BIG DATA UND ADVANCED ANALYTICS IN DER PRAXIS - qunis.de · 8 9 TREIBER TREIBER TREIBER VON...

BIG DATA UND ADVANCED ANALYTICS IN DER PRAXIS

In Zusammenarbeit mit unseren Studienpartnern:

Anwenderbefragung zum Stand von Big-Data- und Advanced-Analytics- Initiativen im deutschsprachigen Raum

INHALT

Management Summary 4

Status Quo Big Data in Unternehmen 6

Treiber von Big-Data-Vorhaben 8

Umsetzung von Big-Data-Vorhaben 11

Ressourcen und Organisation von Big-Data-Vorhaben 15

Hindernisse in Big-Data-Projekten 17

Fazit – Big Data systematisch erkunden! 21

Zur Umfrage 24

Autoren: Sascha Alexander, Hermann Hebben und Steffen Vierkorn

Stand: November 2016

54

MANAGEMENT SUMMARYMANAGEMENT SUMMARY

MANAGEMENT SUMMARY

Digitalisierung, Industrie 4.0 oder Internet of Things – welche Schlagworte man derzeit auch wählt für die zunehmende Vernetzung von Menschen, Prozessen und Systemen, sie alle sind eng mit der Nutzung von Big Data verknüpft. Unter dem allgegenwärtigen Druck der Globalisierung und angesichts unsicherer Märkte sind Unternehmen gut beraten, sich intensiv auf die Suche nach neuen Produkten und Dienstleistungen zu machen und wirtschaftliche Risiken zu minimieren. Der Schlüssel dazu sind Daten. Diese werden immer vielfältiger. Denn zu den bisher genutzten Datenquellen kommen mit der Digitali- sierung an vielen Stellen in den operativen Prozessen (Geräte, Systeme, Interaktionen mit Kunden und Partnern) weitere, möglicherweise wertvolle Daten oftmals in großen Mengen und in kurzen Zeiträumen hinzu. Sie liegen anders als in einem Data Warehouse in vielen Formaten und Strukturen vor und müssen zusätzlich erfasst, analysiert und operationa-lisiert werden. Dies setzt voraus, dass sich Unternehmen technisch und organisatorisch an sich schnell ändernde Prozesse anpassen und weiterhin Entscheidungen treffen oder automatisieren können.

Wem es gelingt, seine Abläufe und Angebote „datengetrieben“ auszurichten, der habe gute und neue Chancen im globalen Wettbewerb, heißt es derzeit unisono im Markt. Doch während wohl in jedem Unternehmen und Vortrag zur Digitalisierung über die Vorteile von Big Data gesprochen wird, erfüllt sich diese Hoffnung bislang in der Praxis nur zum Teil. Der Grund hierfür liegt weniger in einer hohen technischen Einstiegshürde. So lassen sich existierende Lösungen etwa für Business Intelligence weiter verwenden. Sie decken auch weiterhin Szenarien ab, für die tägliche oder mehrfach am Tag erfolgende Daten-aktualisierungen genügen und in denen es vor allem um das Beladen vergleichsweise überschaubarer, historisierter Datenmengen und die Abfrage auf neuen (transaktionalen, strukturierten/modellierten) Daten geht. Typische Anwendungen fallen in den Bereich des bisherigen Reportings und der Analyse (OLAP).

Ebenso entwickeln sich Big-Data-Technologien wie „HADOOP“ schnell weiter und werden im Markt zunehmend eingesetzt. Das derzeit offenbar größte Problem ist vielmehr, dass es vielen Organisationen schlicht an Strategien fehlt, wie sie Big Data nutzbringend einsetzen können. Die explorative und kreative Analyse, die für die Nutzung von Big Data typisch ist, erfordert nicht nur ein breites IT-und Fachwissen, sondern bei allen Freiheiten auch klare unternehmerische Ziele. Es muss also möglichst häufig um die Umsetzung neuer „Use Cases“ gehen, die sich in den produktiven Betrieb überführen lassen. Hinzu kommt eine Unternehmenskultur, die eine Beschäftigung mit Big Data – häufig parallel zum IT-Betrieb – zulässt und fördert, selbst dann, wenn Versuche

scheitern oder die Analyseergebnisse mager ausfallen. Und natürlich muss das Manage-ment zu diesen Vorhaben stehen, um deren Finanzierung und Etablierung nicht in Gefahr zu bringen.

Wie weit Unternehmen derzeit mit ihren Big-Data-Initiativen sind, wo sie Hindernisse erleben und wo sie sich Chancen ausmalen, beschreibt die vorliegende Umfrage zu Big Data und Advanced Analytics. Sie wurde im Sommer 2016 gemeinsam von der QUNIS GmbH, der Controller Akademie und der aquma GmbH durchgeführt. Insgesamt 97 Teil-nehmer aus dem Mittelstand und Konzernen im deutschsprachigen Raum beteiligten sich an der Online-Befragung. Dabei konnte eine breite Branchenbeteiligung erzielt werden.

