Die 10 wichtigsten Prinzipien für die Transformation eines globalen Unternehmens in eine datengetriebene Organisation.

Alexander Thamm, Gründer und CEO der gleichnamigen Firma, die Beratung zu den Themen Data Science und künstliche Intelligenz anbietet, sowie Dr. Alexander Borek, Global Head of Data & Analytics bei der Volkswagen Financial Services AG, hielten die Einführungsrede beim Data Festival 2018, in der es um die 10 wichtigsten Prinzipien für die (digitale) Transformation in ein führendes datengetriebenes Unternehmen geht. Die beiden Experten diskutierten häufige Fallstricke bei der digitalen Transformation (traditioneller) Unternehmen.

Regel #1: Akzeptieren Sie, dass die Rede von der „einfachen digitalen Transformation“ ein Mythos ist.

Während bei vielen (digitalen) Start-ups Themen wie Big Data und Analytics tief verwurzelt sind, stehen viele herkömmliche, vor der Jahrtausendwende gegründete Unternehmen, hier durchaus vor Problemen. Die Entwicklung in diese Richtung begann in Deutschland größtenteils bereits vor ca. 2-3 Jahren, doch für viele CDOs ergeben sich erst jetzt Schwierigkeiten.

Denn in althergebrachten Unternehmen muss sich auch die zugrundeliegende DNA ändern, d.h. es muss hinterfragt werden, „was man wie tut“ – in diesem Zuge werden dann Veränderungen größeren Ausmaßes notwendig. Doch das ist leichter gesagt als getan, wenn es um bestimmte Aspekte geht, die die Mitarbeiter sehr schätzen. In diesem Zusammenhang entsteht ein Dilemma für CDOs und andere, mit der digitalen Transformation eines Unternehmens betrauten Personen: Auf der einen Seite müssen sie die Angestellten von der Notwendigkeit der Veränderungen und dem großen Potenzial selbiger überzeugen. Auf der anderen Seite muss aber auch offen kommuniziert werden, dass das kein leichtes Unterfangen ist.

Eine Möglichkeit, wie dies bewerkstelligt werden kann, ist die Präsentation von Use-Cases, die das Potenzial von Daten für das gesamte Unternehmen demonstrieren. All diese Geschäftsmodelle müssen allerdings nach Entwicklung in einem Lab in den Kern des Unternehmens integriert werden. Für diesen Schritt ist ein umfangreiches Change-Management erforderlich. Es ist zudem wichtig, zwischen dem reinen Potenzial und dessen tatsächlicher Realisierung zu unterscheiden. In diesem Kontext ist es wichtig, ganz offen zu bekennen, dass die digitale Transformation ein harter Prozess wird.

Regel #2: Zeigen Sie anhand von Beispielen, inwiefern grundlegende Annahmen in Ihrer Branche durch die digitale Disruption auf den Kopf gestellt werden.

In manchen Unternehmen herrschen fundamentale Überzeugungen vor, die im Zuge der digitalen Transformation überdacht und neu definiert werden müssen. Eines dieser Paradigmen betrifft die fehlende Investitions-Infrastruktur in Deutschland und der EU. Dies trifft besonders auf traditionelle Unternehmen zu. Doch was bedeutet das konkret? Nun, in Deutschland sind viele Unternehmen Meister in der Berechnung von Return-on-Investment (ROI)-Raten.

Und während die Ausrichtung auf einen schnellen ROI in der Vergangenheit gut funktioniert haben mag, zeigen viele digitalitätsaffine Unternehmen wie Zalando oder Amazon, dass gerade zu Beginn hohe Investitionen über eine gewisse Dauer notwendig sind. Diese Unternehmen haben über einen langen Zeitraum viel Geld investiert, um langfristig einen angemessenen ROI zu erzielen – und diese Anlagestrategie erwies sich als entscheidender Schritt auf dem Weg zum Erfolg in der digitalen Transformation.

