TTE Strategy ist TOP CONSULTANT 2021

Close

Author
Wiebke Apitzsch
Wiebke
Apitzsch

Aus der zwischenmenschlichen Brille: Das sind die sechs häufigsten Umsetzungsfehler von (Big) Data-Initiativen

12.07.2021
PostImage

Auch wenn ‚Big Data‘ seit fast einer Dekade diskutiert wird: Viele Unternehmen in Deutschland tun sich nach wie vor schwer mit der Einführung und Anwendung von Datenanalyse. Das liegt meistens weniger an technischen Voraussetzungen und fehlender Fachkompetenz. Die meisten Fehler passieren auf der menschlichen Ebene. Wiebke Apitzsch, Data-Expertin und Managing Director der Unternehmensberatung TTE Strategy, mit einem Überblick über die sechs größten ‚Fails‘ in der Umsetzung von Data-Initiativen. Sie hat dazu die rein fachliche Brille ab- und dafür die zwischenmenschliche aufgesetzt.

  1. Technische Komplexität wird überschätzt – Faktor Mensch wird unterschätzt

Unternehmen, die zum ersten Mal Datenkompetenz aufbauen wollen, rekrutieren häufig externe Expertinnen und Experten als Projektleiter. Fokus ihrer Mitarbeitersuche: größtmögliche Fachkompetenz im Bereich Data Management. „Und damit setzen sie den Fokus falsch“, sagt Wiebke Apitzsch. „Die Unternehmensführung muss sich verdeutlichen: jemand Fremdes soll etwas Fremdes neu im Unternehmen einführen. Da helfen Fachkenntnisse. Aber es kommt vor allem auf die Fähigkeit an, auf Menschen zuzugehen, ihre Positionen zu verstehen und sie zu überzeugen. Wer kein Vertrauen aufbauen kann, wird an den internen Strukturen scheitern.“ Die Expertin rät darum, zunächst gezielt nach möglichen Kandidatinnen und Kandidaten Ausschau zu halten, die Stärken in nicht-direktiver Führung aufweisen, hohe Agilitätswerte haben und grundsätzlich schon Change-Expertise im technischen und/oder IT-Umfeld mitbringen. Detaillierte Expertise in Daten-Fragen liefern die Anbieter relevanter Software in der Regel ohnehin mit. Apitzsch sagt: „Viele Unternehmen suchen extern, obwohl sie den oder die Richtige schon im Unternehmen haben. Diese zu identifizieren ist der Schlüssel für eine erfolgreiche Data-Einführung.“

  1. Daten-Regiment wird durch Druck aufgebaut – so werden keine ‚Follower‘ rekrutiert

Data-Initiativen gehen häufig von der Unternehmensführung aus – vielfach angestoßen durch Finanzen und Controlling, wo man sich bessere Steuerungszahlen wünscht. Wiebke Apitzsch sagt: „Wenn das ungalant verpackt wird, fühlt sich die Data-Initiative wie eine neue Kontroll-Idee von Oben an. Das wird zwar eine Menge bunter Dashboards liefern, aber deren Aussagekraft ist dann eher gering.“ Der Grund: Wenn Führungskräfte wie Bereichs- oder Werksleiter nicht ausreichend in den Prozess involviert waren, werden sie später immer Gründe finden, warum die Werte im Dashboard so nicht die Realität widerspiegeln. So können sie jederzeit mit Detailwissen zu ihren Bereichen Aktivitäten, die auf einer Data-Initiative basieren, boykottieren. „Das habe ich schon häufig beobachtet: Das Management versucht dann mit Druck gegenzusteuern. Und bringt die Führungskräfte damit dazu, noch ‚kreativer‘ zu verhindern, die Daten nutzbar zu machen. Schlimmstenfalls fühlen sie sich in ihrer Leitungsautorität durch die Veränderungen bedroht und machen völlig dicht. “ Was Unternehmen anders machen müssen: „Big Data braucht Follower“, sagt Wiebke Apitzsch. Alle relevanten Führungskräfte sollten frühzeitig in die Initiative mit einbezogen werden. Es muss klar herausgearbeitet werden, wie die neue Dateninitiative vor allem denjenigen nützt, die Daten abgeben. Apitzsch: „Wenn ich einem Werksleiter erkläre, wie er die Tools nutzen kann, um seine Standzeiten durch das neue Data Management künftig signifikant zu verkürzen, wird es für ihn interessant.  Wenn er und sein Team die Hoheit über diese Daten hat, er selbst vorsichtig testen kann und Erfolge sieht, wird er Vertrauen aufbauen. Auf dieser Basis kann man aufbauen. Wenn ich ihm erklären würde, dass ich künftig die ‚Performance‘ seines Werks messen möchte – dann ist wohl das Gegenteil zu erwarten.“