76

STATUS QUOSTATUS QUO

STATUS QUO BIG DATA IN UNTERNEHMEN

Auch wenn sich die Diskussion im Markt vordergründig von der bisherigen Big-Data- Debatte immer mehr dem Thema Digitalisierung zuwendet, so geht es letztlich weiterhin um Datenprozesse, die Datenanalyse und operative Nutzbarmachung von Daten. Zwar ist es denkbar, Digitalisierungsvorhaben zunächst ohne einen speziellen Datenfokus zu beginnen. Aber eher früher als später kehrt das Thema Datenmanagement zurück, um eine „zerpflückte“ Systemlandschaft zu vermeiden. Damit kommt die Frage der Nutzung von Big Data und seine Auswertung mit Advanced Analytics dann doch sehr schnell auf die Tagesordnung. Es ist daher nicht übertrieben, Big Data als einen der Erfolgsfakto-ren der Digitalisierung zu bezeichnen. Erst durch neue, datengetriebene Use Cases und Geschäftsmodelle erhält die Digitalisierung ihre eigentliche Bedeutung. Dass Big Data hoch im Kurs steht bei Unternehmen, zeigt auch die hier vorgestellte Untersuchung, in der über 80 Prozent aller Teilnehmer Big Data eine sehr hohe bis hohe Priorität einräumen (Abbildung 1).

Für die hohe Relevanz spricht auch, dass viele Anwender sich mit Big Data bereits beschäftigt haben oder dies in den kommenden zwei Jahren planen. Nur jedes fünfte Unternehmen hat für diesen Zeitraum bislang keine Pläne (Abbildung 2). Deutlich wird aber auch, dass man das Thema bisher vorsichtig bzw. fokussiert angeht. So erklärten nur rund 20 Prozent, ihre Ergebnisse auf ausgewählte Prozesse angewendet zu haben. Typisch sind derzeit auch Pilotprojekte, mit denen man bei begrenztem Budget und Risiko den Umgang mit Big Data erprobt. Allerdings fiel der Anteil der „aktiven“ Nutzer von Big Data in unserer Umfrage im Vergleich zu anderen Marktstudien klein aus. Dies könnte sich dadurch erklären, dass hier mehr Unternehmen unter den Teilnehmern waren (41 Prozent), die derzeit noch planen – und womöglich dann aber auch Pilotpro-jekte starten.

PRIORITÄTEN VON BIG DATA UND ADVANCED ANALYTICS

WIE FEST SEHEN SIE BIG DATA UND ADVANCED ANALYTICS IN IHREM UNTERNEHMEN VERANKERT?

Abbildung 2: Nur jedes fünfte Unternehmen hat derzeit keine Pläne mit Big Data.

Quelle: QUNIS, Umfrage „Big Data und Advanced Analytics“, n = 97, Werte gerundet

21,7 %

17,5 %

41,2 %

19,6 %

ausgewählte Unternehmensprozesse

Pilotprojekt

Angedacht (24 Monate)

Keine Planung

sehr wichtig

wichtig

unentschieden

weniger wichtig

unwichtig

3,0 % 1,4 %

42,0 %

11,6 %

42,0 %

Abbildung 1: Obwohl der ganz große Hype um Big Data in der öffentlichen Diskussion verflogen ist,

sieht eine große Mehrheit der Unternehmen weiterhin seine Bedeutung.

Quelle: QUNIS, Umfrage „Big Data und Advanced Analytics“, n = 69, Werte gerundet

98

TREIBERTREIBER

TREIBER VON BIG-DATA-VORHABEN

Wo bereits Erfahrungen vorliegen, zeigt sich deutlich, dass zwar der Finanzbereich stärkster Treiber für Big Data und Advanced Analytics ist, dass aber grundsätzlich schon ein breites Einsatzspektrum zu erkennen ist (Abbildung 3). Gerade Finance & Controlling bieten sich vielerorts zu Beginn solcher Initiativen an, da schnell einleuchtet, dass gerade dort zusätzliche Daten für die Planung, Forecasts und Simulationen von Nutzen sein können. Eine vergleichbare Konstellation hat bis heute auch die Einführung und den Ausbau von Business-Intelligence-Umgebungen maßgeblich gefördert. Interessante Big- Data-Anwendungsfelder im Finance & Controlling könnten beispielsweise ein auto- matisierter Forecast auf der Basis von Markttendenzen sein oder eine werttreiberba- sierte Planung anhand aktueller Daten zum Wachstum, Branche und Kundenumsätze. Insbesondere für Banken und Versicherer ist zudem das Risikomanagement ein wichti-ges Anwendungsfeld. Neben der Identifikation von Risikofaktoren seien hier beispielhaft die Betrugserkennung oder Compliance-bezogene Analysen genannt.

