Читать книгу Data Science - Michael Zimmer - Страница 29

Der Einsatz von Analytics-Technologien bedeutet nicht, dass die Strukturen eines Unternehmens von Grund auf umgekrempelt werden. Es lässt sich gut klein starten. Wenn sich die ersten Erfolge eingestellt haben, wächst nicht nur das Vertrauen, sondern auch das Verständnis für die Reichweite der Möglichkeiten und so können mit der Zeit weitere Schritte in Angriff genommen werden.

Eine Standardlösung für jedes Unternehmen und jeden Anwendungsfall gibt es ohnehin nicht. Sie müssen immer an die aktuellen Gegebenheiten und Voraussetzungen wie auch die gewünschten Ziele individuell angepasst werden. Aufgabenbereiche und Ressourcen müssen gegeneinander abgewogen werden und entscheiden über die jeweilige strukturelle Arbeitsweise im Einsatz der Analytics-Technologien.

Optimale Ergebnisse liefern die implementierten Technologien, wenn zudem externe Datenquellen eingebunden werden. Sie sorgen dafür, dass die Analysen profunder und damit noch verlässlicher werden. Dies gekoppelt mit ihrer Arbeitsgeschwindigkeit in Echtzeit senkt die Kosten für Entscheidungsfindungen dauerhaft und nachhaltig.

Bei der Operationalisierung von Data-Science-Einheiten im Unternehmen lassen sich wie im Zuge der BI auch unterschiedliche Formen von virtuellen Einheiten bis hin zu zentralisierten Einheiten abbilden (vgl. Abb. 3–2; [Zimmer 2015]).

Abb. 3–2 Die unterschiedlichen Einsatzformen externer Analysten

Ein derzeit in der Praxis weitverbreiteter Ansatz, um die Organisation von Data Science im Unternehmen zu unterstützen, sind Shared Services. Dies bezeichnet die zentralisierte und gegebenenfalls sogar ausgelagerte Zusammenführung von Prozessen verschiedener Abteilungen. Der Rückgriff auf solche Kompetenzzentren ist häufig geboten, wenn für einige Funktionen die Fähigkeiten von entsprechend hochspezialisierten Analysts von mehreren Einheiten benötigt werden.

Shared Services lassen sich beispielsweise für Folgendes nutzen:

 Taktische Lösungen für effizienten Betrieb (z.B. Prozess-Analytics, FP&A-Dashboards)

 Unterstützung bei der Entscheidungsfindung durch Verarbeitung und Vernetzung der Daten verschiedener Abteilungen wie Finanzen, Personal, IT etc.

 Bereitstellung von Data as a Service durch Optimierung der IT-Infrastruktur und Verlagerungen in die Cloud

 Zielgenaue Ausrichtung der KPIs und SLAs auf handlungsorientierte Erkenntnisse

Der Umfang an Services im Umfeld der Data Science lässt sich vereinfacht in die in Tabelle 3–2 beschriebenen Kategorien Insight-, Advisory-, Enabling- und Production-Services kategorisieren:

Insight-Services (erkenntnisorientiert)
Durchführung von Analysen, um sinnvolle Ansatzpunkte aufzudecken und passende Analytics-Modelle entwickeln zu könnenAufbau von unternehmensinternen Kompetenzen für Self-Service-Reports, Dashboards und Datenanalysen	ErfolgskontrollenInnovationenDatenanalyse und neue Erkenntnisse
Advisory-Services (beratungsorientiert)
Etablierung von Standards und Richtlinien für Arbeitsbereiche, die Datenanalysen durchführenBereitstellung einer zentralen Anlaufstelle mit Analytics-Experten für komplexere Funktionen	WissensmanagementZusammenarbeitDatenmanagement
Enabling-Services (effizienzorientiert)
Definition und Priorisierung von Analytics-ProjektenTerminologiemanagement für eine teamübergreifend konsistente DatenhandhabungAufzeigen und Einführung neuer Technologien	AnforderungsmanagementService Level ManagementLösungsentwicklung
Production-Services (instandhaltungsorientiert)
Unterstützung bei Support-Anfragen der Endnutzer und Lösung auftretender Probleme (bspw. bei kritischer Datenqualität in Quellsystemen) oder Dirigieren an zuständige Abteilung	ServiceeinführungProblemmanagementZugangsmanagement

Tab. 3–2 Servicekategorien