  1. Die richtigen Fragen werden nicht gestellt – aus falsch verstandener Demut vor den Data-Experten

„Vielleicht haben Sie das auch schon erlebt: ein Data-Team stellt seine Planung und die nächsten Schritte vor. Dabei nutzt es viele Fachbegriffe wie ‚APIs‘ und ‚Data Cleansing‘ und fragt, ob das soweit verständlich ist. Kaum jemand aus dem Management versteht wirklich, worüber gerade gesprochen wird. Fragen werden dennoch nicht gestellt.  So werden fragwürdige Grundsatz-Entscheidungen getroffen, die später kaum mehr rückgängig gemacht werden können“, sagt Wiebke Apitzsch. „Wenn ich das hinterfrage, kommt oft heraus: Auch Top-Manager haben sich nicht getraut, die wirklich wichtigen Fragen zu stellen, weil sie das Gefühl hatten, sie könnten mit den Experten nicht mithalten. Diese falsch verstandene Demut kann sehr teuer werden. Das ist dann in etwa so, wie wenn man schnell ein Haus baut, und später feststellt, dass der Keller fehlt.“ Apitzsch rät dazu, für jedes Fremdwort eine Erklärung einzufordern. Und sich zu trauen, zuzugeben, wenn technische Zusammenhänge nicht verstanden worden sind. „Es ist absolut legitim seine Expertinnen und Experten zu bitten, die jeweilige Übersetzung zu leisten. In den meisten mir bekannten Fällen lag es nicht an der mangelhaften Aufnahmefähigkeit von Entscheidern, wenn Dinge nicht klar wurden. Sondern an einer komplizierten Ausdrucksweise der Referierenden. Diese wiederum konnten nicht wissen was unklar war, wenn jederzeit vollständiges Verständnis betont wurde. Mein Rat: Seien Sie mutig, lassen Sie Zusammenhänge im Zweifel auch mehrfach erklären. Alle werden dankbar sein, wenn Sie fragen.“

  1. Es werden keine konkreten Probleme mit den neuen Daten gelöst – der Nutzen der gesamten Initiative wird in Frage gestellt

Viele Initiativen beginnen damit, dass von Oben die erforderlichen Datenpunkte definiert und künftig erhoben werden. Auf Dashboards werden sie in Meetings referiert. „Aber bei denjenigen, denen sie wirklich helfen würden, kommen sie erst gar nicht an“, sagt Wiebke Apitzsch. Damit werden Daten zu einem Selbstzweck und eine gerade gestartete Initiative wird von vielen Seiten damit schnell wieder in Frage gestellt. „Am besten ist es, mit denjenigen zu sprechen, von denen die Daten benötigt werden – und auf deren Bauchgefühl zu hören, welche Daten man erheben und was man im Anschluss damit tun sollte“, sagte Apitzsch. „So finden die Daten sehr schnell den Weg zurück in die operative Anwendung. Werksleiter zum Beispiel haben oft schon ein Gefühl, wo ihnen relevante Informationen fehlen. Damit sollte man anfangen, gemeinsame Erfolge erzielen und so Motivation aufbauen, Data-Initiativen auszuweiten.“

