Archiv für die Kategorie Big Data

Schreiner Group: Implementierung eines Data Warehouse in der Cloud

Erstellt am: Dienstag, 12. Dezember 2023 von Anja Gorbach

Die Schreiner Group ist ein international tätiges Familienunternehmen, das innovative Hightech-Labels und Funktionsteile vor allem für die Pharma- und Automobilindustrie entwickelt und produziert. Mit zukunftsweisenden Produkten wie smarten RFID-Lösungen, Druckausgleichselementen für Elektronik-Gehäuse oder Schutzfolien erzielt die Schreiner Group einen Jahresumsatz von über 200 Millionen Euro. Die Controlling-Abteilung hat zusammen mit QUNIS ein Cloud-basiertes Data Warehouse implementiert. Die BI-Lösung bildet den Kern einer zentralen Datenplattform, die schrittweise im gesamten Unternehmen ausgerollt wird.

Unser Data Warehouse ist hoch professionell, standardisiert, nachvollziehbar und skalierbar. Die moderne Data & Analytics-Architektur erschließt SAP-Daten für unsere Fachbereiche.


Matthias Lindemann,

BI Solution Architect, Schreiner Group GmbH

Data & Analytics-Implementierung parallel zur SAP-Einführung

Im ersten Schritt sollte ein modernes Data Warehouse (DWH) implementiert werden, das eine einheitliche Datenbasis für Reporting und Analyse schafft. Die Systemarchitektur sollte dabei als ausbaufähige Datenplattform angelegt werden, die in späteren Projektphasen beispielsweise durch einen Data Lake ergänzt werden kann.

Der projektverantwortliche BI Solution Architect Matthias Lindemann hebt die hochprofessionelle und fokussierte Beratung durch QUNIS hervor: „Die Strategie-Workshops waren sehr effektiv. QUNIS hat uns gezielt zur passenden Data & Analytics-Lösung geführt.“

Nach der erfolgreichen Zusammenarbeit bei der Strategieentwicklung hat sich die Schreiner Group bei der Realisierung des Data Warehouse ebenfalls für QUNIS als Implementierungspartner entschieden. Das DHW-Projekt fand dabei unter besonderen Rahmenbedingungen statt: Die Schreiner Group löst ihr bestehendes ERP-System auf Basis einer AS/400-Datenbank schrittweise durch SAP ab. Dadurch ergibt sich derzeit ein Parallelbetrieb zweier ERP-Systeme mit ganz unterschiedlichen Datenstrukturen.

Ein wesentliches Ziel des neuen Data Warehouse ist, den Controllern und Fachanwendern einen einfachen Zugriff auf konsolidierte Daten aus beiden ERP-Systemen zu ermöglichen. Gerade im SAP-Umfeld werden sämtliche Ladestrecken neu konzipiert und schrittweise realisiert.

Pilotprojekt in der Cloud

Die Einführung von Azure war für die Schreiner Group aufgrund der speziellen Herausforderungen einer Cloud-Umgebung Neuland und erwies sich als aufwändiger als zunächst angenommen. QUNIS und die auf Cloud-Projekte spezialisierte Schwesterfirma TEQWERK, die zeitweise ebenfalls involviert war, waren hier insbesondere hinsichtlich der internen Positionierung des Projekts sehr hilfreich.

Matthias Lindemann erklärt, dass die professionelle Implementierung und Moderation u. a. die interne IT überzeugt, Vertrauen geschaffen und damit die Umsetzung der vom BI Board favorisierten Cloud-Lösung ermöglicht haben. Die Azure-Umgebung wird derzeit von der IT-Abteilung der Schreiner Group betreut. Eine Auslagerung an TEQWERK steht als mögliche Alternative im Raum.

Flexible Auswertung von SAP-Daten

Zum Aufbau des Data Warehouse kam das QUNIS Data Warehouse Framework (QDF) zum Einsatz. Das Vorgehensmodell mit Best Practices, Templates und vordefinierten Prozessen sorgt für eine schnelle und sichere Implementierung und Bewirtschaftung des Data Warehouse.

  • Der Schwerpunkt im Projekt lag auf der Erschließung der SAP-Daten für den Fachbereich. Auf Empfehlung von QUNIS wurden die SAP-internen Business Logiken nicht übernommen, sondern eigene Ladestrecken mit Direktzugriff auf die einzelnen SAP-Tabellen definiert. Damit erhält der Fachbereich höchste Flexibilität beim Aufbau und der Auswertung seiner Datenmodelle.
  • Bei der Integration der ersten Use Cases arbeitete das interdisziplinäre Projektteam bereits mit den neu geschaffenen Rollen aus Fachbereichen, Prozessexperten, IT und Führungskräften eng zusammen. Inzwischen sind die Power User aus den Fachbereichen mit den SAP-Strukturen so vertraut, dass sie eigenständig die benötigten SAP-Tabellen ermitteln und hinsichtlich ihrer Reporting- und Analyse-Relevanz beurteilen.
  • Die effiziente Zusammenarbeit zwischen Power Usern und den Data Managern aus der IT wird zudem durch das Data Dictionary unterstützt, das QUNIS in seinem QDF-Modell als Template bereitstellt. Die Power User nutzen das Tool als Drehbuch für die IT, um ihre Anforderungen professionell zu spezifizieren.

Auftragseingang als erster Use Case

Als erster Use Case wurde das Auftragseingangsreporting im Data Warehouse abgebildet. Im Prototyping-Verfahren wurden die ETL-Strecken und Datenmodelle definiert, der Auftragseingangsreport in Power BI abgebildet und die Lösung schrittweise weiter ausgefeilt.

Die Beteiligten der Schreiner Group haben sich im Projekt das entsprechende Know-how angeeignet und können nun das Umsatzreporting als zweiten Use Case komplett selbstständig aufsetzen. Matthias Lindemann benennt den Coaching-Ansatz von QUNIS als wesentlichen Vorteil: „Die Fachabteilung hat das Datenmodell verstanden und kann alle benötigten Auswertungen selbst zusammenstellen.“

Das neue Umsatz- und Auftragseingangsreporting vereint Informationen aus beiden ERP-Welten und wird das bestehende Sales Reporting aus dem bisherigen Reportingtool und Excel ablösen. Bisher arbeiten lediglich ausgewählte Power User und Controller mit Power BI. Ein Rollout von Power BI auf die End User und weitere Power User ist schrittweise je nach Umsetzung der nächsten Use Cases geplant.

Interne Weiterentwicklung

Mit dem Data Warehouse hat das Controlling schon während der SAP-Implementierung eine integrierte Berichtsplattform bereitgestellt. Ein wesentlicher Gewinn ist die im Lauf der Implementierung etablierte effektive Zusammenarbeit der Power User mit den Data Managern aus der IT auf Basis professioneller Requirements.

Die Power User haben die Datenbewirtschaftung und -bereitstellung heute selbst in der Hand und können die SAP-Daten flexibel auswerten. Auch die IT-Abteilung lobt das hoch automatisierte Data Warehouse, das einen sicheren Betrieb mit einfacher Wartung, strukturierter Weiterentwicklung und gleichbleibend hoher Performance gewährleistet: „Das Data Warehouse ist hoch professionell, standardisiert, nachvollziehbar und skalierbar.“ 

Die Data & Analytics-Plattform wird zunehmend verschiedene BI-Produkte und Insellösungen der Fachbereiche ersetzen, was die IT-Administration vereinfacht und Kosten für Software-Updates und diverse Lizenzen spart.

Organisatorisch hat das neu geschaffene BI Competence Team (BICT) unter der Leitung des Controllings hierfür bereits alle BI- und Analytics-Initiativen der Schreiner Group zusammengefasst. Darüber hinaus gestaltet das BICT die Weiterentwicklung der unternehmensweiten Data Governance und ist in Architekturfragen hinsichtlich der Analytics und des Reportings wichtiger Ansprechpartner.

Das Controlling treibt derzeit die Umsetzung und den Rollout von Reporting und Analyse in Power BI weiter voran. QUNIS wird für diese Ausbaustufen lediglich punktuell benötigt und steht für Fragen bereit. Desweiteren stehen die Themen Aufbau und Integration einer neuen Planungslösung, Big Data, Integration von KI-Anwendungen und die damit verbundene Weiterentwicklung der Azure-Architektur auf der Roadmap.

Mehr zur Schreiner Group: Die Schreiner Group GmbH & Co. KG ist ein international tätiges deutsches Familienunternehmen und gilt als bevorzugter Partner in den Märkten Healthcare und Mobility. Der „Hidden Champion“ aus Oberschleißheim im Landkreis München hat weltweit vier Standorte (u.a. in Shanghai und New York) und liefert in rund 60 Länder. Das Kerngeschäft sind Funktionslabels in Top-Qualität, die um ergänzende Systemlösungen und Dienstleistungen angereichert werden. Die innovativen Hightech-Labels und Funktionsteile der Schreiner Group erschließen smarte Lösungsdimensionen und helfen, das Leben ein Stück gesünder, mobiler und sicherer zu machen.  www.schreiner-group.com

Mehr zu QUNIS ImplementierungQUNIS Implementierung

SENEC: Implementierung einer Data & Analytics-Plattform im Bereich Erneuerbare Energien

Erstellt am: Dienstag, 18. Juli 2023 von Anja Gorbach

SENEC gehört zu den führenden Solarstromspeicheranbietern in Deutschland. Zusammen mit QUNIS hat das Unternehmen mit vielfältigen Technologien ein Data Lakehouse aufgesetzt, das dem schnellen Firmenwachstum gerecht wird und BI- und IoT-Analysen in einer zentralen Datenplattform unterstützt.

