Unser D&A Strategy Offering stellt sicher, dass Unternehmen wesentliche Fragestellungen im Zusammenhang mit Daten systematisch behandeln und eine effektive Data-Analytics-Funktion schrittweise umsetzen, durch ein gut designtes Betriebsmodell operativ betreiben und moderne Analytics-Technologien zielführend einsetzen können.
Unser D&A-Strategy-Angebot umfasst mehrere Leistungen:
Die häufigsten Probleme in Zusammenhang mit Data Analytics sind einzuordnen in einerseits das Fehlen von gewinnbringender Nutzung verfügbarer, nutzbarer Daten, andererseits das Fehlen benötigter Daten zur Beantwortung von Fragestellungen zur Geschäftssteuerung . Dabei sehen sich unterschiedliche Stakeholder:innen in den Organisationen, von CFO bis Data Engineer, in ihren Herausforderungen oft denselben Ursachen gegenüber: unzureichende Datenqualität, unklare Datenherkunft, Inkonsistenzen oder auch Performance-Probleme.
Unsere Leistungen umfassen die Erstellung der Data Analytics Strategy und haben das Ziel, Analytics End-to-End in der Organisation entlang der Datenwertschöpfungskette von Datenerfassung bis zu Konsumation zu integrieren und wertschöpfend im Einklang mit den Organisationszielen anzuwenden.
Ausgehend von einer Unternehmensstrategie ist ein Rahmen zu schaffen, um eine effektive Analytics-Funktion aufzubauen und damit
- datengetriebene Anwendungsfälle im Unternehmen zu identifizieren,
- eine hohe Datenqualität zu ermöglichen und laufend sicherzustellen,
- Daten für die relevanten Geschäftsfunktionen verwendbar zu machen und
- die Nutzung von Daten durch die Funktionen an Geschäftsziele zu koppeln.
Darüber hinaus bestimmt die Strategie, welcher wesentlichen Ausrichtung Data Analytics im Unternehmen folgt.
Ein Assessment, das den Reifegrad entlang der Data-Analytics-Wertschöpfungskette von Strategy & Governance, Technologie, Prozessen, People & Skills und Delivery-Modell einordnet, ist Ausgangspunkt, um die wesentlichen Schwachstellen und Handlungsfelder zu identifizieren und konkrete Maßnahmen zur Verbesserung der Analytics-Funktion vorzuschlagen.
Die Reifegrade von Organisationen reichen dabei typischerweise von fragmentiert und ad hoc bis zu integriert datengetrieben. Abhängig von dem Reifegrad der Data Analytics Practice sind unterschiedliche Maßnahmen in Organisation, Governance, Technologie, Delivery-Modell, Prozessen, Personen & Skills für Verbesserungen zielführend, sowie unterschiedliche Use Cases (von klassischem Reporting bis hin zu integrierten AI-Lösungen) zu priorisieren.
Wir helfen dabei, die Data-Management- und Governance-Funktion aufzubauen, sodass Entscheidungen getroffen werden können als Grundlage für den Aufbau einer effektiven Data-Analytics-Funktion. Dies beinhaltet einen Rahmen, und damit die wesentlichen Rollen und Prozesse im Zusammenhang mit Data Governance, Data Management, Data Ownership und Stewardship, Data Quality, Reporting etc., und legt damit das Handling von Daten in allen Bereichen der Organisation fest.
Das Operating Model bestimmt welche Data-Analytics-Funktionen zentral vs. dezentral aufzusetzen sind, die Rollen von Expert:innen vs. die Rollen der Businessbereiche, sodass mittels kurzer Time-to-Market Use Cases und Analytics in den Business-Funktionen zielführend und wertstiftend umgesetzt werden können sowie die Data-Analytics-Plattform effektiv betrieben werden kann. Im Betriebsmodell sind Ziele wie Selfservice-Reporting und das Prinzip der Daten-Demokratisierung „Data-as-a-Service“ verankert. Als Beschleuniger für die Umsetzung eines Betriebsmodells greifen wir auf vordefinierte Reporting-Packages & Dashboards, Organisationsmodelle, Prozesse, Job- und Rollenprofile sowie technische und funktionale Architektur-Blueprints zu.
Das Operating Model ermöglicht damit den effizienten operativen Betrieb von Data Analytics in einer Organisation und dient dem wesentlichen Sprung von Analytics-Einzelanwendungen sowie fragmentierten Data-Science- und Data-Engineering-Teams hin zu einer übergreifenden organisationsweiten Data Analytics Practice.
