Welche Datenstrategie ist die beste?

PwC-Studie 2021: One data strategy to rule them all

Was eine gute Strategie für Data & Analytics ausmacht

Daten bedeuten Chancen – für die Optimierung von Geschäftsmodellen und Prozessen oder den Aufbau komplett neuer Geschäftsfelder. Viele Unternehmen haben das Potenzial und die Macht von Big Data längst erkannt und investieren in Big-Data-Technologien und die Weiterbildung ihrer Belegschaft, um die Flut an Daten im Sinne ihres Unternehmens und ihrer Kunden zu nutzen.

Um den größtmöglichen Mehrwert aus den großen Mengen an verfügbaren Daten zu generieren, müssen Organisationen ihre spezifischen Herausforderungen verstehen und erkennen, welche Maßnahmen nötig sind.

Eine Studie von PwC hat fünf zentrale Faktoren ausgemacht, die über den Erfolg von Data Analytics entscheiden. Daraus ist ein strukturierter Rahmen entstanden, der durch die wichtigsten Themen führt, die beim Aufbau einer guten Datenstrategie auftauchen. Das Ziel: Organisationen dabei zu unterstützen, bewusste Entscheidungen bei der Definition und Implementierung ihrer Datenstrategie zu treffen. 

Viele Unternehmen haben massiv in Technologien und Infrastruktur für Data Analytics investiert und sind frustriert, dass sich diese Investitionen nicht unmittelbar auszahlen. Unsere Analyse zeigt, an welchen Stellschrauben sie drehen müssen, um die Vorteile voll auszuschöpfen.

Die Studie im Überblick

Die Analyse kommt zu dem Ergebnis, dass fünf Themen die Eckpfeiler jeder Datenstrategie bilden und über den Erfolg entscheiden. 

1. Die Organisationsstruktur 
Die Organisationsstruktur und Governance für Data & Analytics (D&A) zeigt, wie eine Organisation mit ihren Ressourcen und Aktivitäten in diesem Bereich umgeht, an welchen Datenprojekte die Mitarbeiter:innen aktuell arbeiten, wie die Zusammenarbeit funktioniert und wie die Daten-Governance strukturiert ist. 

Die meisten Unternehmen starten mit einem dezentralen Ansatz und entwickeln dann sukzessive einen zentralen Ansatz für den Bereich Data Science. Im Hub-and-Spoke-Ansatz, dem weitesten fortgeschrittenen Modell, sind die Data Analytics-Fertigkeiten so eng mit dem Business integriert, dass sich Geschäftsverständnis und funktionales Wissen die Waage halten. 

2. Der Umgang mit personellen Ressourcen
Bei großen Transformationsprojekten kommt es immer auch auf die Kultur und die Menschen an. Wie ein Unternehmen mit seinen personellen Ressourcen, Fähigkeiten und Fertigkeiten umgeht, hat also großen Einfluss darauf, wie es hochqualifizierte Datenexpertise aufbaut und Fachkräfte wie Data Analyst:innen an das Unternehmen bindet. 

Um den Übergang zu einem datengetriebenen Entscheidungsprozess zu gestalten und den Reifegrad von D&A zu erhöhen, braucht es zwingend einen integrierten Ansatz für den Aufbau von Expertise und Fertigkeiten – und zwar auf allen Ebenen und in allen Funktionen. 

3. Das Betriebsmodell für Data & Analytics
Wie Organisationen mit den einzelnen Use Cases und Dateninitiativen umgehen, hängt stark vom Betriebsmodell ab. Das Ziel: Wissen und Informationen teilen und fundiert entscheiden, welche Use Cases implementiert werden sollen. 

In Firmen, die sich noch am Anfang ihrer Datenstrategie befinden, sind die Prozesse kaum standardisiert. Im Idealfall entsteht im nächsten Schritt eine harmonisierte Prozesslandschaft mit einheitlichen Erfolgskennzahlen und Schnittstellen. Dabei treffen die Geschäftseinheiten jedoch die wesentlichen Entscheidungen. 

4. Die Plattform-Landschaft
Am Anfang koexistieren in den meisten Unternehmen unterschiedliche Datenplattformen und -Technologien. Sobald die Dateninitiativen reifer werden, zeigt sich der Trend zur Konsolidierung. Der Grund: Zu viele unterschiedliche Plattformen verursachen hohe Kosten für Betrieb, Schnittstellen, Compliance und Personal.

Der Goldstandard besteht darin, eine einheitliche Technologieplattform für die gesamte Organisation und alle Geschäftseinheiten aufzubauen. Bewährt hat sich eine 80 Prozent-Lösung: Eine bereichsübergreifende, zentrale Daten-Plattform deckt 80 Prozent der Bedürfnisse aus den Geschäftsbereichen ab. Ausnahmen lassen sich so in einer kontrollierten Form behandeln. 

5. Die Philosophie für den Datenzugang 
Sind alle Daten allen Mitarbeitenden zugänglich? Oder ist der Zugang beschränkt? Bei dieser Grundsatzentscheidung geht es darum, so viel wie möglich aus den Daten herauszuholen, sie aber gleichzeitig zu schützen. 

