Search
Generic filters
on on on on
Home » Wissen » Blog » Self-Service-BI/AI: Individueller Datenmarkt oder zentrales Kaufhaus?

Self-Service-BI/AI: Individueller Datenmarkt oder zentrales Kaufhaus?

Beim Thema Self-Service-BI/AI/Analytics gehen die Meinungen auseinander: Die einen befürchten komplexen Wildwuchs, die anderen fühlen sich durch ein rigides Regelwerk ausgebremst. Bei solchen Kontroversen hilft oft eine Analogie. In diesem Blogbeitrag betrachten wir deshalb die Ess- und Kochgewohnheiten und schlagen die Brücke zur Frage nach den Self-Services, denn auch hier sind Geschmäcker, Skills und Situationen oftmals verschieden. Manchmal passt die Daten-Tiefkühlpizza besser und manchmal ist genug Zeit für eine frische, selbstgemachte BI-Pasta.

Aus großer Kraft erwächst große Verantwortung: Wie viel Self-Service verträgt ein Unternehmen?

Seit einiger Zeit wird in Unternehmen über Self-Service-Analytics/BI/AI debattiert, es werden Seminare angeboten, Tools beworben und in den Unternehmen probiert. Begleitet wird die Frage durch die Diskussion um den Sinn und Fokus von zentralen Enterprise Data Warehouses oder Data Lakes/Marts. Dabei stellen sich vor allem die folgenden beiden Fragen:
  • Kann ein Data Warehouse mit seinen starren Regeln und Prozessen mit den heutigen Anforderungen an Flexibilität und Geschwindigkeit mithalten?
  • Data Marts verwenden günstigen Speicher und die Daten lassen sich in den Quellformaten schnell ablegen. Doch ab wann verliert der Preis- und Geschwindigkeitsvorteil beim Arbeiten mit Data Marts gegen die steigenden Kosten, die sich aus dem späteren Bearbeitungsbedarf aufgrund der hohen Komplexität ergeben?
Die Befürworter von Self-Service hoffen durch den anwendergetriebenen Ansatz auf mehr Geschwindigkeit, Flexibilität und Aussagequalität, da die Informationen von denjenigen Mitarbeitern aufbereitet werden, die sich damit am besten auskennen. Die Skeptiker aus dem zentralistischen Lager befürchten ein Durcheinander von Dateninseln, Inhalten und falschen Auswertungen. Die logische Folge ist dann ein strikter Prozess, um eine qualitätsgesicherte Datenbasis aufzubauen und in den Auswertungen Vordefiniertes mit geplanten Freiheitsgraden anzubieten.

Das Pendel schwingt dann oftmals stark in die extremen Positionen: „Wir machen jetzt alles als Self-Service“ oder „Reporting-Qualität erreichen wir nur über ein zentrales Standard-Reporting“. Wie so oft liegt die Lösung in einer Mischung der Ansätze. Wo sie genau liegt und wie sie aussehen kann oder sollte, darauf lässt sich eine hilfreiche Antwort mit einer vertrauten Analogie geben: Essen! Denn wenn wir uns einmal ansehen, wie und wo wir uns die notwendige Versorgung mit Nahrungsmitteln (Informationen) sicherstellen, finden sich interessante Parallelen zum Thema Self-Service.

Bestellen wir uns was oder kochen wir selbst?

Hobby- oder Profiköche/-innen gehen eigenständig die Zutaten besorgen und zaubern sich je nach Fertigkeiten und Zeitbudget einfache, schnelle oder auch sehr aufwändige Gerichte. Dazu benötigt man jedoch sowohl die richtigen Werkzeuge (Tools), muss sich mit den Zutaten auskennen (Datenbasis/-quellen), das Handwerk soweit wie nötig beherrschen (Know-how) und am Ende die Rezepte verstehen (Fachwissen). Klar ist: Das kann nicht jeder oder es fehlt einfach die Zeit, so tief einzutauchen.

 

Eine mögliche Alternative ist, auf Convenience oder fertige Gerichte zu setzen. Das geht schnell und liefert (hoffentlich) gute Qualität. Sogar der Preis kann durch die standardisierte Produktion für möglichst viele Konsumenten günstiger sein. Nachteile sind, dass man ausschließlich auf das vorliegende Angebot angewiesen ist, sich die Speisekarte nur selten verändert und Sonderwünsche ebenfalls ausgeschlossen sind.

Foto Obst-und Gemüsemarkt
Wer selbst kocht, braucht Zeit und Fachwissen.
Foto Supermarktregale
Convenience Food geht schnell und einfach, trifft aber nicht immer den Geschmack.
Wie bei der Frage bzgl. Reporting/BI/Analytics reicht auch bei diesem Thema die Bandbreite der Möglichkeiten und „Versorgungsstrategien“ von vorgefertigten Angeboten von der Speisekarte oder Convenience-Abteilung bis hin zum Markteinkauf mit „Self-Service“-Zubereitung. Und wenn wir mal ehrlich sind: Wir bedienen uns in der Regel nicht ausschließlich einer Strategie, sondern wählen situativ die effizienteste.

