Datenmanagement und Monetarisierung

Betriebsmodell und Rollenprofile

• Das Kapitel behandelt die Idee eines Analytics Centers, verschiedene Betriebsmodelle und Rollenprofile innerhalb der Analytics Center Strukturen.

Analytics Center

• Ein Analytics Center konzentriert sich auf neue Geschäftserkenntnisse durch fortschrittliche Analytik und neue Arbeitsweisen mit Daten.
• Es fördert neue Arbeitsweisen mit Daten, die sich auf vorausschauende Analysen und automatische Anpassung an Ereignisse konzentriert.
• Deskriptive und diagnostische Analysen können auch Teil eines Analytics Centers sein.
• Es bietet neue Wege, Daten zu betrachten und datenbasierte Erkenntnisse durch KI-Modelle zu gewinnen.
• Es ist ein Treiber für Optimierung und Innovation sowie für die Kompetenzerweiterung durch Experten.
• Es ist jedoch keine Kristallkugel, die alle zukünftigen Schocks vorhersagt, keine Einheitslösung für alle Datenprobleme und führt nicht dazu, dass gleiche Aufgaben zu geringeren Personalkosten erledigt werden.
• Es ist ein multidisziplinäres Expertenteam, welches wissenschaftliche Methoden nutzt, um Geschäfts- und Steuerungs-Einblicke zu liefern.
• Es generiert neue, aussagekräftige Erkenntnisse.
• Es kombiniert, erforscht und analysiert interne und externe Daten auf Muster und Korrelationen.
• Es fördert innovative Arbeitsweisen mit Daten und setzt eine Vision für Analytics in Bereichen wie Controlling, Vertrieb oder Operations und treibt die Umsetzung dieser Vision voran.
• Es unterstützt das Geschäft dabei, die verfügbaren Daten in agilen Projektteams optimal zu nutzen.
• Die zunehmende Digitalisierung generiert enorme Datenmengen.
• Es werden Datenbeziehungen verstanden und kritische Ereignisse antizipiert, was Wettbewerbsvorteile schafft.
• Die Arbeit mit datenbasierten Erkenntnissen gewährleistet Effektivität durch fundiertere Entscheidungen.
• Die aktuelle Technologielandschaft ermöglicht den Einsatz leistungsstarker Tools zu geringeren Kosten.
• Das volle Potenzial eines Analytics Centers kann nur ausgeschöpft werden, wenn es bereichsübergreifend aufgebaut ist und Anwendungsfälle aus verschiedenen Bereichen bedient.
• Das volle Potenzial von Analytics Center und Data Analytics kann durch die Kombination aller verfügbaren Daten, unabhängig von Herkunft und Eigentum, genutzt werden.
• Controlling-Daten stellen nur einen kleinen Teil aller verfügbaren Informationen der Organisation dar.
• Die Kombination von Daten aus allen Bereichen bietet das größte Potenzial für neue Erkenntnisse.
• Wertschöpfende Analytics-Anwendungsfälle entstehen nur durch das Zusammenführen von Daten aus verschiedenen Einheiten.
• Data Center-Methoden können entwickelt und an unterschiedliche Geschäftseinheiten angepasst werden.
• Es ermöglicht der Organisation durch datenbasierte Erkenntnisse effektiver und effizienter zu sein.
• Dies führt zu höherer Analysequalität durch die Nutzung aller verfügbaren Daten, dynamische Drill-downs und Was-wäre-wenn-Analysen.
• Effizienzsteigerungen durch Machine Learning und künstliche Intelligenz Modelle sind zu erwarten
• Es ermöglicht schnellere und reibungslosere Prozesse durch optimierte und automatisierte Nutzung von Daten und Tools.
• Bessere Planung durch hohe Prognosequalität und Frühwarnsysteme.
• Effektvitätsverbesserung durch bessere Entscheidungsfindung resultieren.
• Verbesserte Steuerung durch explorative Analysen und datenbasierte Erkenntnisse

Arten von Betriebsmodellen

• Ein Unternehmen muss alle Dimensionen eines Ziel-Betriebsmodells berücksichtigen, um die Daten- und Analyse-Strategie zu definieren.
• Dazu gehören Strategie und Vision, Steuerungsmodell, Organisation und Governance, Technologie und Daten, Prozessarchitektur, sowie Menschen und Kultur.
• Unternehmenslenker müssen strategisch über Daten nachdenken und die richtigen Fähigkeiten aufbauen, um ihre Daten in Wert zu verwandeln.
• Unternehmen müssen überlegen, welche Daten zur Wertschöpfung genutzt werden können sowie wie man Daten strategisch handhaben kann.
• Sie müssen auch aufbauen, welche Fähigkeiten zum Verwalten und Monetarisieren von Daten benötigt werden, und wie sie Daten systematisch in Wert verwandeln können.
• Anschließend muss überlegt werden inwiefern das Unternehmen effektiv mit Daten operiert werden kann.
• Entscheidend ist außerdem, die Rolle von Technologie, Personen und Prozessen müssen auf die Capabilities zugeschnitten sein, um die Use Cases effektiv zu ermöglichen.
• Um Data Usage zu ermöglichen, müssen Unternehmen Exzellenz durch den Aufbau von sechs Kernfähigkeiten erreichen: Data Protection, Data Analytics, Data Processing, Data Architecture, Data Quality und Data Governance.

