Universal Blogs

Die fünf Top-Strategien für zukunftssichere Analyse-, Data Science- und ML-Investitionen

Als uns Anfang 2020 die Corona-Pandemie erreichte, brachen zahllose Data-Science- und ML-Modelle zusammen. Die Pandemie hat die Art unserer Arbeit grundlegend verändert und die Entwicklung hin zu einem datenorientierteren Arbeiten beschleunigt.

Wow, die Zeiten haben sich wirklich geändert!

Einige Dinge sind jedoch gleich geblieben.

In der Welt von Analysen, Data Science und Machine Learning (ML) entwickelt sich die Technologie rasant weiter. Aber einige Grundprinzipien bleiben unveränderlich. Von Fortschritten bei der automatisierten Datenvorbereitung, Bereinigung und Profilierung bis hin zu automatisiertem Machine Learning (AutoML) und automatisiertem Feature Engineering gibt es sicherlich viele innovative Funktionen, die bei der Bewertung von DSML-Plattformen zu berücksichtigen sind.

Bei Analyse- und KI-Investitionen müssen Führungskräfte jedoch über die Technologie hinaus denken. Die Technologie ändert sich, aber einige der Grundprinzipien zur zukunftssichereren Gestaltung der entsprechenden Strategie bleiben die gleichen. Schließlich haben Sie, wenn Sie schon länger auf dem Technologiemarkt tätig sind, wahrscheinlich schon erlebt, dass Technik-Trends auftauchen und wieder verschwinden. Darüber hinaus haben Sie wahrscheinlich schon einige Analyseprojekte scheitern und viele andere enorme Erfolge feiern sehen. Warum sind einige Projekte erfolgreich, während andere anscheinend von Anfang an zum Scheitern verurteilt sind?
Bei Analyse- und KI-Investitionen müssen Führungskräfte über die Technologie hinaus denken.

Laut einer Umfrage des NVP Big Data and AI Executive Survey 2021 identifizieren 92,2 % der Unternehmen „Kultur – also Menschen, Prozesse, Organisation, Veränderungsmanagement – als das größte Hindernis für die Entwicklung zu datenorientierten Unternehmen“.

Diese Ergebnisse sind nicht ungewöhnlich. Jahr für Jahr bremst die Unternehmenskultur Bestrebungen zu einer stärkeren Analyseorientiertheit aus. Einige Unternehmen jedoch haben das magische Elixier gefunden, um eine Kultur, die vor allem auf Intuition und veralteten Prozessen basiert, in eine digital orientierte Arbeitsumgebung auf Grundlage von Analysen, Data Science und ML zu wandeln. Diese Verwandlung geschieht auf der Grundlage von fünf Strategien, die Führungskräfte einsetzen sollten, um ihre Investitionen zukunftssicher zu machen.

Unternehmen, die sich erfolgreich verändern, können beeindruckende Ergebnisse erzielen. Das International Institute for Analytics (IIA) hat Unternehmen mit unterschiedlichen Reifegraden im Bereich Analyse (d. h. lokalisierte Analysen im Vergleich zu Unternehmen, die auf Analysen aufbauen) verglichen und konnte folgende Unterschiede beim Finanzwachstum feststellen:

Als Daten- und Analyse-Leader sollten Sie die folgenden Empfehlungen berücksichtigen, um Ihre Analyse- und Data Science-Strategie zukunftssicher zu machen:

1. Abstimmung von Analysen und Data Science auf die Geschäftsstrategie

Zugegeben, es klingt ein bisschen wie ein Klischee, aber eine der Hauptursachen für fehlgeschlagene Projekte besteht darin, dass Analyse- und Data Science-Experten, die verschiedenen Funktionsbereiche innerhalb des Unternehmens und die allgemeine Geschäftsstrategie nicht aufeinander abgestimmt sind.

Unternehmen brauchen eine klar definierte Geschäftsstrategie mit Geschäftszielen und OKRs (Objectives and Key Results, also Zielvorgaben und Schlüsselergebnissen). Anschließend müssen Sie eine Reihe von Initiativen (Projekten) definieren, die diesen OKRs zugeordnet werden. Als Nächstes müssen Sie KPIs (Key Performance Indicators, Leistungskennzahlen) erstellen und diesen Initiativen zuordnen. Erst wenn diese aufgesetzt sind, sollten Unternehmen Analyseprojekte einrichten, um diese Schlüsselinitiativen umzusetzen.

