechnen beziehungsweise den Nutzen zu quantifizieren. Es empfiehlt sich daher einen Laboransatz zu wählen und den Anwendungsfall iterativ zu entwickeln. Zunächst sollten daher mit den Fachabteilungen potenzielle Ideen gesammelt und anhand eines Prototyps die Machbarkeit des Vorhabens gezeigt werden. Hierfür reicht oftmals eine relativ kleine Anwendungsumgebung aus. Nach erfolgreichem Machbarkeitsnachweis sollte der Anwendungsfall und der Prototyp sukzessive erweitert werden, beispielsweise indem weitere Datenquellen in die Analyse miteinbezogen werden. Durch das iterative Vorgehensmodell können mit einem relativ kleinen Investitionsvolumen und geringen Risiken erste Erfolge erzielt werden.
2. Interdisziplinäre Teams
Das Thema Big Data sollte keinesfalls als reines IT-Thema betrachtet werden. Vielmehr ist eine enge Zusammenarbeit von IT und Fachabteilungen erforderlich, um Wertschöpfungspotenziale zu identifizieren und zu erschließen. Hierbei ist es wichtig, möglichst interdisziplinäre Teams mit Kompetenzen aus den Bereichen Mathematik, Statistik, Informatik sowie BWL zusammenzustellen. Idealerweise sollten innerhalb der Organisation Data Scientists ausgebildet werden, also Personen, die sowohl ein mathematisch-technisches als auch ein betriebswirtschaftliches Verständnis besitzen sowie über hinreichende Geschäftskenntnisse verfügen.
3. Fokus auf Quick Wins (kleine Projekte, bekannte Probleme)
Unternehmen, die noch keine Big Data Projekte initiiert haben, sollten sich auf kleine Projekte fokussieren, die in relativ kurzer Zeit einen messbaren Erfolg bringen. Oftmals lassen sich in Optimierungsprojekten am schnellsten solche Quick Wins erzielen, da die Problemstellung bekannt und der Komplexitätsgrad beherrschbar ist. Haben sich erste Projekterfolge eingestellt, so ist es innerhalb der Organisation leichter für das Thema Big Data zu werben und weitere Big Data Projekte zu initiieren.
4. Managementunterstützung
Das Thema Big Data sollte insbesondere aufgrund der strategischen Relevanz von oberster Unternehmensführung getragen und unterstützt werden. Oftmals ist es sinnvoll einen Sponsor beziehungsweise Champion in der Organisation für das Thema Big Data zu gewinnen, der das Thema unterstützt und vorantreibt. Um etwaige Ressentiments gegenüber Big Data in der Organisation zu überwinden, sollten zunächst kleinere Pilotprojekte gestartet werden, um schnell erste Erfolge vorzuweisen.
5. Datengetriebene Unternehmenskultur
Um mit Big Data nachhaltige Erfolge zu erzielen ist es erforderlich in der Organisation eine Unternehmenskultur zu etablieren, die Big Data beziehungsweise analytischen Themen offen gegenübersteht. Hierzu zählt unter anderem, dass in der Organisation datengestützte Erkenntnisse in operative Entscheidungsprozesse einfließen und neue Denkmuster zugelassen werden. Unternehmen, die strategische sowie operative Entscheidungen weitestgehend ohne Datenanalysen treffen, haben es schwer die Wertschöpfungspotenziale von Big Data zu heben. Pionierunternehmen auf dem Gebiet Big Data beziehungsweise Data Analytics, wie zum Beispiel Google, Amazon, Yahoo oder OTTO haben früh erkannt, dass Daten einen positiven Wertschöpfungsbeitrag leisten können. In all diesen Unternehmen ist in der Unternehmenskultur eine Offenheit gegenüber Analytics verankert, ohne die es nicht möglich gewesen wäre, datenzentrierte Geschäftsmodelle zu entwickeln.
Autoren: Patrick Cato, Friedrich-Alexander-Universität Erlangen-Nürnberg / Philipp Gölzer, Friedrich-Alexander-Universität Erlangen-Nürnberg / Simon Brumm, Hewlett-Packard
Kontakt: Patrick Cato, wissenschaftlicher Mitarbeiter, Institut für Wirtschaftsinformatik, Friedrich-Alexander-Universität Erlangen-Nürnberg, patrick.cato@fau.de
- keine Angebote auf Ihrem Merkzettel