Wegen des starken Wachstums haben wir uns entschlossen, einen Modern Data Stack auf Basis von Microsoft Azure einzuführen, um mit den steigenden Reporting- und Analyseanforderungen Schritt zu halten.

Armin Geisler,
Team Lead Data and Analytics, SENEC GmbH

Eine Plattform für alle Datenprodukte

SENEC entwickelt und produziert intelligente Speicherlösungen für die Nutzung von Sonnenenergie. Mit SENEC.360 bietet das Unternehmen Privathaushalten passgenaue Lösungen für die Eigenversorgung mit Solarstrom, von der PV-Anlage über den smarten Stromspeicher bis hin zur E-Ladestation. Das dynamische Unternehmen trifft mit seinem Angebot den Nerv der Zeit und verzeichnet ein exponentielles Wachstum.

Das vorhandene BI-System konnte der schnellen Unternehmensentwicklung nicht mehr folgen und auch der steigende Bedarf an Big-Data-Applikationen war mit individuell programmierten Lösungen nicht mehr zu bewältigen. Die Auswertung von Streaming-Daten aus IoT-Produkten, Feldtestanalysen auf Basis von Batteriedaten oder ML-Anwendungen wie Predictive Maintenance gehören zur wachsenden Zahl an Use Cases bei SENEC, die eine neue IT-Umgebung für Data & Analytics erforderten.

Ziel der neuen Datenplattform war, dass sie sowohl die klassischen Geschäftsanalysen im Finanz- und Fachbereichscontrolling als auch die Big-Data-Analysen unterstützt – mit der Möglichkeit der kombinierten Auswertung aller Datenformate in Dashboards für Geschäftsanalysen und die Unternehmenssteuerung. Die Plattform sollte als Modern Data Stack mit verschiedenen Tools und Technologien aufgesetzt werden und als Single Point of Truth für sämtliche Datenprodukte fungieren.

Mindset-Pitch für eine gute Zusammenarbeit

Im Rahmen einer Ausschreibung und auf Empfehlung aus dem Netzwerk des Teams kam QUNIS als Realisierungspartner ins Spiel. Katja Both, Head of Business Intelligence & Processes bei SENEC, integrierte mit einem Mindset-Check den ausschlaggebenden Bewertungsansatz der Pitches. Hintergrund ist die Überzeugung, dass die gute Zusammenarbeit mit dem Dienstleister – insbesondere auf operativer Ebene – entscheidend für den Projekterfolg ist.

Katja Both erläutert: „Uns war wichtig herauszufinden, ob unsere Engineers und Analysten gut mit denen des Dienstleisters zusammenarbeiten können. Am Ende haben unsere Mitarbeiter:innen entschieden, wer unser Projektpartner wird. Damit hatten wir von Beginn an ein ausgeprägtes Committment aller Beteiligten, entscheidend für die benötigte Geschwindigkeit in diesem schnellwachsenden Hypergrowth Umfeld.“

QUNIS bringt die richtige Mischung aus strategischem Vorgehen und Pragmatismus mit und passt auch mit seinem Mindset gut zu unserem Team.

Katja Both,
Head of Business Intelligence & Processes, SENEC GmbH

Agile Entwicklung am Testsystem

Einmal beschlossen, ging die Konzeption und Implementierung der komplexen Plattform zügig voran. Die Strategie für die neue IT-Architektur, die Systemkonzeption und Themen wie Data Governance und Security haben QUNIS und SENEC ab Mitte 2022 innerhalb von zwei Monaten definiert. Im Herbst 2022 startete die Implementierung der IT-Architektur. Im März 2023 war die Datenplattform betriebsbereit.

Schon während der Strategieentwicklung hat QUNIS eine temporäre Testinfrastruktur als vereinfachte Version des Zielsystems installiert, was zur schnellen Realisierung beitrug: Das Team konnte die Plattform auf diese Weise im agilen Prototyping auf und ausbauen und parallel bereits erste Anforderungen der Fachbereiche und der Geschäftsleitung umsetzen.

Data Lakehouse als Modern Data Stack

Als Modern Data Stack besteht die Cloud-basierte Plattform aus einer Vielzahl von Technologien und Tools für die Erfassung, Speicherung, Verarbeitung und Analyse von Daten.

  • Die IT-Architektur ist ein Data Lakehouse auf Basis von Azure Databricks, das Elemente eines Data Warehouse mit einem Data Lake in der zentralen Plattform kombiniert. Die mit einer Staging und Cleansing Area, dem Core und einem Data Mart angelegte Lakehouse-Architektur ist in der Lage, Funktionen von Streaming Analytics, BI und maschinellem Lernen auf einer einzigen Plattform bereitzustellen.
  • Als Datenquellen sind u. a. eine Time Series Datenbank, eine Log-Datenbank, diverse relationale Datenbanken, SharePoint und klassische Business Systeme wie ERP, CRM usw. eingebunden. Zur Integration und Orchestrierung der Daten sind die Open-Source-Lösungen Airbyte und Airflow auf Kubernetes im Einsatz, zur Transformation von Daten im Lakehouse die Open-Source-Software dbt. Mit der kontinuierlichen Umsetzung neuer Use Cases werden schrittweise weitere Datenquellen angebunden. Die Anwender greifen über Microsoft Power BI auf die aufbereiteten Daten zu.
  • Power BI ist als strategisches Frontend für alle User im Einsatz. Das vielseitige Frontend unterstützt und visualisiert verschiedenste Use Cases in den Bereichen Unternehmens- und Marktinformationen sowie Produkt- und Qualitätskontrolle. Derzeit arbeiten von rund 550 Mitarbeitenden in Leipzig ca. 150 Konsumenten und Power User mit der BI-Lösung. Die Anzahl von aktuell 10 Designern soll kontinuierlich erhöht werden.

Starkes Data & Analytics-Team

Das hohe Realisierungstempo verdankt SENEC auch der konsequenten Personalstrategie, mit der Katja Both Schub in das Thema Data & Analytics bringt. Erst im Jahr 2021 wurde die erste BI-Lösung im Unternehmen etabliert. Im Rahmen der aktuellen Implementierung ist das BI-Team innerhalb weniger Monate zum Bereich Data & Analytics mit BI-Experten, Data Analysts, Data Engineers und Data Scientists angewachsen.

Das Team unterstützt und befähigt die Fachbereiche durch Self-Services, Trainings und Standards. Katja Both erläutert: „Durch die Herausbildung von dezentralen Daten-Experten erreichen wir eine hohe Autonomie in den Fachbereichen und werden damit dem starken Unternehmenswachstum gerecht.“

Bei der Implementierung sorgten der Einsatz von Best Practices und Frameworks, die umfangreiche Projekterfahrung von QUNIS und der permanente Know-how-Transfer zu SENEC für effiziente Projektschritte und schnelle Erfolge. Während das Thema Data & Analytics seinen Projektcharakter zunehmend verliert und in eine Linienfunktion übergeht, wird SENEC die Weiterentwicklung der Plattform künftig intern mit eigenen Experten vorantreiben.

Hoch skalierbare Datenplattform

Das Ziel der Implementierung ist erreicht: Der Modern Data Stack erfüllt alle Anforderungen an fortgeschrittene Datenanalysen im Bereich BI, KI und ML.

Von strukturierten Finanzdaten bis zu Streaming-Daten stehen unterschiedlichste Datenarten in einem zentralen Speicher für flexible Auswertungen bereit. Die hohe Systemperformance sorgt dabei für schnelle Analysen bei umfangreichem Datenvolumen. Die Projektverantwortlichen heben zudem die Validität der Daten hervor. Die Herkunft und Verarbeitung von Kennzahlen ist nachvollziehbar und glaubwürdig, was das Vertrauen in die Plattform stärkt und hohe Nutzungsraten im gesamten Unternehmen fördert. Der Projektleiter Armin Geisler hält fest: „Wir gewinnen tiefere Insights für Geschäftsanalysen sowie Entscheidungen und einige Use Cases sind mit der leistungsstarken Plattform überhaupt erst möglich geworden.“

Lisa-Marie Krause, als Senior Data Engineer im Projekt verantwortlich für die technische Entwicklung, beschreibt den Status der IT-Umgebung zum Zeitpunkt der Inbetriebnahme:

Mit der Datenplattform steht das Gerüst.
Wir haben Richtfest gefeiert und können jetzt
in hoher Geschwindigkeit neue Use Cases
für die Datenanalyse umsetzen.

