“Eine erfolgreiche Datenstrategie kann durch tiefe Einblicke in die Geschäftsprozesse einen Wissensvorsprung vorgeben und ist damit ein direkter Wettbewerbsvorteil”

Zahlreiche Studien kommen seit Jahren unabhängig voneinander zu dem Ergebnis, dass Unternehmen, die Daten sammeln und auswerten, deutlich erfolgreicher sind als andere. Trotzdem ist es in den meisten Unternehmen, inbesondere in KMUs, schlecht um die Fähigkeit bestellt, Daten zu erheben, zu analysieren und aus den daraus gewonnen Erkenntnissen einen Wettbewerbsvorteil zu generieren. Im Interview erläutert Sven Göllner (Foto), Gründer und kaufmännischer Geschäftsführer der bimanu GmbH, an welchen Stellen es noch hakt und warum eine Datenstrategie der Schlüssel zum Erfolg ist. 

  • Herr Göllner, was genau macht bimanu und was hat Sie zur Gründung des Unternehmens bewogen?

Sven Göllner, Gründer und kaufmännischer Geschäftsführer bimanu GmbH

“Der rote Teppich für die KI – also vom Datenchaos zum Datenschatz”, so würde ich unser Unternehmen in einem Satz beschreiben.

Große Unternehmen wie Amazon oder Google haben auch klein angefangen und sind jetzt Marktführer in ihren Bereichen, da sie es früh verstanden haben, auf digitale Geschäftsmodelle zu setzen.

Genau hier setzten wir von bimanu mit unserer bimanu Cloud an. Es ist eine selbstentwickelte und intelligente Software, die es schafft, die Datensilos in den Unternehmen zu beseitigen und Daten gewinnbringend einzusetzen. 

Warum haben wir gegründet?

Vor unserer Gründung waren Michael Jungschläger (Mitgründer und techn. GF) und ich in diversen Anwendungsunternehmen aber auch in Beratungshäusern angestellt und konnten feststellen, dass solche Datenintegrationsprojekte auch Business Intelligence bzw. Data Warehouse Projekte schwerfällig in der Umsetzung hinsichtlich Zeit, Budget und Qualität waren. Was ich damit meine: die IT hat den Fokus auf technische Architekturen gelegt, was zwar auch wichtig ist, aber wichtiger sind die Fachbereichsanforderungen. Also die Sicht von oben, was möchte der Datenkonsument? Diese beiden Faktoren waren nicht immer im Einklang. Unsere Idee ist ein agiler Umsetzungsansatz, der die Fachbereiche im Fokus hat und zudem auf schnelle Gegebenheiten reagieren kann. Das sehen wir anhand der aktuellen Nachrichtenlage, wie schnell die Informationen vorliegen müssen, um die richtige Entscheidung zu treffen.

Ich erkläre das mal an einem Industrie 4.0 Beispiel

Stellen Sie sich vor: in den meisten KMU findet noch keine Digitalisierung in den Produktionen statt. Entweder wird der Azubi abgestellt, der per Handzettel aufschreibt, wieviel die Maschine produziert, oder die Controllerin liest die Stromzähler manuell ab und überträgt diese in Ihre Excel Liste. Und zu guter Letzt der Produktionsleiter, der von oben aus seinem Büro auf die Produktion schaut, und überprüft, ob die Lampen rot leuchten und mit seinem Ölkännchen an die Maschinen geht, wenn was nicht läuft.

Das ist leider noch immer die Realität in vielen mittelständischen produzierenden Unternehmen.

Warum werden die Maschinendaten nicht genutzt, diese Frage kann doch gestellt werden?

Unserer Erfahrung nach sind Effizienzsteigerungen in der Produktion von 20-30% möglich, wenn man die IoT Daten zur Analyse einsetzt– ansonsten werden falsche Entscheidung aus dem Bauch heraus getroffen. Der wahre “Datenmissbrauch” ist nicht der Datenschutz, sondern die Daten nicht zu nutzen. Der KI-Zug fährt bereits – wer kann überhaupt noch aufspringen – Haltestationen gibt es nicht. Unsere Aufgabe verstehen wir so: Wir sind die, die mit den Maschinen und Systemen sprechen können, um dann neue Themen wie Künstliche Intelligence (KI), Machine Learning (ML) oder Vorausschauende Wartung überhaupt erst möglich zu machen.