Die Analytics Technology Strategy definiert einen Rahmen zur Anwendung von modernen cloudbasierten Analytics- und Machine-Learning- sowie AI-Technologien, um im Einklang mit der Strategie standardisiert, effizient und regelkonform, aber auch wertschöpfend und vertrauenswürdig mit Big Data arbeiten zu können. Fokus liegt dabei auf Zukunftsfähigkeit, Zusammenarbeit in der Plattform, Unterstützung von modernen Delivery-Methoden wie bspw. DevOps, MLOps, Skalierbarkeit, Integrationsfähigkeit und Hybrid-Set-up-Möglichkeiten, um Transition-Architekturen während Transformationen zu unterstützen.
Mit der Data- & Analytics-Architektur helfen wir, Vorgaben und Leitlinien für Data Scientists, Data Engineers, DWH Developer und Business Analyst:innen zu schaffen. Ziel ist die zukunftsfähige, performante sowie skalierbare und kosteneffiziente Datenintegration basierend auf der Enterprise-Architektur.
Durch vordefinierte Architektur-Muster sind wir in der Lage, in Projekten schneller Zielarchitekturen zu definieren und aktuelle Standards zu reflektieren.
Moderne Cloud-Native-Analytics-Plattformen sind in aktuellen Szenarien und Unternehmenssituationen integriert und als Enabler für Data Science oder Big-Data-Anwendungen mit kurzer Time-to-Market nicht wegzudenken. Cloud-Data-Warehouses, Data Lakes oder moderne, kombinierte Architekturen (z. B. Data Lakehouse) dienen als Basis für die Umsetzung von kosteneffizienten Advanced-Analytics-Anwendungen und State-of-the-Art-Toolstacks wie bspw. Integration von Machine Learning und AI mittels kognitiven Services.
Wir unterstützen bei Definition und Konzeption der Cloud-native Zielarchitektur, integriert in die Enterprise-Architektur, sowie Umsetzung von Proof of Concepts, um mit geringem Startbudget rasche erste Erfolge zu sehen und Einsatz zu testen, daraus zu lernen sowie Skalieren des Zielbildes der „Modern Data Platform“ hin zu einem operativen Betrieb.
Zur Verbesserung der Entscheidungsfindung und Wettbewerbsfähigkeit ist die Datenintegration für Unternehmen heutzutage ein absolutes Muss. Durch die Nutzung des vollen Datenpotenzials aus sämtlichen Unternehmensbereichen wird das Management mit bislang nicht verfügbaren Informationen bei der Entscheidungsfindung gewinnbringend unterstützt.
Die Herausforderung
Das Treffen von Entscheidungen auf Basis einer unvollständigen oder ungenauen Datenlage stellt die Unternehmensführung in Zeiten des immer größer werdenden Wettbewerbs vor immense Herausforderungen. Daten, welche bei der Entscheidungsfindung hilfreich wären, sind zwar oftmals im Unternehmen vorhanden, jedoch nicht oder nicht vollumfänglich nutzbar. Der Grund: Die Daten liegen in den unterschiedlichsten Systemen, Bereichen und Abteilungen eines Unternehmens separat und in nicht harmonisierter Form vor. Sehr oft sind die unterschiedlichen Systeme nur unzureichend oder gar nicht vernetzt und verhindern so eine systemübergreifende Nutzung.
Daten effektiv nutzen
Die Lösung: Durch die Integration von Daten in ein einheitliches Zielsystem können diese in eine homogene Datenstruktur überführt werden. Somit sind sie für Führungskräfte und Datenanalyst:innen effektiv nutzbar. Dabei werden Informationen in einer aussagekräftigen Struktur dargestellt, was Unternehmen zusätzlich bei der Vereinfachung von Geschäftsprozessen sowie der Identifizierung neuer Geschäftsfelder und eines potenziellen Handlungsbedarfs unterstützt. Alternativ zur Bereitstellung sämtlicher Unternehmensdaten in einem zentralen, harmonisierten Datenspeicher (z. B. Data Warehouse, Operativer Datenspeicher), kann es oftmals notwendig sein, neue Schnittstellen zwischen den Systemen zu erstellen. So werden Daten auch anderen Systemen zur Verfügung gestellt.
