2. Mangelhafte Datenbasis
Ein Use Case kann nur funktionieren, wenn die dafür erforderlichen Daten in ausreichender Detailtiefe und Qualität vorliegen. Hierbei bringt der Mix von Daten aus mehreren Bereichen häufig die besten Ergebnisse. Gerade in Fachbereichen wird das gerne übersehen. Ein Beispiel aus der Industrie ist die vorausschauende Wartung von Anlagen und Maschinen (Predictive Maintenance), die durch die Kombination von beispielweisen Maschinen- oder sensorgestützten Daten mit Ersatzteilbeständen, Ressourcenplanungen sowie Umweltdaten hierbei die besten Erkenntnisse bringt. Erfolgreich umgesetzt lässt sich mit diesem Use Case sehr viel Geld sparen, denn teure Ausfälle können damit weitgehend vermieden werden oder sogar neue daten-getriebene Geschäftsmodelle etabliert werden. Voraussetzung ist allerdings, dass genügend solide Daten aus der Historie der Anlagen oder Maschinen zur Verfügung stehen und dass sie sinnvoll aufbereitet sind. Das erfordert klare Prozesse, Standards und Verantwortlichkeiten.
3. Technologie-Wildwuchs bei den Datenanalyse-Plattformen
In vielen Unternehmen ist die technische Basis für die Datenanalyse aus einzelnen Fachbereich-spezifischen Use Cases gewachsen. Im Laufe der Zeit hat das zu einem Wildwuchs an Technologien geführt. Betrieb und Pflege der unterschiedlichen Insellösungen werden mehr und mehr zum belastenden Kostenfaktor.
Der Markt bietet heute eine gute Auswahl an ausgereiften Plattformen, die über skalierbare Funktionen zur Integration, Speicherung, Transformation, Analyse und Präsentation von Daten verfügen. Sie erlauben mit modernen Business-Intelligence- und KI-unterstützten Analytik-Funktionen je nach Ausprägung eine Nutzung durch weniger erfahrene Mitarbeitende und bieten zeitgleich die Freiheiten, die die Data Scientists und IT-Experten suchen. Darüber hinaus unterstützen sie viele Use Cases gleichzeitig und ihr Betrieb ist nicht nur erheblich wirtschaftlicher als das Modell mit zahlreichen Insellösungen – eine einheitliche Technologiegrundlage erleichtert auch die bereichsübergreifende Zusammenarbeit und das Teilen der Daten und Analyse-Erkenntnissen sowie die Wiederverwendbarkeit von Analysen und Algorithmen.
4. Unzureichende Motivation zur Mitarbeit und Unterstützung
Ein ähnliches Problem wie bei den Datenanalyse-Plattformen gibt es oft auch bei den Daten selbst: Auch sie werden in unterschiedlichen Abteilungen generiert beziehungsweise von dort bezogen – andere Abteilungen wissen wenig über ihren Ursprung und Zustand. Die Folge ist eine gewisse Skepsis der potenziellen Datenkonsumenten gegenüber abteilungsfremden Daten und eine geringe Bereitschaft, diese zu nutzen. Im Gegenzug gibt es seitens der daten-bereitstellenden Einheiten oft eine Abneigung den benötigten Aufwand in Aufbereitung, Pflege und Beschreibung von Daten ohne erkennbaren Nutzen oder Transparenz über die weitere Datenverwendung zu investieren.
An dieser Stelle sind Transparenz und offene Kommunikation wichtig, aber auch die Entwicklung von unternehmensspezifischen Anreizsystemen. Am Ende sind es immer Menschen und nicht Maschinen, welche die Erkenntnisse aus Daten nutzen. Und wenn diese Menschen den Daten vertrauen und sie zielführend einsetzen können, ist das auch im Sinne des Unternehmens.
5. Daten-Organisation statt Daten-Bürokratie
Die Länder der DACH-Region gelten als Organisationsweltmeister – oft auch Bürokratieweltmeister. Das ist bei der Organisation von Daten nicht anders. Tatsächlich ist ein gesunder Pragmatismus im Umgang mit Daten bei zeitgleicher Einhaltung gesetzlicher und regulatorischer Anforderungen empfehlenswert. Ansonsten ist die Frustration der Mitarbeitenden hier vorprogrammiert und die effektive Datennutzung ausgebremst.
Unternehmen, die Daten erfolgreich für sich nutzen möchten, müssen daher auch aus prozessualer und organisatorischer Sicht die Wege frei machen. Weniger ist hier ganz klar oft mehr. Sowohl auf technischer Ebene als auch bei der Gewinnung und Organisation der Daten ersetzt idealerweise ein unternehmensweiter Ansatz das Silo-Denken.
6. Rechtliche und regulatorische Hindernisse
Viele Unternehmen unterschätzen nach wie vor die rechtlichen und regulatorischen Aspekte im Umgang mit Daten – zum Teil mit fatalen Folgen. Wenn es um personenbezogene Daten geht, bestraft der Gesetzgeber Nachlässigkeiten seit Einführung der GDPR/DSGVO (Datenschutzgrundverordnung) mit hohen Bußgeldern. Der Bußgeldkatalog der DSGVO sieht Geldbußen von bis zu 20 Millionen Euro vor. Die Aufsichtsbehörde darf aber auch Bußgelder von bis zu vier Prozent des weltweit erzielten Jahresumsatzes des letzten Geschäftsjahres verhängen.