So kann es sein, dass wir montags etwas bestellen, weil der Tag wenig Zeit lässt und am Freitag kochen wir in Ruhe mit dem Team. Manchmal mischen wir sogar bei den Zutaten und verwenden frische Zutaten zusammen mit vordefinierten Produkten - je nach Relevanz und Anspruch. Hand aufs Herz: Wer macht schon regelmäßig frische Pasta selbst…?

Detailwissen oder Vertrauen in Produkte und Lieferanten

Doch wie wählen wir unsere Zutaten aus? Entweder haben wir ausreichend Erfahrung und Wissen, um auf dem Markt einkaufen zu gehen oder die Pilze selbst zu sammeln. Oder wir vertrauen auf Produktinformation und Marken, die eine einfache Einschätzung von Inhalt und Qualität erlauben (sollten). Letzteres ist zugegeben bei einem zunehmend wachsenden Angebot im Kaufhaus mit dem Standardsortiment in den meisten Fällen effizienter. Eine weitere Möglichkeit: Wir delegieren den gesamten Prozess an Profis, die uns fertige Gerichte zur Auswahl anbieten.

Im Datenmarkt des Unternehmens ist die Aufgabe der Data Governance, den Umgang mit Informationen und mit „Information über Daten“ zu erleichtern. Data-Quality-Werkzeuge sowie die passende Security-Strategie gehören genauso dazu wie die richtige Speicherung von Informationen, abhängig vom Zweck und der Zielgruppe.

Ein Kernwerkzeug in der Datenküche ist ein Data Catalog, der die verfügbaren Daten recherchierbar macht und die Informationen aus technischer wie fachlicher Sicht redaktionell zusammenbringen kann. Bei der Daten-Qualität („geprüft durch…“) unterstützen Werkzeuge wie ein Master/Reference Data Management. Dies versetzt fachlich Verantwortliche als „Data Stewards“ in die Lage, bereits möglichst frühzeitig und in den eigentlichen Quellen die Qualität von Stammdaten über verschiedenste Systeme und Teile eines Unternehmens zu verbessern, anstatt die Probleme erst kurativ am Ende der analytischen Ketten zu lösen.

Hier gilt: Die Speicherung und die Zugriffe auf Daten sollten möglichst einfach zugänglich sein, aber trotzdem die Sicherheitsanforderungen des Unternehmens einhalten. Offene Ablageformate wie übliche Dateiformate oder per SQL abfragbare Datenhaltungen sind mittlerweile der Grundstandard. Je spezieller die Speicher aufgebaut sind oder wenn die Daten „hinter einem Tresen“ nur auf Anfrage und mit Beratung gelagert werden, desto aufwändiger ist es nicht nur für den Anwender an sie heranzukommen, sondern auch der organisatorische Aufwand steigt. Um in der Essensanalogie zu bleiben: Nicht umsonst haben die offenen Supermärkte die „Tante-Emma“-Läden verdrängt.

Was bedeutet das für Reporting/BI/Analytics?

Um sich für das passende Maß an Self-Services zu entscheiden, müssen einige grundlegende Fragen geklärt sein, die sich auf die geeigneten Strategien für jedes Thema beziehen:

  • Kenne ich das Thema so gut, dass ich es selbst aufbereiten kann?
  • Habe ich Zugriff auf qualitativ hochwertige Daten, denen ich vertraue?
  • Stehen mir die entsprechenden Werkzeuge zur Verfügung und kann ich diese bedienen?
  • Habe ich die Zeit oder lohnt sich der Aufwand, individuelle Lösungen aufzubauen?
  • Ist die Problemstellung längere Zeit relevant und der Kundenkreis so groß, dass sich eine zentrale Aufbereitung rentiert?
Je nach Reifegrad (Self-Servic-Maturity) des gesamten Unternehmens oder einzelner Bereiche können dann entweder Lösungen in „Reinform“ gelebt werden oder in jeglicher Mischform mit verschieden großen „Inseln“ für Self-Service-Analytics, basierend auf oder neben zentralen Daten- und Analyse-/Berichtslösungen.

Während für die Versorgung mit zentralen Daten die genauen Anforderungen etabliert sein müssen und die entsprechenden Strukturen und Prozesse aufzubauen sind, kann es für Bereiche mit schnell wechselnden oder flexiblen Anforderungen sinnvoll sein, Self-Service-Werkzeuge durch entsprechende Schulungen zu etablieren.

