Innovationslabore für datenbasierte Use Cases richtig aufsetzen

0

Die veränderten Marktanforderungen zwingen viele Organisationen zur digitalen Transformation bestehender Geschäftsprozesse und Geschäftsfelder. Einzelhandel, Medien, Versicherungs-, Reise- und Logistikbranche sind sicherlich Vorreiter. Aktuelle Studien, zum Beispiel von Roland Berger, zeigen aber auch sehr eindrucksvoll die dramatischen Implikationen der digitalen Transformation auf die Industrie, das Retail-Banking oder Versicherungen.

Denn nicht zuletzt die Finanzbranche, herausgefordert durch FinTechs wie Apple (Apple Pay) oder Google (Google Wallet) und einer ganzen Schar von Start-ups, die mit voller Wucht etablierte Geschäftsmodelle angreifen, spürt den kalten Wind der digitalen Revolution. Ein Schlüsselthema für alle Bereiche ist dabei, ihre bereits vorhandenen Daten, aber auch neue, bei der Digitalisierung entstehende zusätzliche Daten analytisch sinnvoll zu nutzen und damit Produkte, Produktion, Dienstleistungen oder Kundenansprachen neu und besser zu gestalten.

Quer durch verschiedenste Branchen habe ich in den letzten Wochen und Monaten zahlreiche Gespräche vorwiegend auf strategischer Ebene geführt, in denen es darum ging, wie sich Innovationslabore für solche datenbasierten Use Cases realisieren lassen. Es geht in diesen Labors mal um inkrementelle, aber wertvolle Verbesserungen, mal um größere Vorhaben wie die Neugestaltung der Customer Journey, aber auch um komplett neue Ideen mit dem Anspruch, bahnbrechende Fortschritte bei der Wertschöpfung mit und Monetarisierung von Daten zu erreichen. Aber was braucht es dazu, ein erfolgreiches Innovationslabor umzusetzen? Hier die Essenz meiner Gespräche.

Erfolgsfaktoren für ein Innovationslabor

Was den (messbaren) Erfolg eines Innovationslabors letztlich bestimmt, ist von Unternehmen zu Unternehmen unterschiedlich definiert.
Wie es aber erfolgreich wird, darüber herrscht weitgehend Konsens:

Experimentieren erlauben

Innovationen entstehen nur dann, wenn auch quer gedachte Ideen gesponnen und auf ihre Umsetzbarkeit und ihren Nutzen hin verprobt werden können. Innovationskultur erlaubt das Ausprobieren – und auch das Scheitern (Letzteres sollte aber möglichst schnell und günstig geschehen, siehe „Fail Fast")! Diese wichtige Grundhaltung war lange Zeit in weiten Teilen der (deutschen) Wirtschaft verpönt, wird aber zunehmend als notwendig zum Lösen der Innovationsbremse anerkannt.

Agilität ermöglichen

Der Tod einer jeden guten Use-Case-Idee sind langwierige Prozesse für die Freigabe zur Verprobung, Rechtfertigungen anhand von Business Cases (deren Wert niemand in einem so frühen Stadium ernsthaft ermitteln kann), das Schreiben von detaillierten Fachkonzepten oder IT-Projekte zur Integration, Konsolidierung und Qualitätssicherung benötigter Daten. Agilität heißt, das Innovationsteam muss die Mittel und Freiräume haben, Ideen einfach und schnell auszuprobieren.

Fail Fast

Konsequentes Management des Innovationstrichters bedeutet, viele Ideen zuzulassen, die vielversprechenden dann schnell auszuprobieren und dabei die nicht tragfähigen Ideen auszusortieren. Schließlich sollen nach einer ersten Validierung nur wenige, wirklich gute Ideen zu tiefer gehenden analytischen Projekten führen, von denen dann nur die solidesten in die Markterprobung und davon wiederum nur die bewiesenermaßen wirksamen in die Produktion gehen. Fail Fast klingt negativ, ist aber in Wahrheit ein Segen: Denn gerade zu Beginn des Prozesses ist es wesentlich, die vielen „wilden" Ideen nach nachvollziehbaren und für alle sichtbaren Kriterien schnell zu einer handhabbaren Menge zusammenzudampfen.

Bei aller Kreativität: Risiken minimieren und wirtschaftlich bleiben

Das Risiko einer jeden Forschung ist, dass sie zu nicht nutzbaren Resultaten führt. Aus finanzieller Sicht muss aber immer der Value-at-Risk bekannt sein. Was genau bin ich bereit zu investieren? Kosten für Innovationsteams, den Kauf von Werkzeugen und Infrastrukturen für Big Data Use Cases und natürlich den Aufbau der notwendigen Fähigkeiten sollten stets bezifferbar sein.

In meinem nächsten Blog schreibe ich, wie sich diese Erfolgsfaktoren nun realisieren lassen.

Share

About Author

Andreas Becks

Head of Pre-Sales Insurance DACH

Together with his team of insurance experts, data governance professionals and data scientists, Dr. Andreas Becks advises insurance clients on the analytical platform of SAS. His main focus is on data-based innovation on the one hand and industrialization of analytics on the other. For 20 years Andreas has been designing innovative solutions for data-based decisions, information visualization and AI applications in various industries. He has been with SAS for more than 5 years in various expert and management positions for Customer Experience, BI and Analytics. Moreover, Andreas is speaker at events, blogger and author of specialist articles. Prior to SAS, he held various senior positions in research and development, as a business and solution architect and in the strategic product management of a software company. Andreas owns a degree as computer scientist, holds a PhD in Artificial Intelligence from Aachen Technical University as well as an MBA from the University of St. Gallen.

Leave A Reply

Back to Top