Starkes Interesse an Big Data und Advanced Analytics belegt die Umfrage – auch hier vergleichbar zur Nutzung von Business Intelligence – im Vertrieb und Marketing. Diese Fachbereiche sind traditionell besonders an einer Produkt- und Kundenanalyse interes-siert, um Kunden zu halten oder neu zu gewinnen. Ebenso spielen beispielsweise ein besseres Monitoring und die Analyse von Vertriebsaktivtäten, Wettbewerbsanalysen, die Preisgestaltung oder die Identifikation von Cross- und Upselling-Möglichkeiten eine große Rolle. Kann beispielsweise ein Einzelhändler durch eine Sentiment-Analyse (Stim-mungsanalyse) in sozialen Netzwerken frühzeitig erkennen, dass es Probleme mit den eigenen Produkten gibt, kann er gegensteuern und so Umsatzeinbußen und einen Image-schaden vermeiden. Integrierte und schnelle Reaktionen und Prozesse sind hier von besonderer Bedeutung.

Weitere, in der Umfrage genannte Anwendungsgebiete für Big-Data-Analysen sind die Logistik und die Produktion. Ein viel versprechendes Anwendungsbeispiel in der Logistik wäre das Flottenmanagement. So muss in einem deutschen Hafen ein Transportunter-nehmen täglich 8.000 LKWs mit rund 40.000 Fahrten so koordinieren, dass eine mög- lichst hohe Auslastung gelingt und geringe Wartezeiten anfallen. Weitere Logistik- Anwendungsfelder sind neben der Routenoptimierung und der optimalen Warenvertei-lung, Analysen der Liefer- und Termintreue, eine Optimierung der Lagerhaltung und das Tracking von Waren. Viel diskutiert in der Produktion und in der Fertigung wird der Ein-satz von GPS und Sensordaten. Oft sind entsprechende Big-Data-Projekte der Kern von Initiativen im Bereich „Internet of Things“ (IoT) und „Industrie 4.0“.

Die Erfassung und Nutzung von Big Data wird in Unternehmen also häufig zunächst im Zusammenhang mit der weiteren Optimierung von Abläufen und Kostenstrukturen gesehen. So auch in unserer Umfrage, in der neben „Prozessverbesserungen“ (63 Prozent der Befragten) die „Umsatzsteigerung“ und „Kostensenkung“ mit zusammen rund 50 Pro-zent der Antworten die häufigsten Ziele sind, die Unternehmen anstreben (Abbildung 4). Hier wird die bislang dominierende pragmatische Sicht deutlich, mit der Pilotvorhaben und erste, auf einzelne Prozesse fokussierte Vorhaben beginnen.

Strategisch weiter gedacht sind vorhandene und neue Prozesse das Vehikel für die digi-tale Transformation, Industrie 4.0 und Internet of Things (IoT). In und mit ihnen entstehen an vielen Stellen Daten oder werden neue, bereits existierende Quellsysteme angebun-den. Diese (Roh)daten sowie interne und externe Informationsquellen (zeitnah oder gar in Echtzeit) zu erfassen, zu analysieren und dann zu operationalisieren ist der Schlüssel zu effektiveren oder neuen Abläufen, für neue Dienstleistungen und Produkte bis hin zur Etablierung neuer Geschäftsmodelle. Ein aktuell viel diskutiertes und von IT-Konzernen bereits erprobtes Anwendungsfeld ist beispielsweise „Predictive Maintenance“.

Diese strategische Persepktive findet sich auch in den Umfrageergebnissen wider. So stehen sowohl die „Entwicklung digitaler Angebote“ mit Big Data und Advanced Analytics als auch deren Nutzung als Teil der „Digitalisierungsstrategie“ bei 32 bzw. 42 Prozent der befragten Unternehmen auf der Agenda. So nutzt diesbezüglich beispielsweise ein QUNIS-Kunde Sensordaten, die von den bei Kunden installierten Heizgeräten übermittelt werden, zur Wartungsanalyse und Weiterleitung der Ergebnisse an das Händlernetz. Ebenso wird eine durch fortgeschrittene Analysen und die Digitalisierung der Prozesse geförderte Produktentwicklung („Produktverbesserung“) als als gewinnbringendes Ziel erkannt. Noch vergleichsweise selten wird hingegen die „Personalisierung von Produk-ten“ als ein Ziel von Big-Data- und Advanced-Analytics-Initiativen definiert. Gerade im Consumer-Markt werden solche Möglichkeiten bereits erprobt und erste Lösungen um-gesetzt, etwa wenn es um die Vernetzung von Haushaltsgeräten geht. So sind beispiels-weise „intelligente“ Kühlschränke, die ihre Befüllung über Sensoren erfassen und Ein-kaufslisten erstellen, ein gern zitiertes Beispiel für Mehrwertdienste.