Lisa-Marie Krause
Senior Data Engineer, SENEC GmbH

Die hohe Taktzahl bei der Skalierung ist notwendig, denn aus dem gesamten Unternehmen kommen vielfältige Anfragen nach Use Cases im Umfeld von BI, KI und ML. Ein wesentliches Ziel der zentralen Plattform ist, künftig mehr Datenkompetenz in der Breite im Unternehmen zu verankern. Auch Armin Geisler nennt die Generierung neuer Use Cases mit schnellem Time-to-Market als wesentlichen Mehrwert: „Wir haben im Bereich Data & Analytics deutlich an technischer und fachlicher Skalierbarkeit gewonnen.“

Auf Basis der Single Source of Truth sollen die Fachbereiche künftig ihre Reports selbst aufbauen können – auch damit wird der fachliche Ausbau beschleunigt und im gesamten Unternehmen vorangetrieben.

Mehr zu SENEC: Seit 2009 entwickelt die SENEC GmbH in Leipzig intelligente Stromspeichersysteme und speicherbasierte Energielösungen. Mit SENEC.360 bietet das Unternehmen ein abgestimmtes Ökosystem zur nachhaltigen Rundum-Eigenversorgung, unter anderem bestehend aus Stromspeicher (SENEC. Home), Solarmodulen (SENEC.Solar), virtuellem Stromkonto (SENEC.Cloud) sowie E-Auto Ladestation (SENEC.Wallbox). Die Marke SENEC zählt inzwischen europaweit zu den führenden Anbietern für innovative Energie- und Speicherlösungen rund um Einfamilienhäuser – mit mehr als 120.000 verkauften Systemen und einem Beratungsnetzwerk von über 1.200 Fachpartnern. Seit 2018 ist die SENEC GmbH eine 100 %-ige Tochtergesellschaft der EnBW Energie Baden-Württemberg AG und beschäftigt über 570 Mitarbeiter*innen an den Standorten Leipzig und Köln sowie in Italien und Australien. Weitere Informationen: www.senec.com

Mehr zur QUNIS Implementierung

Moderne Data & Analytics-Vorhaben fordern Cloud-Basis-Know-how beim Kunden

Erstellt am: Donnerstag, 13. Mai 2021 von Monika Düsterhöft

Die Cloud bietet umfassende Vorteile für BI und Advanced Analytics

Die Cloud gewinnt immer mehr an Bedeutung. Nicht nur als Möglichkeit für den generellen Aufbau von IT-Architekturen und Business-Modellen, sondern auch ganz konkret bei der Umsetzung von BI- und Advanced-Analytics-Projekten. Denn die Cloud bietet viele unschlagbare Vorteile. Diese liegen zum einen im Bereich der Kostenersparnis und Kostenkontrolle: Bezahlt wird nur, was tatsächlich an Leistung verbraucht wird, die Abrechnung erfolgt nach dem “Pay as you go”-Prinzip, es fallen keine Vorabkosten an und Investitionsausgaben für längerfristige Anlagegüter (CapEx) werden reduziert.

Zum anderen – und dies ist auch besonders für die Abbildung von Advanced-Analytics-Szenarien interessant – erlauben Cloud-Architekturen eine bedarfsgerechte Skalierung und damit die schnelle Bereitstellung passgenauer Infrastrukturen. Dank tiefer Integration in DevOps-Prozesse lassen sich zudem Entwicklungszyklen verkürzen, darüber hinaus können robuste Architekturen mit zum Beispiel Redundanzen in mehreren Regionen und Rechenzentren auf einfache Art und Weise sowie mit äußerst überschaubarem Administrationsaufwand realisiert werden. Zunehmend mehr Unternehmen erkennen diese Vorteile und sehen, was mit Cloud-Architekturen gerade auch für BI- und Analytics-Vorhaben möglich ist.

Die Stimmung ist positiv, birgt jedoch auch Herausforderungen 

Wir bei QUNIS erleben es täglich in unseren Projekten. So gut wie all unsere Kunden haben sich bereits mit dem Thema Cloud beschäftigt – und sei es nur gedanklich. Sie sind offener denn je für den Einsatz der neuen Technologien und Use Cases, bei denen Big Data oder Streaming Data in die Analysen miteinbezogen werden, sind in der Zwischenzeit zur Realität geworden. Hinzu kommt, dass BI- und Analytics-Projekte oftmals aufgrund ihrer Spezifika als „Leuchtturm“-Initiativen gelten. Und nicht selten handelt es sich dabei auch um das erste Projekt im Unternehmen, das ganz bewusst in der Cloud umgesetzt werden soll.

Eine Herausforderung, die sich daraus ergibt und die wir aktuell beobachten: Fragen zum Cloud-Konzept und damit zu Aspekten wie Networking, Monitoring, Deployment, Governance und Compliance, aber auch zur Technologie selbst, werden in BI- und Analytics-Projekten oft zum allerersten Mal gestellt und müssen erst grundlegend geklärt werden. Ein großer Teil der Projektaufwände entfällt also auf Themen, die nicht Kern des eigentlichen Projektes sind. Und Aspekte wie Cloud-Einarbeitung, -Know-how-Transfer und -Konzept-Erstellung wirken sich bemerkbar auf Timeline, Budget und Qualität des eigentlichen Projektes aus, da sich  „Nebenkriegsschauplätze“ ausbilden, die nicht originär mit den fachlichen Anforderungen in Zusammenhang stehen.

Wir versorgen Projekt-Teams mit notwendigem Cloud-Know-how

Die Erkenntnis, dass das notwendige Cloud-Basis-Know-how in Unternehmen oft nicht ausreichend vorhanden ist, aber für die zielgerichtete Umsetzung von BI- und Analytics-Projekten immer essenzieller und dringender notwendig wird, hat uns dazu bewogen, ein entsprechend fokussiertes Schulungsprogramm zu entwickeln:

Mit der dreitägigen und aus sechs Modulen bestehenden Schulung „Modern Data Management & Analytics on Microsoft Azure“ wollen wir Unternehmen, die eine Lösung in der Cloud planen, dabei unterstützen, sich das geforderte Cloud-Know-how bereits vor Projektbeginn anzueignen. Zugleich regen wir im Rahmen der Schulung dazu an, sich Gedanken über den Cloud-Reifegrad des eigenen Unternehmens zu machen. So möchten wir unsere Teilnehmer dazu befähigen, die notwendigen Themen zu identifizieren und intern zu adressieren.

Denn eine moderne, ganzheitliche BI-Lösung in der Cloud besteht aus deutlich mehr Komponenten als ein klassisches Data Warehouse (DWH) On-Premise. Die Auswahl der richtigen Komponenten und der Aufbau einer ganzheitlichen Architektur stellen dabei eine besondere Herausforderung dar. In unserer Schulung stellen wir dafür Azure-Komponenten aus verschiedenen Bereichen vor, vergleichen ähnliche Angebote miteinander und ordnen die einzelnen Komponenten den diversen Bereichen einer BI-Lösung zu.

Facettenreiche Schulungsinhalte geben fundierten Überblick zu Azure

Im Rahmen der Schulung gehen wir auf Komponenten für eine relationale DWH-Architektur in der Cloud genauso ein wie auf die Komponenten für Big-Data- und Streaming-Use-Cases und zeigen auf, wie sie in eine klassische DWH-Architektur integriert werden können, um diese sinnvoll zu ergänzen.

Wir befassen uns einerseits mit Möglichkeiten des „Lift & Shift“, bei denen bestehende Applikationen und Pipelines direkt in die Cloud übertragen werden können. Andererseits diskutieren wir auch Cloud-optimierte, also „Cloud-Optimized“-Konzepte, die verstärkt Cloud-native Funktionen wie “Serverless Computing“ und „Platform as a Service“ verwenden. Teilnehmer erhalten eine Übersicht der skalierbaren Cloud-Komponenten zur Umsetzung des Modern DWH in Azure. Die Schwerpunkte liegen auf

  • Extraktion und Datenflusssteuerung (Azure Data Factory, Event Hub – Kafka der Cloud)
  • Transformation und Compute (Azure Databricks – Apache Spark, Azure Functions – Serverless Computing, “Code First”, Azure Logic Apps – Serveless Computing, “Design First”, Azure SSIS integration runtime)
  • Speicherung und Storage (Blob und File-Storage, Azure Data Lake Storage Gen2, Azure Synapse Analytics)
  • Analyse und Bereitstellung der Daten (Polybase – „Logical Data Warehouse“) und Azure Analysis Services (Power BI).

Reine Data-Science-Anforderungen und -Projekte lassen sich zudem in jeder Größenordnung sehr gut und auch vollständig in der Cloud abbilden. Gerade die einfache und bedarfsgenaue Skalierbarkeit von Rechnerressourcen ist dabei ein immenser Vorteil gegenüber einer On-Premise-Lösung. In unserer Schulung stellen wir die verschiedenen Möglichkeiten zur Durchführung von Advanced-Analytics-Use-Cases vor.

