Business Analytics im Mittelstand

Die Teilnehmer der Studie stufen die Bedeutung von Information für ihre Wettbewerbssituation bereits jetzt als sehr hoch ein. Sie erwarten sogar, dass die Relevanz von Information für ihre Wettbewerbssituation in den kommenden 5 Jahren zunehmen wird. Gerade durch die weltwirtschaftlichen Unsicherheiten wird die Nutzbarmachung von Daten und somit der Einsatz von Business Analytics immer wichtiger. Dementsprechend geben 95 % der befragten Unternehmen an, bereits heute Business Analytics aktiv einzusetzen.

Neben der allgemeinen Verbreitung (horizontale Diffusion) wurde auch der Einsatz innerhalb der befragten Unternehmen (vertikale Diffusion) detaillierter untersucht. Ein Indikator für die vertikale Diffusion ist die Anzahl der Unternehmensbereiche, in denen die Informationsversorgung durch Business Analytics sichergestellt wird. Erfreulich ist mit durchschnittlich 4 Unternehmensbereichen die weite Verbreitung innerhalb der befragten Unternehmen. Historisch gesehen war Business Analytics immer ein Thema, welches aus dem Bereich der Unternehmenssteuerung und des Controllings initiiert worden ist. Wie die Studie aber deutlich macht (siehe Abb. 2), ist es nun auch in anderen Unternehmensbereichen ein fester Bestandteil der betrieblichen Entscheidungsprozesse.

Gemeinsam ist allen Teilnehmern, die angeben Business Analytics zu verwenden, dass Reporting genutzt wird (siehe Abb. 3). Auch Self-Service Analytics (65 %) wird intensiv verwendet, um eigene Auswertungen und Dashboards zu erstellen und damit flexibel auf Informationsbedürfnisse zu reagieren. Im Bereich Planung, Simulation und Optimierung (49 %) konnte vor allem aufgrund der verschiedenen Krisen und der Pandemiesituation eine zunehmende Verbreitung festgestellt werden. In den Ergebnissen der Studie spiegelt sich aber auch wider, dass bei maschinellem Lernen (11 %) noch deutlicher Nachholbedarf besteht. Hier steht eine Fülle von Methoden bereit, die treffsichere Prognose ermöglichen und auch automatisiert Handlungsoptionen aufzeigen. Beispielsweise erlauben intelligente Algorithmen des Data Minings, die Abwanderungswahrscheinlichkeit von Kunden vorherzusagen, den potenziellen Ausfall von Maschinen zu prognostizieren und komplexe Produkt- und Artikelbeziehungen zu analysieren. Dieses Potenzial wird von den befragten Unternehmen nur unzureichend ausgeschöpft.

Zur Realisierung von Business-Analytics-Lösungen sind zahlreiche (Entwicklungs‑)Werkzeuge verfügbar. Es existieren Standard-Tools, mit denen die Komponenten zur Datenbereitstellung, Informationsgenerierung und Informationsbereitstellung realisiert werden können. Daneben gibt es auch generische Werkzeuge der Softwareentwicklung, auf deren Basis selbst entwickelte Lösungen zur betrieblichen Informationsversorgung möglich sind.

Bei den eingesetzten Tools wird die Dominanz von Standardsoftware deutlich (siehe Abb. 4): 76 % präferieren Standardlösungen zur Gestaltung ihrer individuellen Lösungen. Aber auch Office-Produkte (70 %) haben weiterhin sehr viel Zuspruch und sind im Bereich der Datenanalyse nicht wegzudenken. Die Bedeutung von Embedded Analytics in den operativen Informationssystemen nimmt einen deutlichen Anteil ein (42 %), da auch die Softwarehersteller zunehmend analytische Funktionalität in ERP-Systeme integrieren, um so Analysen mit einfachen Mitteln zu ermöglichen. Schließlich greifen 30 % der Teilnehmer auch auf Eigenentwicklungen zurück.

