Self-Service Analytics

5 Erfolgstipps für Analysen ohne IT

14.11.2022
Von  und
Bob Violino arbeitet als freier IT-Journalist für InfoWorld und Network World in den USA.


Florian Maier beschäftigt sich mit vielen Themen rund um Technologie und Management. Daneben betätigt er sich auch in sozialen Netzen.
Mit Self-Service Analytics können Unternehmen schneller datengestützte Entscheidungen treffen – wenn sie dabei richtig vorgehen. Lesen Sie, wie das geht.
Self-Service Analytics kann Ihr Unternehmen nach vorne bringen - wenn Sie es richtig angehen. Diese fünf Tipps unterstützen Sie dabei.
Self-Service Analytics kann Ihr Unternehmen nach vorne bringen - wenn Sie es richtig angehen. Diese fünf Tipps unterstützen Sie dabei.
Foto: Foxy burrow - shutterstock.com

Datengestützte Entscheidungsfindung ist ein wesentliches Merkmal moderner, digitaler Unternehmen. Allerdings sind erfahrene Datenanalysten und -wissenschaftler nicht nur teuer, sondern auch schwer zu finden und binden.

Ein Weg, diese Herausforderung anzugehen: Der Einsatz von Self-Service Analytics. Diese Unterform von Business Intelligence (BI) ermöglicht es Business-Nutzern, Abfragen und Reports mit wenig oder gar keiner Unterstützung von IT- oder Datenspezialisten zu erstellen. Dabei kommen in aller Regel einfach zu bedienende Tools mit grundlegenden Analytics-Funktionen zum Einsatz. Mit deren Hilfe können Fach- und Führungskräfte etwa Markttrends und -chancen erkennen. Erfahrung mit Analytics oder ein Statistik-Background sind dazu nicht erforderlich.

Es ist also leicht nachzuvollziehen, warum Self-Service-Analytics-Programme für Unternehmen zunehmend an Attraktivität gewinnen. Geht es darum, diese einzusetzen und zu nutzen, kann jedoch auch einiges schiefgehen. Die folgenden fünf Tipps können Sie davor bewahren, dass Ihre Self-Service-Analytics-Ambitionen in diesem Stil enden:

1. Analytics-Plan erarbeiten

Data Analytics und die dazugehörigen Tools genießen in vielen Unternehmen inzwischen einen so hohen Stellenwert, dass die Gefahr einer übermäßigen oder unangemessenen Nutzung besteht. Das gilt umso mehr für Self-Service-Analysen, da sie einem noch wesentlich größeren Personenkreis ermöglichen, Daten zu analysieren.

Es ist deshalb wichtig, einen Plan darüber zu erarbeiten, wann und wo der Analytics-Einsatz sinnvoll ist - und über angemessene Kontrollmaßnahmen zu verfügen, die verhindern, dass Ihre Analytics-Strategie zum Freibrief für die Allgemeinheit wird, wie Brittany Meiklejohn, Analystin für Geschäfts- und Vertriebsprozesse beim US-Industriezulieferer Swagelok, unterstreicht: "Bevor Sie irgendetwas analysieren, brauchen Sie eine Vision und müssen die Fragen kennen, die Sie mit Ihren Analysen beantworten möchten. All die Grafiken und Diagramme verfangen zwar schnell, können jedoch genauso schnell überwältigen. Haben Sie von Anfang an einen Fahrplan, können Sie sich auf die relevanten Metriken konzentrieren. Um die zu validieren und sauber zu halten, empfiehlt sich auch eine Data-Management-Strategie."

Der Analyseplan sollte nach Meinung von Meiklejohn soweit wie möglich auf die Nutzung proaktiver Daten abstellen: "Nehmen Sie die Daten in den Fokus, aus denen sich Maßnahmen ableiten lassen - also ins Unternehmen zurückgeführt werden können. Nutzen Sie Ihre Learnings, um Prozesse und Entscheidungsfindung auf Unternehmensebene zu verändern."