1110

UMSETZUNGTREIBER

UMSETZUNG VON BIG-DATA-VORHABEN

Insgesamt bleibt trotz der anspruchsvollen und praxisorientierten Ziele, die Unternehmen in der Umfrage genannt haben, der Zweifel berechtigt, ob tatsächlich schon Vieles produk-tiv im Einsatz ist? Nur sieben Unternehmen gaben an, Big Data und Advanced Analytics bereits voll in ihre Unternehmensprozesse integriert zu haben. Andererseits wollten etwa 24 Prozent der Befragten überhaupt nichts zu ihren Zielen sagen, was darauf schlie-ßen lässt, dass man aktuell noch nicht über eine grundsätzliche Beschäftigung mit dem Thema hinausgekommen ist oder Ziele intern noch nicht kommuniziert wurden. Diese Situation sollte sich aber über die kommenden Monate ändern, hatten doch ins-gesamt rund 80 Prozent der Befragten angegeben, etwas unternehmen zu wollen (vgl. Abbildung 2). Damit am Ende eine Erfolgsmeldung steht, sollten Unternehmen aus Sicht der QUNIS klare Strategien für Big Data und Advanced Analytics formulieren und sich organisatorisch entsprechend aufstellen.

Für die Erfassung, Verwaltung und Auswertung von Big Data setzen die befragten Unter- nehmen aktuell vor allem auf vorhandene Technologien aus dem Bereich Business Intelligence (BI) und Data Warehousing (Abbildung 5). Andererseits sind laut Umfrage auch spezielle Werkzeuge für Data Mining und Predictive Analytics, die sich in erster Linie hinter dem Begriff „Advanced Analytics“ verbergen, bereits verbreitet oder geplant. Anders als in der Business Intelligence, die auf die Fragen „was ist und warum ist etwas geschehen?“ Antworten sucht, geht es bei Predictive Analytics um Vorhersagen und Simulationen künftiger Ereignisse (Daten, Zustände) mit Hilfe statistischer und Data- Mining-Methoden. Sie machen die Umsetzung vieler Use Cases mit Big Data überhaupt erst möglich. Typische Aufgaben sind die Assoziation, Segmentierung, Klassifikation, Regressionsanalysen und eben Prognosen. Noch wenig verbreitet ist in diesem Zusammenhang bei den befragten Unternehmen das Apache HADOOP Framework, das nicht nur eine universelle Speicherumgebung für Big Data, sondern auch diverse andere Projekte umfasst. Ebenso ist Streaming-Technik, die gerade in Echtzeit-Szenarien eine Erfassung und Analyse von Big Data ermöglicht, nur in wenigen Unternehmen im Einsatz. Auffällig ist auch, dass nach eigenen Angaben 23 Pro-zent der Unternehmen in punkto Tools für Big Data offenbar noch orientierungslos sind oder sie nicht benennen können. Vermutlich hängt dies mit dem frühen Stand der Planung von Big-Data-Vorhaben zusammen. Bemerkenswert ist andererseits, dass bereits heute rund elf Prozent der Nutzer auch Cloud-Lösungen wie „Microsoft Azure“ oder „Amazon AWS“ einsetzen. Diese Option ist aus QUNIS-Erfahrung beispielsweise sinnvoll, wenn Unternehmen Teststellungen ohne größeren Implementierungsaufwand aufsetzen möchten (siehe auch Abbildung 9). Darüber hinaus sehen wir aber auch den Betrieb von

AKTUELLE ANWENDUNGSFELDER FÜR BIG DATA UND ADVANCED ANALYTICS

Abbildung 3: Die klassischen Unternehmensbereiche für Business Intelligence wie Finance, Ver-

trieb und Marketing stehen auch bei der Big-Data-Diskussion aktuell im Mittelpunkt des Anwender-

interesses. Zugleich belegt aber die breite Verteilung der Anwendungsfelder, dass die Nutzung von

Big Data überall in der Organisation von Vorteil sein kann.

Quelle: QUNIS, Umfrage „Big Data und Advanced Analytics“, n= 33 (Mehrfachnennungen möglich), Werte gerundet

12,1 %F & E

21,2 %

Logistik

60,6 %Finance

21,2 %

Management

21,2 %

IoT

15,2 %Industrie 4.0

33,3 %

54,6 %

24,2 %

Marketing

Vertrieb

Produktion

1312

UMSETZUNGUMSETZUNG

Abbildung 4: Neben eher pauschalen Zielen wie die „Prozessverbesserung“ verbinden Unterneh-

men bereits heute auch strategische und innovative Ziele mit der Nutzung und Analyse von Big Data.