In streng regulierten Branchen, die über sensible persönliche Daten verfügen, etwa in der Finanzindustrie, handhaben Unternehmen den Zugang zu Daten tendenziell restriktiver. Um alle regulatorischen Vorgaben zu erfüllen, können Organisationen in regulierten Märkten ihren Mitarbeitenden nur begrenzten Zugang zu Daten gewähren. Sofern es die regulatorischen Vorgaben erlauben, geht der Trend zu offenen Daten.

Die drei Entwicklungsstufen

In der Analyse haben sich – je nach Reifegrad und Entwicklungsstufe – drei unterschiedliche Methoden für den Umgang mit Daten herauskristallisiert:

Der dezentrale Ansatz für Daten ist typisch in Organisationen, die sich noch am Anfang ihrer Datenstrategie befinden und noch keine übergreifende Vision entwickelt oder implementiert haben. 

Unternehmen, die bereits einen einheitlichen Governance-Ansatz für standardisierte Daten-Prozesse umgesetzt haben, verfolgen einen zentralen Ansatz. Sie orientieren sich in der Regel an festen Prinzipien und haben strenge Regeln für gemeinsame Tools und Plattformen. 

Firmen, deren Datenstrategie am weitesten entwickelt ist, setzen auf eingebettete, dezentralisierte Abläufe. Sie haben eine strategische Vision entwickelt, bei der sich Harmonisierung und Flexibilität die Waage halten. Sie haben die Governance in der Regel zentralisiert, behalten sich aber Flexibilität in den einzelnen Geschäftseinheiten vor.

Die Erfolgsmerkmale einer erfolgreichen Datenstrategie

Wer eine umfassende Strategie für Data Analytics erfolgreich eingeführt hat, zeichnet sich durch folgende Merkmale aus:

  • Die Strategien und Initiativen für Datenanalysen werden von der Führungsebene getrieben und unterstützt.
  • Es gibt eine Vision und klare Ziele, was mit der Datenstrategie erreicht werden soll. 
  • Das Betriebsmodell ist klar definiert; der Umgang mit Use Cases eindeutig geregelt.
  • Ein zentraler Ansatz ist zwar gut, um Know-how zu nutzen und eine kritische Masse zu erreichen. Die Geschäftseinheiten müssen aber ihre Ideen und Skills einbringen können und die Entscheidungshoheit behalten.
  • Bei Data & Analytics geht es nicht nur um Technologien, sondern auch um die Kultur. Unternehmen mit einer guten Datenstrategie berücksichtigen diesen Zusammenhang. 
  • Sie sorgen dafür, dass ihre Mitarbeitenden zu Data Analyst:innen werden, die mit Daten umgehen können – und zwar auf allen Ebenen und in allen Funktionen. 

Handlungsempfehlungen für den Aufbau erfolgreicher Datenstrategien 

Vom Anfänger zum Routinier

So entwickeln Sie sich vom Anfänger zum Routinier 

Schritt 1: Entwickeln Sie eine einheitliche Vision für den Umgang mit Big Data und bringen Sie das Thema auf die Agenda der Führungsebene. 

Schritt 2: Konsolidieren Sie bestehende Initiativen rund um Big Data Analytics, um diesen mehr Gewicht zu verleihen, und bilden Sie Ihre Mitarbeitenden gezielt zum Thema Daten weiter. 

Schritt 3: Versehen Sie erste Ergebnisse mit einem Preisschild und teilen Sie Erfolgsgeschichten.

Vom Routinier zum Profi

So entwickeln Sie sich vom Routinier zum Profi

Schritt 1: Gehen Sie mit dem Business auf Tuchfühlung und eruieren Sie, welche Fertigkeiten es dort genau braucht.

Schritt 2: Ermutigen Sie die Geschäftseinheiten, Verantwortung für ihre Ideen und Projekte aus dem Bereich Big Data zu übernehmen.

Schritt 3: Bauen Sie eine Führungsposition in Form eines Chief Data Analytics Officers (CDAO) auf. 

Vom Profi zum Vollprofi

So entwickeln Sie sich vom Profi zum Vollprofi

Schritt 1: Entwickeln Sie auf der Basis von Big Data Analytics komplett neue Services für Ihre Kunden, nicht nur Produkte.

Schritt 2: Setzen Sie auf maßgeschneiderte, persönlich zugeschnittene und zukunftsgerichtete Lösungen, um die Erfahrung Ihrer Kunden zu verbessern und deren Treue zu erhöhen.

Schritt 3: Bauen Sie ein komplettes Ökosystem für Data Mining und Predictive Analytics auf, indem Sie Wissen und Ressourcen mit Partnern teilen.

Verlieren Sie sich nicht im Daten-Dschungel, sondern behalten Sie das ‘Big Picture‘ fest im Blick. Die Einsichten, die Sie durch Datenanalysen gewinnen, sind ein wichtiger Pfeiler für Ihren künftigen Erfolg.

Die Methodik

Für die Studie haben die Expert:innen von PwC mehr als 50 Unternehmen in vier Kontinenten befragt und Tiefeninterviews mit rund 20 Spezialist:innen und Führungskräften in den Bereichen Digitalisierung, Datenanalyse und Digital Transformation geführt. Die Gesprächspartner:innen kamen aus den unterschiedlichsten Branchen – von der Finanzindustrie über den Automobilsektor, den Handel und die Konsumgüterindustrie bis zur Öffentlichen Verwaltung.

Follow us

Contact us

Michael Bruns

Michael Bruns

Partner, Analytics & IoT, PwC Germany

Hide