Meiklejohns Arbeitgeber Swagelok verwendet Self-Service-Analytics-Tools aus dem Hause Domo, um:

  • festzustellen, ob sich Kundenbestellungen verspäten,

  • Produktionsläufe zu planen,

  • die Verkaufsleistung zu analysieren, und

  • Lieferkettenentscheidungen zu treffen.

Dabei hat das Unternehmen Effizienzsteigerungen festgestellt, wie die Analystin preisgibt: "Jeder im Unternehmen kommt heute wesentlich schneller an die benötigten Daten, um Entscheidungen zu treffen. Weil alle Abteilungen auf Data-Driven Decision Making setzen, treffen wir insgesamt verantwortungsvollere, datengestützte Entscheidungen."

2. Schnelle Erfolge anstreben

Eine langfristige Analytics-Strategie vorweisen zu können, ist zwar von Vorteil - das heißt aber nicht, dass Sie in Sachen Self-Service Analytics Schneckentempo vorlegen sollten.

"Schnell handeln, Risiken eingehen und lernen - das wäre mein Rat für alle, die gerade erst mit Self-Service-Analytics beginnen", konstatiert Keith Carey, CIO beim Polysilizium-Spezialisten Hemlock Semiconductor.

"Verstehen Sie mich nicht falsch", ergänzt er: "Governance ist sehr wichtig - sollte aber etwas später hinzukommen, um die Kreativität nicht im Keim zu ersticken."

Der Manager empfiehlt, eine kleine Arbeitsgruppe zu bilden und ihr eine Mission zuzuweisen, um zu demonstrieren, was machbar ist: "Das Team sollte sich auf die Datenpipelines konzentrieren, die eine konsistente Geschäftslogik und Metriken im gesamten Unternehmen ermöglichen. Dabei müssen alle Beteiligten verstehen, wie wichtig die Aktualität und Qualität der Daten ist, auf deren Grundlage wichtige Entscheidungen getroffen werden."

Der Hemlock-CIO weiß, wovon er spricht: Im Jahr 2018 initiierte er selbst eine Self-Service-Analytics-Initiative. Dabei setzte er auf die Spotfire-Plattform von Tibco, die bei Hemlock Semiconductor derzeit in allen Unternehmensbereichen genutzt wird. Der Kontrast zu früheren Zeiten könnte nicht größer sein: "Zuvor entwickelte die IT-Abteilung benutzerdefinierte .NET-Anwendungen, die Daten verarbeiteten und erste Diagrammfunktionen bereitstellten. Die beliebteste Funktion dieser Anwendungen war die Schaltfläche 'Export nach Excel', wodurch die Microsoft-App zur bevorzugten Analyseplattform wurde", erinnert sich Carey.

Durch die Umstellung auf Self-Service-Analytics haben nun alle Abteilungen die Möglichkeit, Daten für sich zu nutzen und leistungsstarke Visualisierungen zu erstellen. Der CIO fasst stolz zusammen, welche Vorteile sein Unternehmen mit Hilfe der Tibco-Plattform realisieren konnte: "Wir konnten die Lernkurve verkürzen, schneller Ergebnisse liefern und unsere Fertigungsprozesse besser verstehen, was wiederum zur Verbesserung unserer Produkte und zu Kostensenkungen geführt hat. Indem wir die bestehenden Reporting-Methoden optimiert und neue Erkenntnisse gewonnen haben, sparten wir innerhalb kürzester Zeit Millionen ein."

3. NLP einsetzen

Geht es um Self-Service Analytics, kommen Unternehmen an Natural Language Processing (NLP) nicht vorbei. Dave Menninger, Senior Vice President und Director bei Ventana Research, erklärt warum: "NLP macht Datenanalysen wesentlich zugänglicher, weil die Notwendigkeit entfällt, SQL, Datenbank-Strukturen und das Konzept der Tabellenverknüpfung zu verstehen. Eine Natural-Language-Suche ermöglicht, Fragen zu stellen und Antworten zu erhalten, ohne eine spezielle Syntax zu verwenden - ähnlich der Verwendung der Google-Suchleiste."

