Fachwissen ist die neue IT: Wie wir Analysen bei Siemens Energy skaliert haben

Es gibt einen hartnäckigen Mythos in der Unternehmenstransformation, der meiner Meinung nach mehr Unternehmen ausbremst als jede technologische Lücke.

Wenn Sie Ihre Arbeit digitalisieren, Prozesse automatisieren oder Analysen skalieren möchten, müssen Sie zunächst alles in den Händen von technischen Spezialisten zentralisieren.

Das klingt diszipliniert. In der Praxis führt dies jedoch häufig zu einer Distanz zwischen den Personen, die die Arbeit verstehen, und den Personen, von denen erwartet wird, dass sie sie verbessern.

Möchte man ein wirklich intelligentes Unternehmen aufbauen, muss man mehr tun, als Technologie in bestehende Workflows zu integrieren. Sie müssen die Art und Weise, wie Verbesserungen stattfinden, neu gestalten. Das bedeutet, mehr Menschen die Möglichkeit zu geben, Probleme direkt zu lösen, insbesondere die Menschen mit den fundiertesten Fachkenntnissen. In vielen Fällen sitzt die Person, die den Engpass am besten versteht, nicht in der IT. Es ist die Person, die tagtäglich mit diesem Engpass zu tun hat.

Das war eine der wichtigsten Erkenntnisse auf unserem Weg bei Siemens Energy.

Neu denken, wer Lösungen entwickelt

Der Wendepunkt kam, als wir aufhörten zu fragen: „Wie bekommen wir mehr technische Ressourcen?“ und stattdessen fragten: „Wie stellen wir sicher, dass die richtigen Daten denjenigen zur Verfügung stehen, die das Geschäft und seine Prozesse verstehen?“.

Die erste Frage geht von einem Prozess aus, bei dem Analysen zentralisiert bleiben und die Erkenntnisse von einem Team von Fachkräften einfließen. Bei der zweiten Frage wird davon ausgegangen, dass die Personen, die alltägliche Geschäftsprobleme verstehen – der Beschaffungsmanager, der weiß, was eine Lieferverzögerung kostet, die Produktionsanalystin, die versteht, warum eine Produktionsmetrik nicht stimmt –, am besten positioniert sind, um Lösungen zu entwickeln.

Wir nennen diesen Ansatz Citizen Development. Die Grundidee ist einfach: Wir befähigen Menschen ohne Programmierkenntnisse, mithilfe von Low-Code-Tools Analyselösungen zu entwickeln. Geben wir ihnen Zugang zu Daten, der passenden Plattform und Unterstützung von Technologiefachleuten, entstehen großartige Ergebnisse.

Die Grundlage für Datenzugriff schaffen

evor wir unsere Citizen Developer befähigen konnten, mussten wir das Problem des Datenzugriffs lösen. Wenn Mitarbeiter:innen erst eine Anfrage stellen oder einen umfangreichen Bericht exportieren müssen, nur um Rohdaten einzusehen, ist der Aufwand zu hoch. Niemand entwickelt etwas Neues. Alle greifen wieder auf ihre Tabellenkalkulationen zurück.

Deshalb haben wir das SE Data Center und Alteryx Makros entwickelt, die mit Snowflake verbunden sind, wo die Rohdaten all unserer verschiedenen SAP-Systeme alle 20 Minuten repliziert werden. Dies ist der Kern unseres Konzepts zur Datendemokratisierung.

Wir haben Leitlinien implementiert, indem wir standardisierte Workflows, wiederverwendbare Vorlagen und ein zentrales Parameterregister erstellt haben. So geben wir den Teams die Freiheit, zu entwickeln und gleichzeitig die Datenintegrität zu wahren. Dieses Gleichgewicht zwischen Unabhängigkeit und Struktur sollte meiner Meinung nach jede Organisation vor der Skalierung sorgfältig überdenken.

So sieht die Skalierung von Self-Service-Analytics aus

Wir begannen 2018 mit nur wenigen Lizenzen zum Testen, gewannen aber schnell an Dynamik. Bis 2020 hatten wir bereits 100 Alteryx Lizenzen erreicht und nutzten sie für eine Vielzahl von Use Cases. Das erste große Projekt war die Automatisierung eines wöchentlichen Zahlungseingangsberichts – nicht gerade glamourös, aber es funktionierte und sparte Data Analysts wertvolle Arbeitsstunden.