2. Beginnend mit der digitalen Entscheidung rückwärts arbeiten

Nach Bildung der Schlüsselinitiativen und Projektteams müssen Unternehmen von den wichtigsten Geschäftsentscheidungen ausgehend rückwärts arbeiten. Führungskräfte müssen die betroffenen Geschäftsprozesse genau im Auge haben. Das gesamte Ziel von Daten- und Analyseprojekten besteht darin, Mehrwert für das Unternehmen zu schaffen. Wenn das Unternehmen sein Verhalten nicht ändern kann, nachdem Analysen in eine Digital-Entscheidung eingeflossen sind, was ergibt das für einen Sinn? In viel zu vielen Fällen wird dieser Punkt übersehen. Das wirkt sich nachteilig auf Projekte aus und demoralisiert diejenigen, die an dem Projekt arbeiten.

Unter der Annahme, dass die Organisation auf der Grundlage von Analysen gezielte Maßnahmen ergreifen kann, müssen Unternehmen damit beginnen, analytische Workflows in die Geschäftssysteme zu integrieren. Für die effektive Umsetzung müssen sie über einen robusten Change-Management-Prozess für die gesamte Organisation sowie eine ML Ops-Strategie verfügen.

3. Die Menschen dabei nicht vergessen

Mitarbeiter sind das wichtigste Kapital eines Unternehmens, und in dieser Hinsicht gibt es viele Dinge, die in Betracht gezogen werden müssen. Zunächst einmal besteht weiterhin ein Mangel an qualifizierten Data Scientists, die Unternehmen einstellen und halten können. Glücklicherweise schließt sich diese Lücke dank Weiterbildungsmöglichkeiten wie dem ADAPT-Programm schnell.

Viele große Unternehmen möchten die Fähigkeiten ihrer vorhandenen Mitarbeiter besser nutzen, indem sie ihnen mehr Datenwissen vermitteln und Trainingsmöglichkeiten bieten, um Citizen Data Scientists zu werden. Egal, ob Sie den Begriff „Citizen Data Scientist“ mögen oder nicht, es gibt immer noch viele Daten- und Analyseexperten, die nach wie vor im Land der Tabellenkalkulationen feststecken und dabei immer wieder dieselben Aufgabenschritte abspulen.

Darüber hinaus ist eine analyseorientierte Organisation immer nur so stark wie die Community, die dahinter steht. Achten Sie bei der Betrachtung von Analysetechnologien genau darauf, wie robust die Community ist. Bietet sie Mitarbeitern die Möglichkeit, gemeinsam bewährte Verfahren zu erlernen und Probleme ohne die Hilfe von IT-Mitarbeitern oder teure Schulungsprogrammen zu lösen?

4. Automatisierung statt Wiederholung

In Zusammenhang mit Punkt 3 ist Automatisierung für Unternehmen von entscheidender Bedeutung. Systeme und Prozesse werden immer komplexer und es führt kein Weg daran vorbei, sie zu automatisieren. Seien wir ehrlich: Die meisten Wissensarbeiter haben heute die Nase voll von veralteten Arbeitsprozessen. Sie haben keine Lust darauf, immer und immer wieder die gleichen Schritte zu wiederholen. Sie sehnen sich danach, ihre Fähigkeiten auf innovative Art und Weise einzusetzen und z. B. statt wöchentlicher, deskriptiver „Was ist passiert“-Berichte lieber Data-Science-Modelle per Drag & Drop zu erstellen, anhand derer sie sich den Fragen „Was könnte passieren“ und „Was sollten wir als Nächstes tun“ widmen können.

Viele Unternehmen betrachten Automatisierung als eine entscheidende Kompetenz. Von der robotergestützten Prozessautomatisierung über Chat-Bots über Low-/No-Code-Benutzeroberflächen bis hin zu KI und ML: Sobald etwas mehr als einmal wiederholt werden muss, gibt es auch eine Möglichkeit, den Prozess zu automatisieren. Mit Sicherheit ist Analytic Process Automation ein wichtiges Puzzleteil für die digitale Transformation, das Mitarbeitern dabei hilft, wichtige Durchbrüche zu erzielen sowie Probleme auf neue und innovative Weise zu lösen.

5. Technologische Überlegungen

Wie bereits erwähnt, ist Technologie sicherlich ein Wegbereiter für die Verbesserung des Wohlbefindens von Mitarbeitern und der Unternehmensleistung. Aber sie sollte erst in Betracht gezogen werden, wenn die vorherigen Empfehlungen verstanden wurden. In erster Linie muss die Technologie intuitiv, zugänglich und benutzerfreundlich sein. Ja, ich weiß, jeder Technologieanbieter sagt, dass seine Technologie einfach zu bedienen sei. Deshalb rate ich immer dazu, sie vor dem Kauf auszuprobieren.

