Vertrauen, Time-to-Insight und Data Discovery arbeiten Hand in Hand

Es gibt bereits viele Beispiele von Unternehmen, die ihre Branche durch Innovationen signifikant verändert haben. Die Erkenntnis daraus: Die Erfolgschancen für Transformationsinitiativen erhöhen sich maßgeblich, wenn der Wandel auf Daten und Analytics basiert. Geht es um die Modernisierung der Analytics-Umgebung, denken viele an Cloud Data Lakes, Cloud Data Warehouses und Self-Service-Analytics-Plattformen. Dies sind ohne Zweifel wichtige Elemente, die bei Analytics-Modernization- Initiativen berücksichtigt werden sollten, aber die Basis aller Initiativen sind immer die Daten.

Unabhängig davon, wie modern eine Analytics-Plattform ist: Wenn Anwender die Daten nicht schnell finden, ihnen nicht vertrauen und unternehmensweit nutzen können, sind diese Initiativen zum Scheitern verurteilt. Zudem werden deutlich bessere Erkenntnisse erzielt, wenn Daten in einem größeren Kontext betrachtet werden. Daher sollten Standard-Datenbestände wie Verkaufsdaten, Lead-Conversion-Daten etc. stets mit verwandten Datensätzen angereichert werden.

Genau hier liegt die Herausforderung: Unternehmen verfügen zwar meist über alle notwendigen Daten, um eine moderne Analytics-Initiative voranzutreiben. Den Data-Analysten oder Data-Engineers stehen jedoch nur selten die richtigen Informationen zur Verfügung. Der Grund dafür: Sie wissen oftmals nicht, dass die Daten überhaupt im Unternehmen vorhanden sind oder wo sie liegen.

Laut einer Studie des BARC-Instituts nutzen 40 Prozent der Befragten weniger als fünf interne Datenquellen. 56 Prozent der Befragten gaben an, weniger als fünf externe Datenquellen zu verwenden. Aufgrund der schieren Menge an Informationen ist die Suche nach relevanten Informationen im Unternehmen extrem aufwendig. Um effektive Analysen mit Mehrwert durchzuführen, muss daher direkt an den Quellen angesetzt werden: bei den Rohdaten. Fortschrittliche Firmen statten ihre Data-Analysten und Data-Engineers mit den benötigten Prozessen, Werkzeugen und dem entsprechenden Zugang aus, um die Datenbestände der Firma zu sichten. Denn wenn Daten tatsächlich „das neue Öl“ sind, müssen Data-Analysten und Data-Engineers in der Lage sein, eine umfassende Untersuchung durchzuführen – und zwar bevor sie damit beginnen, die profitabelsten Daten-„Ölfelder“ zu erschließen.

Ein wesentlicher Bestandteil einer modernen Analytics-Initiative ist die Katalogisierung aller Daten. Dadurch lassen sich die Datenbestände auf sichere und kontrollierte Weise untersuchen. Gleichzeitig ist gewährleistet, dass alle IT- und Compliance-Anforderungen eingehalten werden. Ist eine Organisation zukunftsorientiert und smart, implementiert sie eine Katalogisierungslösung, die gleichzeitig auch die Vorteile der Cloud bietet. Dazu gehören Tagging, Bewertungen, Kommentare und das Teilen von Informationen über Abteilungen hinweg. Darüber hinaus können derartige, auf Metadaten basierende Lösungen kontextbezogene Empfehlungen zu verwandten Datensätzen und -abläufen liefern. Dies ist besonders hilfreich, um Analysen mit größerem Kontext durchzuführen.

Letztlich bedeutet die Analytics-Modernization mehr, als nur eine Kataloglösung für Daten im Unternehmen einzuführen. Sie muss Teil des gesamten End-to-End-Analytics-Prozesses und der Wertschöpfungskette der Firma sein. Eine Kataloglösung ist aber der erste Schritt, um die Daten zu organisieren. Mit der Implementierung einer Datenintegrationsplattform und eines Self-Service-Analytics-Tools – aufbauend auf einem modernen Data Warehouse oder Data Lake in der Cloud – lässt sich Analytics umfassend modernisieren. Davon profitieren Unternehmen mehrfach: Sie erhalten umfangreiche und belastbare Informationen, auf denen sie ihre Entscheidungsfindung basieren können. Dies wiederum stärkt auch den Vertrieb: Er kann den Kunden gezielt benötigte Produkte und Services anbieten. Das Ergebnis ist eine höhere Kundenzufriedenheit sowie ein gesteigerter Umsatz.