Oh Snap!

Please turnoff your ad blocking mode for viewing your site content

img
Home / Technologie / Konzeption der Phasen bei der Einführung von Big Data Analytics

Konzeption der Phasen bei der Einführung von Big Data Analytics

/
/
/
3 Views

Das Grundschema eines übergreifenden Modells zur Einführung von Big Data Analytics nach Schroeck et al. (2012) erfüllt die Bewertungskriterien als Basis für weitere Anpassungen am besten und wurde zugleich in einer umfangreichen Studie entwickelt. Dennoch erfüllen auch andere Modelle die Kriterien und überschneiden sich mit den Erfahrungen der Experten, weshalb diese Einflüsse ebenfalls bei der Entwicklung der Phasen berücksichtigt werden. Um die Teilaktivitäten der Phasen des Modells festzulegen, erfolgt die inhaltliche Zusammenführung der Modelle von Schroeck et al. (2012), Mills et al. (2012) und Cramer & Türk (2013).

Phase 1: Informieren

Die Phase des Wissensaufbaus ist bei Schroeck et al. (2012, S. 13) der erste Schritt der Einführung. 24 Prozent der befragten Unternehmen befinden sich in dieser Anfangsphase. Das Modell von Informatica (o. J.) und Mills et al. (2012) rückt bereits zu Beginn strategische Fragestellungen ins Zentrum der Betrachtung. In das konzeptionelle Modell wird die Informationsphase mit aufgenommen, da sich aus den Experteninterviews und der Literatur Hinweise ergeben, die eine Aufnahme der Informationsphase als ersten Schritt im Phasenmodell unterstützt. I3 empfiehlt bei innovativen Projekten zu Beginn eine sogenannte Explorationsphase. Da es sich bei der Einführung von Analytics zur Nutzung von Big Data um ein innovatives Themengebiet handelt, erfolgt noch vor Projektspezifizierung- und konkretisierung eine Aufnahme des Ist-Zustands. Dieser Schritt ist nach der Erfahrung des Experten notwendig, um die Gefahr falscher Annahmen durch Mitarbeiter zu minimieren. Hintergrund kann zum Beispiel die Bewertung technischer Fragestellungen ohne eine ausreichende Fachkompetenz sein. Des Weiteren wird die Informationsphase durch eine Befragung zur Auseinandersetzung mit Big Data gestützt, nach der sich 27 Prozent der deutschen Unternehmen in einer Analyse- und Informationsphase befinden (Bartel et al., 2012, S. 18). Elf Prozent sind mit der Ausarbeitung einer unternehmensweiten Strategie beschäftigt. Es wird deutlich, dass im Prozess der Einführung zunächst eine Annäherung an die Thematik erfolgt, bevor strategische Fragestellungen bearbeitet werden. Ebenso plädiert Dittmer (2014) zu Aufklärungsarbeit in Unternehmen, um ein gemeinsames Verständnis von Big Data Analytics zu schaffen. Ziel dabei ist es, Mythen und Irrtümer von Big Data zu entschärfen und alle relevanten Stakeholder zur Vorbereitung des Projekts einzubinden.

Die Autoren Schroeck et al. der IBM-Studie „Analytics: Big Data in der Praxis“ empfehlen, für diese Phase und den Übergang in die zweite Phase, das Wissen kontinuierlich in denjenigen Bereichen zu erweitern, die für das Unternehmen Wettbewerbsvorteile schaffen können (2012, S. 17). Durch Zusammenarbeit von unterschiedlichen Geschäftsbereichen und Funktionen können diejenigen Bereiche und Herausforderungen identifiziert werden, welche aus einem besseren und zeitnahen Datenzugriff Nutzen ziehen.

