IT-Trends-Blog

IT-Trends-Blog

Opinions expressed on this blog reflect the writer’s views and not the position of the Capgemini Group

Big Data Analytics: Wann werden Initiativen endlich erwachsen?

„Warum Big-Data-Projekte rote Zahlen schreiben“ – das war der Titel meines Artikels über die mangelnde Profitabilität von Analytics-Initiativen, der vor einigen Wochen im IDG-Expertennetzwerk erschien. In Folge der Veröffentlichung führte ich viele Diskussionen mit Kollegen und Kunden über eben jenes Thema – mit stets dem gleichen Tenor: Big Data muss professioneller werden. Die Analyse großer Datenmengen ist längst kein Newcomer mehr im Digitalisierungskontext, sondern fest etabliert. Deswegen ist auch der „Jugend forscht“-Charakter mit Trial & Error Approach, der viele Projekte überschattet, meiner Meinung nach nicht mehr zeitgemäß. Mittlerweile existieren so viele Erfahrungswerte – insbesondere was die Erfolgskriterien betrifft. Dennoch scheitern Unternehmen - allen Ambitionen und Best Practices zum Trotz - daran, ihre Big-Data-Vorhaben erfolgreich umzusetzen. Warum? Ich sehe die Ursachen besonders in den folgenden vier Punkten begründet.

1. Das Projekt ist nicht vom Fachbereich initiiert

Zu häufig initiiert die IT die Projekte. Aber Big Data und Analytics sind zwei Seiten derselben Medaille. Initiator für das Vorhaben muss der Fachbereich mit seinen strategischen Geschäftszielen sein – er steht für den Part Analytics. Die Rolle der IT ist die des Inspirators, sie muss das Projekt ermöglichen. Es bringt wenig, einfach eine technische Big-Data-Plattform, wie zum Beispiel Hadoop oder MongoDB, bereitzustellen. Am Anfang steht immer das Identifizieren und Priorisieren analytischer Anwendungsfälle, die konkrete Insights liefern: für die Kundeninteraktion, den Prozessablauf, die Wettbewerbssituation am Markt oder andere fachliche Bereiche. Projektleiter sollten Big-Data-Projekte immer mit diesem Schritt starten.

2. Nicht tragfähige Use Cases bleiben zu lange am Leben

Nicht jeder Big-Data-Anwendungsfall kommt zum Fliegen. Häufig reichen die Qualität oder Breite der Daten nicht aus. Möglich auch, dass der angedachte Analytics-Ansatz nicht überzeugt. Die Data Scientists melden dann: „Das gefundene Prognosemodell ist nicht hinreichend signifikant oder akkurat.“ Ändern lässt sich das nicht. Die Antwort auf das Problem heißt hier: „Fail fast!“ Versteifen Sie sich nicht auf einen einzigen analytischen Anwendungsfall, sondern verfolgen Sie besser von vorherein gleich mehrere Kandidaten. Das weitere Vorgehen hängt dann stark davon ab, ob die Idee eines Anwendungsfalls trägt oder nicht. Das gilt es rasch zu ermitteln, meist mittels eines Proof of Concepts. Statt Angst vor dem Versagen eines einzelnen Anwendungsfalls zu haben, sollte das Credo der Initiative sein, möglichst schnell herauszufinden, welche Anwendungsfälle, die tragfähigen sind und diese dann entsprechend zu fördern.

3. Die Infrastruktur ist oft nicht flexibel genug verfügbar

Für einen Fail-Fast-Ansatz braucht die IT eine Infrastruktur, die sie für einen Anwendungsfall sehr schnell und mit geringen Investitionskosten bereitstellen kann. Dafür sind die IT-Infrastrukturen in klassischen Unternehmen in der Regel aber gar nicht ausgelegt. Deren Maxime sind Verfügbarkeit, Qualitätssicherung und Verlässlichkeit für einen lang laufenden Betrieb von Anwendungen. Aus diesem Grund ist es wichtig, für Big-Data-Analytics-Anwendungsfälle die verschiedenen Optionen zum Arbeiten in der Cloud zu prüfen. Auch das Problem der fehlenden Fertigkeiten rund um den Betrieb neuer Big-Data-Plattformen lässt sich dabei verringern. Denn die bringt der Betreiber selbst mit.

4. Die Operationalisierung von Big Data Analytics wird unterschätzt

Einen Proof of Concept zum Erfolg zu bringen, schaffen noch die Meisten. Ungleich schwerer ist der Schritt hin zur letztlichen Implementierung des Anwendungsfalls in der IT-Anwendungslandschaft und der nachhaltigen Verankerung in den Geschäftsprozessen. Häufig bedenken Projektleiter den Aufwand für diesen Schritt der Operationalisierung nicht. Mitunter eignen sich die Werkzeuge und Plattform des Proof of Concept nicht für den laufenden Betrieb. In der Regel lohnt sich ein Anwendungsfall finanziell erst, nachdem er in den produktiven Alltag überführt ist. Unternehmen sollten daher einen ganzheitlichen Prozess zur Umsetzung von analytischen Anwendungsfällen schaffen, der von der Idee über den Proof of Concept bis zum Betrieb reicht. Weiterhin sollten sie neben agilen Plattformen für die Entwicklung von Anwendungsfällen separat eine betriebsfähige Plattform etablieren. Sie dient dann dem Betrieb aller Anwendungsfälle.

Sehen auch Sie diese vier Gründe als die größten Stolpersteine auf dem Weg zu profitablen Big-Data-Projekten? Welche Erfahrungen haben Sie bei der Operationalisierung analytischer Anwendungsfälle gemacht?

 

 

Über den Autor

Rüdiger Eberlein
Rüdiger Eberlein

Kommentar hinterlassen

Ihre E-Mail-Adresse wird nicht veröffentlicht. Pflichtfelder sind mit einem * gekennzeichnet.