Ein praktischer Ansatz für Business Impact von Data & AI | Zehn bewährte Taktiken vom Schlachtfeld.

In der heutigen, sich schnell entwickelnden Geschäftslandschaft ist data-Intelligenz zu einem unverzichtbaren Werkzeug für Unternehmen geworden, die wettbewerbsfähig bleiben wollen. Unternehmen, die keine data-driven-Modelle einsetzen, laufen Gefahr, hinter ihre Konkurrenten zurückzufallen, weil ihnen wertvolle Erkenntnisse und Möglichkeiten zur Expansion, Optimierung und Innovation entgehen. Kurz gesagt, die Nutzung von data-Intelligenz für Unternehmen ist kein Luxus mehr, sondern eine Notwendigkeit für Nachhaltigkeit und Entwicklung, und Unternehmensleiter sollten diejenigen sein, die die Identifizierung, Priorisierung und Entwicklung von data- und KI-Lösungen vorantreiben. Im Gegensatz zu der weit verbreiteten Meinung, dass Geschäftsinteressenten nur “Konsumenten” von data-Lösungen sind, glauben wir, dass sie den gesamten Prozess anführen sollten, unterstützt von data- und Technologieexperten.

Eine gründliche Analyse der geschäftlichen Wertschöpfungskette und der wichtigsten Geschäftsprozesse wird am besten von den Geschäftsinteressenten selbst durchgeführt. Bei dieser Analyse werden Bereiche identifiziert, in denen data-Lösungen einen erheblichen Einfluss auf das Geschäft haben können, und zwar in Form von Umsatzwachstum, Kostenoptimierung, Verbesserung des Kundenerlebnisses oder operativer Exzellenz. Während dieses Prozesses ist es wichtig, Geschäftsmöglichkeiten zu identifizieren, die mit der allgemeinen Geschäftsstrategie des Unternehmens übereinstimmen. So kann beispielsweise eine Analyse der Lieferkette und ihrer wichtigsten Kennzahlen dazu beitragen, potenzielle Lücken und Ineffizienzen zu identifizieren, die von data-Analysen und -Intelligenz profitieren können.

Das Ziel sollte nicht sein, mit einer langen Liste von data-Lösungen zu beeindrucken, sondern vielmehr die kritischsten Geschäftsbereiche zu identifizieren, die von data-driven-Einsichten profitieren können. Wenn Unternehmen der Versuchung widerstehen, zu viele data-Lösungen zu verfolgen, können sie sich konzentrieren und ihre Chancen auf den Aufbau erfolgreicher data-Lösungen erhöhen. Es ist auch wichtig, die Mehrwertfunktionen von data-Lösungen zu identifizieren, die über die einfache Berichterstattung hinausgehen. Die Berichterstattung ist zwar wertvoll, weil sie eine Zusammenfassung der Unternehmensleistung liefert, aber sie bietet nur eine rückblickende Sicht auf data und lässt wenig Raum für Analysen und Entscheidungsfindung. Um das Potenzial von data voll ausschöpfen zu können, müssen Unternehmen data-Lösungen finden, die diagnostische Analysen bieten, die automatisch die Grundursachen der Leistung identifizieren, sowie prädiktive Analysen, die zukünftige Trends vorhersagen.

Bevor Sie mit der Entwicklung einer data-Lösung beginnen, müssen Sie unbedingt eine detaillierte Machbarkeitsstudie durchführen, in der die Verfügbarkeit und Qualität der benötigten data-Quellen sowie die Kosten für die Technologien und das Fachwissen untersucht werden, die für die Erfassung und Verarbeitung dieser data-Quellen erforderlich sind. Dazu gehört auch die Untersuchung der Hardware- und Softwareanforderungen sowie der menschlichen Fähigkeiten, die für die Implementierung und Wartung der Technologie erforderlich sind. Dies hilft auch dabei, realistische Erwartungen für data-Lösungen festzulegen, die dem Reifegrad der erforderlichen data-Quellen, Technologien und Fähigkeiten entsprechen.

Die Entwicklung und Skalierung von data-Lösungen für Unternehmen erfordert ein neues Betriebsmodell - eine KI-Fabrik - bestehend aus Funktionsteams, die von Geschäftsexperten geleitet und von data-Wissenschaftlern, -Ingenieuren, -Analysten und -Softwareentwicklern unterstützt werden. Diese Teamstruktur stellt sicher, dass data-Lösungen immer mit Blick auf das Geschäftsziel entwickelt werden. Die Einführung eines agilen Test- und Lernprozesses, bei dem versucht wird, in kurzer Zeit einen erfolgreichen POC zu erstellen, ist ebenfalls von entscheidender Bedeutung, um eine kürzere Entwicklungszeit zu erreichen.

Nicht alle data-Lösungen werden erfolgreich sein; einige werden trotz sorgfältiger Planung und Ausführung aufgrund von technischen oder data-Einschränkungen scheitern. Es ist wichtig, dass Unternehmen erkennen, dass Scheitern ein natürlicher Teil des Entwicklungsprozesses ist: Es sollte sie nicht davon abhalten, zukünftige Projekte zu verfolgen. Stattdessen sollten sich die Unternehmen darauf konzentrieren, erfolgreiche data-Anwendungsfälle zu industrialisieren, sie auf vollständige data-Domänen zu skalieren und ihre Algorithmen und data-Quellen zu optimieren. Dazu gehört auch die fortlaufende Überwachung und Verbesserung des Anwendungsfalls, um sicherzustellen, dass er weiterhin den Anforderungen der Geschäftsanwender entspricht.

