In der Artikelreihe „Big Data“ gibt Dr. Martin Seidel, der den Zentralbereich Business Efficiency bei der BSH Hausgeräte GmbH verantwortet und sich täglich mit Big Data beschäftigt, wertvolle Einblicke in seine Arbeit. Im ersten Artikel dieser Reihe wurden die typischen Schritte eines Data-Mining-Projekts aufgezeigt. Im zweiten Teil gibt Dr. Martin Seidel Ratschläge für die effiziente Einführung eines Data-Mining-Projekts.
Bei der Terminologie Big Data denken viele an die drei Dimensionen Datenumfang, Datenvielfalt und Geschwindigkeit, mit der die Datenmengen entstehen. Nach Dr. Martin Seidel stehen aber zwei andere Eigenschaften von Big Data im Fokus: die Aussagekraft und der Mehrwert der Daten. Für Dr. Seidel sind Daten regelrechte Schatztruhen, die aufzeigen, wo Effizienzverbesserungen möglich sind. Dabei liegen in jeder Unternehmung bereits intern alle Daten vor, die den Schlüssel zu diesen Erkenntnissen darstellen. Doch worauf müssen Firmen achten, wenn sie ein Data Mining erfolgreich umsetzen wollen?
Regel Nummer 1: Verständlich sein.
Resultate sind so zu formulieren, dass sie verständlich sind für alle Mitarbeiter. Dies setzt voraus, dass Data-Mining-Analysen zielgruppenorientiert aufgesetzt sind. Die Präsentation von Daten und Analysen soll bei der Zielgruppe, meist der Geschäftsleitung, nie die „So-what“-Frage aufrufen. Resultate müssen geschäftsrelevant und aussagekräftig sein. Dies führt zur zweiten Regel.
Regel Nummer 2: Notwendige Kompetenzen erfragen.
Damit Data-Mining-Daten geschäftsrelevant und aussagekräftig sind, muss ein Data-Mining-Spezialist die notwendigen Kompetenzen erhalten, die Rohdaten richtig zu filtern. Hierzu sind oft Anpassungen in den SAP-Einstellungen notwendig. Der Projekt-Owner des Data-Mining-Projekts muss deshalb die notwendigen Freigaben sicherstellen.
Regel Nummer 3: Cross-funktionale Teams führen zum Erfolg.
Die ersten beiden Punkte setzen voraus, dass ein Data-Mining-Projektteam multifunktional aufgebaut ist. Im Team sollten Mitarbeiter der Abteilungen IT und SAP (oder ähnlich) sowie aus Abteilungen mit starker Geschäfts- und Prozessorientierung vertreten sein. Nur so kann gewährleistet werden, dass das Projektteam Zugang zu den relevanten Daten erhält und die Analysen tatsächlich geschäftsrelevant aufgebaut werden.
Regel Nummer 4: Think big, think company-wide.
Die Analyse eines Data-Mining-Projekts sollte immer unternehmensübergreifend aufgebaut werden. Es ist wichtig, in der Analyse „end to end“ zu denken und alle Abteilungen zu berücksichtigen, die im zu analysierenden Prozess involviert sind. Es ist ebenfalls wichtig, die involvierten Abteilungen nicht gesondert als Silos zu analysieren, sondern übergreifend vorzugehen. Zu Beginn eines Data-Mining-Projekts ist nämlich nicht klar, wo die „Fehlerquelle“ oder worin die Erkenntnis liegt. Ein Einschränken des zu analysierenden Bereichs könnte deshalb das Auffinden des Fehlers oder das Gewinnen von Erkenntnissen verhindern. Was macht Digitalisierung heute möglich? Und wie können mit „Big Data“ und „Data Mining“ neue Effizienzverbesserungen in Unternehmen aufdeckt werden?
Die Analyse eines Data-Mining-Projekts sollte immer unternehmensübergreifend aufgebaut werden. Es ist wichtig, in der Analyse „end to end“ zu denken und alle Abteilungen zu berücksichtigen, die im zu analysierenden Prozess involviert sind.
dr. martin seidl, business efficiency, bsh hausgeräte gmbh
