In meinem letzten Beitrag habe ich mich mit Colin Gray vom SAS Analytics-on-Demand-Team über die verschiedenen Optionen unterhalten, die Unternehmen zur Verfügung stehen, wenn sie in Analytics einsteigen – eine davon ist Analytics-as-a-Service. Neben dem technischen Aspekt gilt es, auch den strategischen und organisatorischen zu berücksichtigen. Daher soll es hier um die Vor- und Nachteile gehen, die möglicherweise mit einer Analytics-as-a-Service-Strategie verbunden sind.
Der MIT Sloan Research Report 2016 sagt aus, dass der Wettbewerbsvorteil, den Analytics bringt, zurückgeht. Wie siehst du das?
Colin: Die Akzeptanz für Analytics ist über die letzten Jahre hinweg kontinuierlich gestiegen. Das hat sicherlich zur Folge, dass der effektive Einsatz von Analytics das Spielfeld bis zu einem gewissen Grad eingeebnet hat. Allerdings ist der Unterschied zwischen den Unternehmen, die mit Analytics echte Innovationen vorantreiben, und denen, die immer noch mit der Nutzung hadern, weiterhin sehr groß. Die Innovatoren haben es sehr viel schneller geschafft, in ihrer Branche das Ruder herumzureißen und beispielsweise neue Geschäftsmodelle zu entwickeln. Uber und AirBnB sind prominente Beispiele dafür.
Viele Unternehmen behaupten, sie nutzten Analytics. Tatsächlich handelt es sich dabei aber oft um altbekannte Business Intelligence, der lediglich das neue Buzzword aufgedrückt wurde.
Wie können dann Unternehmen schneller von den Daten zu Entscheidungen gelangen – und mit den bisherigen Innovatoren Schritt halten oder diese sogar überholen?
Colin: Meiner Ansicht nach ist der Schlüssel zu nachhaltiger Analytics Folgendes: eine umfassende analytische Strategie, die im gesamten Unternehmen verankert ist, sowie ein Folgeplan für den Entscheidungsprozess. Diese Strategie sollte mehrstufig aufgebaut sein und den gesamten Ansatz, Menschen und Technologie abbilden.
Welche Stufen genau sind gemeint?
Colin: Die Gesamtstrategie des Managements muss erklären, wie das Unternehmen Analytics nutzen und entwickeln möchte – und welche Vorteile davon zu erwarten sind. Der Aspekt Mensch konzentriert sich auf die Entwicklung von Kompetenzen und darauf, wie man Mitarbeiter mit genau den erforderlichen Fähigkeiten findet. Zu guter Letzt müssen Technologie und Entscheidungsprozesse optimiert werden. Dieser mehrstufige Ansatz dient dazu, nicht nur zu erklären, wie Analytics zur fundierten Entscheidungsfindung genutzt werden kann, sondern auch, ob sich ein Analytics-as-a-Service-Modell anbietet.
Analytics-as-a-Service versus inhouse: Welches Modell bietet sich für welche Art von Unternehmen an?
Colin: Für Analytics-Einsteiger bringt der Analytics-as-a-Service-Ansatz schnell analytische Ergebnisse, ohne dass sie sich Gedanken um IT-Infrastruktur oder Software machen müssen. Analytisch fortgeschrittene Unternehmen müssen ihren Wettbewerbsvorteil untermauern, den sie sich bereits mit Analytics verschafft haben, und verfügen in der Regel über ein eigenes Analytics-Team. Allerdings benötigen unter Umständen auch diese Unternehmen aus taktischen Gründen Analytics-as-a-Service – etwa, weil sie nicht ausreichend Zeit, nicht die passenden Kompetenzen oder Ressourcen inhouse zur Verfügung haben. Auf der anderen Seite gewinnen die Analytics-Einsteiger an Erfahrung und möchten dann womöglich auch alles inhouse machen.
In manchen Situationen gibt es zwar inzwischen mehr Daten, diese haben aber einen geringeren Effekt auf die Strategie. Wie kommt das?
Colin: Dafür gibt es verschiedene Gründe. Manchmal liegt es daran, dass die Erkenntnisse aus den Analysen nur langsam in die Fachabteilung zurückgespielt werden, es findet also kein agiler Austausch statt. Es kann Monate dauern, bis Modelle im Unternehmen implementiert sind. Oder es liegt daran, dass das Unternehmen keine analytische Strategie hat. Wichtig ist auch, dass ein kultureller Wandel stattfindet. Dieser kann beispielsweise beschleunigt werden, indem ein Analytics-as-a-Service-Projekt relevante Erkenntnisse innerhalb einer sehr kurzen Zeitspanne liefert. Denn das demonstriert Mitarbeitern, dass Analytics tatsächlich eine valide Basis für Entscheidungen ist. Es kann auch daran scheitern, dass nicht die richtigen Fragen gestellt werden, weil es an Erfahrung mangelt.
Und wie sieht ein Analytics-as-a-Service-Projekt in der Realität aus?
Jedes Projekt startet beim Unternehmen. Welcher Ansatz passt am besten? Eignet sich das Problem für Analytics? Als Erstes muss eine klare Definition der Problemstellung gefunden werden, um sicherzugehen, dass alle Beteiligten auf dem gleichen Stand sind. Einige Probleme eignen sich vom Wesen her besser für Analytics als andere, dazu gehören unter anderem Betrugserkennung, Marketing und Prozessoptimierung. Darüber hinaus gibt es aber noch eine ganze Reihe anderer Anwendungsbeispiele.
Damit die Daten relevante Erkenntnisse hervorbringen, müssen also die richtigen Fragen gestellt und die passende Technologie eingesetzt werden.Und wie sieht es da mit der Datensicherheit aus?
Colin: Cloud-basierte Optionen bringen eine Menge Vorteile, gleichzeitig schwinden die Nachteile. Datensicherheit steht immer ganz oben auf der Agenda bei den Diskussionen. Allerdings ist nicht selten die Sicherheit des Cloud-Anbieters höher als die des Auftraggebers. Und mit der neuen EU-Datenschutzgrundverordnung (DSGVO) gilt es, noch mehr Faktoren zu berücksichtigen.
Die Koordination analytischer Fähigkeiten ist dementsprechend essenziell für den Wettbewerbsvorteil?
Colin: Gartner Research sieht es folgendermaßen: „Die richtige Information zur richtigen Zeit an die richtige Person zu leiten“, sei ein strategischer Technologietrend. Dennoch unterschätzen viele Unternehmen die Änderungen, die dafür notwendig sind.