Die Bereitstellung von Schulungen für data-Lösungen und einer benutzerfreundlichen Dokumentation für Geschäftsanwender ist notwendig, reicht aber in der Regel nicht aus, um eine breite Akzeptanz von data-Anwendungsfällen zu erreichen. Eine weit verbreitete Übernahme von data-Lösungen durch Geschäftsanwender lässt sich am besten dadurch erreichen, dass die Anwender den Entwicklungsprozess leiten, diese Lösungen in den Lehrplan des Unternehmens integriert werden und KPIs zur Übernahme und Auswirkung in Scorecards für Geschäftsanwender aufgenommen werden. Indem sie die Scorecards für Geschäftsanwender mit der data-Strategie des Unternehmens abstimmen, können Unternehmen eine Kultur der data-driven-Entscheidungsfindung schaffen und sicherstellen, dass die Einführung von data-Lösungen zu spürbaren geschäftlichen Auswirkungen führt.

Um eine kontinuierliche Verbesserung der data-Lösungen zu erreichen, ist es unerlässlich, regelmäßig Feedback von Geschäftsanwendern einzuholen, ihre Bedürfnisse und Anforderungen zu bewerten und die notwendigen Anpassungen vorzunehmen, um diese zu optimieren. Die Scrum-Methode bietet einen effektiven Ansatz für die Erfassung und Umsetzung von Verbesserungen in einer iterativen und inkrementellen Weise. Die Benutzer von data-Lösungen sollten ein kontinuierliches Feedback über die Genauigkeit und Benutzerfreundlichkeit der data-Lösungen sowie über erforderliche Verbesserungen der Geschäftsprozesse protokollieren. Es ist wichtig, (1) Verbesserungen zu implementieren, die die Genauigkeit des Outputs der Lösung erhöhen, (2) die Funktionen und den Funktionsumfang zu erweitern und (3) die Benutzerfreundlichkeit und das Benutzererlebnis zu verbessern.

Die Aufrechterhaltung qualitativ hochwertiger data-Quellen für data-Lösungen ist entscheidend, um automatisierte, genaue Ergebnisse mit einem Minimum an Aufsicht zu erzielen. Um dies zu erreichen, sollten Unternehmen einen robusten data-Qualitätsrahmen implementieren, der klare Richtlinien und Standards für die Sammlung und Umwandlung von data durchsetzt. Darüber hinaus sollten Unternehmen strenge data-Sicherheits- und Datenschutzrichtlinien für eine sichere und gesetzeskonforme data-Verarbeitung einführen. Dieser Ansatz stellt sicher, dass die eingegebenen data genau, aktuell und konsistent sind, was das Fehlerrisiko verringert und die Gesamteffizienz des data-Verarbeitungsprozesses verbessert.

Die Identifizierung der kommerziellen oder betrieblichen KPIs, die durch eine data-Lösung direkt verbessert werden, ist für die Messung der geschäftlichen Auswirkungen unerlässlich. Sobald diese KPIs identifiziert sind, besteht der nächste Schritt darin, eine Formel zu entwickeln, um die zusätzlichen Auswirkungen der data-Lösung auf jeden dieser KPIs zu messen. Diese Formel sollte den Ausgangswert dieser KPIs vor (oder ohne) der Implementierung der data-Lösung berücksichtigen und ihn mit der Leistung dieser KPIs nach (oder mit) der Implementierung dieser Lösung vergleichen, wobei andere Faktoren, die zu diesem Anstieg geführt haben könnten, berücksichtigt werden. Sobald die inkrementelle Auswirkung auf jeden KPI berechnet wurde, sollte sie in finanzielle Begriffe übersetzt werden, wie z.B. reduzierte Kosten oder erhöhte Einnahmen. Schließlich ist es immer empfehlenswert, eine automatisierte Messung der geschäftlichen Auswirkungen von data-Lösungen zu verwenden, um eine unvoreingenommene und zeitnahe Messung der geschäftlichen Auswirkungen sicherzustellen.

“Da Unternehmen versuchen, mit ihren Investitionen in data-Analysen und artificial intelligence greifbare Geschäftsergebnisse zu erzielen, ist es entscheidend, einen fokussierten Ansatz zu verfolgen, der die richtigen Lösungen entwickelt und die richtigen Erwartungen setzt. Mit diesem Ansatz leiten Unternehmensleiter die Entwicklung von data- und KI-Lösungen ‘für das Unternehmen durch das Unternehmen’ - sie setzen Prioritäten bei den wirkungsvollsten Lösungen, erstellen schnelle POCs mit data-Experten, skalieren data-Lösungen, die funktionieren, und akzeptieren ‘Misserfolge’ bei denen, die nicht funktionieren. Die Leitung des gesamten Prozesses durch die Geschäftsteams stellt sicher, dass das Unternehmen sich einbringt und die Lösungen von Anfang an angenommen werden.”

Oussama Ahmad, Data Beratungspartner

Data-Beschleunigungsprojekte haben in den letzten Jahren in der MENA-Region stark zugenommen, da die Unternehmen die Vorteile von data für ihr Geschäftswachstum nutzen. Zwar gibt es nach wie vor bestimmte Herausforderungen, wie z.B. die Aufrechterhaltung der data-Qualität, insbesondere bei Altsystemen, doch die Unternehmen suchen aktiv nach Lösungen, um diese Hindernisse zu überwinden. Der Aufbau der richtigen data-Fähigkeiten innerhalb der Unternehmensteams und des richtigen Betriebsmodells ist der wichtigste Weg, um die erfolgreiche Implementierung und Übernahme von data-Lösungen und die Realisierung greifbarer geschäftlicher Auswirkungen zu gewährleisten.”

Karim Hayek, Data Beratung Senior Manager