Die konkrete Ausgestaltung von Business Analytics reicht von einfachem Berichtswesen auf Basis von Office-Produkten bis hin zu komplexen Lösungen, bei denen mehrere Tooltypen gleichzeitig genutzt werden (siehe Abb. 4). Allerdings stellt das einfache Berichtswesen ausschließlich mithilfe von Office-Produkten eine Ausnahme dar. Die Studie zeigt außerdem, dass es einen statistisch signifikanten Zusammenhang zwischen Anforderungen und Komplexität der implementierten Lösungen gibt: Je mehr Methoden genutzt werden, desto höher ist auch tendenziell die Anzahl der eingesetzten Tooltypen. Wenn also unterschiedliche Anwendungsbereiche abgedeckt werden sollen, führt dies aufgrund des Best-of-Breed-Ansatzes bei der Softwareauswahl zu weiteren Tooltypen und damit zu komplexeren Business-Analytics-Lösungen.

Die Zunahme der Anwendungsbereiche und die Vielfalt der eingesetzten Methoden sind zu begrüßen. Allerdings sind bei der Verwendung verschiedener Tooltypen jeweils strategische und IT-architektonische Vorgaben sowie prozessuale Festlegungen zwingend erforderlich. Diese Aspekte werden häufig unter dem Begriff Analytics Governance diskutiert. Im Einzelnen ist vorzugeben, wie Daten verarbeitet werden und abzulegen sind. Außerdem ist zu definieren, auf welcher Basis Informationen generiert und zu visualisiert werden. Ansonsten besteht die Gefahr, in die Komplexitätsfalle zu tappen, und in einem Tool-Zoo mit Datensilos und inkonsistenten Informationen zu münden.

Daten sind ein wesentlicher Inputfaktor für Business Analytics. Gemäß dem Prinzip „garbage in, garbage out“ sinkt mit schlechter Datenqualität die Güte der generierten Informationen. Die Konsequenzen sind Analyseergebnisse mit geringem Informationsgehalt. Außerdem verursachen Daten in schlechter Qualität manuelle Korrekturaufwände. Chronisch anhaltende Datenqualitätsmängel führen sogar zur Ablehnung von Business-Analytics-Lösungen. Insofern ist auf die Datenqualität als dimensionsreiche Thematik ein besonderer Fokus zu legen. Um einen ersten Überblick über die Qualität der Daten zu erhalten, wurde nach der Verfügbarkeit und der Korrektheit der verarbeiteten Daten gefragt. Außerdem sollte beurteilt werden, ob zu den gespeicherten Daten jeweils Beschreibungen (Metadaten) vorliegen.

Die Verfügbarkeit der relevanten Daten wird moderat beurteilt (siehe Abb. 5): 18 % der Teilnehmer tendieren zur Aussage, dass relevante Daten nicht verfügbar sind, und 32 % sehen hier partielle Probleme. Dramatischer ist die Einschätzung bezüglich der Korrektheit der verfügbaren Daten: Hier geben 51 % der Teilnehmer an, dass es Probleme bei der Qualität der Daten gibt und 30 % sehen hier teilweise Probleme. Nur ein geringer Anteil von 19 % sieht keinerlei Probleme. Ebenso dramatisch fällt die Einschätzung von Metadaten aus: 67 % der Teilnehmer sehen hier erhebliche oder partielle Probleme.

Die Mängel in der Datenqualität machen den Bedarf für eine noch intensivere Auseinandersetzung mit dem Datenqualitätsmanagement [4] offensichtlich. Diese Forderung darf aber nicht mit dem Zukauf eines weiteren Tools oder der Einführung bürokratischer Prozesse verwechselt werden. Vielmehr kann beispielsweise damit begonnen werden, organisatorische Rollen zu definieren, die sich um die Qualität der Daten über zentrale Geschäftsobjekte (zum Beispiel Kunden und Produkte) kümmern. Ihnen kommt dann die Aufgabe zu, die Datenqualitätsmängel zu identifizieren und priorisiert Maßnahmen zur Behebung dieser Mängel umzusetzen.