  • So erlaubt die umfassende grafische Analytics-Umgebung „Azure Machine Learning Studio“, komplexeste Algorithmen vollständig ohne eigene Programmierung zur Anwendung zu bringen. Die gute Integration der mächtigen und skalierbaren Databricks-Umgebung ermöglicht es, analytische Modelle auf Big Data mit Apache Spark anzuwenden. Deshalb wird das System oft als Schweizer Taschenmesser der Big-Data-Datenverarbeitung bezeichnet.
  • Bei Apache Spark handelt es sich um ein einheitliches In-Memory-Big-Data-System, das bestens für die performante und parallele Verarbeitung von enormen Datenmengen geeignet ist. Apache Spark verarbeitet die Daten im Arbeitsspeicher und versucht das Schreiben auf eine Festplatte zu vermeiden. Databricks basiert auf den in Apache Spark verfügbaren Funktionen und übernimmt die komplette Verwaltung des Spark-Clusters.
  • Daneben lernen Sie die „Cognitive Services“ kennen mit fertig trainierten Anwendungen von Bild- über Sprach- oder Formularerkennung, die als Komponente in Ihre Use-Cases integriert werden können. Und wir stellen Ihnen die vorkonfigurierte „Data Science Virtual Machine“ bereit als Allzweckwerkzeug für eine kurzfristig verfügbare Entwicklungsumgebung.

Auch für die Operationalisierung von Use-Cases bietet Ihnen die Cloud vielfältige Möglichkeiten, um mit bereits geringem Konfigurationsaufwand zum produktiven Setup zu gelangen ¬– egal, ob Sie trainierte Modelle als Pipeline im Azure Machine Learning Studio anwenden und per API bereitstellen oder eigene containerbasierte Anwendungen im Kubernetes Cluster orchestrieren.

Kompaktes Wissen und Use Cases aus der Praxis

Mit dem QUNIS-Schulungsangebot „Modern Data Management & Analytics on Microsoft Azure“ ist es unser Ziel, unsere Teilnehmer bestmöglich auf die ersten Schritte mit der Cloud-Technologie Microsoft Azure im eigenen Unternehmen vorzubereiten. Wir veranschaulichen alle Themen durch Use Cases aus der Praxis und vermitteln in Live-Demos einen tieferen Einblick in die verschiedenen Technologien.

Nach der Schulung sind Sie ausgestattet mit einer breiten Wissensgrundlage und fähig, fundierte Cloud-Entscheidungen für Ihr Projekt treffen.

Mein Tipp: Hier finden Sie eine detaillierte Beschreibung der Schulung und aktuelle Termine. Sollten Sie eine individuelle Schulung für Ihr Unternehmen wünschen, sprechen Sie uns einfach an, wir beraten Sie gerne und unterbreiten Ihnen ein entsprechend auf Ihre Bedarfe zugeschnittenes Angebot. KONTAKT

Fachkonzeption… muss das sein?

Erstellt am: Mittwoch, 7. April 2021 von Monika Düsterhöft

Die Vielfalt an technischen Möglichkeiten sowie das Streben nach pragmatisch schnellen Ergebnissen verleiten gerne dazu, die Fachkonzeption zu vergessen. Sollten Sie aber nicht!

Bei der Umsetzung von Data & Analytics-Projekten befinden sich Organisationen häufig im Spannungsfeld zwischen einerseits einer hohen Erwartungshaltung der potenziellen Anwender, geweckt durch die Vielzahl an technischen Möglichkeiten und der Leistungsfähigkeit am Markt erhältlicher Produkte, und andererseits dem eigenen Bestreben, Projekte schnell zum Erfolg zu führen.

Die erfolgsentscheidende fachliche Konzeption und Definition der umzusetzenden Anforderungen kommt dabei oftmals zu kurz und Lösungen werden zu pragmatisch realisiert. Damit die wichtige Phase der fachlichen Konzeption nicht unter den Tisch und ihr Fehlen Ihnen nachträglich vor die Füße fällt, habe ich für Sie, basierend auf unserer Projekterfahrung, eine Liste mit hilfreichen Hinweisen zusammengestellt.

Die folgenden acht Punkte geben Ihnen eine Orientierung, wie Sie beim Erstellen einer Fachkonzeption vorgehen und auf was Sie achten sollten.

1. Anwendungsfälle nutzenorientiert definieren

Anwendungsfälle benötigen eine strukturierte Beschreibung und klare Zielsetzung. Neben einer fachlichen Beschreibung der fachlichen Anforderungen, den Voraussetzungen für die Umsetzung sowie die benötigten Daten und deren Herkunft, müssen vor allem die Ziele inklusive der damit verbundenen Nutzenfaktoren beschrieben sein und diesen die erwarteten Aufwände gegenübergestellt werden.

Somit wird die Priorisierung von Use Cases erheblich unterstützt bzw. erleichtert sowie die Basis geschaffen für eine spätere Analyse der Nachhaltigkeit bzw. des tatsächlich erreichten Business Nutzens.

2. Umfang von Anwendungsfällen für Data & Analytics festlegen

Eine Zielrichtung für Data & Analytics-Initiativen ist essenziell, um wichtige Basisparameter und Fragestellung für das Projekt zu definieren. Von daher sollten die geplanten Einsatzbereiche und angestrebten Lösungen abgesteckt, grob priorisiert und auf einer Roadmap festgehalten werden.

3. Zentrale Themen ganzheitlich betrachten

Beim Aufbau einer Data & Analytics-Landschaft und der Umsetzung der verschiedenen Szenarien gibt es übergreifende Themengebiete mit zentraler Bedeutung, die einheitlich und zu Beginn des ersten Anwendungsfalles für alle weiteren mit definiert werden sollten.

Dazu zählen unter anderem:

  • Infrastrukturfragestellungen
  • Security- und Zugriffskonzepte
  • Anforderungen an die Datenharmonisierung
  • Datenqualität und -hoheit in Abstimmung mit den Quellsystemen

4. Mit kleinen Schritten starten

Erste Anwendungsfälle sollten keinesfalls zu groß dimensioniert werden. Gerade für den Einstieg in Data & Analytics-Projekte ist es wichtig, Pilotprojekte überschaubar zu definieren, damit Ergebnisse und damit verbundene Erfolge sichtbar bzw. Nutzenvorteile in der Organisation spürbar werden. Nicht zu unterschätzen ist neben den ersten spürbaren Ergebnissen auch eine Lernkurve, die das gesamte involvierte Team durchschreitet.

5. Fachliche Feinkonzeption bildet das stabile Fundament

Sobald die Roadmap für Anwendungsfälle festgelegt ist, müssen die zuerst priorisierten fachlich im Detail spezifiziert werden. Hier sollte immer von den Anforderungen der Anwender ausgegangen werden. Dies kann z.B. bei einem Reporting Use Case die Visualisierung der Daten, Definition von Kennzahlen und deren Berechnung, benötigte Dimensionen sowie das zugrunde legende fachliche Datenmodell sein.

Diese fachlichen Anforderungen gilt es dann in ein technisches Konzept für die Realisierung zu transformieren und die erforderlichen Rahmenparameter für die Implementierung festzulegen, der ein zentrales technisches Datenmodell mit einer Anbindung der notwendigen Quellsysteme zugrunde liegt.

6. Aufwände realistisch und verlässlich abschätzen

Auf Basis der Feinkonzeption kann eine valide und möglichst realitätsnahe Schätzung der Aufwände für die Implementierung erfolgen. Somit kann abschließend bewertet werden, wie viel Aufwand erforderlich ist, um den gegenüberstehenden Business-Nutzen zu erzielen.

7. Management Freigabe einholen

Für die umzusetzenden Use Cases sollte neben der Roadmap auch eine Freigabe der Budgets für die geplanten Anwendungsfällen durch das verantwortliche Management erfolgen.

8. Data & Analytics-Projekte effizient steuern

Um eine möglichst effiziente und zielgerichtete Projektsteuerung zu erreichen, sollten für die verschiedenen Projektphasen die am besten geeigneten Methoden angewendet werden.

  • Die Erfahrung zeigt, dass Best Practices für Analytics-Projekte eine Verzahnung von klassischen und agilen Methoden erfordern.
  • Übergreifende Themen wie beispielsweise die Definition einer Strategie und Roadmap, Konzeption und Priorisierung der Umsetzungsplanung werden eher klassisch gesteuert.
  • Die technische Umsetzung erfordert agile Methoden. Spezifizierte Anwendungsfälle werden gemäß der Umsetzungsplanung in die agile Projektsteuerung übergeben und dann iterativ umgesetzt.

Zusammenfassend kann man festhalten, dass neben einer strategischen Planung und Ausrichtung einer Data & Analytics-Initiative die Aufteilung des Gesamtvorhabens in einzelne Anwendungsfälle und deren Konzeption erfolgsentscheidend ist, ohne das große Ganze aus dem Blick zu verlieren und einen stetigen Projektfortschritt und damit verbundene Erfolge zu erreichen.

Mein Tipp: Gerne informiere ich Sie, wie wir diese acht Schritte gemeinsam mit Ihnen gehen. Sprechen Sie mich einfach an. Sie finden mich auf LinkedIn oder schreiben Sie mir hier, ich melde mich gerne bei Ihnen. KONTAKT

Will man mit der Digitalisierung erfolgreich sein, braucht es dringend ein Datenmanagement-Konzept!

Erstellt am: Donnerstag, 21. Januar 2021 von Monika Düsterhöft

An Datenmanagement denken heißt Digitalisierung lenken

Geschäftsmodelle werden vermehrt datengetrieben. Dies bedeutet nicht zuletzt, dass Daten zu einer bedeutenden Ressource in Unternehmen werden. Um mit Daten aber nun effizient und strukturiert umzugehen benötigt es dringend ein Datenmanagement.

