Please help yourself – wie Self-Service BI zu neuen Erkenntnissen führen kann (Teil II)
Sep 11, 2019 | by Tobias Stein | 0 Comments

business intelligence

Willkommen zum zweiten Teil unserer Blogreihe über Self-Service BI. Wir wollen uns in diesem Blogbeitrag damit auseinandersetzen warum Self-Service BI echten Nutzen im Business bietet und welche Herausforderungen es bei Implementierungen zu meistern gilt, wenn man die Fachanwender wieder selber ihre Daten analysieren lässt.

Im > ersten Teil unserer Blogreihe hat sich meine Kollegin Eva die Definition von Self-Service BI genauer angesehen und uns den Zusammenhang zwischen Eigenverantwortung bei der Datenanalyse und Erkenntnisgewinn verdeutlicht. Mit modernen Business Intelligence (BI)-Tools ist der Fachanwender inzwischen befähigt – auch ohne Kenntnisse in Datenbanken und Datenmodellierungen – eben jenen Erkenntnisgewinn aus seinen Daten selbst zu generieren. Auf der diesjährigen > Qonnections haben wir gerade bei Self-Service Themen viele Verbesserungen gesehen. Das Thema liegt also zurzeit (und immer noch) voll im Trend und das sagen nicht nur wir, sondern es wird uns sowohl vom BARC BI Trend Monitor 2018 als auch unseren Kunden bestätigt.

Als Assistent des Vorstands bei der fme AG habe ich mich drei Jahre lang mit der Aufbereitung und Visualisierung der Unternehmenskennzahlen für das Management beschäftigt. Von manchen Kollegen wurde ich in dieser Zeit als „Herr der Zahlen“ oder „Herr der Daten“ bezeichnet – und das kann auf ein echtes Problem hinweisen.

Wo liegt das Problem?
Wie unsere Kunden bereiten auch wir unsere wesentlichen Kennzahlen in Dashboards auf und versenden automatisierte Berichte an das Management. Das Wissen, welche Daten überhaupt im Unternehmen vorhanden sind, aus welchen Systemen die Zahlen extrahiert werden müssen und wie sie aufzubereiten sind, habe ich mir über die Zeit angeeignet und durfte viel von unserem erfahrenen BI Team dazulernen.

Natürlich ist es bereits eine gute Nachricht, dass man dank der Business Intelligence Systeme die wichtigen Kennzahlen im Blick hat und sich darüber regelmäßig austauscht. Aber meine Beobachtung ist leider auch, dass traditionelle BI Systeme nicht selten zu einer Request – Response Relationship [1] mutieren.

  • „Kannst du mir nochmal kurz erklären wie sich die Kennzahl zusammensetzt?“
  • „Haben wir Sondereffekt x eigentlich berücksichtigt?“
  • „Können wir nicht noch die Information y aus unserem CRM dazu nehmen?“
  • „Lass uns dazu nochmal einen Termin machen…“

 
Das Eigentumsrecht an Daten (Data Ownership) wandert stets ein wenig mehr von der Fachabteilung zum „Herr der Daten“. Die Fachabteilung wird zum Konsument der eigenen Zahlen. Zugleich entsteht mehr und mehr ein zusätzlicher Layer in der Organisationseinheit, die Verantwortlichkeiten verblassen.

Dabei ist es gerade die Fachabteilung, die die beste Vorstellung davon hat, welche Analysen sinnvoll sind und auch am besten weiß, an welchen Stellen noch Informationsbedarf herrscht.
Ohne echte Data Ownership bei den fachlichen Experten beschränken wir das Potenzial unserer Daten und unterbinden explorative Auswertungen.

Wie gestaltet man die Transformation besser?
Auch wenn man sich der potenziellen Problematik bewusst geworden ist, so stellt sich die Frage, wie man die Überführung der traditionellen BI zum Self-Service gestaltet. Nicht selten bringen solche Initiativen am Ende nicht den gewünschten Erfolg.

Aber warum eigentlich? Woher kommt die Frustration?

In einer wissenschaftlichen Analyse von Lennerholt, van Laere & Söderström, 2018 [2] werden verschiedene Herausforderungen genannt, die sich grob in zwei Teile gliedern lassen:

  1. Zugriff, Nutzung und Qualität der Daten.
  2. Fähigkeit der Fachabteilung mit den Daten eigenverantwortlich zu arbeiten und diese passend zu visualisieren und zu interpretieren.

In der ersten Kategorie geht es um die Datenqualität. Beschränkt sich der „Herr der Daten“ auf diesen Bereich, ist das vorbildlich. Durch seinen Überblick kann er bereits typische Fehlerquellen, wie zum Beispiel

  • Unklare oder mehrdeutige Bezeichnungen
  • Fehlerhafte oder fehlende Daten in Vorsystemen
  • Unglückliche / falsche Modellierung des Datenmodells

beseitigen, sodass alle späteren Anwender davon profitieren.

Kategorie zwei umfasst die Herausforderungen, die der Fachanwender bewältigen muss und treffend mit der Bezeichnung „Data Literacy“ [3] beschrieben werden kann. In einer datengetriebenen Welt gehört es zu den Grundfähigkeiten, die Daten zu Informationen für das Business zu verarbeiten, um anschließend als Basis von Unternehmensentscheidungen zu dienen.

Gerade diese Fähigkeiten im Umgang mit Daten sind jedoch nicht (mehr) ausgeprägt und plötzlich sieht sich der Fachanwender (wieder) damit konfrontiert sich damit aktiv auseinanderzusetzen, statt nur passiv die Auswertungen zu konsumieren. Zwar können moderne BI Lösungen an vielen Stellen die Arbeit erleichtern, dennoch bleibt ein großer Change Prozess. Nicht selten werden die neuen Herausforderungen, mit denen sich die Fachabteilung konfrontiert sieht, vernachlässigt. Die fme AG – genauer dasTeam der Communication Services – unterstützt Sie gern bei ihren Veränderungsprozessen und berät zu modernen Lernmethoden.

Bereits im nächsten Teil unserer Blog-Serie zeigen wir Ihnen, wie wir unsere Kunden mit Lösungen von Qlik an vielen Stellen des Transformationsprozesses softwareseitig unterstützen und Ihre Self-Service BI Initiative so ein echter Erfolg wird.

 

 

[1] Sulaiman, S., Gómez, J. M., & Kurzhöfer, J. (2013). Business Intelligence Systems Optimization to Enable Better Self-Service Business Users. In WSBI (pp. 35-46).
[2] Lennerholt, C., van Laere, J., & Söderström, E. (2018). Implementation challenges of self service business intelligence: A literature review. In 51st Hawaii International Conference on System Sciences, Hilton Waikoloa Village, Hawaii, USA, January 3-6, 2018 (Vol. 51, pp. 5055-5063). IEEE Computer Society.
[3] (Quelle: https://www.stifterverband.org/data-literacy-education)