Analytics ohne Stolperfallen einführen

Die Top 10 Fehler bei Analytics-Projekten

11.06.2015

Dr. Ilias Ortega arbeitet als Analytics und Reporting Manager bei den Magazinen zum Globus AG in Spreitenbach. Er ist promovierter Betriebswirtschafter der Universität St. Gallen und diplomierter Ingenieur der ETH Zürich. Er verfügt über mehr als 25 Jahre Berufserfahrung in Analytics und Business Intelligence.

Laut Gartner Research wird das Thema Analytics bis 2017 im Hauptfokus von CIOs stehen. Global führende Unternehmen wie Amazon, Google und Facebook setzen Analytics ein, um ihre Wettbewerbsvorteile auszubauen. Analytics spielen eine tragende Rolle bei der Umsetzung ihrer Unternehmensstrategie und gelten deshalb für viele andere Unternehmen als Hebel für mehr Wettbewerbsfähigkeit.

Die Vorteile faktenbasierter Entscheidungen sind Managern vieler Disziplinen klar: Marketing, Produktion, Rechnungswesen und Human Resources sind einige Beispiele. Für einzelne Beobachter ist bereits eine "Analytics-Blase" auszumachen. Folgt man manchen Beratern und Fachmedien, entsteht der Eindruck, Analytics sei ein Erfolgsgarant - und auf deren Einführung folge zwangsläufig der unternehmerische Erfolg. Doch Analysten von Gartner weisen darauf hin, dass mehr als die Hälfte der Analytics-Projekte den erwarteten Erfolg verfehlt, da Budget oder Zeitrahmen nicht eingehalten werden oder weil sie allzu optimistisch vereinbarte Komponenten und Vorteile nicht liefern. Die folgenden Abschnitte gehen auf die häufigsten Fehler bei der Einführung von Analytics ein und geben praktische Hinweise, um sie zu vermeiden.

Business Analytics-Projekte sind anspruchsvoll und erfordern große Sorgfalt.
Business Analytics-Projekte sind anspruchsvoll und erfordern große Sorgfalt.
Foto: Sfio Cracho - Shutterstock.com

Fehlende Ausrichtung auf die Unternehmensstrategie

Analytics-Vorhaben dienen der zielgerichteten Umsetzung der übergeordneten Unternehmensstrategie. Doch erfordern sie kombiniertes Analytics-, IT- und Management-Wissen. Das ist in den Unternehmen jedoch nicht gleichmäßig verteilt. Deshalb empfiehlt es sich, Analytics-Vorhaben in interdisziplinären, abteilungsübergreifenden Workshops gemeinsam zu erarbeiten. So lassen sich in mehreren Iterationen die Ziele der Vorhaben an denen der Unternehmensstrategie ausrichten. Typische Beispiele für strategisch ausgerichtete Analytics-Vorhaben sind Systeme, die den Umsatz aufgrund von Empfehlungen, also Cross Selling, steigern, betrügerische Transaktionen identifizieren oder maßgeschneiderte Produkte und Dienstleistungen in Form von Mikrosegmentierung in Echtzeit entwickeln.

Ungenügender oder fehlender Business Case

Der Business Case weist den geschäftlichen Nutzen eines Analytics-Projekts nach, zum Beispiel mithilfe des Returns on Investment. Er muss realistisch sein und Simulationen verschiedener Szenarien beinhalten. Während der Projektaufwand vor allem in der IT-Abteilung entsteht, ist der Ertrag eher in den Fachabteilungen zu finden. Der Nutzen ist das wichtigste Kriterium für die Priorisierung bei schrittweiser Einführung mehrerer Vorhaben. Detaillierte Einsichten zu Entstehung und Zusammensetzung des Nutzens kann ein Nutzen-Review liefern.

Zu breites, zu enges oder irrelevantes Business-Problem

Ist das Business-Problem das Analytics lösen soll, zu breit angelegt, fehlt es dem betreffenden Analytics-Vorhaben an Fokus und die erwarteten Ergebnisse bleiben aus. Sind die zu erreichenden Ziele unklar, sind zudem ausufernde Kosten und eine zu lange Projektdauer zu befürchten. Ist das Business-Problem hingegen zu eng abgegrenzt, kann der Nutzen des Vorhabens im Vergleich zum Aufwand gering sein. Unvorteilhaft sind außerdem Analytics-Projekte, die sich einem aktuellen Trendthema widmen, das für die betroffene Organisation jedoch irrelevant ist.

Ungenügende Planung

Allzu optimistische Erwartungen an Analytics führen oft zu Kostenüberschreitungen und Verzögerungen. Für die Umsetzung Verantwortliche schätzen deshalb Aufwände und Termine am besten Bottom-up. Diese Schätzungen basieren auf Erfahrungswerten und realistischen Annahmen. Ausreichende finanzielle und zeitliche Reserven helfen, unvorhergesehene Probleme zu lösen, ohne das Budget zu überschreiten. Besonders groß ist die Gefahr eines Misserfolgs bei umfangreichen, komplexen Analytics-Projekten. Dauert ein Projekt mehrere Jahre, so können sich zum Projektende wichtige Rahmenbedingungen wesentlich geändert haben. Große Vorhaben sollten deshalb am besten in mehrere kleine zu jeweils höchstens sechs Monaten aufgeteilt werden.