Die Teilnehmer von the factlights 2020, der größte Online-Erhebung zur Realität von Digitalisierung und Datenarbeit im deutschsprachigen Raum bestätigen dies. Sie sehen in mangelnder Datenqualität und fehlendem harmonisierten Datenbestand eine der größten Hauptherausforderung, um den neuen Anforderungen gerecht zu werden (vgl. Studien-PDF S. 25). Zudem bestätigen sie, ein einheitlicher Datenbestand entscheidungsrelevanter Daten ist essenziell, sei eine der fünf wichtigsten Erkenntnisse der Digitalisierung für sie (vgl. Studien-PDF S. 31).

Hier also vier Aspekte, die Sie im  Zuge der Digitalisierung und speziell im Hinblick auf das Thema Datenmanagement, im Auge behalten sollten:

 1. Daten sind ein wertvolles Asset

Heutige Anforderungen verlangen vermehrt eine Cross-funktionale Denke und das Bewusstsein, speziell mit Daten ein wertvolles Gut für interne und externe Zwecke zu besitzen. Trotz dieses Trends sehen zahlreiche Unternehmen Daten immer noch nicht als ein zentral zu organisierendes Asset an. Sie agieren vielmehr eher projektgetrieben und teilweise auch sehr unorganisiert.

Zudem betrachten sie den Einsatz von Daten oftmals weniger unter dem Aspekt des Nutzenpotenzials und dessen Zuordnung, noch denken sie konkret an eine nachhaltige Verankerung der Datenerzeugung und Datennutzung in der Organisation. Folgende zwei essentielle Fragen sollten in diesem Zusammenhang also immer und standardmäßig erörtert werden:

  • Worauf genau zahlt die Nutzung der Daten ein? Geht es Organisationen primär darum Kosten zu sparen, will man die Qualität bestehender Produkte verbessern, will man Risiken minimieren, Umsatz steigern oder gar Effizienz erhöhen.
  • Wie ist der Aufbau einer funktionierende Data Governance zu realisieren, die entsprechende Ziele, im Rahmen der Datennutzung unterstützt und Risiken minimiert? Konkret geht es hier um Klärung und Zuordnung von Verantwortlichkeiten samt entsprechender Rollen, Vorschriften und Zyklen.

2. Daten(quellen) werden immer heterogen bleiben

Die Herausforderungen für Data & Analytics-Vorhaben sind häufig die heterogenen und nicht harmonisierten Datentöpfe und Systeme. Vielerorts trifft man diesbezüglich auf das Phänomen des „Hoffens auf ein Wunder“, dass alles wie von Zauberhand und vielleicht sogar durch die Einführung des nächsten Systems sauber werden möge.

Ein solches Wunder ist jedoch nicht zu erwarten, da die Datenbestände heterogen bleiben. Hinzu kommen die um sich greifenden Cloud-Lösungen, die die Heterogenität noch forcieren. Gerade weil der Idealzustand aber nie erreicht werden kann, sind schlüssige Konzepte für die Bewertung der notwendigen Datenqualität dringend gefragt.

3. Priorisierung der Datenharmonisierung

Unternehmen sind häufig bestrebt, prozessübergreifend valide und gesicherte Datenbestände aufzubauen. Harmonisieren und Integrieren lautet zumeist die dafür ausgegebene Zielsetzung. Und genau hier fängt oftmals ein nie enden wollendes Projekt an. Denn was gern verkannt wird ist, dass sich die datenorientierten Anforderungen in der Regel nicht auf eine Abteilung oder einen Unternehmensbereich begrenzen lassen – Data does not follow the process.

Die Datenentstehung und deren Nutzung entsprechen sehr häufig nicht der klassischen Linienorganisation. Daten entstehen nicht nur an einer Stelle oder entlang eines Prozesses, denn sie werden Abteilungs- und Bereichs-spezifisch angereichert und ergänzt. Schlussendlich sollen sie aber dennoch an unterschiedlichsten Stellen und in verschiedensten Sichten und Prozessübergängen bereitgestellt und ausgewertet werden können.

4. Analytics-Kompetenz ist unterbesetzt

Die zunehmende Bedeutung von Daten erfordert immer mehr Know-how in der Datenarbeit. Erfahrungsgemäß ist diese Analytics-Kompetenz aber in vielen Unternehmen unterbesetzt. Man kann sogar sagen, viele Organisationen verfügen über absolut unzureichende Ressourcen und Skills. Und auch der Arbeitsmarkt gibt nicht genügend Experten her, so dass man mit Personalaufbau dem entgegenwirken könnte. Angesichts dieses personellen Nadelöhrs liegt eine Lösung darin, die vorhandenen Ressourcen und Skills bestmöglich zu unterstützen.

Der Aufbau eines sehr gut strukturierten Datenmanagements mit entsprechenden Architekturen kann dabei helfen. Denn es ermöglicht Anwendern, sich mit Analytics auseinanderzusetzen, ohne mit der Komplexität des darunterliegenden Datenmanagements konfrontiert zu werden. Gerade auch dem Metadatenmanagement kommt hier ein hoher Stellenwert zu.

Unser Tipp: Diese und weitere Empfehlungen sowie Daten, Fakten, Branchenspecials und alle Ergebnisse der größten Online Erhebung zur Realität von Digitalisierung und Datenmanagement im deutschsprachigen Raum finden Sie in den Studienergebnissen von the factlights 2020.

Holen Sie sich hier direkt Ihr kostenfreies, persönliches Exemplar THE FACTLIGHTS 2020

Data Governance: Schon mal drüber nachgedacht?

Erstellt am: Freitag, 5. Juni 2020 von Monika Düsterhöft

So wichtig für erfolgreiche Data & Analytics Projekte

Daten gelten als Herzstück jedes Unternehmens. Und so gut wie bei jedem steht, nicht zuletzt getrieben durch die aktuellen Entwicklungen, das Thema Digitalisierung ganz weit oben auf der Agenda. Das Regeln von Verfügbarkeit, Integrität und Sicherheit der verwendeten Daten, die sogenannten Data Governance, wird in diesem Zuge jedoch oftmals eher stiefmütterlich behandelt.

Dass dem so ist, mag zum einen daran liegen, dass es sich um ein vergleichsweises neues Thema handelt. Zum anderen ist Data Governancen sehr rechtslastig, wird mit Disziplin, Verwaltung und Aufwand konnotiert und gilt gemeinhin als „trocken und unattraktiv“. Und wie wir alle wissen: Um solche Themen kümmert man sich nicht wirklich gern.

Ein fehlerhafter Umgang mit Daten jedoch kann schnell zu erheblichen Wirtschafts- und Imageschäden führen. Rechtliche Konsequenzen, Bußgelder, Strafen und empfindliche Schadensersatzansprüchen drohen.

Wegducken gilt nicht – Data Governance geht jeden an!

Auf der Hand liegt, wo immer es zu Problemen mit Daten kommt, weißt sich die Gesamtverantwortung direkt der Geschäftsführung und dem Vorstand zu; unter Umständen greift deren Haftungsrisiko sogar bis aufs Privatvermögen durch. Schon allein deswegen sollten das Vorhandensein und konsequente Leben einer Data Governance ein ganz persönliches Anliegen des Top-Managements sein.

Im Gegensatz zur Top-Führungsriege steht der Mitarbeiter, der als ausführendes Organ nach bestem Wissen und Gewissen handelt, bei einer Datenpanne nicht in legaler Verantwortung. Nichtsdestotrotz ist auch sein Handeln oder Nichthandeln von unliebsamen persönlichen Konsequenzen bedroht. Denn selbst eine Panne, die auf Motivation und Engagement basiert kann zu Arbeitsplatzverlust oder zumindest internen Problemen führen. Um diesem Konflikt aus dem Weg zu gehen, kann es sein, dass Mitarbeiter lieber nichts tun bevor sie etwas tun, von dem sie nicht recht wissen, ob sie es dürfen oder nicht. Ineffizienz bis hin zum vollständigen Stillstand von Initiativen sind die Folge für das Unternehmen.

Unbenommen wäre es also förderlich zu wissen, was man am Arbeitsplatz mit welchen Daten tun darf und was nicht. Und zwar sowohl für den normalen Mitarbeiter, als auch für die Führungskräfte. Letzteren fällt in diesem Zusammenhang wohl der undankbarste Part zu: Sie stehen im Kreuzfeuer von Management und Mitarbeitern, müssen delegierte Aufgabenstellungen weitertragen und auf deren Umsetzung bedacht sein.

Kein Data & Analytics Projekt ohne Governance

Betrachtet man Chancen, Möglichkeiten, Risiken und in Zeiten des War of Talents und Fachkräftemangels auch die hohe Notwendigkeit im Hinblick auf Mitarbeiter-Sicherung und Motivation, so sollte keine Data & Analytics Initiative auf- bzw. umgesetzt werden ohne nicht parallel eine entsprechenden Data-Governance-Initiative zu betreiben.

