Big Data Warum die Datenanalyse in Unternehmen scheitert

Big Data ist in aller Munde und macht Unternehmen vieles leichter. Zumindest dann, wenn sie die Daten nicht nur erheben und auswerten, sondern auch die richtigen Schlüsse daraus ziehen – daran hapert es oft noch.

Welche Potenziale und Herausforderungen Big Data birgt
Big Data optimiert die Entwicklung neuer Geschäftsmodelle, Produktideen und Dienstleistungen Quelle: Fotolia
Big Data schafft Abhilfe bei noch nicht ausreichenden datenbasierten Analysemethoden Quelle: Fotolia
Big Data verbessert die Steuerung operativer Prozesse und optimiert strategische Entscheidungen Quelle: Fotolia
Die größte Herausforderungen liegen im Datenschutz und in der Datensicherheit Quelle: dpa
Das größte Potential liegt in der Mobilität und Industrie Quelle: dpa
Die größten Herausforderungen liegen im Gesundheitsbereich Quelle: dpa/dpaweb
Big-Data-Investitionen fließen vor allem in die Aus- und Weiterbildung des Personals Quelle: dpa/dpaweb

Die Angst vor Big Data nimmt ab, je mehr positive Anwender-Beispiele es gibt. Big Data hilft bei der Planung vom Einsatz von Bussen und Bahnen, bei der Ampelschaltung, beim Personalmanagement und beim Marketing.

Richtig eingesetzt, kann es Unternehmen eine enorme Hilfe sein und viel Geld sparen. Entsprechend trauen sich immer mehr Betriebe an die Datenanalyse heran – schließlich liegen die meisten Daten ohnehin schon in irgendeiner Form vor, man muss sie nur in Beziehung zueinander setzen, um beispielsweise die Wünsche der Kunden besser zu verstehen.

Personen-, Verhaltens-, Lokalisierungs-, Interaktions- und Transaktionsdaten sowie Kundencharakteristiken warten nur auf einen, der sie interpretiert. Dafür investieren Unternehmen, die den Schritt Richtung Big Data gehen, oft eine Menge Geld und Zeit ohne den erhofften wirtschaftlichen Nutzen.

Konkrete Big-Data-Beispiele

Was die häufigsten Fehler bei der Implementierung von Big Data sind, weiß Ralf Schmidt, Big-Data-Experte der Unternehmensberatung PPI. Sein Unternehmen hat untersucht, warum die Einführung von Big Data bei Banken und Versicherungen scheitert. Und obwohl die Branche sicherlich ihre speziellen Anforderungen hat, kann sie ein Lehrbeispiel für alle anderen sein, die sich an die Datenanalyse heranwagen wollen und müssen.

"Die Datenqualität muss stimmen", sagt Schmidt. "Oft steckt nicht das in den Daten, was man sich erhofft hat, beispielsweise weil sie nicht vollständig sind oder nie für eine maschinelle Auswertung gedacht waren. Wenn Sie sich nur einmal Logfiles betrachten: Die sind nie nach Standards programmiert, es gibt keine einheitliche Struktur. Entsprechend schwer ist es, sie auszuwerten und zu analysieren."

Das Problem ist allerdings noch deutlich schwerwiegender: Meistens hakt es an internen Prozessen und ungeklärten Zuständigkeiten, wie die PPI-Studie zeigt. Jeder Zweite macht demnach falsch definierte Prozesse für das Scheitern verantwortlich, fast ebenso viele fehlendes Know-how der Mitarbeiter. Denn: "Das klassische Projektmanagement, das sich nur an Zeit und Budget orientiert, reicht in Big-Data-Projekten nicht aus."

"Man muss den Fokus konsequent auf Prozesse legen: Big-Data-Projekte scheitern selten an der Technologie, am Budget oder der Zeit, im Normalfall sind die nicht auf Komplexität eingestellten Unternehmensprozesse das größte Risiko für die erfolgreiche Umsetzung", so Schmidt.

Damit ein Big-Data-Projekt funktioniert und nicht nur Kosten verursacht, muss die IT-Abteilung frühzeitig über alle Projekte informiert werden. "Die vewendeten Technologien sind häufig neu im Unternehmen, die Kollegen müssen die Chance haben sich vernünftig vorzubereiten." In der Praxis werde die IT aber viel zu spät über das neue Projekt informiert und bekomme dann nur eine Liste mit Anforderungen. "Das übergeordnete Ziel des Projektes, die daraus abgeleiteten Anforderungen und die genaue Erwartungshaltung des Fachbereichs an die IT werden viel zu oft nicht in der erforderlichen Tiefe besprochen. Entsprechend werden die Projekte an dieser Stelle häufig mit zusätzlichen Risiken durch Missverständnisse, Unverständnis und mangelnden Support befrachtet", so Schmidt.