Bei der skizzierten Schieflage handelt es sich um kein Phänomen, das den Mittelstand im Besonderen betrifft. Vielmehr ist es ein allgemeines Problem von Business Analytics. Jedem, der schon einmal sogenannte ETL-Prozesse designen und implementieren musste, ist wohl bekannt, wie zeitraubend und fehleranfällig die Suche nach den richtigen Daten sowie das anschließende Zusammenführen und Umformen dieser Daten sein kann. In diesem Zusammenhang vermögen das Data Warehouse und ein Data Lake die Effizienz bei der Datenbereitstellung erheblich zu steigern, indem sie den Aufwand und die Dauer für die Sammlung relevanter Daten stark reduzieren. Allerdings ist der Aufbau insbesondere von einem Data Lake anhand konkreter Use Cases von Informationsbedarfen sinnvoll. Wenn die Daten nicht zielgerichtet und insbesondere qualitätsgesichert abgelegt werden, dann kann der potenzielle Datenschatz sprichwörtlich im Datensumpf landen.

Es verbleibt noch die effiziente Aufbereitung der Daten. Die damit verbundenen manuellen Tätigkeiten erfordern Wissen über die Herkunft der Daten und ihre Semantik sowie Fertigkeiten bezüglich der Transformation von Daten. Insofern sind hier die Weiterentwicklung und der Einsatz von Methoden und Instrumenten erforderlich, die die Transformation von Daten unterstützen und im Idealfall sogar automatisieren. Ein vielversprechender Ansatz ist in diesem Zusammenhang „Augmented Analytics“ [5]. Hierbei wird die künstliche Intelligenz nutzbar gemacht, um Daten automatisch zu verarbeiten und hieraus Einsichten zu gewinnen. Augmented Analytics ermöglicht die Formulierung von Datenabfragen in natürlicher Sprache (NLP) mithilfe bestimmter neuronaler Netzwerkarchitekturen (z. B. GPT), erkennt fehlerhafte Daten und schlägt sogar das Mapping von Datenfeldern vor.

Beim Ausbau und der intensiveren Nutzung von Business Analytics sind die teilnehmenden Unternehmen mit zahlreichen Herausforderungen konfrontiert. Hierbei sticht vor allem hervor, dass es an qualifiziertem Personal und Know-how fehlt (siehe Abb. 6). Für die erfolgreiche Einführung und Nutzung von Business Analytics sind zahlreiche technische und fachliche Aufgaben zu erfüllen: angefangen bei der Bereitstellung von Daten, über die Erstellung von statistischen Auswertungen bis hin zur Entwicklung von Data-Mining-Modellen. Zudem ist Tool-Know-how erforderlich, um Business-Analytics-Lösungen aufbauen und adäquat nutzen zu können. Aufgrund der Vielzahl der Kompetenzanforderungen lässt sich mittlerweile eine zunehmende Aufgabenseparierung beobachten, die sich beispielsweise in den organisatorischen Rollen Data Engineer, Data Analyst und Data Scientist manifestiert. Trotz dieser Spezialisierung und Einschränkung auf bestimmte Kompetenzbereiche schlägt der Fachkräftemangel am IT-Personalmarkt besonders stark durch. Die Mittelständler buhlen dabei mit Großunternehmen um die wenigen verfügbaren Ressourcen. Aus diesem Grund ist die Nachfrage nach Personal offensichtlich nicht befriedigt.

Dem Personal- und Know-how-Bedarf muss entgegengesteuert werden, indem beispielsweise noch stärker in die Aus- und Weiterbildung investiert wird. Aus dieser Perspektive sind die zahlreichen neu eingeführten Studiengänge und Spezialisierungsfächer zu den Themen Big Data und Data Science an Hochschulen positiv zu würdigen. Ebenso sind die Initiativen zu begrüßen, Data Literacy ins Klassenzimmer bringen zu wollen, um mit dem Aufbau von Datenkompetenzen bereits in der Schule zu beginnen.

Auf der anderen Seite sind sowohl die Wissenschaft als auch die Softwarehersteller gefordert, den manuellen Aufwand bei Aufbau und Wartung und somit den Ressourcenbedarf zu reduzieren. Die bereits erwähnten Methoden des Augmented Analytics sind beispielsweise noch eingehender zu erforschen und schließlich intensiver in der betrieblichen Praxis einzusetzen.