Die gute Nachricht: Das Ganze hört sich schlimmer an als es ist. Vielmehr, eine Data & Analytics Governance ist in überschaubaren und leicht verdaubaren Schritten machbar. Einzige Voraussetzung, die Etappenziele müssen sauber definiert und ein dazu passender Methoden- und Maßnahmenkatalog erstellt worden sein. Auf diesem soliden Fundament lässt sich eine passende Data & Analytics Governance in die Organisation und Prozesse integrieren und die letztlich nachhaltige Umsetzung wird möglich.

QUNIS-Vorgehenskonzept bringt Durchblick, Struktur und Effizienz

Basierend auf Praxis-Erfahrung und Know-how hat QUNIS ein dreistufiges Framework mit insgesamt acht Handlungsfeldern entwickelt, das für Business-Intelligence- und Andvanced-Analytics-Initiativen eine verlässliche Orientierungshilfe für den Aufbau und die Etablierung einer Data Governance stellt.

Auf der ersten Stufe geht es darum, die Zielsetzung festzulegen: Welche Daten gibt es und in welchem Bezug stehen diese zu den rechtlichen Vorgaben bzw. welche Maßnahmen sind konkret daraus abzuleiten? Hier geht es um so wichtige Dinge wie ein gut funktionierendes Risikomanagement und den Blick auf sensible Datenschnittstellen zu Externen. Zudem werden aber auch ganz generell Fragen etwa zur Gewährleistung der Datenqualität behandelt.

Im darauf aufbauenden Bereich von Methoden und Maßnahmen werden rechtliche Vorgaben geklärt: Welche Daten und Prozesse korrespondieren mit welchen rechtlichen Normen wie GDPdU oder DSGVO? Im Fokus stehen Datenzugriffs- und Datenberechtigungskonzepte oder Back-Up-Strategien zur durchgängigen Gewährleistung der Datenverfügbarkeit. Im Sinne des Projektmanagements werden zudem die Vorgehensweisen erarbeitet, also beispielsweise Dokumentationsrichtlinien festgelegt, Guidelines für die Mitarbeiter erarbeitet, Recovery-Pläne und Definition von Messpunkten.

Zu guter Letzt geht es darum, das Erarbeitete in die Organisation und die laufenden Prozesse zu integrieren. Um klare Verantwortlichkeiten definieren zu können, wird das bewährte QUNIS-Rollenmodell herangezogen als Basis für den individuellen Zuschnitt auf konkrete Rahmenbedingungen und Bedürfnisse des jeweiligen Unternehmens. Darauf aufbauend lassen sich schließlich trennscharfe Strukturen herausarbeiten, die jedem betroffenen Teilbereich Verantwortlichkeiten und Zuständigkeiten zuordnen

Denken Sie die Data Governance immer gleich mit!

Es gibt viele gute Gründe dafür, seine Daten im Unternehmen zu schützen bzw. zu sichern und dabei rechtskonform und werteorientiert zu handeln. QUNIS unterstützt Sie dabei, eine ganz individuelle Governance für die Data & Analytics Initiativen in Ihrem Unternehmen umzusetzen und erfolgreich zu steuern. Alles was Sie tun müssen ist uns kontaktieren. Beim Rest begleiten wir Sie kompetent.

Mein Tipp: Besuchen Sie unser kostenfreies QUNIS-Webinar „Data Governance – so machen Sie Ihre BI-, Big-Data- und Advanced-Analytics-Lösung rechtlich und organisatorisch sicher.“ TERMINE UND ANMELDUNG

the factlights 2020: Die zentrale Erhebung zum Stand von Data & Analytics

Erstellt am: Mittwoch, 18. März 2020 von Monika Düsterhöft

Die Digitalisierung verändert unsere Arbeitswelt in einer rasanten Geschwindigkeit. Und auch die aktuelle Krise zeigt, was Digitalisierung und Datenarbeit zu leisten vermögen. Doch wo stehen wir aktuell? Welche Prozesse und Geschäftsmodelle wandeln sich im Unternehmen? Was bedeutet dies für unseren Arbeitsalltag? Digitalisierung ohne Wenn und Aber? Diese und weitere Fragen möchten wir im Rahmen einer Studie klären und die daraus resultierenden Erkenntnisse und Empfehlungen mit Ihnen teilen.

Machen Sie mit bei the factlights 2020 – die zentrale Erhebung zum Stand von Data & Analytics im deutschsprachigen Raum. 


Alle Teilnehmer der ONLINE-UMFRAGE erhalten ein exklusives Management Summary und die Möglichkeit auf attraktive Gewinne, wie einen E-Scooter, Taschen von ‚The North Face‘ oder einen 10 Euro Amazon-Gutschein als Sofort-Dankeschön.

Die Studie hinterfragt: Welche Prozesse und Geschäftsmodelle wurden umgestaltet? Was ist noch pure Vision, was in der Planung und was bereits gelebte Praxis? Was passiert bewusst und was eher unterbewusst? Welche Umstände halten Unternehmen und Mitarbeiter davon ab, die Möglichkeiten moderner Datenarbeit auszuschöpfen? Wo liegen Ängste, Sorgen und Nöte? Wie wird diesen begegnet? Was wird vorausgesetzt und was erwartet? Und wie soll es idealerweise weitergehen?

the factlights 2020 ist eine Initiative der QUNIS

Gemeinsam mit den Partnern CA Controller Akademie, HEUSSEN, Liebich & Partner, QUNIS und WTS ITAX wird im Zeitraum von März bis Mitte Juni 2020 die großangelegte Online-Umfrage the factlights 2020 – About Datat & Analytics Reality durchgeführt. Es geht um eine Bestandsaufnahme dazu, ob und wo Digitalisierung & Co. im Arbeitsalltag der Fachbereiche angekommen sind. In mittelständischen und Großunternehmen. Befragt werden sowohl Leitungsebene als auch Mitarbeiter aus allen Branchen und Bereichen. Angefangen von Finance, Accounting, Controlling, Sales und Marketing bis hin zu IT, Logistik und HR.

Trend-Artikel, Fachbeiträge, Tipps, Studien, Downloads und mehr

Auf the factlights informieren führende Unternehmen verschiedenster Disziplinen und Branchen zu aktuellen Herausforderungen, Stand von Forschung, Lehre, Markt und Technologie. Ganzjährig und aus den verschiedensten Blickwinkeln des Marktes. Hier geht‘s zu WWW.THE-FACTLIGHTS.DE

Was Data & Analytics Verantwortliche bewegt – vier Themen, die Sie dieses Jahr beachten sollten.

Erstellt am: Dienstag, 18. Februar 2020 von Monika Düsterhöft

I. Voraussetzungen für den Business Value schaffen

Der Hype um BI ist abgeflacht, keiner stellt ihre Bedeutung mehr in Frage. Man weiß, die Technologien funktionieren. Die Unternehmen sind gerüstet, Budgets sind eingestellt. Genügend Erfahrungswerte und Best Practices sind vorhanden. Die große Herausforderung liegt jetzt darin, die vorhandenen Konzepte in Projekte zu gießen, die tatsächlich den größten und nachhaltigsten Nutzen stiften. Doch wo investiert man? Wie geht man vor? Was muss man beachten? Ein Patentrezept gibt es nicht. Was jedoch für alle Unternehmen gilt, es müssen die drei folgenden Fragen, und zwar besser gestern als heute, bearbeitet und geklärt werden:

Wer managt das Asset Daten? Als ersten und zentralsten Punkt gilt es zu defiinieren: Wer hat den Hut für die Daten und die analytischen Ergebnisse auf? Diese ist grundlegend und entscheidend, denn auswertungsrelevante Daten folgen häufig weder einem etablierten Unternehmensprozess noch der organisatorischen Linie. Vielmehr werden Daten cross-funktional erzeugt und an verschiedensten Stellen angereichert. Analytische Szenarien haben sehr häufig die Eigenschaft, diese Daten kombiniert auszuwerten.

Zudem gibt es im Gegensatz zu vielen traditionellen Bereichen wie der HR, die ein Talent- und Personal-Management kennt, oder dem Anlagenmanagement mit seinen Investitionsspiegeln und -plänen für die Datenwelt bis dato so gut wie keine, allenfalls rudimentäre Managementstrategien. Die Strukturen für unternehmensweites Datenmanagement und Analytics müssen daher in nahezu allen Unternehmen erst geschaffen werden. Und je nach Data-Driven-Business-Modell werden dabei Daten aus völlig verschiedenen Quellen, Bereichen und von unterschiedlichster Art benötigt.

Das alles unter eine Managementstrategie zu bringen, fordert also vor allem den Mut, vorhandene Organisationsstrukturen aufzubrechen. Denn, so hat sich gezeigt: Aus dem Boden gestampfte Sonderabteilungen sind nicht die Lösung! Vielmehr geht es darum, eine unternehmensübergreifende Datamanagementkultur zu schaffen und eine Organisationsform, die nicht aneckt und keine Flaschenhälse schafft. Immer mehr Unternehmen erkennen dies und setzen sich damit proaktiv auseinander.