Big Data – eine Geschichte voller Missverständnisse? Es sieht beinahe so aus. Denn oft wisse die eine Abteilung gar nicht, was die andere tue. "Wir haben es erlebt, dass die IT aus Unkenntnis über die Anforderungen und Ziele des Projektes genau die Abteilung abgebaut hat, die unser Projekt nach dem Projektende betreiben sollte", erzählt Schmidt. "Als das Projekt live gehen sollte, haben die uns mit großen Augen angeguckt und gefragt, wer das nun machen soll."

Ohne gute Story klappt Big Data nicht

In einem solchen Fall war die Einführung von Big Data schlichtweg für die Katz. Und das ist teuer: Die Kosten für Big-Data-Projekte werden nach Schmidts Erfahrung sehr schnell siebenstellig, unabhängig von der fachlichen Ausrichtung des Projektes. Da möchte man nicht derjenige sein, der das Geld in den Sand gesetzt hat, weil er die zuständigen Abteilungen nicht informiert hat.

Aber auch wenn alle Abteilungen informiert sind, kann Big Data immer noch scheitern – wenn das Unternehmen mit seinen Daten keine gute Geschichte zu erzählen weiß. Ein stichhaltiges Big-Data-Storytelling bedeutet laut Schmidt dass die Vorteile, Bedarfe und übergeordneten Ziele des Projekts prägnant in einer Geschichte erzählt werden.

Statt mit Fachchinesisch oder Nullen und Einsen müsse ganz klar gesagt werden: "Wir wollen Geld sparen" oder "Wir wollen den perfekten Bewerber finden" und deshalb durchsuchen wir jetzt die vorliegenden Daten.

So sagt auch Schmidt: "Wenn sie einem Manager erklären wollen, warum er in ein Projekt, das dem Zeitplan hinterher hinkt, noch einmal mal investieren soll, brauchen Sie gute Argumente. Powerpoint-Folien, Balkendiagramme oder Scorewerte sind keine Argumente und keine Story, und noch lange kein guter Plot."

Doch häufig seien für die Big Data-Analyse nur die begehrten Data Scientists zuständig – und die sind nicht zwangsläufig gute Geschichtenerzähler. Heißt: Der IT-Profi mag ein brillanter Analyst und Datenexperte sein, aber er muss trotzdem in der Lage sein, allen wichtigen Entscheidern von der Bereichsleitung bis zum CEO zu erklären, welcher Mehrwert hinter ihrer Idee steckt, wie Schmidt sagt.

Dass es daran oft hapert, liege auch daran, dass der Faktor Mensch bei der Implementierung von Big Data häufig vergessen werde. "Wenn es um Tools und Technik geht, gibt es normalerweise große und teure Ausschreibungen." Doch der andere Erfolgsfaktor seien die Mitarbeiter, in deren Auswahl beziehungsweise Weiterbildung deutlich weniger investiert werden. Da werde derjenige mit dem Projekt betraut, der sich als letztes geduckt hat. Das muss sich ändern.

Dann sollte es auch klappen, über eine für alle Mitarbeiter und Manager verständliche Geschichte – wir wollen sparen, wir wollen einstellen, wir wollen verändern – das Projekt zum Erfolg zu bringen. Hält dagegen die Mehrheit Big Data nur für ein neues IT-Projekt des technikverliebten Chefs oder eine Marotte des IT-Leiters stehen die Erfolgschancen schlecht.

© Handelsblatt GmbH – Alle Rechte vorbehalten. Nutzungsrechte erwerben?
Zur Startseite
-0%1%2%3%4%5%6%7%8%9%10%11%12%13%14%15%16%17%18%19%20%21%22%23%24%25%26%27%28%29%30%31%32%33%34%35%36%37%38%39%40%41%42%43%44%45%46%47%48%49%50%51%52%53%54%55%56%57%58%59%60%61%62%63%64%65%66%67%68%69%70%71%72%73%74%75%76%77%78%79%80%81%82%83%84%85%86%87%88%89%90%91%92%93%94%95%96%97%98%99%100%