Phase 2: Strategie

Nach Abschluss der Informationsphase folgt eine Phase, die sich mit der Identifikation eines oder mehrerer konkreter Anwendungsfälle und der Ausarbeitung eines Business Case beschäftigt. Neben den ausführlicher vorgestellten Modellen von Mills et al. (2012), Cramer & Türk (2013) und Schroeck et al. (2012), sind das Suchen und Definieren von Anwendungsfällen und der Untersuchung des Projekts durch Aufstellen eines Business Case auch bei Informatica (o. J.), Hagen et al. (2013) und Böken et al. (2013) Bestandteil des Phasenmodells. Enderlein (2014) bestätigt, dass die Identifikation von Anwendungsfällen stets zu Beginn des Analyseprozesses erfolgt. Häufig werden zunächst relevante Anwendungsfälle im Unternehmen ermittelt und bewertet (Buschbacher & Stüben, 2014). Dimensionen der Bewertung können Komplexität, Innovation und Nutzen sein (Buschbacher & Stüben, 2014). Darauf basierend wird ein vielversprechender Anwendungsfall ausgewählt und spezifiziert. Der Grundgedanke dabei ist, die Herausforderungen des Anwendungsfalles zu verstehen und die Ziele möglicher Projekte konkret zu formulieren. Aus der Spezifikation des Anwendungsfalles wird ein Maßnahmenplan abgeleitet, welcher als Grundlage für die Durchführung des Big Data Analytics Projekts dient (Buschbacher & Stüben, 2014). Der Business Case wird dazu genutzt, alle Kostenfaktoren und alle Nutzenaspekte für ein spezifisches Projekt zu erheben, zu quantifizieren und zu dokumentieren (Brugger, 2009, S. 12). Damit fasst der Business Case die entscheidungsrelevanten Aspekte des Big Data Analytics Projekts zusammen. Das Ziel des Business Case ist es, die wirtschaftliche Vorteilhaftigkeit und strategische Konformität des Gesamtprojekts aufzuzeigen und eine Management-Entscheidung desselben zu ermöglichen (Brugger, 2009, S. 13).

Es kann festgestellt werden, dass zahlreiche Phasenmodelle den Abgleich der Anforderungen des Projekts mit den Ressourcen im Unternehmen als Bestandteil in eine ihrer Phasen integrieren. Das geschieht bei fast allen Modellen während der Strategiephase. Schroeck et al. (2012) gehen in ihrer Studie davon aus, dass im zweiten Prozessschritt generell die vorhandenen Daten, Technologien und Fähigkeiten berücksichtigt werden. Zunächst ist es nötig, den Informationsbedarf zu bestimmen. Dazu müssen die für die Analysen benötigten Daten mit den vorhandenen Datenquellen abgeglichen werden (Informatica, o. J.). Das Modell von Mills et al. (2012) führt den Abgleich der im Unternehmen vorhanden Daten und technischen Ressourcen mit den benötigten Daten und technischen Ressourcen als separate Phase auf. Informatica (o. J.) definiert ebenfalls eine Datenphase, die nach Formulierung der Geschäfts- und IT-Ziele folgt. Dort werden zunächst die benötigten Informationen festgelegt und diejenigen Daten und Quellen identifiziert, die für die Bereitstellung dieser Informationen benötigt werden.

Dennoch ergeben sich aus den Experteninterviews und den verbleibenden Modellen Gründe, dass die Ausarbeitung der Strategie für das Einführungsprojekt eng verknüpft mit der Bewertung der im Unternehmen vorhandenen Ressourcen ablaufen sollte. I1 nennt diesen Schritt Data Assessment. Die Datenbeschaffung bezeichnet er als den ersten operativen Schritt im Phasenmodell, der nicht mit der erst im späteren Verlauf der Einführung durchgeführten Datenaufbereitung zu verwechseln ist. Nach Meinung des Experten ist das Data Assessment bereits zu Beginn des Projekts durchzuführen. Eine Strategie, die nicht umgesetzt werden kann, oder bereits zu Anfang zum Scheitern verurteilt ist, gefährdet das Projekt. Deshalb ist es dem Gesprächspartner nach notwendig, die generelle Verfügbarkeit der Daten bereits mit Entwicklung der Strategie zu prüfen. Dazu gehört auch, die Daten fachlich und inhaltlich zu betrachten. Zu Beginn des Prozesses sind theoretisch sehr viele verschiedene Projektverläufe denkbar, sodass die praktische Umsetzbarkeit früh geprüft werden muss. Aus diesen Gründen und der Verdeutlichung zur Berücksichtigung der verfügbaren Daten in der Geschäftsstrategie wird dieser Schritt in die Strategiephase mit aufgenommen und nicht als eigene Phase in das Modell integriert.

Für die zweite Phase und den Übergang in die dritte Phase empfehlen Schroeck et al. (2012, S. 17) die Ausarbeitung von ein bis zwei Business Cases für wichtige Herausforderungen oder Geschäftsmöglichkeiten, welche in der darauf folgenden Phase mit Pilotprojekten getestet werden. Ziel der Phase sollte es sein, die vorhandenen Qualifikationen der internen Ressourcen zu analysieren, um Hindernisse durch interne Weiterbildungsmaßnahmen oder externe Mitarbeiter überwinden zu können.