Um sich also in solch ein digitales Unternehmen zu verwandeln, brauchen herkömmliche Unternehmen einen kleinen Anstoß, um aus ihrer Komfortzone zu treten. Aber was bedeutet klein, und wie viel ist zu viel? Beispielsweise wird die Aussage, dass ihre Arbeit automatisiert und bald von einem Roboter substituiert werden wird, bei den wenigsten Mitarbeitern eines Unternehmens gut ankommen. Vielversprechender wäre eine beispielsweise eine Veranschaulichung der Zeitersparnis, die durch den Einsatz effizienter Algorithmen statt aufwändiger Excel-Tabellen erzielt werden kann. Dadurch  können Mitarbeiter früher in den Feierabend starten und Zeit mit ihren Familien verbringen.

Regel #3: Vermitteln Sie die einfache Gleichung: Digital = Daten + X.

Diese Rechnung mag sich simpel anhören, beschreibt allerdings zwei verschiedene Aspekte – und beide sind von entscheidender Bedeutung für den Erfolg von Data-Science-Projekten.

Zunächst einmal bedeutet der Gleichungssatz, dass – wenn die digitale Transformation wirklich gelebt werden soll – sowohl Daten als auch Analysen benötigt werden. Das mag nach gesundem Menschenverstand klingen, ist aber nicht jedem gleich klar. Viele Menschen sind begeistert von der Idee, „coole Daten-Anwendungen“ wie Empfehlungssysteme oder Data Lakes, einzuführen. Allerdings weiß nicht jeder darüber Bescheid, dass tatsächlich Daten und Analysen hinter diesen stecken: Ebenso wenig ist flächendeckend bekannt, dass hohe Investitionen, z.B. für Data Lakes, notwendig sind, um diese „coolen Dinge“ umzusetzen.

Die Gleichung bedeutet aber auch, dass das X kontrolliert werden muss. Sonst kann man so viele Algorithmen entwickeln, wie man will, man kann sie vielleicht nie umsetzen. Nach Ansicht der Experten denken viele Menschen, wie z.B. Absolventen von IT-Studiengängen, dass Data Science im Grunde genommen Machine Learning ist und ein Großteil der Arbeitszeit in der Entwicklung neuronaler Netze o.ä. besteht. Dies bildet allerdings nur einen Ausschnitt der Realität ab. Es gibt viele wichtige Aspekte, die zusätzlich berücksichtigt werden müssen.

Dr. Alexander Borek illustriert das und berichtet von einem sehr guten Empfehlungsalgorithmus für eine Website, der von mehreren Experten über 6 Monate hinweg entwickelt wurde. Dieser konnte jedoch nie implementiert werden, da er nicht zur Datenpipeline passte. Die Entwicklung des Algorithmus war also mehr oder weniger umsonst.

Zur Veranschaulichung vergleicht Alexander Thamm Machine Learning mit Zimt: Zimt ist ein tolles Gewürz, das manchen Gerichten erst den richtigen Pfiff gibt. Reinen Zimt zu konsumieren, ist allerdings wenig schmackhaft – tatsächlich ist es so, dass das Gewürz erst im Zusammenspiel mit anderen Zutaten seinen Reiz entwickelt.

Was kann man also gegen diese beiden Probleme tun? Grundsätzlich ist es hilfreich, Menschen/Mitarbeiter zu schulen und ihnen den Wert von Daten zu verdeutlichen, gleichzeitig aber zu betonen, dass Datenprodukte nicht nur aus Daten bestehen.

Regel #4: Schulen Sie Ihre aktuellen Mitarbeiter zum Thema Data Analytics – denn jeder kann es lernen.

Auf dem Weg zu einem digitalen Unternehmen stehen viele Firmen vor dem Problem, dass Data Scientists schwer zu finden sind – noch schlechter sieht es beim Berufsbild des Data Engineers aus. Wie können Unternehmen diesem Mangel an Datenexperten am besten begegnen? Anstatt neue Mitarbeiter vom Markt zu rekrutieren, könnte ein praktischerer Ansatz darin bestehen, die eigenen Mitarbeiter entsprechend zu schulen. Denn diese sind mit den internen Prozessen und der spezifischen Kultur im Unternehmen bereits vertraut, was einen nicht zu unterschätzenden Vorteil darstellt.

