Bei der Gestaltung der zukünftigen Roadmap für Ihr digitales Unternehmen stellen sich viele Fragen. In diesem Artikel erhalten Sie einen Leitfaden für die Beantwortung dieser Fragen basierend auf Ihrer aktuellen MDM-Organisation.
Warum brauchen wir überhaupt Datenstrategien und Data Governance der nächsten Generation?
Wie wichtig ein Problem ist, erkennt man meist an den wirtschaftlichen Auswirkungen, die sich aus der Schaffung oder Zerstörung von Geschäftswerten ergeben. Das gilt auch für Daten. Das Ausmaß dieses Problems scheint täglich zu wachsen: Im Durchschnitt glauben Unternehmen laut Gartner, dass eine schlechte Datenqualität jährlich Verluste in Höhe von etwa 15 Millionen US-Dollar verursacht. Dies drückt sich unter anderem darin aus, dass etwa 79% der ohnehin wenigen Datenwissenschaftler ihre Zeit damit verbringen, Daten aufzubereiten, statt Modelle zu erstellen oder zu verbessern. Die mangelnde Agilität aufgrund schlechter Datenqualität und fehlender Transparenz wurde in der COVID-19-Krise deutlich: Viele Unternehmen hatten Schwierigkeiten, mit den plötzlichen Veränderungen im geschäftlichen Umfeld und ihren Geschäftsmodellen umzugehen. Dies gilt insbesondere für Unternehmen mit einer historisch gewachsenen heterogenen Systemlandschaft, da diese Systeme die Organisation daran hindern, so zu handeln wie es eigentlich erforderlich wäre. Der Punkt, an dem Daten als optionaler Vorteil gegenüber Wettbewerbern wahrgenommen wurden, ist längst überschritten. Heute sind Daten eine Notwendigkeit, die ebenso tiefgreifende Auswirkungen hat wie die Geschäftsstrategie selbst. Es ist daher von entscheidender Bedeutung, die Daten-Strategie genauso ganzheitlich zu betrachten wie die geschäftliche Strategie. Unternehmen müssen einen ausgeklügelten Data-Governance-Rahmen erstellen. Die Implementierung von Datenstrategie und Data Governance wird nicht mehr nur von den IT-Abteilungen, sondern von jeder einzelnen Einheit in der Organisation gesteuert.
Der Weg zur Datenstrategie und Data Governance der nächsten Generation
Es ist wichtig, vor der Festlegung einer übergreifenden Vision den Erstellungsansatz zu verstehen. So können Fallstricke bei der Implementierung, die auf eine schlecht konzipierte Strategie zurückzuführen sind, vermieden werden. Datenstrategie und Data Governance sind eng miteinander verknüpft. Der Einfachheit halber werden wir die beiden Bereiche jedoch getrennt betrachten. Bei der Umsetzung der strategischen Roadmap ist eine angemessene Governance von entscheidender Bedeutung, um die langfristige Vision zu erreichen. Bei beiden Bereichen muss zwischen kurz-, mittel- und langfristiger Planung unterschieden werden, um die Schritte nach Priorität zu ordnen und eine klare Roadmap zu erstellen. Ein starker Governance-Rahmen ist die Grundlage und Strategie der Roadmap. Alles zusammen bestimmt den gesamten Datenverwaltungsansatz. Nur mit diesem soliden Rahmen ist es möglich, dauerhafte und nachhaltige Lösungen zu schaffen, die einen echten Einfluss auf Ihr Geschäftsmodell haben und das richtige Umfeld für neue Innovationen bieten. Innovative Themen, die bereits in vielen der heutigen Roadmaps berücksichtigt werden, sind beispielsweise die Integration von künstlicher Intelligenz oder von Robotic Process Automation (allgemein als RPA bezeichnet).
