IT oder Fachbereiche
Wohin gehören Big-Data-Projekte?
Foto: Booz
In fast allen Unternehmen fallen inzwischen große Mengen an strukturierten wie auch an unstrukturierten Daten an. Zu den unstrukturierten Informationen zählen Social-Media-Daten, Videos, Präsentationen und Texte aber auch Sensor-Daten oder Geo-Informationen - "Big Data" eben. Um die Potenziale zu heben, die in diesen Daten schlummern, müssen Unternehmen eine klare Vorstellung darüber haben, für welche Zwecke sie genutzt werden sollen: denkbar ist etwas, dass sie die Informationen für
-
die Optimierung der Lieferkette,
-
die Verbesserung der Kunden- und Lieferantenbeziehungen,
-
Marktprognosen
-
mehr Effizienz in operativen Prozessen oder
-
dem Reporting nutzen.
Ebenso müssen die Unternehmen entscheiden, wie die Daten gesammelt, verwaltet und analysiert werden sollen.
Big-Data-Projekte brauchen Organisation
Voraussetzung für eine sinnvolle Big-Data-Verarbeitung ist eine passende Organisationsstruktur, fordern die Analysten Tom Casey, Kumar Krishnamurthy und Boris Abezgauz von der US-Strategieberatungsfirma Booz. Diese Organisation ist an den Anforderungen des Business auszurichten und hat gleichzeitig die technologischen Voraussetzungen zu erfüllen, um die einzelnen Geschäftsbereiche beim Umgang und der Analyse von Big DataBig Data effizient unterstützen zu können. Das wiederum erfordert in Unternehmen eine abteilungs- und funktionsübergreifende Kooperation. Nach den Angaben von 500 Business-Intelligence-(BI)-Verantwortlichen, die an einer Online-Umfrage von Booz teilnahmen, gibt es drei Szenarien: Alles zu Big Data auf CIO.de
- Team-Zusammensetzung
Big Data-Initiativen brauchen das richtige Team. Die Berater von McKinsey haben fünf Rollen identifiziert, die CIOs in einer solchen Truppe besetzen müssen. - Spezialist für Daten-Qualität
Zunächst einmal setzt Big Data voraus, dass sich jemand um Qualität und Hygiene der Daten kümmert. Die Informationen müssen sauber und akkurat sein. Das beginnt bei scheinbar Selbstverständlichem: Was ist ein Jahr - 365 Kalendertage, 260 Arbeitstage oder 8765 Stunden? Hier braucht es eine einheitliche Definition. - Data Explorer
Welche Informationen aus der Flut an Daten sind nützlich - das herauszufinden, ist Aufgabe des Data Explorers. Eine Herausforderung nicht nur wegen der Menge an Daten, sondern auch wegen des Umstands, dass viele Daten ursprünglich nie als Analyse-relevant galten. Sie wurden zwar erfasst, man fand sie aber nicht wichtig - der Data Explorer muss diese Informationen aufspüren und zusammentragen. - Architekt
Was der Data Explorer eingesammelt hat, muss der Architekt so aufbereiten, dass es Analyse-tauglich ist. Er orientiert sich dabei an den Lösungen, die Business-Manager brauchen werden. Der Eine muss sich jede Minute auf den neuesten Stand bringen können, der andere nur jede Stunde. - Data Scientist
Aus den vorbereiteten Daten entwickelt der Scientist anspruchsvolle Analyse-Modelle. Ein Beispiel aus der Handelsbranche: Die Analyse-Modelle helfen dem Unternehmen, Zielgruppen genauer zu beschreiben und die Preise besser gestalten zu können. - Kampagnen-Macher
Um beim Handelsbeispiel zu bleiben: Der Kampagnen-Spezialist im Team setzt die Analyse-Ergebnisse in Resultate um. Er weiß, welche Kundengruppen über welche Kanäle angesprochen werden wollen, wie oft die Kunden kontaktiert werden sollten und anderes. McKinsey sieht keinen reinen Marketing-Spezialisten in dieser Funktion, sondern definitiv jemanden, der die technische Seite verantwortet.
1. Die IT-Organisation soll führen: Die interne IT scheint die "natürliche" Wahl zu sein, um Big-Data-Projekte voranzubringen. Sie kann sicherstellen, dass diese mit der bestehenden IT-Architektur konform gehen. Zugleich gewährleistet sie die konsistente Auswahl geeigneter Analyse-Tools, die ordnungsgemäße Verwendung technischer Ressourcen sowie effiziente, operative Prozesse. Allerdings lauern Booz zufolge auch einige Fallstricke, wenn die IT die Verantwortung in Big-Data-Vorhaben übernimmt. Sie sei häufig wenig vertraut mit der Geschäftsstrategie und könne daher kritische Business-Anforderungen weder priorisieren noch korrekt adressieren. Auch verzetteln sich IT-Abteilungen häufig darin, die perfekte, technische Lösung zu finden.
2. Das Business soll führen: Wenn Fachabteilungen wie das Finanzwesen oder das Marketing die Federführung in Big-Data-Projekten übernehmen, werden die Vorhaben meistens besser an der Geschäftsstrategie ausgerichtet. Zudem steigt die Wahrscheinlichkeit, dass die Belange einzelner Geschäftsbereiche zeitnah erfüllt werden. Doch im Gegenzug fehlt den Fachbereichen die für Big-Data-Projekte notwendige IT- und Technologie-Kompetenz. Das Ergebnis sind dann Analyse-Systeme, bei denen eine intakte Architekturbasis fehlt.
3. Big-Data-Kompetenz in Matrix-Organisation bündeln: Für die meisten bietet sich eine Matrix-Organisation an. Diese wird idealerweise mit geeigneten Funktionsträgern aus den betroffenen Fachbereichen und der IT-Organisation besetzt, die dann gemeinsam die spezifischen Datenmodelle und -strukturen definieren sowie das gesamte Vorhaben an den Business-Zielen ausrichten. Die Fachanwender identifizieren den Bedarf und priorisieren die Anforderungen an Big-Data-Analytics aus den verschiedenen Fachbereichen. Die IT-Mitarbeiter wiederum legen fest, wie die jeweils relevanten Daten am effektivsten gesammelt werden. Sie gewährleisten zudem die Korrektheit und Verfügbarkeit der Daten. Darüber hinaus fungiert die IT als Trusted Advisor bei allen Fragen, welche die Auswahl von Analyse-Tools oder die Erweiterung der IT-Architektur betreffen.
Darüber hinaus gibt es noch eine vierte Möglichkeit; nämlich Unternehmen, die kein klares Big-Data-Konzept haben. Diese Situation kommt den Booz-Analysten zufolge noch viel zu häufig vor.