So kann beispielsweise fast jeder Mitarbeiter, insbesondere solche mit einem quantitativen Fokus ihrer Tätigkeit, im kleinflächigen Umgang mit Machine Learning und Datenvisualisierung geschult werden. Denn auch wenn sie dadurch nicht zu führenden Datenexperten werden, können sie den Wert von Daten, entsprechend eines Hebeleffekts, erheblich steigern.

Darüber hinaus ist es wichtig, jeden Mitarbeiter im Umgang mit Datenprodukten – zumindest aus der Business-Perspektive – zu schulen. Neben der reinen Weiterbildung ist es aber auch wichtig, die Mitarbeiter in die Initiativen einzubeziehen. Dies ist besonders wichtig, um zu vermeiden, dass sich die Menschen durch neue Technologien bedroht oder abgehängt fühlen. Dieser Aspekt ist Teil des sog. „weichen“ Change-Managements im Zuge der digitalen Transformation – Menschen sollten mit an Bord genommen werden um neue Technologien mit Neugier zu begegnen und diese spielerisch zu erkunden.

Regel #5: Schaffen Sie Entscheidungsbefugnisse für funktionsübergreifende Rollen und Gremien.

In Kontrast zu dem eben angeklungenen weichen Teil bezieht des Change-Managements bezieht sich diese Regel eher auf den harten Teil des Change-Management-Prozesses. Die meisten Datenthemen innerhalb eines Unternehmens betreffen verschiedene Abteilungen – so benötigt beispielsweise der Vertrieb Daten vom Qualitätsmanagement. Ohne ein funktionsübergreifendes Gremium, das Erneuerungen und Entscheidungen steuert, müssen Sie regelmäßig die Geschäftsführung zu kleinen und/oder technischen (Detail-)Entscheidungen befragen. Da dies sowohl mühselig, als auch ineffizient ist, empfiehlt sich die Einrichtung eines solchen Gremiums. Es steuert den Veränderungsprozess in der digitalen Transformation, trifft Entscheidungen und fungiert als Vorstufe zum Vorstand, um so Entscheidungsprozesse zu beschleunigen.

Regel #6: Geben Sie Ihre Daten frei.

Dies ist vielleicht die größte Aufgabe, die sich aus Regel #5 ergibt. Personen, die mit Daten arbeiten, sollten diese nicht für sich „horten“, sondern freigeben und somit allen Kollegen im Unternehmen zur Verfügung stellen – natürlich unter Berücksichtigung der Datenschutzgrundverordnung (DSGVO). Nach Ansicht der beiden Experten kann die DSGVO eine große Chance für Unternehmen sein, „mal so richtig auszumisten“ und zu prüfen, welche Daten gespeichert und wozu sie verwendet werden – die wichtigste Frage beim Thema Datenfreigabe.

Dies ist insbesondere wichtig, da viele Projekte scheitern, weil sich die Mitarbeiter nur auf das Erfassen (oder sogar Horten) von Daten konzentrieren. Sobald eine andere Person diese Daten verwenden möchte, kann es Probleme geben, da keine weiterführenden Informationen zu den Daten dokumentiert oder geteilt wurden. Um dies zu verhindern, sollten Daten dokumentiert (beschrieben) und im Unternehmen zur Verfügung gestellt werden.

Regel #7: Teilen Sie Informationen zu den Daten.

Diese Regel ist eine direkte Folge der vorhergehenden, und die neue DSGVO ist eine gute Gelegenheit, mit dem Erfassen von aussagekräftigen Daten zu beginnen. Im Kontext der DSGVO mussten viele Unternehmen feststellen, dass sie nicht wirklich viel über ihre Daten wissen. Auf manche haben sie nicht einmal Zugriff.

Das Problem: Die Daten lagern oft lokal, sprich es sind lokale Prozesse involviert und diese müssen verstanden werden, um Daten sinnvoll zu nutzen. Um ein solches Verständnis zu entwickeln, müssen viele Personen befragt werden – ein großer Zeitaufwand. Sobald Sie also die Daten „entschlüsselt“ haben, ist es wichtig, die Ergebnisse zu dokumentieren. Ansonsten muss jeder Mitarbeiter viel Zeit auf eine umfassende Recherche verwenden. Zusammenfassend kann man sagen, dass der Aufbau von Datenprodukten ein umfassendes Verständnis über die Bedeutung der Daten erfordert.