Phase 3: Prüfen

Im Modell von Schroeck et. al (2012) wird in der dritten Phase der Geschäftsnutzen geprüft. Durch das Entwickeln von Konzeptnachweisen, die auch Pilotprojekte genannt werden, arbeiten die Unternehmen während dieser Phase bereits in einem definierten und begrenzten Umfang mit Big Data. Die Pilotprojekte sind notwendig, um Erfahrungen und Erkenntnisse im Umgang mit den neuen Lösungen zu sammeln und um die Grundlage für die nächste Phase zu legen (Ortega, 2013a). Das Testen schließt Technologien und Fähigkeiten mit ein, die es erlauben, neue Datenquellen gewinnbringend für das Unternehmen zu erschließen (Schroeck et al., 2012). Die Resultate aus der Testumgebung stellen sicher, dass die gewünschten Auswirkungen auf den Geschäftserfolg erzielt werden und gegebenenfalls Anpassungen möglich gemacht werden können (CSC, o. J.). Durch einen frühen Erfolg im Pilotprojekt kann außerdem sichergestellt werden, dass innerhalb des Unternehmens die Unterstützung des Projekts aufrechterhalten wird (CSC, o. J.). Um die Pilotprojekte durchführen zu können, müssen nach Cramer & Türk das Datenmodell und die Tool- und Infrastrukturwahl festgelegt werden (2013). Der überwiegende Anteil der Interviewpartner schließt die Entwicklung eines Prototyps in den Einführungsprozess ein. Zwei der Befragten sprechen sich für eine schnelle Umsetzung des Prototyps aus. Der Prototyp eine Möglichkeit, die im Vorfeld getroffenen Überlegungen schnell auf Umsetzbarkeit überprüfen zu können.

Im Übergang zur Umsetzungsphase empfehlen die Autoren der IBM-Studie die Schließung des Business Case durch die Quantifizierung und Prüfung der Investitionserträge und Vorzüge (Schroeck et al., 2012, S. 17). Außerdem muss sichergestellt werden, dass für das Erreichen der kurz- und langfristigen Ziele ausreichend geeignetes Personal vorhanden ist. Zur Vorbereitung der Ausweitung der Pilotprojekte auf weitere Ebenen muss ein Projektplan erstellt werden, der die wirtschaftlichen und technischen Details des Projekts umfasst.

Phase 4: Umsetzen

In der Umsetzungsphase befinden sich nach der Studie von IBM sechs Prozent der befragten Unternehmen. Diese abschließende Phase umfasst die unternehmensweite Implementierung von Big Data Analytics.

Ziel der Umsetzungsphase ist es, die Erfolge der Analyse von Big Data durch Sicherstellung der Unterstützung im Unternehmen für zukünftige Projekte zu nutzen (Schroeck et al., 2012). Damit in verschiedenen Fachbereichen, Funktionen und Regionen mit Big Data Analytics agiert werden kann, sollten die notwendigen Fähigkeiten und Technologien aufgebaut werden und ein besonderer Fokus auf Datenschutz, Datensicherheit und Data Governance gelegt werden (Schroeck et al., 2012, S. 18).

Regelmäßige Erfolgsüberprüfung und Ausrichtung geplanter Maßnahmen

Es liegt im Ermessen des Managements, ob bei Gestaltung des Einführungsprozesses die regelmäßige Erfolgsüberprüfung als Teil des Prozesses betrachtet wird oder auf einer höheren Ebene vorgenommen wird (Böken et al., 2013, S. 40). In dieser Arbeit wird die regelmäßige Erfolgsüberprüfung und Ausrichtung geplanter Maßnahmen als eigene Phase in das konzeptionelle Modell integriert. Die Verfasser des Leitfadens zählen zwei Gründe auf, weshalb die Projekte im Bereich Big Data Analytics regelmäßig mit Blick auf die grundsätzliche Ausrichtung überprüft werden sollen. Zum einen sind die Projekte einer sich schnell ändernden wirtschaftlichen Umwelt ausgesetzt, zum anderen können vorher definierte Projektverläufe aus verschiedenen Gründen nicht eingehalten werden. Durch die regelmäßige Erfolgsüberprüfung können bei Abweichungen regulierende Maßnahmen ab- und eingeleitet werden.

Dass dieser Vorgang als eigene Phase etabliert werden soll, wird durch die praktische Erfahrung eines Experten gestützt. Ein möglichst frühes Feedback ist notwendig, um Abweichungen vom Projektzielkurs zu identifizieren und gegebenenfalls in der Vergangenheit getroffene Entscheidungen anzupassen. Das konstante und in kurzen Abständen abgegebene Feedback ist eine sehr effiziente Vorgehensweise. In Abbildung 8 sind die aufgenommenen Phasen mit den zusammengefassten Teilaktivitäten dargestellt.

Bildquelle: Pexels

  • Facebook
  • Twitter
  • Google+
  • Linkedin
  • Pinterest

Leave a Comment

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

It is main inner container footer text