Unzweckmäßige Einführung

Von einer Big-Bang-Einführung von Analytics-Systemen ist abzuraten. Umfangreiche, komplexe, unternehmensweite Analytics-Systeme werden am besten schrittweise eingeführt. Dies bietet den Vorteil, dass die Funktionalität etappenweise überprüft und erweitert werden kann. Für die ersten Vorhaben ist es ratsam, zunächst kleine und klar umrissene Probleme auszuwählen und die Zweckmäßigkeit des gewählten Vorgehens mithilfe von Prototypen zu evaluieren.

Mangelhafte Daten

Relevante, vollständige, korrekte und aktuelle Daten sind Voraussetzung für ein korrekt funktionierendes Analytics-System. Irrelevante, unvollständige, ungenügend bereinigte sowie nicht oder zu spät verfügbare Daten verfälschen die Ergebnisse von Analytics-Systemen. Die Realisierung eines vorgelagerten Systems zur Datenbereinigung beansprucht in der Regel einen maßgebenden Teil des Realisierungsaufwands eines Analytics-Systems. Das unüberlegte Sammeln von Daten führt selten zum Erfolg, denn daraus entstehen oft Heuhaufen ohne Nadeln.

Ungenügende Modelle

Zielgerichtete Analytics-Modelle folgen dem Grundsatz "so einfach wie möglich, so kompliziert wie nötig", das auch als "Prinzip der sparsamsten Erklärung" bekannt ist. Aus mehreren möglichen Erklärungen wird die einfachste ausgewählt, das heißt, diejenige mit den wenigsten Variablen und Hypothesen. Zu komplexe Modelle können rechenintensiv und instabil, während zu einfache Modelle ungenau sein können. In der Praxis kommen zu komplexe Modelle häufiger vor, als zu einfache.

Ein einziges, statt mehrere Modelle

Die mit Analytics zu lösenden Probleme sind oft komplex und lassen sich nicht immer durch ein einzelnes Modell lösen. Daher wählt man in der Praxis ein kombiniertes Vorgehen. Anstelle eines einzigen Modells werden mehrere parallel eingesetzt. Ein solches Hybrid-Modell löst Abweichungen und Widersprüche zwischen den Einzelergebnissen. Unter Zeitdruck ist es jedoch nicht immer möglich, mehrere Modelle parallel zu berechnen und zu konsolidieren. In solchen Fällen helfen Regeln, nach denen automatisch ein geeignetes Modell ausgewählt und ein einziges Ergebnis berechnet wird.

Unzweckmäßige Variablen

Die Wahl der Variablen kann fehlerhaftes Verhalten eines Analytics-Systems zur Folge haben. Zu wenige Variablen führen zu einem ungenauen Modell, zu viele Variablen zu unnötiger Modellkomplexität und -spezialisierung, genannt Overfitting. Falsche Variablen haben ein falsches Modell zur Folge. Die Auswahl der Variablen ist eine der zentralen Aufgaben eines jeden Analytics-Vorhabens. Der Grund: mit jeder zusätzlichen Variablen steigt neben der Modellkomplexität, die Menge der Daten, die es zu sammeln, bereinigen und analysieren gilt.

Fehlende Integration

Werden von Anfang an die Randbedingungen der IT-Landschaft nicht korrekt erfasst, kann dies zu fehlender Integration führen. Beispiele sind unterbrochene Datenflüsse infolge von Datensilos sowie fehlender oder fehlerhaft funktionierender Schnittstellen.

Fazit

Der Einsatz von Analytics kann Organisationen helfen, ihre Wettbewerbsfähigkeit zielgerichtet zu steigern. Doch entsprechende Projekte sind anspruchsvoll und erfordern große Sorgfalt. Organisationen, die Analytics-Vorhaben in Angriff nehmen wollen, sollten sich deshalb folgende Hinweise auf die Fahne schreiben:

  • Analytics-Vorhaben konsequent auf die Unternehmensstrategie ausrichten

  • Business Case mit Nachweis des Returns on Investment erstellen

  • Analytics-Vorhaben auf ein relevantes Business-Problem fokussieren

  • Bottom-up und mit ausreichend Reserven planen

  • Keine Big-Bang-Einführung anstreben, sondern schrittweise vorgehen und Prototypen zur Validierung einsetzen

  • Aufwand zur Datensammlung und -bereinigung sorgfältig einplanen

  • Möglichst einfache Modelle anstreben: weniger ist mehr

  • Für komplexe Vorhaben: mehrere Modelle kombinieren

  • Variablen sorgfältig auswählen

  • Integration des Analytics-Systems in die IT-Landschaft frühzeitig beachten (bw)