Außerdem sollte die Technologie über einen soliden Satz von Modulen verfügen, um Daten- und Analyse-Pipelines zu erstellen, die echte Geschäftsprobleme lösen und zu Umsatz- und Gewinnwachstum führen.

Die Technologie sollte über integrierte Automatisierung und ein starkes Partnernetzwerk verfügen, das Sie bei Ihrer digitalen Transformation unterstützen kann. Schließlich sollte sie über einige AutoML-Funktionalitäten verfügen, die von Open-Source-Projekten wie EvalML unterstützt werden (dieses YouTube-Video ist für Python-Nutzer gedacht, die diesen Blog möglicherweise lesen).

Analyse-Take Off einer Airline

Sehen wir uns beispielsweise kurz das Marketingteam einer Fluggesellschaft an. Statt eine Full-Service-Marketingagentur zu beauftragen, macht dieses Team nun viel mehr intern. Dank einer intuitiven, benutzerfreundlichen Analyseplattform kann es Marketing-E-Mails analysieren und die Bedürfnisse der Kunden wirklich verstehen. Nach einigen A/B-Tests und einer Reduzierung von Texten in ihren E-Mail-Kampagnen konnten sie 50 % mehr Klicks und eine 15 % höhere Konversionsrate erzielen.

Doch damit war der Erfolg noch nicht zu Ende. Da sie über eine skalierbare Plattform verfügten, die mit ihnen wachsen konnte, konnten sie ihre Analysen um Geoanalysen erweitern, was zu 10 % mehr Interaktionen geführt hat. Mehr als ein Dutzend Workflows wurde automatisiert, so dass mehr Zeit für innovative Aufgaben zur Verfügung stand. Außerdem wurden Vorhersagefunktionen hinzugefügt und es konnte ein Marketingsegment identifiziert werden, das eine dreimal höhere Konversionswahrscheinlichkeit aufwies. Insgesamt stiegen die Konversionen um 20 %!

Zusammenfassung

Technologie ist nur eine Komponente des sprichwörtlichen Dreigestirns aus Menschen, Prozessen und Technologie. Wenn Führungskräfte ihren Weg zu effektiverer Analyse starten, ist es wichtig, über ein klares Verständnis der Geschäftsstrategie und der Art und Weise zu verfügen, wie sie mit den Digital-Entscheidungen eines Unternehmens verknüpft ist. Es ist wichtig zu verstehen, wie sich der Geschäftsprozess ändern wird.

Als Nächstes sollten Sie Ihre gesamte Organisation in die verschiedenen Projekte und Initiativen einbeziehen. Stellen Sie sicher, dass Ihre Mitarbeiter einen klaren Weiterbildungspfad haben. Schließlich kennen sie Ihr Unternehmen am besten und können erhebliche Verbesserungen erzielen, wenn sie nur die Gelegenheit erhalten.

Und dann – ist es Zeit zu automatisieren. Automatisieren. Und nochmals automatisieren. Schlussendlich sollten Sie sich für eine Technologieplattform entscheiden, die benutzerfreundlich und flexibel ist und über Hunderte von Modulen verfügt, mit denen sich innovative Workflows erstellen lassen. Die Technologie sollte durch eine solide Community gestützt werden.

Lesen Sie weiter:

Fragen Sie sich, was eine DSML-Plattform für Sie tun kann?

Mehr erfahren

Ein Artikel von
david sweenor
Sr. Director Product Marketing, Alteryx
Dark background blue dots of lights in varying shades
Blogbeitrag
5 min to read

Leveraging Alteryx for a Successful Job Search

Learn how Mike Davis' experience with Alteryx put him ahead of the competition.

Analyst
Alteryx Designer
Datenvorbereitung und Analyse
Jetzt lesen
Red roller coaster shooting upwards
Blogbeitrag
8 min to read

Accelerate Digital Transformation with Automated Analytics

Automated analytics is the fuel for your organization’s growth, keeping it relevant, agile, and one step ahead of your competitors.

Führungskraft im Bereich Analysen
Führungskraft
Alteryx Machine Learning
Jetzt lesen
Wavy colorful lines intersecting
Blogbeitrag
3 min to read

2021 Alteryx Podcast Wrap-up

In this special crossover podcast episode, hosts Maddie Johannsen and Susan Currie Sivek relive some of their favorite standout moments and special guests.

Analyst
Führungskraft im Bereich Analysen
Data Scientist
Jetzt lesen