Quelle: QUNIS, Umfrage „Big Data und Advanced Analytics“, n = 59 (Mehrfachnennungen möglich), Werte gerundet

11,9 %Personalisierung

von Produkten

62,7 %

32,2 %

Prozess- verbesserungen

Entwicklung digitaler Angebote

42,4 %Teil der Digitali-

sierungsstrategie

44,1%

47,5 %

33,9 %

Kosteneinsparung

Umsatzsteigerung

Produkt- verbesserung

Big-Data-Umgebungen in der Cloud als eine Option, die Unternehmen prüfen sollten. Eng verbunden mit den Anwendungsfeldern, in denen Unternehmen einen Mehrwert und neue Umsatzchancen durch die Analyse von Big Data sehen, ist der Wunsch, neue oder zusätzliche relevante Daten aus den Prozessen und Interaktionen mit Kunden und Part-nern einzubeziehen beziehungsweise miteinander zu kombinieren. Zwar dominieren aktuell noch traditionelle Quellen wie Transaktionsdaten, doch gewinnen andere Daten-formate und Quellen künftig an Bedeutung (Abbildung 6). Vor allem Maschinen- und Sensordaten sind dabei nicht erst seit der Diskussion um RFID für Branchen wie der Fertigungsindustrie, der Automobilindustrie oder in der Logistik von unschätzbarem Wert. Je nach Branche und Szenario spielen zudem Datentypen wie Weblogs (Kunden- analyse), aus sozialen Netzwerken (u. a. Sentiment Analysis) oder Wetterdaten (zum Beispiel zur Sortimentsplanung) eine wachsende Rolle.

WELCHE ZIELE VERFOLGT(E) DIE BIG-DATA- UND ADVANCED-ANALYTICS-INITIATIVE?

WELCHE BIG-DATA- UND ADVANCED-ANALYTICS-TECHNOLOGIEN WERDEN/WURDEN GENUTZT?

Abbildung 5: Für Big Data setzen Unternehmen derzeit vor allem auf vorhandene Technologien, doch

auch Data Mining und Predictive Analytics sind bereits verbreitet. Andererseits finden sich viele Un-

ternehmen, die in punkto Tools offenbar noch orientierungslos sind.


10,3 %Hadoop

Komponenten

11,8 %Cloud-Angebote

(Azure, AWS)

5,9 %R-Entwicklung

4,4 %Streaming-Systeme

(Spark)

23,5 %Bisher keine

73,5 %

26,5 %

32,4 %

BI- & Big-Data-Ware- house-Werkzeuge

Analytische Datenbanken

Data Mining / Predictive Analytics

1514

RESSOURCEN UND ORGANISATIONUMSETZUNG

Bilder, Sprache oder Videos

Weblogdaten (eigene Website,

Webshop, etc.)

Wetterdaten

Maschinengenerierte Daten

(Sensoren, RFID, etc.)

Transaktionale Geschäftsdaten

(ERP Systeme, CRM, etc.)

Daten aus solzialen Medien, Rezensionen

und Blogs

Prio 1

Prio 2

Prio 3

Prio 4

Prio 5

RESSOURCEN UND ORGANISATION VON BIG-DATA-VORHABEN

Auf eine vielerorts noch ungeklärte Ressourcenausstattung für Big-Data-Initiativen weist die Antwort hin, dass über 45 Prozent der Befragten hierzu keine Aussage machen können (Abbildung 7). Damit verbunden hatten wir auch nach den Verantwortlichkeiten, also internen Treibern für Big Data und Advanced Analytics gefragt. Zur Auswahl standen Fachbereich, Management oder die IT. Es ergab sich hier eine inetwa gleich häufige Ver-teilung zwischen Fachbereich und IT, während die Geschäftsführung wesentlich seltener gewählt wurde (Mehrfachnennungen möglich).

Die Verteilung der Verantwortlichkeiten ähnelt der in bisherigen BI-Organisationen. Und tatsächlich initiieren und steuern diese auch häufig Big-Data-Vorhaben. Dies ist für den Start sicher naheliegend, doch ist letztlich eine andere oder zumindest erweiterte Organisation nötig. So hat die Arbeit mit Big Data für gewöhnlich einen experimentellen Charakter, bei dem Daten parallel zum Betrieb gesammelt und analysiert werden. Versuche, die auch einmal scheitern können oder nach der Datenanalyse keine sonderlich neuen Erkenntnisse zu Tage fördern, gehören zum Alltag. Zudem sind es Experten sowohl für Statistik und Data Mining als auch solche mit einem tiefen Business-Verständnis, welche die Analysen vornehmen (Stichwort: Data Scientist). Sie haben eine andere Arbeitsweise, als der typische BI-Mitarbeiter.

Wie Big-Data-Organisationen im Detail auszusehen haben, ist jedoch nicht definiert, sondern richtet sich nach den internen Strukturen und (internen und externen) Ressour-cen. Idealtypisch finden sich in einem Big-Data- und Advanced-Analytics-Team Rollen wie der des „Business Analyst“, als fachlicher Experte für Prozesse und Kenner des Geschäfts-modells. Ferner wird in der Diskussion öfter ein so genannter Data Artist gefordert, der die häufig komplexen Ergebnisse und Modelle verständlich intern kommunizieren kann, und heute in einigen Konzernen bereits existiert. Andere Rollen sind der „Teamleiter“ und der schon erwähnte „Data Scientist“, der meist einen mathematisch-statistischen Hinter-grund besitzt, Modelle entwickelt und mit den Daten arbeitet. Ebenso zählen Entwickler zum Team, denen die Aufgabe zufällt, die mit vielen Werkzeugen für die Verwaltung und Analyse von Big Data verbundene Programmierarbeiten zu erledigen. Dazu sind bei-spielsweise Kenntnisse in der Programmiersprache „R“ derzeit gefragt.

