Fehler vermeiden
6 Irrtümer bei Big Data-Projekten
- Bain warnt vor Fehlinvestitionen wegen fehlender Reife
- Data Scientist können helfen, müssen sie aber nicht
- Forrester empfiehlt das Lernen aus Misserfolgen
- Bis 2017 werden laut Gartner 60 Prozent der Big Data-Projekte bereits in der Pilotierungs- und Experimentierphase scheitern
Es klingt dramatisch: "Die Unternehmen ertrinken in Daten, aber sie dürsten nach Erkenntnissen", schreiben die Autoren Brian Hopkins und Ted Schadler von Forrester Research. "Schlimmer noch: Sie kennen keinen systematischen Weg, wie sie aus Daten konsequent Handlungen ableiten können." Die Studie der beiden Forrester-Analysten dämpft die Erwartung, dass dank einer Technologie wie Big DataBig Data alleine der geschäftliche Erfolg neue Dimensionen erreicht. Wasser in eben diesen Wein gießen auch die Berater Eric Almquist, John Senior und Tom Springer von Bain & Company: "Fortgeschrittene Kundenanalyse kann ein starkes Business-Tool sein", meint das Trio. "Aber Firmen sollten verbreitete Fallstricke umkurven, bevor sie investieren." Alles zu Big Data auf CIO.de
Big Data wie früher CRM
"Three promises and perils of Big Data" lautet der Titel der Bain-Studie: drei Versprechen mit jeweils einer gefährlichen Schattenseite. Bain liefert dazu jeweils ein erfolgreiches Beispiel aus der Praxis. In Dreierschritten lässt sich auch der zentrale Inhalt der Forrester-Studie "Digital Insights Are The Currency of Business" gut zusammenfassen. Die Analysten benennen zunächst drei Hindernisse auf dem Weg von der Datensammlung und -analyse zu "Systems of Insight", die den Anwendern wirklichen, nämlich handlungsrelevanten Nutzen bringen könnten. Daran anknüpfend geben sie CIOs drei Empfehlungen zum Aufbau derartiger Systeme.
"Unternehmen, die von Big Data profitieren wollen, müssen zunächst den für sie tatsächlich messbaren Nutzen dieser Technologien prüfen", stellt Bain fest. Denn mehr Daten schafften nicht automatisch einen Mehrwert: "Beispielsweise ist auch die Organisationsstruktur eines Unternehmens entscheidend dafür, ob sich Big-Data-Technologien sinnvoll einsetzen lassen."
60 Prozent der Big Data-Projekte werden scheitern
Die Berater zitieren eine Gartner-Analyse, laut der bis 2017 60 Prozent der Big Data-Projekte bereits in der Pilotierungs- und Experimentierphase scheitern und früh abgebrochen werden. Bain erinnert das Aufkommen von Customer Relationship Management (CRM) in den frühen 1990er-Jahren. Seinerzeit habe es wie bei Big Data jetzt einen Hype gegeben und viele Firmen implementierten euphorisch die neue Technologie - im Rückblick Fehlinvestitionen mit Ansage.
Nur: Seitdem reifte die CRM-Technologie und die Lösungen liefern mittlerweile unbestreitbar für viele Anwender einen beträchtlichen Mehrwert. Laut einer anderen Bain-Studie ist CRM momentan die Nummer Sechs der beliebtesten Business-Tools. Dennoch scheitern laut dem Beratungsunternehmen C5 Insight immer noch 30 Prozent der CRM-Implementierungen - gut zwei Jahrzehnte nach der Entwicklung dieser Technologie.
3 Versprechen, 3 Gefahren
Soll sagen: Analog zu Vorgängern wie CRM wird auch Big Data als heute junge Technologie in den kommenden Jahren reifen und immer mehr Nutzen stiften. Aber das Reifen einer Technologie bedeutet noch nicht, dass irgendwann Erfolg garantiert sein wird. So lauten die drei momentanen Versprechen, die Bain kritisch unter die Lupe nimmt:
1. Die Big Data-Technologie identifiziert ganz von alleine geschäftliche Chancen: Die Gefahr daran ist laut Bain ein begrenzter Return-On-Investment (ROIROI) trotz hoher Investitionen. Alles zu ROI auf CIO.de
Ein Scheitern beginne oft mit der Annahme, dass das strahlende neue Tool ganz von selbst Wert generiert. Besser geht es anders: "Erfolgreiche Nutzer von Big Data-Lösungen beginnen oftmals mit der Anwendung von Advanced Analytics zur Lösung einer kleinen Zahl an hochwertigen Business-Problemen mit internen Daten, bevor sie in Technologie investieren", so Bain. In diesem Prozess lernten die Anwender, wie sie in ihrem Unternehmen Lösungen implementieren. Sie erhalten laut Studie dadurch auch Einblick in operative Herausforderungen und verstehen die Grenzen ihrer vorhandenen Daten und Technologien. Sie wissen also Bescheid über ihren tatsächlichen Bedarf und können auf dieser Basis ihre Anforderungen an Big Data definieren.