So könnte ein Benutzer beispielsweise ermitteln, welche Produkte in einem bestimmten Monat den größten Umsatzanstieg oder -rückgang verzeichnet haben. Auf Grundlage der Ergebnisse könnte der User die Suche anschließend weiter verfeinern, um beispielsweise den Lagerbestand für spezifische Produkte zu ermitteln.

Laut Menninger geht es bei NLP jedoch mehr um die Analyseergebnisse als um die Abfrage selbst: "Sobald eine Abfrage formuliert wurde, sei es mit NLP oder auf andere Weise, werden die Ergebnisse in Form von Narrativen angezeigt, die erklären, was gefunden wurde. Die Darstellung in natürlicher Sprache macht es einfacher zu wissen, worauf man in einer Analyse achten muss. Sie beseitigt auch die Inkonsistenz bei der Interpretation von Daten, indem sie genau angibt, was man aus der Analyse mitnehmen sollte."

4. Embedded Analytics nutzen

Embedded Analytics bezeichnet die Integration von Analytics-Funktionen und Datenvisualisierungen wie Echtzeit-Reportings und -Dashboards in Geschäftsanwendungen. Letztere fallen typischerweise in die Bereiche:

"Embedded Analytics bringt die Analytik in die Anwendungen, die Mitarbeiter täglich verwenden", erklärt Research Director Menninger. "Im Zusammenhang mit Business-Applikationen machen es vorgefertigte Analysen den Mitarbeitern in den Fachabteilungen wesentlich leichter, auf Analysen zuzugreifen und diese zu nutzen. Hinzu kommt der Governance-Aspekt, denn die Daten werden von der zugrundeliegenden Anwendung gemanagt - Zugriffsrechte sind hier bereits festgelegt."

5. Die richtigen Tools wählen

Tools können das Züglein an der Waage sein, wenn es um den Erfolg (oder Misserfolg) Ihrer Self-Service-Analytics-Initiative geht. In diesem Zusammenhang sollten Führungskräfte eng mit der IT-Leitung zusammenarbeiten, um in Frage kommende Tools zu evaluieren und zu ermitteln, welche am besten zu den Anforderungen des Unternehmens und seiner Infrastruktur passen.

Laut Harveer Singh, Chief Data Architect und Head of Data Engineering and Architecture beim US-Zahlungsdienstleister Western Union, stellte sein Unternehmen vier wesentliche Anforderungen, als es um die Auswahl einer Self-Service-Analytics-Plattform ging. Diese sollte:

  • leicht in mehrere unterschiedliche Datenquellen integrierbar,

  • dabei flexibel und benutzerfreundlich, sowie

  • mit leistungsstarken Analysefunktionen ausgestattet sein, und

  • lediglich minimale Anforderungen an die Infrastruktur stellen.

Am Ende entschied sich Western Union für die Plattform von Tableau, um seinen Business-Nutzern eigene Abfragen und Analysen in einer kontrollierten Umgebung zu ermöglichen, wie Datenentscheider Singh erzählt: "Die Fachabteilungen sind dabei nicht auf die Unterstützung der IT-Abteilung angewiesen, weil wir uns für das richtige Tool entschieden haben. Unsere Benutzer haben die Freiheit, die Daten ohne technisches Know-how zu bearbeiten. Diese können aus unterschiedlichen Quellen stammen und in verschiedenen Formaten vorliegen. Self-Service Analytics ist ein Asset, dass auf dynamische Geschäftsanforderungen reagiert."

Dieser Beitrag basiert auf einem Artikel unserer US-Schwesterpublikation CIO.com.