Wie gehen wir vor?

Wir haben eine Software als eine Art Lego-Baukastensystem entwickelt – damit heben wir die Daten nicht einfach, sondern die Kunden bekommen Ihre ersten Ergebnisse auf Knopfdruck und das innerhalb von 14 Tagen. Wir drehen den Zeit- und Kostenaufwand für die Datenerhebung einfach um. Bisher waren es 80:20 – bei uns kommen 20 % für die Datenintegration und die verbleibenden 80% können dann für die Analyse genutzt werden.

Hierfür haben wir eine neue Methode entwickelt. Das sogenannte Data Driven Design Kit beinhaltet neben der Umsetzung einer erfolgreichen Datenstrategie auch die Realisierung des gewünschten Anwendungsfalls.

Was wir nicht machen

  • Wir verkaufen nicht einfach eine Software und lassen den Kunden damit allein
  • Wir schmeißen auch nicht einfach den Datensauger an und bauen ein Data Lake auf

Was wir machen

  • Wir geben Ihnen ein System an die Hand, mit dem Sie direkt in die Umsetzung starten können. Das bedeutet, dass Sie so schnell wie möglich die Software übernehmen können und wir uns “überflüssig” machen. Wir geben ein System für Sie und nicht gegen Sie. Unser Ziel ist es, uns überflüssig zu machen

Wir ärgern uns einfach, weil der Mittelstand die Digitalisierung verschläft – es muss ja keiner direkt KI und ML machen, aber mal zu schauen, wo man steht und seinen persönlichen digitalen Reifegrad zu ermitteln, das ist die Mindestaufgabe eines jeden Unternehmens. Dabei helfen wir und gehen in die Umsetzung mit dem Kunden und da spielt die Software erst eine sekundäre Rolle. Diese kommt erst bei der praktischen Umsetzung zum Tragen. 

  • Mittelständische Unternehmen tun sich häufig noch schwer damit, ihre Daten zu analysieren und einen Wert daraus zu ziehen – worauf führen Sie das zurück?

Der Mittelstand hat aktuell mit einigen Herausforderungen zu kämpfen, die ich gerne erläutern möchte bzw. haben wir drei Kernpunkte feststellen können.

  1. Viele Datensilos. Ein Datensilo ist ein isoliertes System, in den kaufmännischen Bereichen findet man diese in Finanz-, CRM- oder ERP Systemen vor. In der Produktion können in der Regel nicht alle Maschinenzustände über alle Anlagen hinweg ausgewertet werden. Viele KMU behelfen sich mit Excel oder setzen isolierte BI-Werkzeuge ohne Datenstrategie ein, die keinen Mehrwert hinsichtlich der Datenanalyse bieten. Zudem ist es nicht möglich ein einheitliches Gesamtbild der Wertschöpfungsprozesse zu erhalten und damit ist es derzeit auch nicht möglich, den vorliegenden Datenschatz z.B. durch neue datengetrieben Geschäftsmodelle zu monetarisieren
  2. Die Produktivität leidet. Die Aufbereitung der Daten für die Auswertung ist aufwendig und zeitintensiv. Die Duplizierung von Daten ist ein häufiges Phänomen und es erfordert noch mehr Zeit, um die Fehler zu beheben. In so vielen Unternehmen wird diese Art von Prozess täglich, wöchentlich oder monatlich durchgeführt. Die geplante Routine führt zu einer wahren Zeitverschwendung, die sich nur wenige leisten können. Es wäre für das Unternehmen sicherlich hilfreicher, wenn die Datenanalyse die oberste Priorität einnimmt und nicht die Datenintegration und deren Fehlerbeseitigungen. Es fehlt letztendlich eine Datenstrategie!
  3. Volle Auftragsbücher und Fachkräftemangel. Die Auftragsbücher sind voll und die Kunden müssen bedient werden. Strategische Fragestellungen fallen nach hinten und damit auch der Weg Richtung Digitalisierung. Auch fehlen die entsprechenden Fachkräfte, um die Themen wir Big Data, Business Intelligence und Künstliche Intelligence voranzutreiben. Stattdessen wird die bekannte „Quick & Dirty“ Lösung a la Excel als Schatten-IT eingesetzt.
  • Warum braucht ein mittelständisches Unternehmen eine Datenstrategie?

