Im Zeitalter von Big Data bietet die Nutzung von externen und internen (Finanz-)Daten für betriebliche Entscheidungsprozesse viele Chancen. Während die Bedeutung von betriebswirtschaftlichen Datenanalysen stetig zunimmt, ist deren Umsetzung in der Unternehmenspraxis heute noch mit zahlreichen Herausforderungen verbunden. Oftmals fehlt eine ganzheitliche Strategie für die systematische Ausschöpfung des Datenpotenzials zur nachhaltigen Wertgenerierung.
Rahmenkonzept für eine ganzheitliche Datenstrategie
Hier setzt unsere Lösung an. Wir haben ein Rahmenwerk entwickelt, das bei der systematischen Hebung und Nutzung des brachliegenden Datenpotenzials unterstützt. Wesentliche Vorteile des Ansatzes sind seine ganzheitliche strategische Betrachtungsweise, seine universellen Einsatzmöglichkeiten und seine leichte Individualisierbarkeit (etwa im Hinblick auf unterschiedliche Unternehmensgrößen und -ebenen, Branchenbedarfe oder Auswertungsziele).
Anwendungsbeispiele auf Basis von internen betrieblichen Daten:
- Identifikation von Automatisierungs-/Verbesserungspotenzialen in Prozessabläufen
- Industrielle Datenanalyse (z.B. Auslastungsdaten, Störfälle von Maschinen)
- Informations-, Steuerungs- und Überwachungszwecke (Controlling)
Anwendungsbeispiele auf Basis von externen Daten:
- Aktienanalyse, Fundamentalanalyse
- Wettbewerbsanalyse
- Benchmarking
Das Rahmenwerk besteht aus verschiedenen Komponenten, die an die gängigen Rahmenwerke zur Implementierung einer funktionierenden internen Unternehmenssteuerung und -überwachung angelehnt sind (COSO, COBIT):
1) Erkenntnisziele
Welche Erkenntnisziele sollen durch den Einsatz von Datenanalysen erreicht werden? Abhängig vom unternehmerischen Branchen- und Betätigungsumfeld sowie der gelebten Daten- bzw. Informationskultur ist ein mittel- bis langfristiges Zielsystem zu definieren.
2) Datenumfeld
Welche Daten können zur Erreichung des Zielsystems beitragen? Hierzu ist es notwendig sich ein Verständnis des internen und externen Datenumfelds zu verschaffen. Dazu zählt auch die systematische Aufnahme von Prozessen bzw. Workflows und die in diesem Zusammenhang vorliegenden Datenpotenziale.
3) Wertbeitragsanalyse
Unter Abwägung von Kosten- und Nutzenaspekten sind die einzelnen Datentypen anhand ihres Wertbeitrags zur Erreichung des Zielsystems zu beurteilen (quantitative & qualitative Bemessung). Mögliche Kriterien zur Beurteilung können beispielsweise deren Erfassungskosten und Wesentlichkeit sein.
4) Datenarchitektur
Eine erfolgreiche Implementierung setzt die Planung von Maßnahmen zur Erhebung und Weiterverarbeitung der priorisierten Daten voraus. Das beinhaltet insbesondere eine umfassende Bedarfsaufnahme der benötigten technischen Infrastruktur. Ebenso müssen zur Erreichung des Zielsystems essentielle Informations- und Kommunikationsstrukturen entwickelt werden.
5) Implementierung
Ein wesentlicher Baustein der Operationalisierung von Prozessen zur Erhebung und Auswertung der priorisierten Daten sind weitreichende Test- und Freigabeverfahren hinsichtlich Validität und Datenkonsistenz. Aus Compliance-Gesichtspunkten ist eine aussagekräftige und nachvollziehbare Dokumentation der Testergebnisse von hoher Bedeutung.
6) Steuerung & Überwachung
Zur kontinuierlichen Qualitätssicherung der Analyseprozesse empfiehlt sich der Aufbau von laufenden Überwachungsmaßnahmen. Darüber hinaus sind die Prozesse regelmäßig auf gegebenenfalls notwendige Anpassungen an das sich verändernde Datenumfeld zu prüfen.
Sie haben Fragen zum strategischen Aufbau von Prozessen und Strukturen zur Datenanalyse? Sie interessieren sich für unser Rahmenwerk, um die in den Daten liegenden Potenziale möglichst erfolgreich einzusetzen? Gerne können Sie uns hierzu kontaktieren.