Die entscheidenden Herausforderungen bestehen darin, im Unternehmen den Service-Aspekt in den zentralen Data-Management-Bereichen als Fokus zu etablieren, eine offene Kommunikation mit den Anwendern zu pflegen und natürlich die richtigen Mittel und Werkzeuge bereitzustellen. Diese müssen beide Konsumentenperspektiven bedienen und durchlässig genug sein, um erfolgreiche Ansätze des Self-Service möglichst schnell und einfach zu „industrialisieren“.

 

Pfeil Rechts 1 01

Fazit: Die Mischung macht‘s

Die Datenversorgung im Unternehmen bietet idealerweise wie ein guter Supermarkt eine Bandbreite von fertigen Gerichten (Reporting) über die Regale mit standardisierten Zutaten (Data Warehouse) bis hin zur Frischetheken mit Fachpersonal (Rohdaten) als breite Auswahl. Und wenn man etwas Spezielles sucht, fragt man den Marktleiter. Er sagt einem, ob und wo man etwas findet oder bestellt auf Wunsch fehlende Artikel. Es kann natürlich auch sein, dass es mal heißt: „haben wir nicht“ – dann bleibt nur die Suche nach einem externen Spezialgeschäft, falls sich der Aufwand lohnt.

Kern des Konzeptes ist es, die Information bereitzustellen, wo im Sortiment etwas zu finden ist und Angaben über Inhaltstoffe, Qualität und Herkunft des Angebots verfügbar zu machen. Damit schließt sich der Bogen zur Data Governance im Rahmen der individuellen Datenstrategie des Unternehmens. Ein Data Catalog, Master/Reference Data Management, Data-Quality-Werkzeuge sowie die passende Security-Strategie gehören genauso dazu wie die richtige Speicherung von Informationen, angepasst auf den Zweck und der Zielgruppe. Kombiniert wird das mit der passenden Auswahl der Werkzeuge, der Ausbildung in der Bedienung sowie mit dem Fachwissen zur Interpretation der Information für die relevanten Teams. Und nicht zu vergessen ist die Relevanz einer kooperativen Zusammenarbeit mit den Profis in der Lieferkette und in der Großküche. Dies sorgt für die erforderliche Bereitstellung und für die skalierenden Standardkomponenten.

Ihr Ansprechpartner

Sprechen Sie mich gerne an.

Csm Michael Tenner 992ec0e618

Michael Tenner

Business Development Manager Data Visualization

pmOne AG
Im Mediapark 6A
50670 Köln

 Michael.Tenner@pmOne.com

 +49 151 53850867

Einwilligung*

Passende Lösungen zum Thema

Data Management

Mit systematischem Datenmanagement legen Sie den Grundstein für die Zukunft Ihres Unternehmens und bleiben langfristig wettbewerbsfähig. Denn der Aufbau und Betrieb neuer Geschäftsmodelle funktioniert nur, wenn Daten in der richtigen Qualität zur rechten Zeit am passenden Ort sind. Wir unterstützen Sie beim Aufbau der richtigen Strukturen, mit schlüssigen Konzepten und den passenden Technologien.

Data Science & KI

Künstliche Intelligenz und Data Science liefern Ihnen aus digitalen Datensätzen Informationen, die Ihr Unternehmen nachhaltig optimieren. Ob in der Produktion, im Controlling oder im Marketing und Sales - der Einsatz dieser modernsten Techniken verändert die Wirtschaft branchenübergreifend und grundlegend.

Webseminare zum Thema

Demand Forecasting Seminar
17. November 2022 - 18. November 2022 | 9:00 - 12:30

Planung und Prognose in Excel & Python Seminar

3
Certified Business Data Scientist Lehrgang
18. Oktober 2022 - 7. Dezember 2022 | 9:00 - 12:30

Certified Business Data Scientist Lehrgang

3
Coffee Break 02
3
Webseite Header Künstliche Intelligenz In Der Produktion
3

Trainings zum Thema

Predictive Analytics Methoden
29. März 2023 - 30. März 2023 | 9:00 - 17:00

Predictive Analytics: Methoden – Verfahren – Anwendungen Seminar

3
Mit Modernen Werkzeugen Aufgaben Automatisieren
23. März 2023 - 24. März 2023 | 9:00 - 17:00

Digitale Transformation im Controlling Seminar

3
Customer Analytics Seminar
13. Dezember 2022 - 14. Dezember 2022 | 9:00 - 12:30

Kundensegmentierung in Excel & Python Seminar

3
Demand Forecasting Seminar
23. November 2022 - 24. November 2022 | 9:00 - 17:00

Digitale Transformation im Controlling Seminar

3

Whitepaper

Whitepaper Mit Analytics Zum Nächsten Leistungsniveau
3

Weitere News zum Thema

Blog-Cash-Flow-King-Finance-4.0
3
Blog Portal COVID 19 Information
3
Vorteile Cloud Im Vergleich On Premise
3
Analytics Platform
3
Menü