McKinsey-Ratschläge

10 typische Fehler bei Data Analytics vermeiden

12.07.2018
Von 
Christiane Pütter ist Journalistin aus München.
Der Berater McKinsey identifiziert zehn typische Schwachpunkte – und mögliche Gegenmittel – beim bisherigen Einsatz von Data Analytics. Lediglich acht Prozent der Unternehmen können ihre Lösungen wirksam skalieren.
  • Die meisten Unternehmen profitieren derzeit noch nicht im erhofften Maß von Data Analytics-Lösungen
  • Typische Fehler liegen sowohl im technologischen als auch im organisatorischen Bereich

Die Erwartungen, die CEOs an Data Analytics knüpfen, sind sehr hoch, beobachtet der Berater McKinsey. Faktisch profitieren die meisten Unternehmen derzeit noch nicht im erhofften Maß. Das heißt: Nur rund jeder Zwölfte - acht Prozent - von 1.000 Managern skaliert seine Data Analytics-Lösungen effektiv. In dem Papier "Ten red flags signaling your analytic program will fail" listet McKinsey zehn typische Fehler auf.

Der sinnvolle Einsatz von Data Analytics setzt eine Systematik der Use Cases voraus.
Der sinnvolle Einsatz von Data Analytics setzt eine Systematik der Use Cases voraus.
Foto: McKinsey

1. Vision fehlt

Die Geschäftsleitung entwickelt keine Vision dessen, was sie mit Data Analytics erreichen will: Vielen Geschäftsführern fehlt das grundlegende Verständnis für die unterschiedlichen Einsatzmöglichkeiten von Business Analytics, Reporting, Predictive Analytics und Machine Learning. Gegenmittel: Chief Analytics Officer, Chief Digital Officer, Chief Data Officer - oder wie auch immer die Verantwortlichen tituliert sind - veranstalten Workshops, um die Firmenleitung zu coachen. Diese Workshops bilden idealerweise die Grundlage für spätere eine "Analytics Academy" im Unternehmen.

2. Use Cases nicht berechnet

Das Unternehmen errechnet nicht, welchen Wert die ersten Use Cases binnen Jahresfrist erreichen sollen: Auf den Enthusiasmus folgt die Frustration, wenn Unternehmen nicht mit konkreten Zahlen operieren. McKinsey rät, drei bis fünf Use Cases aufzusetzen, die bei realistischer Betrachtung schnelle Erfolge einbringen. Dem geht eine genaue Analyse der Wertschöpfungskette voraus, vom Zulieferer über den Verkauf bis zu After Sales-Prozessen.

3. Keine Strategie

Entscheider starten Use Cases, ohne einer Strategie zu folgen: Aktionismus ohne Überlegung führt ebenfalls in die Frustration. Entscheider sollten, bevor sie Analytics-Initiativen starten, folgende drei Fragen klären: Welche Bedrohungen gehen für unser Unternehmen von Künstlicher Intelligenz (KI) und Advanced Analytics aus? Welche Möglichkeiten bieten sie uns, das Bestandsgeschäft zu verbessern? Wie können wir damit neue geschäftliche Chancen erschließen?

4. Rollen nicht definiert

Im Feld Data Analytics werden die Rollen nicht richtig definiert: Der Begriff "Data Scientist" kann viele Tätigkeiten und Verantwortlichkeiten umfassen. Daten-/ und Digitalisierungsverantwortliche müssen gemeinsam mit dem obersten Personalentscheider konkrete Profile entwickeln.

Unternehmen müssen definieren, welche Rollen sie rund um Data Analytics brauchen.
Unternehmen müssen definieren, welche Rollen sie rund um Data Analytics brauchen.
Foto: McKinsey

5. Analytics-Translator fehlen

"Analytics-Übersetzer" fehlen: McKinsey spricht wörtlich von "Analytic Translators", die jedes Unternehmen braucht. Sie kommen idealweise von der Business-Seite und wirken als Mittler zwischen Technologen und Betriebswirten. Wunschkandidaten für diese Rolle stammen aus dem Unternehmen selbst, kennen es, kennen den Markt und verfügen über ein gutes Verständnis mathematischer Modelle. Solche Kandidaten kann das Unternehmen in einer eigenen Academy ausbilden.

6. Ressourcen nicht richtig eingebunden

Die Ressourcen rund um Analytics sind organisatorisch nicht richtig eingebettet: Beschwert sich ein Data Scientist, seine Arbeit verpuffe, liegt das vermutlich an der mangelnden Einbettung von Data Analytics. Es gehört ins Kerngeschäft. McKinsey rät zu einem hybriden Modell: Teile des Unternehmens arbeiten agil. Zu diesen agilen Teams zählen Manager aus dem Business und Data Analysten. Dabei bleibt Data Governance eine zentrale Aufgabe, doch die agilen Teams sollten Stück um Stück mehr Autonomie erhalten.

7. Falsches Data Cleansing

Unternehmen wenden Data Cleansing falsch an: Unternehmen verteilen Data Cleansing nach dem Gießkannen-Prinzip, beobachtet McKinsey. Das sei Geldverschwendung. Vor dem Start von Data Cleansing-Projekten ist zu klären, welches die wertvollsten Use Cases sind und welche Daten dafür benötigt werden. Parallel dazu müssen die Daten-Verantwortlichen eine Data-Ontologie (Bezugssystem mit Interferenz- und Integritätsregeln) aufbauen.

8. Passende Plattformen fehlen

Die richtigen Plattformen für die Lösungen fehlen: Die Bedeutung der Architektur als Grundlage der digitalen Transformation ist anerkannt. McKinsey hält es für falsch, diese zunächst an den Legacys auszurichten. Neue Data-Plattformen können parallel zu Alt-Systemen existieren. Aufgabe des CIO ist es, die Integration der Daten aus verschiedenen Quellen zu ermöglichen.

9. Neue Metriken fehlen

Es fehlen Metriken für den quantitativen Wert von Analytics: Alle Stakeholder rund um Data Analytics sollten sich mit dem Finance-Team zusammensetzen, um neue Metriken zu entwickeln. Diese müssen sie dann auch anwenden.

10. Ethische, soziale und regulatorische Probleme übersehen

Unternehmen übersehen mögliche ethische, soziale und regulatorische Probleme: McKinsey nennt hier den Fall eines Unternehmens, das den Ursachen für Fehlzeiten auf den Grund gehen wollte. Mittels Data Analytics ließ sich ein Zusammenhang zu Attributen wie Geschlecht und ethnischer Zugehörigkeit der Mitarbeiter erkennen. Das war nicht compliant. Der Daten-Verantwortliche muss sicherstellen, dass das Vorgehen immer regelkonform abläuft.