Ganz einfach, da Studien aufzeigen (z.B. Capgemini aus dem Jahr 2015 und das ist schon ein paar Jahre her, aber weiterhin aktuell), dass Unternehmen, die Daten sammeln und auswerten, 3x erfolgreicher sind als andere Unternehmen und das hinsichtlich folgender Kernpunkte:

  • Verbesserte Entscheidungsfindung
  • Vernetzung der Abteilung
  • Gesteigerte Produktivität
  • Agilität und Reaktionsgeschwindigkeiten insbesondere in der aktuellen Nachrichten- und Marktlage
  • Verlässlichkeit und Sicherheit

Dass die Datenanalyse enorme Vorteile für jedes Unternehmen mitbringt, liegt klar auf der Hand. Trotzdem gibt es unzählige Lösungen auf dem Markt, die bei genauerem Hinsehen eher ungeeignet sind, weil im Vorfeld keine geeignete Datenstrategie aufgesetzt wurde, die nicht nur die Anforderungen des Unternehmens berücksichtigt, sondern auch die Datenkultur innerhalb des Unternehmens. Ich muss alle Mitarbeiter im Vorfeld abholen und aufklären, ansonsten habe ich hier nur eine weitere Sofwareapplikation im Einsatz. Das Problem ist dann häufig, dass Plattformen auf bestimmte Bereiche spezialisiert sind und damit die Schaffung von Datensilos fördern.

Fazit – eine erfolgreiche Datenstrategie kann durch tiefe Einblicke in die Geschäftsprozesse einen Wissensvorsprung vorgeben und ist damit ein direkter Wettbewerbsvorteil. Dadurch lässt sich das Verständnis des eigenen Unternehmens, aber auch für die eigenen Kunden deutlich verbessern. Zudem können auf Basis der Datenerkenntnisse auch neue datengetriebene Geschäftsmodelle entwickelt werden.

  • Welche Daten sollten mittelständische Unternehmen sammeln und analysieren – reichen Maschinendaten aus?

Antwort ist klar – nein! Die Unternehmen verfügen über eine Vielzahl an strukturierten und unstrukturierter Daten, nutzen diese aber oftmals nicht zu Unternehmenszwecken. Die meisten Unternehmen nutzen nur 40% der strukturierten Daten und 31% der unstrukturierten Daten für Business- und Customer Insights sowie Entscheidungsfindungen (Quelle: Forrester – Customer insights with unstructured data).

Auch hier würde ich gerne ein Beispiel an einem produzierenden Unternehmen aus der Praxis aufführen. In der Regel gibt es ja schon Schwierigkeiten, die kaufmännischen Datenbereiche aus dem ERP-, Finanzen- oder CRM System miteinander zu kombinieren und in eine konsolidierte Datenbasis zu überführen. Wie wird es aktuell gemacht?  Der Controller bedient sich, wenn kein Datawarehouse System im Einsatz ist, mit Boardmitteln wie Excel & Co. Wenn es moderner geht, werden direkt BI-Werkzeuge wie Tableau, MS Power BI etc. eingesetzt. Entweder passiert dies direkt auf dem operativen System oder das Tool wird missbraucht, um die Datenbereiche miteinander zu verbinden. Das bringt die Datenqualität in Gefahr und fördert einen enormen Zeitverlust, da diese Tätigkeiten immer wieder manuell ausgeführt werden müssen.