Regel #8: Automatisieren Sie die Datenaufbereitung.

Data Scientist= Data Waiter? Dazu kann es kommen, wenn die Datenaufbereitung nicht automatisiert wird. Man könnte meinen, dass dieser Prozess nur einmal notwendig ist. Tatsächlich muss er aber ggf. jedes Mal neu abgespult werden, wenn neue Daten hinzukommen oder ein Fehler in den vorhandenen Daten entdeckt wurde. Was bedeutet das? „Lieber Python als R verwenden“, rät Alexander Thamm. Doch weshalb?

Sobald Data Use-Cases in die Produktion gehen, ist es entscheidend, ein proof-of-concept zu bauen, das als Grundlage für das finale Produkt verwendet werden kann. Stellen Sie sich beispielsweise einen Kunden vor, der häufig eine Vielzahl an Reports anfordert – 80-90 % dieser Anfragen könnten automatisiert werden, was in diesem Fall sogar der Hauptanwendungsfall wäre. Die Nutzung von Daten bedeutet nicht immer zwangsweise die Entwicklung eines ausgefallenen Gesichtserkennungsalgorithmus oder automatisierter Empfehlungen. Es kann auch um Kosteneinsparungen gehen, indem IT-Prozesse effizienter gestaltet werden, z.B. durch die Automatisierung der Datenpipeline, die zu drastischer Senkung der Lizenz- oder Arbeitskosten führen kann.

Was ist also die Kernaussage dieser Regel? Stellen Sie sich eine Flasche vor, die mit verschiedenen Flüssigkeiten gefüllt ist und von jedem verwendet werden kann. Wenn Sie diese „Flasche“ nun mit einem customer retention score oder irgendeinem anderen Produkt füllen, können es alle nutzen und teilen. Sehen Sie diese Produkte als Elemente an, die gesammelt und verfügbar gemacht werden können. Obwohl etwas für Sie nur ein Nebenprodukt ist, kann es für eine andere Abteilung von entscheidender Wichtigkeit sein.

Regel #9: Verankern Sie eine „AI First“, Cloud sowie Open-Source Strategie.

Cloud First – wann immer Sie ein neues Produkt einführen, prüfen Sie den Einsatz von Cloud. Diese bietet eine sichere Datenumgebung, und wenn Sie eine europäische Cloud nutzen, richtet sie sich nach wichtigen Vorschriften wie der DSGVO oder Regularien für Banken. Es wird sogar empfohlen, interne Daten in die Cloud zu migrieren, da IT-Systeme mit Big Data Analytics und den Innovationen in diesem Bereich nicht Schritt halten können.

AI First – wann immer Sie Apps entwickeln, denken Sie an Bedienbarkeit über die Stimme/Sprache und nicht nur einen Touch-Screen. Sprache ist natürlich und kann für kundenfreundlichere Möglichkeit der Bedienung sorgen

Open-Source – vor dem Hintergrund der hohen Innovationsrate sind bestimmte Komponenten innovativer Produkte oft Open-Source. Es ist jedoch nicht notwendig, auf kostenlose Versionen zu setzen. Die meisten Open-Source-Komponenten sind jedoch sowohl innovativ als auch strategisch.

Regel #10: Balancieren Sie Data Analytics, Innovation und (digitale) Transformation.

Der Prozess der Verbesserung der Datennutzung ist nicht linear – das geht Hand in Hand mit Regel #1. Verbesserung kann durch einen iterativen Prozess erzielt werden, in dem abwechselnd verschiedene Bereiche vorangetrieben werden. Gepusht werden können beispielsweise die strategische Seite, das Lab, die Technologieseite, PLC, Prototypen o.ä. Keine leichte Aufgabe, aber ein entscheidender Schritt bei der digitalen Transformation eines Unternehmens.

Das Interesse ist geweckt? Die vollständige Präsentation ist hier verfügbar..