WELCHE DATEN SIND FÜR DIE UMSETZUNG VON BIG DATA UND ADVANCED ANALYTICS NÜTZLICH?

Abbildung 6: Zwar haben derzeit noch „klassische“ Transaktionsdaten die höchste Priorität bei der

Wahl der zu analysierenden Daten, doch zeigt sich schon heute, dass die Vielfalt der Daten zunimmt.


1716

VORHANDENE EXTERNE ODER INTERNE RESSOURCEN FÜR BIG DATA UND ADVANCED ANALYTICS

Abbildung 7: Die Organisation von Big-Data-Vorhaben ist in vielen Unternehmen noch ungeklärt.

Quelle: QUNIS, Umfrage „Big Data und Advanced Analytics“, n= 68, Werte gerundet

HINDERNISSE

36,8 %

2,9 %

14,7 %

45,6 %

noch ist nichts geregelt

überwiegend interne Mitarbeiter

überwiegend externe Dienstleister

Team besteht zu gleichen Teilen aus internen und externen Ressourcen

HINDERNISSE IN BIG-DATA-PROJEKTEN

Um besser zu verstehen, warum fast alle Unternehmen Big Data und Advanced Analytics zwar wichtig finden und Pläne schmieden, in der Praxis aber bislang noch wenig vorwei-sen können, müssen eine Reihe von Faktoren berücksichtig werden. So zeigt Abbildung 8, dass die Herausforderungen momentan an vielen Ecken lauern. Besonders oft scheint demnach der Mangel an Ressourcen/Know-how, gefolgt von Budgets und der selektiven Unterstützung und entsprechender Priorisierung aus dem Management die Vorhaben zu behindern. Auch diese Aussagen passen zu der Einschätzung, dass viele Unternehmen noch nicht wissen, wie und wo sie mit der Nutzung von Big Data und Advanced Analytics anfangen sollen.

Typisch auch für ein noch junges Thema ist der starke IT-Fokus, der hohe Informations- bedarf – und die Sorge um den Datenschutz, die gerade hierzulande eine nicht zu unter- schätzende Bremswirkung auf neue Projekte hat. Überrascht waren wir von der ver-gleichsweise geringen Bedeutung der „Unternehmenspolitik“, die nicht einmal jeder fünfte als Hindernis sehen wollte. Dies kann sich indes auch in vielen Fällen damit erklären, dass man Big Data bislang eher lokal und experimentell erprobt und die Arbeiten und Ergebnisse bislang noch keine politischen Folgen verursachen.

RESSOURCEN UND ORGANISATION

1918

HINDERNISSE HINDERNISSE

WELCHE HERAUSFORDERUNGEN SEHEN SIE IN BIG DATA UND ADVANCED ANALYTICS PROJEKTEN?

Abbildung 8: Die Hindernisse für Big-Data-Initiativen sind vielfältig. Vor allem mangelndes Know-how,

geringe oder fehlende Budgets und die Einstellung im Management scheinen besonders oft Probleme

zu bereiten.


25,4 %Prioritätensetzung

46,5 %Datenmanagement

(technisch)

56,3 %Fehlende Expertise

für Analytics

35,2 %Geringes Wissen

über Big Data

15,5 %Fehlende

externe Berater

19,7 %Unternehmenspolitik

39,4 %

42,3 %

35,2 %

Datenschutz und -sicherheit

Budget

Kein Verständnis im Management

Die Umfrage macht deutlich, dass momentan Schulungen, Strategie-Workshops sowie insbesondere attraktive „Use Cases“ zum einen und darauf aufbauend Architekturdiskus-sionen, Teststellungen und Hilfe bei der Softwareauswahl zum anderen besonders wichtig sind, um Big Data und Advanced Analytics nachhaltig in der Organisation etablieren zu können. Abbildung 9 bestätigt diesen Eindruck.

Besonderes Augenmerk sollte dabei auf den in Abbildung 9 am häufigsten geäußerten Wunsch nach „Informationen zu Best Practices“ gelegt werden. Obwohl mittlerweile viel über Anwendungsfelder für Big Data gesprochen und geschrieben wird, ist es weiterhin für viele Unternehmen unklar, wie sie von ihren spezifischen Anforderungen zu nutzwertigen und praktikablen „Use Cases“ gelangen.

