Prognosen sind schwierig

Prognosen sind schwierig, insbesondere, wenn sie die Zukunft betreffen. Dieses Bonmot darf allerdings nicht auf den Einsatz von Analytics in Unternehmen zutreffen. Eine gute Analytics-Lösung ist in der Lage, Abhängigkeiten und Verbesserungspotenziale in Unternehmen aufzudecken. Insbesondere Lösungen, die auf Predictive Analytics setzen, erhöhen massiv die Möglichkeit, Entwicklungen vorherzusagen.

Predictive Analytics verwendet historische Daten, um zukünftige Ereignisse vorherzusagen und erweiterte Analysen bereitzustellen, um abgeschlossene und aktuelle Situationen zu bewerten und zukünftige Szenarios zu simulieren. Analytics bietet Echtzeiteinblicke durch die Verwendung von Technologien wie maschinelles Lernen, KI und Business Intelligence.

Unsicherheit reduzieren

Viele CEOs mussten während der Pandemie schmerzhaft erfahren, dass sich die Auswirkungen aufs Geschäft kaum beurteilen ließen. So überraschend und mit Wucht war das Ereignis weltweit. Richtige und gleichzeitig schnelle Entscheidungen in einer derartigen Lage zu treffen, ist ein Glücksspiel. Durch den Einsatz von Analytics-Architekturen und -Tools ist es aber möglich, die Unsicherheit zu reduzieren.

SAP Analytics bringt nicht nur Data Warehouses, Reporting und Planungstools ins Unternehmen. Ein großer Vorteil ist die Möglichkeit, auf diesem Weg Zusammenhänge, Abhängigkeiten und Insights zu erhalten. Die große Stärke der Analytics-Tools von SAP ist zum einen die leichte Integration in eine oft schon bestehende SAP-Tool-Landschaft. Neben der Auswahl zwischen mehreren Optionen stehen dabei individuelle Gegebenheiten im Vordergrund: Welche Prozesse ändern sich? Welche Daten fehlen oder werden durch Prozesse verändert werden? Wie ist die vorhandene Datenqualität? Und wie kann am Ende sichergestellt werden, dass Analytics weiterhin Insights generieren kann und klar ist: Wo ist der Single Point of Truth?

Prozesse analysieren

Meist ist es viel wichtiger, statt in ein weiteres Tool, in den Datenqualitätsprozess zu investieren. Denn natürlich kann Analytics nur so gut sein, wie es die im Unternehmen vorhandenen Daten sind. Gibt es im Unternehmen mehrere Stellen, an denen Daten zugleich gesammelt werden, entstehen immer mehrere Wahrheiten. Das Ziel sollte aber stets ein „Single Point of Truth“ (ein einziger Punkt der Wahrheit) sowie ein „Single Point of Entry“ im Unternehmen sein, damit nicht das „Suchen“ nach Informationen im Vordergrund steht, sondern das „Finden“.

Für die Anwender darf es, egal wo die Daten gelagert werden, stets nur eine einzige Wahrheit geben. Um dies sicherzustellen, sollten die Datenverantwortlichen für die Datensammlung und -bearbeitung im Unternehmen entsprechende Rollen vergeben, die für die Richtigkeit, die rechtzeitige Verarbeitung und die Integration der Daten in den Unternehmenskontext bürgen.

Moderne Analytics-Tools bieten ein zeitgemäßes User Interface und zahlreiche Self-Service-Möglichkeiten. Beides „befreit“ die Fachabteilungen. Sie müssen nun nicht mehr für jedwede Auswertung, die nicht exakt einer bestehenden Vorlage entspricht, die IT-Abteilung kontaktieren. Ein nicht zu unterschätzender Vorteil und eine Entlastung der IT-Spezialisten. Zumal in der Übersetzung zwischen Business und IT immer auch Fehlerquellen lauern.

Unternehmen, die Self-Services nutzen wollen, müssen allerdings den Spagat zwischen Data Governance und der Geschwindigkeit der Datenbereitstellung meistern. Denkbar sind hier diverse Stufen zwischen einem stark kontrollierten und zentral definierten Datenbestand, bis hin zu einem Bereich, der dem End-User quasi blind zur Verfügung gestellt wird. Es sollte dabei stets transparent sein, wer für die Daten verantwortlich ist, und gleichzeitig Klarheit darüber herrschen, für welche Zwecke sie verwendet werden.

Technologisch und prozessual werden selbstverständlich auch in der Analytics-Welt etablierte Funktionen, Prozesse und Ansätze, also Best Practices, genutzt, um etwa in einem Data Warehouse ein sauberes und flexibles Data Management aufzusetzen.