2018: 50 Prozent der Verstöße gegen Geschäftsregeln resultieren aus dem Missbrauch von Big Data

Foto: Dannon Loveland

Big Data birgt laut Gartner vor allem 2 Risiken: zu scheitern und gegen ethische Unternehmensregeln zu verstoßen. Dabei scheiterten Big Data Projekte an technischen oder analytischen Unzulänglichkeiten, sondern weil sie keinen Business-Nutzen liefern. Die Analysten geben deshalb fünf Best-Practice-Tipps mit denen sich die Erfolgschance verbessern lässt.

„Obwohl Big Data und Advanced Analytics Projekte viele ähnliche Hürden aufweise wie andere Projekte auch, werden die Risiken durch das Volumen und die Verschiedenheit der Daten oder durch die geforderte Qualität der Datenanalyse betont“, erklärte Gartner Research Director Alexander Linden. Dabei scheiterten Big Data Projekte an technischen oder analytischen Unzulänglichkeiten, sondern weil sie keinen Business-Nutzen liefern, so Linden weiter.

Gartner hält deshalb 5 Tipps parat, mit denen sich die Erfolgsaussichten verbessern können.

1. Analytik mit Geschäftsergebnissen verbinden

Analysen müssen Business-Verantwortlich in die Lage versetzen, zu entscheiden. Seine Aktionen sollten eine messbare Auswirkung haben – direkt oder indirekt.  Analyse-Ergebnisse mit nachvollziehbaren Business-Resultaten zu verbinden, in dem ein formaler Vorteils-Management-und Mapping-Prozess benutzt wird, kann Analytic-Teams helfen, die Aufwände zu rechtfertigen.

2. Vorsichtig in Advanced Analytics investieren

Viele Unternehmen glauben, dass Big Data automatisch Investitionen in Advanced Analytics nach sich ziehe. Dabei erfordern weder Volumen, Verschiedenheit noch geforderte Verarbeitungsgeschwindigkeit ( volume, variety velocity) Advance Analytics. Einzig und allein die Komplexität der Fragestellung treibe den Bedarf an Tools für Advanced Analytics Tools. Wer also keine Rocket Science betreibt, für den reichen oft die vorhandenen Tools aus.

3. Investitionen in Analytics sind nur sinnvoll, wenn die Organsiation die Ergebnisse nutzt

Analysen helfen nur, wenn Organisationen bereit sind, Veränderungen anzunehmen.  Deshalb ist es sinnvoll,Investitionen in Analytics  gegen die Fähigkeit des Unternehmens auszubalancieren, Analyseergebnisse auch zu nutzen. Deshalb sind Analytics nicht der passendste Ansatz wenn:

• wenn entsprechende Daten fehlen
• wenn viele von ihnen nicht eindeutig sind
• wenn im Unternehmen sehr widersprüchliche Einschätzungen existieren
• in sehr innovativen und neuen Szenarien

4. Priorisiern von schrittweise Verbesserungen

Es ist einfach mit Big Data oder Advanced Analytics bestehende Analysen oder bestehende Geschäftsprozesse zu verbessern als sie zu transformieren. Es müssen bei inkrementellen Verbesserungen einfach weniger Abhängigkeiten berücksichtigt werden, um erfolgreich zu sein. Deshalb sollte stark darauf geachtet werden, wie groß der Änderungsbedarf insgesamt ist.  Dennoch bleibt natürlich manchmal eine tiefgreifende Veränderung der Business-Strategie notwendig – zum Beispiel wenn ein neuer disruptiver Lieferant im Markt auftaucht, wenn technische Innovationen das Geschäftsmodell verändern oder wenn eine Organiation einfach nicht mehr funktioniert.

5. Alternativen bedenken

Es gibt nur selten eine Lösung für ein Problem. Mit Algorithmen für statistische Modellierung, Data Mining oder Machine Learning kann man Ideen überprüfen oder Lösungsansätze verfeinern. Big Data und Advanced Analytics erweitern die Möglichkeit der Analyse Aber nicht alle Probleme benötigen eine voll entwickelte analytische Lösung. Mitunter sind Investitionen in Menschen oder eine Umformulierung des Problems sinnvoller.