  1. IT und IT-Sicherheit werden gar nicht oder zu spät eingebunden – und schon passen die neuen Tools nicht mehr in die Systemlandschaft

Viele Data-Initiativen kommen aus dem operativen Geschäft und werden mithilfe von Beratern umgesetzt. Dort werden dann Tools zur Datenerhebung und -Analyse produziert, die als Pilot in die operative Anwendung gebracht werden. Und die beim nächsten System-Update plötzlich nicht mehr funktionieren oder die Sicherheitsstandards verletzen. Wiebke Apitzsch sagt: „Passiert öfter, als man denkt: Weil das Management oder einzelne Geschäftsbereiche möglichst schnell die eigenen Initiativen vorantreiben wollten, hat man ganz zufällig vergessen, essenzielle interne Stakeholder wie die IT in den Prozess mit einzubinden. Nicht, dass die eigenen Leute einen noch aufhalten würden.“ Immer wieder das Resultat: Es wurde viel Geld ausgegeben, das erste Ergebnis gefällt. Und dann soll die IT-Abteilung alles übernehmen, kann es aber beim besten Willen nicht in die bestehende Systemlandschaft integrieren. Die Tools müssen verändert oder im schlimmsten Fall neu entwickelt werden. „Darum gehört die IT genauso wie die IT-Sicherheit vom ersten Moment einer Data-Initiative mit an den Tisch“, sagt Apitzsch. „Wer glaubt, die eigene Organisation rechts überholen zu können, der wird gerade in IT-Themen in fast allen Fällen spätestens einige Wochen später eines Besseren belehrt.“

  1. Daten lügen nicht – doch, das tun sie!

Unternehmen liegen oft dem Irrglauben auf, künftig die ganze Wahrheit zu erkennen – nur weil sie ein Data Management aufgesetzt haben. „Das hilft aber gar nichts, wenn die Daten schlichtweg falsch sind“, sagt Wiebke Apitzsch. „Und das sind sie in einem signifikanten Maße.“ Nicht richtig angebrachte Sensoren können in Werken falsch messen, Finanzkennzahlen werden inkongruent aus System übertragen, Daten werden nicht konsistent eingegeben. Vor allem aber wird die Interpretation nicht im Detail durchdacht. Beispielsweise müssen Daten aus Testläufen für neue Produkte, oder während größerer Wartungen aus Berechnungen ausgeschlossen werden. „Ich habe erlebt, dass das Sicherstellen der Datenqualität oft etwa dreimal so  aufwendig ist, wie das Etablieren von Data-Management-Prozessen. Daten müssen immer wieder hinterfragt, neu qualifiziert und bereinigt werden. Misstrauen Sie Ihren Daten. Immer. Und immer wieder. Fragen Sie die Personen, die dort arbeiten, wo sie erhoben werden, ob die Werte die Realität widerspiegeln. Wenn diese zustimmen, sind Sie auf einem guten Weg. Das ist mein abschließender Rat.“

Nehmen Sie Kontakt zu uns auf!



The Team
Enablers



IMPRESSUMDATENSCHUTZ

// Set to the same value as the web property used on the site var gaProperty = 'UA-62890205-1'; // Disable tracking if the opt-out cookie exists. var disableStr = 'ga-disable-' + gaProperty; if (document.cookie.indexOf(disableStr + '=true') > -1) { window[disableStr] = true; } // Opt-out function function gaOptout() { document.cookie = disableStr + '=true; expires=Thu, 31 Dec 2099 23:59:59 UTC; path=/'; window[disableStr] = true; alert('Google Analytics deactivated.') } (function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){ (i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o), m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m) })(window,document,'script','//www.google-analytics.com/analytics.js','ga'); ga('create', 'UA-62890205-1', 'auto'); ga('send', 'pageview'); //Hubspot var script = document.createElement('script'); script.setAttribute('id','hs-script-loader'); script.setAttribute('src','//js.hs-scripts.com/20086894.js'); document.head.appendChild(script); Privacy Imprint