In beiden Fällen muss hierfür ein Datenintegrationsprozess gestartet werden: Die Daten aus dem jeweiligen Quellsystem werden mittels ETL (Extract, Transform, Load) für die Nutzung im Zielsystem bereitgestellt oder darin direkt integriert.
Gewinnbringende Vorteile erreichen
Nimmt man diese Herausforderungen an, so ergibt sich nach der erfolgreichen Datenintegration eine Vielzahl von Vorteilen. Am Ende des Datenintegrationsprozesses hat man die Möglichkeit, einen zentralen Datenspeicher mit den harmonisierten Daten aus sämtlichen Quellsystemen zu nutzen. Am Weg in diesen Datenspeicher kann die Datenqualität mit geeigneten Mitteln zusätzlich erhöht werden. Die Zusammenarbeit innerhalb eines Unternehmens wird durch die zentrale Verfügbarkeit der Daten deutlich vereinfacht. Über diesen zentralen Zugriffspunkt können nun potenzielle Abnehmer:innen die Daten aus dem gesamten Unternehmen gewinnbringend nutzen. Die mühsame Beschaffung und der oftmals damit verbundene Mehraufwand entfallen. Zusätzlich generiert der zentrale Datenspeicher die Möglichkeiten einer umfangreichen Datenanalyse, basierend auf Daten, welche vorab nicht verfügbar waren. Auf dieser Datenbasis können Analysen deutlich präziser und effektiver durchgeführt werden, die das Unternehmen wiederum zu einem rascheren Handeln und somit zu einer schnelleren Time-to-Market führen.
Künstliche Intelligenz (AI) ist fester Bestandteil vieler Business- und Analytics-Anwendungen und wird häufig als Blackbox in fertigen Produkten eingesetzt. Einerseits regulatorische Anforderungen auf Europäischer Ebene (z. B. AI Act) sowie nach und nach aufkommende lokale Gesetzgebungen, andererseits kund:innenspezifische individuelle Anforderungen verlangen ein Regelwerk, das den ordnungsgemäßen Einsatz von AI, oder zumindest die Erklärbarkeit von getroffenen Entscheidungen oder Vorschlägen, gewährleistet. Data-Science- und Expert:innen-Teams arbeiten mit AI und großen Mengen von Training-Datensets häufig in explorativem, wenig geschütztem Umfeld an unterschiedlichen Fragestellungen und setzen dabei meist eine Vielzahl von Werkzeugen ein. Moderne cloudbasierte Machine-Learning-Plattformen sind sehr wirkungsvoll und kosteneffizient in der Erstellung und Berechnung von Modellen, aber bedürfen einer gut umgesetzten Konfiguration und einem Rahmenwerk, um AI-Risiken zu Datenschutz, Bias, Diskriminierung, ethischen Dilemmas, Data Security und Mangel an Transparenz zu minimieren.
Unser Framework AI in Control ermöglicht es, Ethik und Rahmen um eine kontrollierte Anwendung von AI sicherzustellen, sodass Kund:innen-, Partner- und regulatorische Erwartungen getroffen werden.
Explainability soll sicherstellen, dass durch KI generierte Vorschläge oder Entscheidungen nachvollziehbar sind. Weitere Controls unterstützen Sicherheit der Plattform, Aktualität des Modells und Qualitätsanforderungen an Testdaten und Betrieb der Plattform und schaffen damit ein Vertrauensniveau in der Anwendung von AI.
ESG ist ein wesentlicher Faktor in der aktuellen Unternehmenswelt und ESG-Reporting wird in den kommenden Jahren einen großen Impact auf Architektur, Werkzeuge sowie Projektressourcen haben.
Unser ESG Offering beinhaltet die Integration von ESG-Reporting in der Daten-Wertschöpfungskette von „System of Record“ über „System of Report“ bis „System of Action“, die nicht nur mit Sustainability-Tools auf Visualisierungsseite, sondern End-to-End in zentralen Cloud-Data-Lakes oder Data Warehouses der Organisation erreicht wird.
Das Service beinhaltet Datenanalyse und Impact Assessment, Data Modelling und Definition des ESG-Ziel-Datenmodells sowie Datenintegration der Scope-1-, Scope-2- und Scope-3-Bereiche und Darstellung in Dashboards.
Wir sind globaler Kooperationspartner großer Anbieter wie Microsoft und können ESG-Reporting in marktführenden Werkzeugen wie z. B. Cloud for Sustainability/Sustainability Manager umsetzen.