Welchen Business Value bedient ein Use-Case? Der zweite wesentliche Aspekt auf dem Weg zum Business-Value liegt in der Betrachtung seiner selbst. Dabei geht es nicht um eine reine ROI-Berechnung, sondern um die Beantwortung der Frage, auf welchen betrieblichen Mehrwert die BI-, Big-Data- oder Analytics-Initiative einzahlen soll. Geht es beispielsweise darum, Prozesse besser zu analysieren, um damit Kosten zu sparen? Ist man auf mehr Umsatz oder bessere Qualität aus? Zielt die Initiative auf das Erreichen höherer Effizienz ab oder steht Risikominimierung im Vordergrund?

Wie werden Daten nachhaltig zugänglich gemacht? Der dritte nicht zu unterschätzende Punkt, den es bei BI und Analytics im Hinblick auf Nutzen und Value zu beachten gilt, ist das Thema Dokumentation. Gerade der Data Catalog erhält hier aufgrund der zunehmenden Komplexität und Heterogenität der Datenlandschaften als verlässlicher Wegweiser durch die Datenwelt eine wachsende Bedeutung. Um den Zugang zu Daten nachhaltig zu gewährleisten, müssen relevante Daten quellenübergreifend dokumentiert sein. Geeignete Data-Catalog-Tools sind am Markt gefragt und werden gesucht. Aber auch methodische Aspekte sind zu klären: Was soll drinstehen, wo findet man die relevanten Daten im Unternehmen und wer ist zuständig für die Datenqualität?

Auch wenn klassische Data-Warehousing-Konzepte im Sinne von Daten zusammenführen und harmonisieren weiterhin ihre Berechtigung behalten werden, ist ein Trend weg vom physischen Vorhalten aller Daten an einer zentralen Stelle bereits Realität. Der Weg geht hin zum Entwurf von Datenlandkarten, über die die Zugriffe realisiert werden. Das spart Zeit und Geld. Vor dem Hintergrund ständig wachsender Datenmengen entstehen so Datenarchitekturen, die den Geschwindigkeiten und Flexibilitätsanforderungen heutiger Geschäftsmodelle entsprechen. Es entstehen Data Landscapes und Data Oceans. Den Begriffsneuschöpfungen scheinen hier keine Grenzen und kein Ende gesetzt.

II. Cloud-Frontends setzen sich durch

Was in der Analytics-Welt am Backend schon eine Zeit lang gang und gäbe ist, gilt verstärkt nun auch für die Frontend-Welt: Moderne Cloud-basierte Frontends sind verfügbar und werden zunehmend diskussionsloser genutzt. Die Unternehmen scheinen ihre Skepsis und Furcht vor Cloud-Computing immer weiter abzulegen, gerade in unkritischeren Bereichen wie Vertrieb und Finance; allenfalls in sensibleren IP-nahen Bereichen mag das noch anders sein, etwa bei Rezepturen und Bauplänen. Die Öffnung hin zur Cloud ist dabei auf den generellen technologischen Fortschritt zurückzuführen, aber auch auf die naturgemäße „Ver-Rentung“ von Bedenkenträgern mit ihrer „alten Denke“ im Gepäck. So oder so ist der Trend hin zur Cloud nicht mehr zu stoppen: On-Premise-Systeme werden immer mehr zu Insellösungen.

III. Query-Engines verbinden Welten

War es im letzten Jahr an gleicher Stelle noch reine Prognose, wird es jetzt zur Realität: Es gibt immer mehr Query- Engines am Markt, die strukturierte und unstrukturierte Datenwelten miteinander verbinden, ohne dass man hierfür Technologiewechsel in den Architekturen benötigt. Insofern wird es eine Orientierung auf nur eine Seite nicht mehr geben. Denn egal, was man an Quellen darunterpackt: Jegliche Formate lassen sich künftig über ein und denselben Dienst kombinieren und das unbegrenzt in beliebigem Ausmaß. Anbieter wie Azure Synapse Analytics verbinden Data Warehousing und Big Data. Dadurch wachsen die Welten im Sinne einer „Single Source of Truth for Enterprise Analytics” konzeptionell zusammen. Data Engineers, Data Scientisten und Analysten können so kollaborativ den gesamten Daten-Fundus abfragen, ohne dafür irgendwelche Daten bewegen zu müssen.

IV. Zusammenspiel von Data Science, Data Engineering und Data Governance bewusst fördern

Apropos Data Scientist: Der bleibt auch weiterhin wichtig, muss aber zunehmend zu den Business Values beitragen, um seine Bedeutung und Daseinsberechtigung im Unternehmen zu bewahren. Zu oft nämlich konnte er in der Vergangenheit das Delivery-Versprechen mangels verfügbarer Daten nicht einlösen und die damit verbundenen Erwartungshaltungen nicht erfüllen. An der Schnittstelle von Architektur und Datenmanagement wird gleichzeitig die Stellung des Data Engineers mit entsprechend großem Potenzial massiv nach oben gehen. Zu seiner strategischen Schlüsselposition als Garant für das zuverlässige Funktionieren der Analytics Infrastruktur gehört dabei auch das Thema Data Governance. Dieses ist 2020 ein absolutes Top-Thema und schließt nicht zuletzt wieder den Kreis zur Schaffung einer Data-Management-Organisation, Quelldokumentation und letztendlich damit der Grundlage zur Erzielung von Business Value.

Mein Tipp: QUNIS hat ein Klassifizierungsschema entwickelt, das Ihnen hilft, Analytics-Use-Cases einzuordnen und zu identifizieren, an welcher Stelle Sie mit Ihrem B-I und Analytics-Projekt welchen Business-Value erzielen können und womit gegebenenfalls nicht.  Mehr zum QUNIS BUSINESS CLASSIFICATION FRAMEWORK erfahren.

AI funktioniert anders als BI. Oder: Empfehlungen für die Verankerung von AI in Ihrem Unternehmen.

Erstellt am: Freitag, 20. September 2019 von Monika Düsterhöft

Obwohl sich AI und BI auf den ersten Blick mit demselben Thema, also mit Daten, deren Analyse und der Erkenntnisgewinnung daraus beschäftigen, ist es wichtig zu verstehen, dass AI anders funktioniert als BI.

Bei BI fußt das methodische Vorgehen auf einem Gegenstromverfahren, dessen Ziel es ist, eine strukturierte Datenhaltung, in der Regel ein Datawarehouse, mit all den notwendigen Daten aufzubauen, um definierte KPIs möglichst akkurat ausspielen zu können.

Die AI hingegen stellt Werkzeuge, um einen explorativen Prozess zu begleiten, der sich mit Target Scoping, Data Understanding, Data Preparation und Modelling, Evaluation und Deployment beschäftigt – und zwar ergebnisoffen, inklusive „Lizenz zum Scheitern“, wenn Analyseideen in manchen Fällen in einer Sackgasse landen.

AI hat die Lizenz zum Scheitern

Im Zweifel heißt es zurück auf Start und checken, ob das gesetzte Ziel mit den vorhandenen Daten überhaupt zu erreichen ist. Oder ob man eventuell andere Erkenntnisse gewonnen hat, die nichts mit der ursprünglichen Zielsetzung zu tun haben oder diese sogar auf den Kopf stellen.

So kann sich beispielsweise nach der AI-basierten Analyse der Kundendatenbasis herausstellen, dass ein Angebot immer an eine völlig falsch segmentierte Zielgruppe ausgespielt worden ist. Es könnte sich erweisen, dass ein Testzyklus keinerlei Einfluss auf das am Ende tatsächlich erzielte Ergebnis hatte, oder eine Mustererkennung könnte Next-Best-Action oder Next-Best-Offer-Empfehlungen nahelegen, die erst durch das Einbeziehen von Social-Media-Aktivitäten sichtbar geworden sind.

Um nun die in Ihrem Unternehmen schlummernden Potenziale und Einsatzfelder für AI zu finden, sollten Sie nicht einfach nur versuchen bekannte AI Use Cases zu kopieren. Ebenso wenig zielführend ist es, sich ohne passende Methodik auf Ideenjagd für denkbare AI-Projekte, AI-Angebote oder AI-Lösungen zu begeben.

Unsere klare Empfehlung lautet stattdessen: Schauen Sie sich Ihre vorhandenen Prozesse, Produkte und Services an. Identifizieren Sie Brüche und formulieren Sie Wünsche und Ziele, was Sie gerne effizienter, zielgerichteter, transparenter, smarter, on top erreichen wollen.

AI als Werkzeug verstehen

Denken Sie AI als Werkzeug, das Ihnen helfen kann, Muster und Auffälligkeiten zu entdecken und damit den Maßnahmen, die zum gesetzten Ziel führen, näher zu kommen. Oder schauen Sie sich Prozesse unter dem Aspekt der Wiederholbarkeit oder Effizienzsteigerung an und arbeiten Sie die Abschnitte heraus, die von einem Algorithmus gelernt und übernommen werden können.

AI kann nicht nur neue Business Modelle ermöglichen, AI verfügt über ausgereifte Tools, die Ihnen schon heute dabei helfen, etablierte Prozesse zu optimieren und vorhandene Produkte oder Angebote weiter auszubauen. Identifizieren Sie die dafür vorhandenen Daten und Datenquellen, bewerten Sie deren Umfang und Qualität und definieren Sie, wo die Daten zusammengeführt und gespeichert werden sollen, um für das Arbeiten mit AI zur Verfügung zu stehen.