Wir haben es oft erlebt, das dann Daten „verschluckt“ wurden und Umsätze in 6-stelligen Bereichen nicht in die Auswertung kamen. Die Geschäftsführer haben dann auf Basis einer falschen Datengrundlage ihren Forecast falsch geplant.

Auch die technische Seite wird häufig außer Acht gelassen, denn irgendwann kommen auch diese Werkzeuge in Hinblick auf die Datenmenge und -verarbeitung an ihre Grenzen. Aber viel schlimmer noch: Das bestimmte Abfragemöglichkeiten einfach nicht gegeben sind – z.B. die Historisierung von Stammdaten von der Vertriebsorganisation. Hier haben diese Tools einfach Grenzen und damit sind Datawarehouse Systeme ein geeigneter Ort für die Konsolidierung und Transformation von Daten. Wir gehen sogar so weit, dass wir sagen: Ohne Datawarehouse System keine künstliche Intelligenz. Gehen wir jetzt ein Schritt weiter aber bleiben bei dem Beispiel des produzierenden Unternehmens.

Es gibt ja noch die Produktion, hier stehen unterschiedliche Anlagen von Maschinenbauern, die nicht vernetzt sind. Damit ist der komplette Wertschöpfungsprozess nicht auswertbar. Allein dieser Aspekt sorgt dafür, dass hier noch kein Machine Learning für die vorausschauende Wartung eingesetzt werden kann.

Das sind nur zwei kleine Beispiele, die zeigen, wo das Hauptproblem der Unternehmen liegt – die unterschiedlichen Datensilos. Diese müssen erst aufgebrochen und konsolidiert werden – gilt gleichermaßen für kaufmännische Daten, aber auch für die technischen Informationen wie den IoT-Daten aus den Anlagen.

Wichtig ist aber, dass Unternehmen es schaffen, eine einheitliche und zentrale Datenbasis aufzubauen, die für das gesamte Unternehmen genutzt werden kann und somit auch technische IoT-Daten mit klassischen Unternehmensdaten verknüpft werden können. Nur so kann verhindert werden, dass wichtige Informationen verloren gehen und der ganze Wertschöpfungsprozess des Unternehmens abgebildet werden wird!

  • Wie realistisch ist der Wunsch, mit einer bedienerfreundlichen Out-of-the-box – Lösung – quasi als Plug & Play – in die Datenanalyse einzusteigen?

Das kann ich gar nicht pauschal beantworten – entweder gibt es bereits Mitarbeiter, die erste Impulse in das Unternehmen reintragen oder schon Vorkenntnisse haben und wissen, dass es sogenannte Automatisierungs- bzw. LowCode Plattformen gibt.

Die Frage, die ich mir stelle: Ist dem Geschäftsführer oder den Entscheidern überhaupt eine solche Anforderung bewusst oder sind sie der Meinung, dass schon ein Microsoft Power BI eine Out-of-the Box Lösung ist?

Viele kennen diese Begrifflichkeiten nicht und würden damit auch nicht auf die Suche gehen. Hier helfen nur Aufklärung und die Herangehensweise aus der Sicht der Anforderung. Dann entscheidet sich, welches Tool oder Plattform die geeignete Form ist. Zudem hängt tatsächlich viel davon ab, ob die Begrifflichkeiten der Buzzwords geklärt sind und auf das eigene Unternehmen transformiert wurden. Das sind ebenfalls Punkte, die definitiv in die Datenstrategie gehören. 

  • Welche Vorarbeiten sind nötig, damit ein mittelständisches Unternehmen Mehrwert aus seinen Daten ziehen kann – wäre die Einstellung eines oder mehrerer Data Scientists hierfür erforderlich?

Im ersten Schritt ist es die Orientierung und der erforderliche Wissensaufbau. Das kann durch den Austausch mit anderen Unternehmen geschehen, auch Ihr Blog ist eine Anlaufstelle und sollte genutzt werden. Das beigefügte Schaubild von uns trifft es ganz gut, wie Unternehmen vorgehen könnten.