Der Erfolg sprach sich im Einkauf herum, wo einer unserer Einkäufer wöchentlich mehrere Stunden damit verbrachte, manuell E-Mails an Lieferanten zu fehlenden Bestellbestätigungen zu verfassen. Wir entwickelten einen Workflow, der die Rohdaten unseres SAP-Systems analysierte, jede fehlende Bestellbestätigung identifizierte und automatisch E-Mails in verschiedenen Sprachen an unsere Lieferanten versendete.

Der Zyklus setzte sich fort: Ein Erfolg inspirierte den nächsten, bis schließlich das Procurement Cockpit entstand – eine End-to-End-Visualisierungslösung auf Basis von Snowflake, Alteryx und Tableau, die operativen Einkäufer:innen und Beschaffungsteams Echtzeit-Transparenz über die gesamte Prozesskette der operativen Beschaffung bietet – von der Bedarfsermittlung bis zum Wareneingang.

Heute ist die Lösung in über 20 Fabriken in neun Ländern im Einsatz und spart jährlich über 150.000 Arbeitsstunden. Diese eine Lösung, insbesondere die zugrundeliegende dynamische Workflow-Architektur, diente als Blaupause, die wir anpassen und in anderen hochskalierbaren, kontrollierten Use Cases replizieren können.

Fachwissen wird im Zeitalter der KI immer wichtiger

Angesichts der großen Aufmerksamkeit, die KI derzeit erhält, könnte man versucht sein anzunehmen, dass die Zukunft weniger auf Data Analysts angewiesen sein wird, die am engsten mit den jeweiligen Prozessen vertraut sind.

Ich sehe das anders.

Da Automatisierung und KI die Hürden für die Entwicklung, Konfiguration und Skalierung von Lösungen senken, wird Fachwissen noch wertvoller. Nicht weniger.

Warum? Weil die eigentliche Herausforderung oft nicht im Aufbau des Workflows liegt. Die Herausforderung besteht darin, zu verstehen, wie die Daten im Prozess miteinander verknüpft sind, was der Workflow leisten soll, welche Ausnahmen relevant sind, welche Entscheidungen Unterstützung benötigen, welche Geschäftslogik den Prozess steuern sollte und was ein Ergebnis im Kontext tatsächlich bedeutet.

Dieses Verständnis kommt von Menschen, die das Unternehmen und seine Prozesse kennen. Es bildet auch die Grundlage für KI-Use-Cases, da Rohdaten mit Geschäftslogik angereichert werden.

Dies ist ein weiterer Grund, warum Low-Code-Plattformen und KI so leistungsstark sein können. Sie beschleunigen nicht nur die technische Ausführung. Sie ermöglichen es mehr Menschen, sich an Verbesserungen zu beteiligen und eine geschäftliche Fragestellung in eine datengetriebene Lösung zu überführen.

Die Unternehmen, die den größten Nutzen aus diesen Technologien ziehen, werden diejenigen sein, die sie mit dem Urteilsvermögen derjenigen verknüpfen, die am nächsten an der Arbeit beteiligt sind. Der Weg von Siemens Energy macht das deutlich: Die Bewegung hin zu Citizen Development, einer breiteren Beteiligung und mehr Experimentierfreude war untrennbar mit den Fortschritten des Unternehmens in den Bereichen Analytics und Automatisierung verbunden.

Wie Führungskräfte den Anfang machen können

Für Führungskräfte besteht die Herausforderung auf dem Weg zu einem intelligenten Unternehmen darin, die richtigen Bedingungen dafür zu schaffen, dass dieser Wandel auf skalierbare, vertrauenswürdige und mit den Menschen verbundene Weise stattfindet, die die Arbeit am besten verstehen.

Ich empfehle folgende konkreten Schritte für den Einstieg:

• Beginnen Sie mit einem realen Problem, nicht mit einem Machbarkeitsnachweis.
• Beziehen Sie Endanwender:innen von Anfang an mit ein.
• Behandeln Sie den Datenzugriff als Grundvoraussetzung.
• Legen Sie frühzeitig Governance-Strukturen und Schutzmechanismen fest.
• Konzentrieren Sie sich auf die Wiederverwendbarkeit, nicht nur auf die Problemlösung.

Die Unternehmen, die das intelligente Unternehmen prägen werden, sind diejenigen, die es schaffen, analytische Fähigkeiten denjenigen zur Verfügung zu stellen, die die Arbeit verstehen – und die anschließend die Kultur, die Infrastruktur und das Vertrauen aufbauen, damit diese Menschen sie nutzen können.