Als geeignetes Konzept hierfür hat sich ein Data Lake erwiesen, in dem sowohl strukturierte als auch polystrukturierte Daten verwaltet werden. Denn im Data Lake kommt die BI-Welt mit Big Data als Grundlage für AI-Anwendungen zusammen.

Egal ob sie in einer Prozessoptimierung oder in einer Produkt- oder Service-Diversifizierung mündet, soll der Einsatz von AI nachhaltig erfolgreich sein, ist ein weiterer Punkt zu berücksichtigen: setzen Sie AI-Vorhaben immer unter Einbeziehung der Organisation auf.

Ein quasi im Reagenzglas entstandenes AI-Ergebnis zurück in die Linienorganisation zu führen, ist eine riesige Herausforderung, denn die Akzeptanz spielt auch bei AI, wie bei allen Innovations- und Change-Prozessen, eine wesentliche Rolle.

AI erlebbar machen

Machen Sie also Beobachter zu Beteiligten, um typische Aversion gegen aufoktroyierte Themen, an denen man nicht selbst mitgewirkt hat, zu vermeiden und bauen Sie parallel zur Entwicklung des AI-Projektes das Verständnis der Mitarbeiter für die Art und Weise, wie AI funktioniert auf.

Dabei führt der Weg zu AI über den Zugang zu den Methoden. Mag es auch noch so verlockend sein, Ansätze und Use Cases einfach zu übernehmen, so empfiehlt sich doch auf jeden Fall zusätzlich der funktionsgetriebene Zugang. Denn dieser baut schneller das wichtige Verständnis auf und schärft darüber hinaus den Blick für die eigenen, ganz individuellen Potenziale. Ganz nach dem Motto: Verstehe was eine Anomalie ist und wie man sie aufdeckt, dann wirst Du auch schneller darauf kommen, wo sie in Deinem Unternehmen vorkommen könnte.

Und noch ein Tipp in Richtung der organisatorischen Verankerung: Bringen Sie nicht nur Daten in einen Zusammenhang, lösen Sie sich auch intern von künstlichen Grenzen und führen Sie BI- und Big-Data-Initiativen zusammen. Denn obwohl die Methodiken unterschiedlich sind, arbeiten beide oft mit denselben Daten und mit einer großen Schnittmenge an gleichen Werkzeugen.

AI integrieren

Datensilos und organisatorische Grenzen für die Datenarbeit machen in Zeiten von Digitalisierung und datengetriebener Unternehmen wenig Sinn; nur unternehmensweite Konzepte für das Datenmanagement inklusive BI, Big Data und Data Governance können künftig erfolgreich sein. Fördern Sie daher die Zusammenarbeit und schaffen Sie das Bewusstsein für die kollaborative Datenarbeit – je früher desto besser.

Sie wollen mehr zu den AI-Methoden erfahren?

Mein Tipp: Holen Sie sich die kostenfreien QUNIS AI FACTHSHEETS. Unser Data Science Experten geben einen Überblick zu neun erfolgreichen AI-Methoden. Sie erklären kompakt, welche AI-Methode sich wann am besten eignet, welche Fragestellungen damit konkret beantwortet werden und welche Daten erforderlich sind. QUNIS AI FACTSHEETS

AI, Advanced Analytics, Big Data und ihre Bedeutung für die BI

Erstellt am: Mittwoch, 1. Mai 2019 von Monika Düsterhöft

Artificial Intelligence (AI) nutzt Machine Learning

Artificial Intelligence ist ein Begriff, der sofort sehr stark mit Innovation assoziiert wird und gleichermaßen eine große Faszination wie diffuse Ängste auslösen kann, obwohl oder vielleicht auch gerade weil es bis dato keine generell akzeptierte oder allgemeingültige Definition dessen gibt.

Sprach Richard Bellman 1978 beispielsweise von „der Automatisierung von Aktivitäten, die wir mit menschlichem Denken assoziieren, also dem Fällen von Entscheidungen, Problemlösung, Lernen …“, definierte Patrick Henry Winston 1992 die AI als „das Studium von Berechnungen, die es möglich machen, wahrzunehmen, schlusszufolgern und zu agieren“. Eine weitere Definition aus dem Jahre 1990 von Ray Kurzweil trifft es ebenso im Kern: „Die Kunst, Maschinen zu entwickeln, die Funktionen ausüben, welche Intelligenz erfordern, wenn sie vom Menschen ausgeführt werden.“

Ein Großteil der Methoden, mit denen Artificial Intelligence (AI) realisiert wird, fasst man unter dem Oberbegriff des Machine Learning (ML) zusammen. Maschinelles Lernen ist sehr stark der Art nachempfunden, wie wir Menschen lernen – so werden der Maschine in immer wiederkehrenden Schleifen Beispiele vorgelegt, anhand derer ein Sachverhalt gelernt wird, nur um das Gelernte anschließend verallgemeinern zu können.

Beispielsweise zeigt man der Maschine zahlreiche verschiedene Bilder von Katzen, auf dass sie danach das Prinzip „Katze“ verinnerlicht hat und solche auch auf Bildern erkennen kann, die sie vorher noch nicht zu sehen bekommen hat. Wie auch beim Menschen wird beim maschinellen Lernen nach der Lernmethode unterschieden – so unterscheiden wir zwischen dem überwachten Lernen (Supervised Learning), also dem Lernen anhand vordefinierter Beispiele, dem unüberwachten Lernen (Unsupervised Learning), was das automatische Erkennen von Mustern oder Merkmalen zum Inhalt hat, sowie dem bestärkenden Lernen (Reinforcement Learning), das auf dem Prinzip des Belohnens und Bestrafens basiert.

Advanced Analytics nutzt AI

Bei der Advanced Analytics kommen maschinelles Lernen sowie andere mathematisch-statistische Verfahren und Modelle zur Anwendung. Hierunter verstehen wir das methodische Analysieren und Interpretieren von Daten beliebiger Strukturen mit Ziel einer möglichst automatischen Erkennung von Bedeutungen, Mustern und Zusammenhängen und/oder der Prognose bestimmter Eigenschaften oder Kennzahlen.

Die Advanced Analytics kann somit auch als nächste Evolutionsstufe der Business Intelligence gelten. Während die traditionelle Business Intelligence den Blick vorrangig in die Vergangenheit richtet, um den Manager zu ermächtigen, die richtigen Rückschlüsse und bestmöglichen Entscheidungen für die künftige Ausrichtung des Unternehmens zu treffen, versucht die Advanced Analytics, diesen Prozess weitestgehend der Maschine zu überlassen, also zu automatisieren und selbst in die Zukunft zu schauen. Dies erfolgt in zwei aufeinanderfolgenden Schritten – im ersten werden durch die Predictive Analytics Vorhersagen über zu erwartende Entwicklungen gemacht, im zweiten zeigt die Prescriptive Analytics potenzielle Maßnahmen auf, gezielt wünschenswerte Ergebnisse zu erreichen.

Big Data erweitert BI

Wie auch in des Managers Entscheidungsprozess weitere relevante Zusatzinformationen neben den reinen Geschäftsergebnissen einfließen, beispielsweise Wetterdaten, geolokale Informationen oder Markttrends, so ist dies analog gültig für die Advanced Analytics. So beschafft man sich neben den strukturierten Daten aus ERP-, CRM- oder anderen Systemen wie beispielsweise dem zentralen Data Warehouse weitere Informationsquellen, die in die Analytics mit eingebunden werden. Dies können nicht selten Datenbestände sein, die man im Allgemeinen dem Begriff Big Data zuordnet.

Konkret bezeichnet Big Data eine bestimmte Art und Beschaffenheit von Daten plus dazu passende Methoden und Technologien für die hochskalierbare Erfassung, Speicherung und Analyse. Gerne wird in dem Zusammenhang auch von den drei Vs gesprochen:

  • Variety oder die Datenvielfalt: Immer mehr Daten liegen in unstrukturierter und semistrukturierter Form vor, beispielsweise aus den sozialen Netzwerken oder auch Geräten und Sensoren.
  • Volume oder die Datenmenge: Immer größere Datenvolumina werden angesammelt – Größenordnungen von mehreren Petabytes sind keine Seltenheit mehr.
  • Velocity oder die Geschwindigkeit: Riesige Datenmengen müssen immer schneller ausgewertet werden, bis hin zur Echtzeit. Die Verarbeitungsgeschwindigkeit muss mit dem wachsenden Datenvolumen Schritt halten.

Bezieht man also neben strukturierten Daten auch unstrukturierte, polystrukturierte und Massendaten, idealerweise realtime in die Analyse mit ein und bedient sich dafür unter anderem der Methoden des Machine Learnings, erweitert man die BI durch Big Data und den Einsatz von AI hin zur Advanced Analytics.

Viele spannende Informationen warten darauf, auf diese Art von Ihnen entdeckt zu werden!

Mein Tipp: Sie wollen den Machine Learning Algorithmen auf den Grund gehen? Holen Sie sich das kostenfreie QUNIS Machine Learning Cheat Sheet als PDF, im Pocket-Format oder als Poster für die Wand. Hier direkt QUNIS MACHINE LEARNING CHEAT SHEET holen.