Ohne die Datenstrategie, der Festlegung der Aufgabenbereiche und dem daraus resultierenden Prozess macht es noch keinen Sinn, einen Data Scientist einzustellen. Aus meiner Sicht ist das nämlich der falsche Weg – es gibt zu viele unterschiedliche Rollen und Fähigkeiten, das kann der Data Scientist leider nicht alles abbilden. In der Regel hat die Berufsgruppe keine Ahnung von Datenmodellen nach Datawarehouse Prinzipen – es gibt sicherlich Ausnahmen, aber wir sind mit Vielen im Gespräch. Deren Schwerpunkt ist die Datenanalyse, in der Praxis sind die Mitarbeiter jedoch 80% Ihrer Zeit mit der Datenintegration beschäftigt und 20% mit der Datenanalyse (siehe auch Studie der TDWI). Allein das zeigt doch, dass hier etwas nicht stimmt. Wir von bimanu sehen diese Themen als eine Teamleistung, diese Arten der Aufgaben kann definitiv nicht von einer Person abgebildet werden. Das ist vielen Unternehmen nicht klar und sie setzen deshalb auf die eierlegende Wollmilchsau „Data Scientist“. 

  • Wozu raten Sie einem Unternehmen, das sich intensiv mit den Möglichkeiten der Datenanalyse beschäftigen will, angesichts der Vielzahl der Lösungen aber verunsichert ist? 

Wir raten dazu, kühlen Verstand zu bewahren und sich von den Buzzword nicht erschrecken lassen. Aber auch loslegen. Das heißt, es muss schnell von der Theorie in die Praxis gewechselt werden, um mit den ersten Daten-Erkenntnissen die weiteren Schritte abzuleiten. Das könnte dann wie folgt aussehen:

Im ersten Schritt werden die Herausforderungen aufgenommen, also der IST-Stand und der gewünschte SOLL-Stand soll ermittelt werden. Das kann das Unternehmen als erste Basis auch alleine und mit diesen zwei Aspekten würde ich mich auf die Suche nach Unternehmen machen, die zum einen die Datenstrategie im Dienstleistungsportfolio haben.

Zu diesem Zweck haben wir einen kostenlosen Analyseworkshop ins Leben gerufen, damit das Unternehmen erstmal sich und seine Anforderung in Ruhe erklären kann. Im zweiten Schritt nehmen wir ein erstes relevantes Thema, schreiben alle Herausforderungen und Auswirkungen mit einem Preisschild auf, um zu sehen, welche Einsparpotentiale oder welche Chancen z.B. in Form von datengetrieben Geschäftsmodellen es gibt. Im vorletzten Schritt werden erste Lösungsskizzen inkl. der Mehrwerte identifiziert. Darauf folgt die Einordnung in unserem selbstentwickelten digitalen Reifegrad. Damit wir die Orientierung und die Ausrichtung abgedeckt. Zum Schluss wird nachträglich eine Management Summary für die Unternehmen zusammengefasst, so kann das Unternehmen in Ruhe die Ergebnisse sichten und sich mit den erforderlichen Mitarbeitern austauschen. Das Ergebnis kann dann sein, dass ein weiterer Analyseworkshop mit allen Beteiligten benötigt wird, um die Anforderung im Detail aufzunehmen oder man geht direkt über und baut einen Piloten als Machbarkeitsstudie auf. Es kommt darauf an, was für Wünsche (Soll-Stand) bei jedem Einzelnen vorliegen.

Wer Interesse hat, ist gerne eingeladen – https://bimanu.de/kostenloser-analyse-workshop

 

Beitrag teilen
Dieser Beitrag wurde unter Datenaustausch, Datengetriebene Geschäftsmodelle, Datenökonomie, Datenstrategien für Unternehmen, Interviews abgelegt und mit , , , , , , , , , , , , , , , , , , , , , , , , , verschlagwortet. Setze ein Lesezeichen auf den Permalink.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.