Big-Data-Vorhaben haben zwar grundsätzlich einen experimentellen Charakter, der auch ein Scheitern beinhalten kann, und eine in manchen Aspekten andere Organisation. Den-noch darf nicht vergessen werden, wie man möglichst in enger Abstimmung zwischen IT und Fachbereichen die oft komplexen Ergebnisse intern vermittelt und vor allem produk-tiv machen kann. QUNIS legt auf diesen Aspekt in der Beratung besonders großen Wert und nutzt als Teil seiner Big-Data-Methodik beispielsweise eine umfangreiche „Lösungs-bibliothek“ aus Fallbeispielen, die Unternehmen bei der Diskussion und Identifikation eigener Use Cases gute Hilfe leistet. Oft gibt es in der Unternehmensorganisation durch-aus Ideen oder man weiß um eigene Chancen oder Schwachpunkte, die man durch Advanced Analytics angehen kann, aber man bringt diese Vorstellungen nicht auf den Punkt und es fehlen Prioritäten für die Umsetzung. Häufig kann es dann bereits genügen, diese Ideen intensiver und vor allem strukturierter beispielsweise in einem Workshop zu diskutieren und dann weitere Maßnahmen abzuleiten.

2120

FAZITHINDERNISSE

FAZIT – BIG DATA SYSTEMATISCH ERKUNDEN!

Die Umfrage zeigt, dass die Bedeutung und Nutzung von Big Data heute in deutschsprachigen Unternehmen breit diskutiert wird. Gestartete oder in naher Zukunft geplante Initiativen bei der überwiegenden Mehrheit der Unternehmen belegen zugleich, dass man sich mehr Klarheit verschaffen will. Ein darüber hinaus gehendes Commitment, also die Produktivsetzung von Big-Data-Lösungen, bleibt jedoch bislang auf einen kleinen Kreis innovativer Unternehmen beschränkt.

Bei der Suche nach Gründen für diesen Widerspruch zwischen Interesse und Zurück-haltung, zeigt sich, dass Unternehmen mehr technische und fachliche Unterstützung wünschen. Ebenso sollte man das Thema Datensicherheit nicht kleinreden. Doch vor allem wird langsam klar, dass man eine strategische und organisatorische Antwort finden muss. DIE eine Organisation und Lösung hierfür gibt es nicht. Die Beschäftigung mit Big Data und Advanced Analytics muss sich an den individuellen Anforderungen und Möglichkeiten im Unternehmen orientieren – und vor allem die praktische Nutzung der Analyseergebnisse nicht vergessen! Insbesondere die Suche nach dem Use Case und Business Case muss dabei intensiviert werden. Abbildung 10 zeigt, dass dieses Nach-denken bereits begonnen hat und Anwender praktisch in allen Anwendungsfeldern Chancen sehen.

Bei allen Freiheiten und Besonderheiten, die man derzeit der Analyse von Big Data zu-erkennt, werden die wirtschaftlichen Zwänge eine engere Abstimmung und klare Ziele solcher Initiativen unumgänglich machen. Es muss gelingen, die Nutzung von Big Data und Advanced Analytics auch strategisch zu positionieren und zwar als wichtige Treiber oder gar „enabler“ der digitalen Transformation des Unternehmens, die zu neuen Angebo-ten und Geschäftsmodellen führen. In manchen Branchen gelingt dies bereits mit neuen Angeboten beispielsweise für Predictive Maintenance.

Es ist also aus QUNIS-Sicht heute keine Frage mehr, ob Big Data und Advanced Analytics einen Mehrwert bringen kann, sondern wie man beginnt. Neben Orientierungsworkshops, in denen Anforderungen und Use Cases identifiziert und priorisiert werden, müssen wie in jedem strategischen Vorhaben Fachbereiche, IT und Management organisatorisch zu-sammenfinden. Technisch wird letztlich eine Diskussion über eine Big Data unterstützende Datenarchitektur sowie die Nutzung solcher Daten und Analysen im Rahmen einer vorhandenen BI- oder neu zu definierenden Big-Data-Strategie unumgänglich sein. Für den Anfang ist es meist effizient und günstiger, wenn man erste Teststellungen über Cloud Services wie beispielsweise „Microsoft Azure“ aufsetzt, statt intern eine separate

58,0 %Organisation für Big Data

39,1 %Teststellungen

15,9%Datenschutz aktualisieren

62,3 %

33,3 %

56,5 %

Infos zu Best Practices

Marktübersicht

Trainings für internes Know-how

Abbildung 9: Viele Unternehmen wünschen sich aktuell Anregungen und Vergleichsmöglichkeiten,

Hilfe bei der Organisation und mehr IT- und Fachwissen.


WIE KÖNNTE MAN HERAUSFORDERUNGEN BEGEGNEN?

22 23

IT-Umgebung aufzubauen. Bleibt noch das bislang vielerorts ungelöste Problem der Res-sourcen. Ein „Data Scientist“, der dazu noch bezahlbar ist, wird sich nur selten finden. Der richtige Mix aus internen Experten aus IT und Fachbereich, ergänzt durch externe Hilfe, scheint hier erfolgversprechender.

Wie hoch die organisatorischen und technischen Hürden letztlich wirklich sind, können Unternehmen nur für sich klären, wenn sie Big-Data-Vorhaben wie skizziert strukturiert und taktisch klug angehen. Vor allem muss es dabei ein klares Commitment (und Budget) im Management geben, Big Data erproben und nutzen zu wollen!