Use Cases

• Use Cases sollten systematisch über die gesamte Wertschöpfungskette und das Produkt- & Service-Portfolio gesammelt und priorisiert werden.
• Sammeln von Use Cases entlang der gesamten Wertschöpfungskette und über alle Geschäftseinheiten hinweg.
• Darüber hinaus sollten auch Use Cases aus dem Produkt- & Service-Portfolio und der Marktforschung erarbeitet werden.
• Hohe Anforderungen an Use Cases erfassen und die erwarteten Wert und die Umsetzbarkeit qualitativ bewerten, um Use Cases mit gutem Potenzial und Machbarkeit auszuwählen.
• Für ausgewählte Use Cases einen quantitativen Business Case auf Basis der geschätzten Implementierungskosten und -vorteile erstellen, d.h. zusätzliche Einnahmen, Kosteneinsparungen etc.
• Über die Finanzierung der Top-Use-Cases durch Elevator Pitches in einem Top-Management-Investment Board entscheiden.
• KI-Aktivitäten können im Betriebsmodell organisiert werden, wobei es dezentrale, hybride und zentrale Modelle gibt.
• Das Transformationspotential von Data & Analytics kann nur im Laufe der Zeit und mit Geduld erfolgen.
• Eine starke Data & Analytics-Strategie bietet einen klaren Weg nach vorn, indem sie die Vision, die erforderlichen Fähigkeiten und einen Operationalisierungs-Roadmap definiert.
• Ein mögliches Betriebsmodell könnte wie die Abbildung aussehen, wobei der Aufbau von Fähigkeiten in der gesamten Organisation berücksichtigt wird.

Rollenprofile

• Die Data Technology, Personen und Prozesse müssen auf die Capabilities zugeschnitten sein um Use Cases zu ermöglichen
• Es wird unterschieden zwischen dem Aufbau von verfügbaren Kompetenzen mit den folgenden Rollen: Platform Architekt, Platform DevOps, Data Architect, Data Engineer, Data Steward / Custodian, Data Scientist, Data Visualizer, Application Developer, Data Product Manager, Business Domain Specialist, Program/Release Manager.

Rollen in D&A

• Data Architekt: Konzeptionelle und logische Datenarchitektur
• &A Platform Architect: Verantwortung für die technische Data& Analytics Architektur
• D&A Solution Architect: Verantwortung der technischen Daten& Analytics Architektur für spezifische Lösungen (Data Pipelines etc.)
• Data Quality Manager: Bewertbarkeit der Daten Qualität für Daten Objekte inkl. Data lineage
• Data Owner: Verantwortlich für das Datenmanagement in spezifischen Domänen
• DAta Custodian: Verantwortlich für die Aufbewahrung und den Schutz der Daten in spezifischen Domänen
• Data Steward: Verantwortlich für die Datenqualität und die entsprechende Nutzung von Daten
• DAta Officer: Verantwortlich für die Compliance der Daten Governance Richtlinien
• DAta Application Owner: Verantwortlich für das Management spezifischer Daten& Analytics Applikationen
• Data Engineer: Verantwortlich für die Entwicklung und Wartung von Datenmodellen und Datenpipelines
• DevOps Engineer: Verantwortlich für die Effizienz und die Stabilität der DAtenpipelines und Applikationsentwicklung
• Data Analyst: Unterstützung durch Analyse und Extraktion relevanter Faktoren zur Ermöglichung ad-hoc Entscheidungen
• Data Scientist: Anwendung von Data Science Methoden zur Analyse komplexer Muster und Entwicklung prädiktiver Modellen zur Unterstützung von Use Cases
• ML Engineer: Entwicklung, Bereitstellung und Wartung von Machine Learning Modellen
• Data Visualizer: Daten Visualisierung zur Unterstützung eines klaren Verständnisses
• D&A APplication Developer:Entwicklung von Data& Analytics Software um alle Anforderungen der jeweiligen Use Cases zu erfüllen

Beispielcase: Monatlicher Zyklus zur Absatzprognose

• Monatlicher Forecasting Zyklus als integraler Bestandteil von S&OP
• Die wichtigsten Prozessaktivitäten in der Absatzplanung sind: Genehmigungs- & KPI-Berichte (Corporate), Angebotsprüfung (SC & Corporate S&OP), Angebotsplanung (Supply Chain), Bedarfsplanung (Business Unit), Nachfrageüberprüfung (BU & Corporate), Monatl. Zyklus zur Absatzprognose, Datenupload (BI-Team / Daten Steward)
• Die wichtigsten Rollen sind: Werttreiber (Demand Planner), Maschinenbasiert (Demand Planner), Manuelle Anpassung (Demand Planner), Konsens / Austausch (kooperative Partner)
• Für einenForecast Bedarf ist ein Delivery-Dienst an Tag 6 des Monats nötig und benötigt zur Verwirklichung Data Updates, ML Base, Value Driver, Manual Adjustment und Forecast Deleivery
• Die wichtigsten Stakeholder in der Absatzprognosewertschöpfungskette: sind BI-Team, DataS teward, Data Product Manager, Programm/Release Manager, Demand Planner

Diese Lektion behandelt die Faktoren, die die Fähigkeit eines Unternehmens zur effektiven Datenverwaltung beeinflussen, die Rolle von Partnerschaften und Ökosystemen, den Wert von Datenqualität und die Bedeutung des Datenschutzes. Untersucht wird auch das Hauptziel eines Analytics Centers.