Die Datenstrategie der nächsten Generation
Obwohl sich die Strategie im Laufe der Zeit weiterentwickeln kann und höchstwahrscheinlich auch wird, ist es wichtig, Zeit und Mühe in die Erstellung einer präzisen und gut durchdachten Strategie zu investieren. Insbesondere im Hinblick auf die Bedeutung einer klar definierten Strategie als Voraussetzung für den Data-Governance-Rahmen wird sich diese Investition auszahlen! Es stellt sich daher die Frage: Woran müssen Sie denken, um Hindernisse zu vermeiden? Bevor Sie umsetzbare Elemente in Ihrer Roadmap definieren können, ist ein tiefes Verständnis der Geschäftsstrategie, des zugrunde liegenden Geschäftsmodells und seiner Auswirkungen auf Ihre Datenstrategie unerlässlich. Dies mag trivial klingen, scheint jedoch häufig übersehen zu werden. Oft werden die „offensichtlichen“ Lücken erst bei der Umsetzung der Strategie deutlich. Die kurzfristige Roadmap wird in der Regel von den allgemeinen Geschäftszielen bestimmt. Dies führt meist zu einer unzureichenden Qualität der Daten, die als Grundlage für jegliche weiteren Datenverwaltungsmaßnahmen dienen. Fragen, die schnell mögliche Verbesserungsbereiche aufdecken können, sind:
- Was ist unser vorrangiges Ziel für die kommenden Jahre?
- Wo sind Daten ein zentraler Bestandteil unserer Geschäftsprozesse und welche Auswirkungen haben sie auf unsere Qualität/Margen/Kundenzufriedenheit?
- Welche Geschäftsprozesse wurden nur teilweise oder gar nicht digitalisiert und warum?
- Welche internen Faktoren schränken unsere Ambitionen derzeit ein?
Die Antworten auf diese Fragen ermöglichen eine Reifegradbewertung. Diese Bewertung klassifiziert den aktuellen Datenverwaltungsansatz in mehreren Dimensionen und beschreibt die betriebliche und kulturelle Abdeckung im Unternehmen. 
Abbildung 1: Ansatz zur Bewertung des Reifegrads der Datenverwaltung
Die aktuelle Infrastruktur ist ein zentraler Eckpfeiler Ihrer Strategie, der sich sowohl auf die Machbarkeit als auch auf zusätzliche Anstrengungen im Implementierungsprozess auswirkt. Oft muss die historisch gewachsene, heterogene Systemlandschaft zuerst entwirrt und so sortiert werden, dass weitere Systeme implementiert werden können, ohne das Risiko einer geschäftlichen Bedrohung einzugehen. Dies schließt eine Neubewertung ein: Ist die anfängliche Strategie, z.B. die Verfolgung eines Best-of-Breed- oder Best-of-Suite-Ansatzes, weiterhin gültig? Wenn ja, stimmen Ihre aktuellen Maßnahmen mit dieser Strategie überein? Es wird auch empfohlen, den Grad der Überlappung zwischen den Systemfunktionalitäten zu bewerten, die aufgrund der kontinuierlichen Aktualisierungen in jedem System im Laufe der Zeit allmählich auftritt. Mittel- bis langfristige Roadmaps werden zweifellos erweiterte Ambitionen für die Datenverwaltung beinhalten: Advanced Analytics, künstliche Intelligenz und maschinelles Lernen, Process Mining und Robotic Process Automation. Eine solide Grundlage ist unerlässlich für die globale Einführung dieser Technologien und entscheidend, um so bald wie möglich mit der Entwicklung des ersten Proof of Concepts (PoCs) zu beginnen. Das Design und die mögliche Implementierung von PoCs ermöglichen eine steile Lernkurve. Welche Technologien zuerst betrachtet werden sollten, hängt vom Ergebnis der Datenverwaltungsbewertung ab. Zum Beispiel ermöglicht eine starke Basis bei den Geschäftsprozessdaten selbststeuernde Prozesse. Dies könnte ein anfänglicher PoC sein. Durch diese Vorgehensweise werden die verfügbaren Funktionen und Technologien genutzt, um den Ertrag für neue Initiativen zu steigern, indem die Vorabkosten gesenkt werden. Gleichzeitig bietet sie den Rahmen für das Erlernen und Anpassen anstehender Roll-out- und Verfeinerungsaktivitäten. Entscheidend ist der Aufbau des benötigten internen Wissens in einer kontrollierten Testumgebung, unter schrittweiser Einbeziehung der realen Faktoren, die die PoCs beeinflussen. Alle Aktivitäten werden kontinuierlich über den gesamten Zeitraum durchgeführt, der Schwerpunkt verlagert sich jedoch von grundlegenden Aktivitäten am Anfang auf Innovations- und Entwicklungstätigkeiten im späteren Verlauf.
