Probleme in der Praxis
Data Analytics scheitert an Prozessen
- Nur 30 Prozent der Firmen weltweit kommen mit dem Datenvolumen gut zurecht, 29 Prozent mit der Varianz ihrer Daten und 24 Prozent mit der Geschwindigkeit
- In einem fünfstufigen Reifegradmodell mit fünf als der höchstentwickelten Stufe bewegen sich zwei von drei Firmen auf den Stufen drei und vier
- Wer Analytics-Projekte umsetzen will, scheitert häufiger an internen politischen Widerständen als an Problemen mit Daten-Qualität und Integration
Wie gestaltet sich Data AnalyticsData Analytics in der Praxis? Dieser Frage geht der US-Marktforscher Gartner in der Studie "Traditional approaches dominate data and analytics initiatives" nach. Im Ergebnis gesteht Gartner den Unternehmen einen "moderaten" Reifegrad zu. Laut einem fünfstufigen Reifegradmodell von eins für "laienhaft" bis fünf für "transformativ" befinden sich knapp zwei Drittel der rund 200 Unternehmen weltweit auf den Stufen drei bis vier. Knapp jedes Zehnte (neun Prozent) arbeitet bereits transformativ, die restlichen 26 Prozent stecken noch in den ersten beiden Stufen. Alles zu Big Data auf CIO.de
Foto: Gartner
Gartner unterteilt Data Management in "die drei großen V": Volumen der Daten, ihre Varianz und Geschwindigkeit (Velocity). Die Marktforscher fragten die Studienteilnehmer nach einer Selbsteinschätzung dessen, wie gut sie diese drei Bereiche managen. Eine Mehrheit von 55 Prozent hält sich in allen drei Dimensionen für "neutral".
Leicht fällt das Management der Geschwindigkeit lediglich 24 Prozent, 21 Prozent fällt es schwer. Mit der Datenvarianz kommen 29 Prozent gut klar und 16 Prozent schlecht. Das Datenvolumen haben 30 Prozent gut im Griff, 15 Prozent sprechen von einer Herausforderung.
Analytics-Projekte in der Praxis
Bisher nutzen Unternehmen Analytics-Anwendungen vor allem für Transaktionsdaten (65 Prozent) und Log-Daten (64 Prozent). 46 Prozent nutzen sie auch für Open Data oder Daten, die sie von Brokern gekauft haben. Daten aus Sensoren beziehungsweise maschinen-generierte Daten verarbeiten nur 32 Prozent in Analytics-Lösungen.
Foto: Gartner
Bimodal-Ansatz auch für Data Analytics
Analog zum Stichwort der "bimodalen IT" - dem Aufsplitten in Klassisches wie Infrastruktur und Kernsystem einerseits und agile, dem Kunden zugewandte IT andererseits - empfiehlt Gartner einen bimodalen Ansatz in Sachen Data Analytics:
Modus 1 bezieht sich auf Daten, die wegen der Tragweite der Entscheidungen, die sie beeinflussen, besonderer Governance und Kontrolle bedürfen.
Modus 2 dreht sich um das Erschließen neuer Erkenntnisse über Self-Service Analytics, die die Unternehmen den Endanwendern zur Verfügung stellen. Modus 2 setzt allerdings eine Firmenkultur voraus, in der der Wert von Informationen und Data Analytics erkannt ist.
Die größten Probleme bei Analytics-Projekten
Gartner hat die Entscheider nach den drei größten Schwierigkeiten in der Nutzung von Analytics gefragt. Für eine relative Mehrheit (35 Prozent) beginnen diese bereits mit dem Definieren einer Daten- und Analytics-Strategie. Fast ebenso viele (34 Prozent) hegen Bedenken wegen Risiko und Governance sowie die Frage, wie Mehrwert aus Analytics gezogen werden kann (33 Prozent).
Integration in Prozesse eine Herausforderung
Die Marktforscher sind noch einen Schritt weitergegangen und haben sich erkundigt, woran die Umsetzung von Analytics-Projekten scheitert. Knapp jedem Zweiten (47 Prozent) fällt es schwer, solche Projekte in die internen Prozesse und Anwendungen einzubetten. Mehr als jeder Dritte (36 Prozent) stößt außerdem auf Widerstand des Managements oder andere interne politische Schwierigkeiten. Solche Probleme sind gravierender als der Mangel an DevOps oder den nötigen Skills (31 Prozent) und auch gravierender als Probleme mit Daten-Qualität oder Integration (18 Prozent).
Geplante Analytics-Projekte
Ein weiteres Ergebnis der Studie zeigt in die Zukunft. Gartner wollte wissen, welche Data Analytics-Bereiche die Entscheider in den nächsten zwölf bis 24 Monaten automatisieren wollen. An der Spitze stehen klar Datenintegration (60 Prozent) und Data Cleansing (54 Prozent). Es folgen Analytics Management/Tuning (40 Prozent), Entscheidungen/Empfehlungen (39 Prozent) und die Datenaufnahme (36 Prozent).