FAZITFAZIT

50,0 %Monitoring Markt

36,8 %Prognosen von

Werbewirksamkeit

48,5 %

44,1 %

17,7 %

39,7 %

2,9 %

Echtzeit Monitoring

Prognose Kapazitäten, Beschaffungspreise

Fraud Prevention

Marktnahe Produktentwicklung

Keine

44,1 %

69,1 %

30,9 %

Dynamische Preissetzung

Vertriebs- verbesserungen

Kündigungsanalyse

WELCHE THEMEN KÖNNTEN IN ZUKÜNFTIGEN ANWENDUNGSFÄLLEN ZUM EINSATZ KOMMEN?

Abbildung 10: Der Fantasie bei der Nutzung von Big Data sind kaum Grenzen gesetzt. Entschei-

dend ist, dass Unternehmen letztlich zu klaren „Use cases“ gelangen, die sie mit Advanced Analytics

zumindest erproben und prüfen möchten, sich möglichst oft aber auch umsetzen lassen.


24

UMFRAGE

BRANCHEN DER UMFRAGETEILNEHMER

Abbildung 12: Die Teilnehmer der Umfrage zu Big Data und Advanced Analytics stammen aus diver-

sen Branchen. Größte Einzelgruppen sind Unternehmen aus der Fertigungs-, IT- und Prozessindustrie.


Luftfahrt

Öl und Gas

Energie- und Versorgungswirtschaft

Gesundheitswesen

Dienstleister

Öffentlicher Sektor

Baugewerbe

Transport und Logistik

Bildung

Medien und Verlage

Handel

Fertigungsindustrie

IT

Prozessindutstrie

UMFRAGE

ZUR UMFRAGE

Die Online-Umfrage zum Einsatz von Big Data und Advanced Analytics wurde im Sommer 2016 gemeinsam von der QUNIS GmbH, der Controller Akademie und der aquma GmbH durchgeführt. Insgesamt konnten 97 verwertbare Antwortbögen erfasst werden. Die Teilnehmer stammen aus deutschsprachigen Unternehmen unterschiedlicher Größe. Die größte Teilgruppe bildeten mittelständische Unternehmen mit bis zu 10.000 Mitarbeitern und einem Umsatz von 100 bis 500 Millionen Euro (Abbildung 11) Eine breite Branchen-verteilung wurde erreicht (Abbildung 12).

UNTERNEHMEN DER UMFRAGETEILNEHMER

Abbildung 11: Die Umfrage zum Einsatz von Big Data und Advanced Analytics ergab eine breite Ver-

teilung der Unternehmen nach Umsatz und Mitarbeiterzahl. Größte Gruppe bilden mittelständische

Unternehmen mit bis zu 10.000 Mitarbeitern sowie solche mit bis zu 500 Millionen Euro Umsatz.


15,0 % 10,0 %

41,8 % 15,7 %

15,0 % 14,3 %

3,8 % 8,6 %

8,9 %

15,2 % 10 %

0 – 199

MITARBEITER UMSATZ

0 – 24 Mio. €

200 – 49925 – 99

Mio. €

500 – 999100 – 499

Mio. €

1.000 – 9.999

0,5 – 1,99 Mrd. €

10.000 – 30.000

2 – 9,99 Mrd. €

> 30.000> 10

Mrd. €

41,4 %

25

ÜBER QUNIS

Die QUNIS GmbH, mit Sitz in Neubeuern, ist auf die Beratung und Lösungen für Business Intelligence (BI), Big Data und Advanced Analytics spezialisiert. Die ganz- heitliche Herangehensweise der QUNIS-Experten gewährleistet nachhaltige BI- und Big- Data-Strategien und effektive Organisationen. Auf elf Städte verteilt helfen die er- fahrenen Berater mittelständischen und großen Unternehmen vor Ort, strukturiert und zuverlässig auch sehr komplexe Aufgaben umzusetzen. Von der Idee über die Um- setzung bis zur Nachbetreuung und Weiterentwicklung liefert QUNIS alles aus einer Hand.

Wenn Sie Fragen zu unserem Angebot haben oder weitere Informationen wünschen, kon-taktieren Sie uns per E-Mail an [email protected] oder wählen Sie einfach +49 8035 95790 0.

Wir freuen uns auf Ihre Kontaktaufnahme und informieren Sie natürlich gerne über unsere Leistungspalette.

Ihr QUNIS-Team

QUNIS GmbH Georg-Wiesböck-Ring 9 83115 Neubeuern

Phone +49 8035 95790 0E-Mail [email protected]

WWW.QUNIS.DE

BIG DATA UND ADVANCED ANALYTICS IN DER PRAXIS - qunis.de · 8 9 TREIBER TREIBER TREIBER VON...

Documents

Transcript of BIG DATA UND ADVANCED ANALYTICS IN DER PRAXIS - qunis.de · 8 9 TREIBER TREIBER TREIBER VON...