In 6 Schritten zur passenden Data Analytics-Lösung

In vielen Unternehmen werden im Bereich Data Analytics Schlagworte wie Data Fabric, Big Data, Data Lakehouse und datengetriebene Geschäftsprozesse diskutiert, um Innovation voranzutreiben. Fachbereiche fordern Lösungen, um ihre innovativen Ansätze umzusetzen: Beispielsweise verbrauchsorientierte Abrechnungsmodelle (pay per use) für teure Maschinen oder KFZ-Versicherungen nach gefahrenen Kilometern. Solche Lösungen erfordern für die Kalkulation die Verfügbarkeit sämtlicher relevanter Daten und für die spätere Abrechnung eine Übertragung hochaktueller Informationen aus unterschiedlichen Quellen und Formaten.

Daraus ergeben sich, zusätzlich zu den klassischen Herausforderungen, neue Problemstellungen für Lösungs-Architekturen und -Werkzeuge: Der Fokus verschiebt sich von strukturierten hin zu semi- und unstrukturierten Daten und eine laufende Datenversorgung. Um diese Herausforderungen zu bewältigen, sind Datenorientierung sowie eine strategische Ausrichtung auf Analyse und Interpretation von Daten erforderlich. Hinzu kommen Themen wie Cloud, Containerisierung, Big Data, Data Science und AI.

Schlussendlich braucht es eine Modernisierung oder Neuausrichtung der Data Analytics Umgebung, um diesen Anforderungen gerecht zu werden. Ein aufwändiges Unterfangen, was gut geplant sein will – im Blogbeitrag erläutere ich Ihnen sechs Schritte, um Ihr Data Analytics Projekt zum Erfolg zu führen.

Im Bereich Datenspeicherung und -analyse findet sich bei vielen Unternehmen aktuell ein Sammelsurium an Lösungen. Data Warehouse-Umgebungen sind meist über Jahre gewachsen, parallel entstanden Data Lakes, fachspezifische Data Marts oder wahlweise Sandboxes für Data Scientists und Analysten. Hier wäre ein Redesign der Lösung angebracht – anstatt diese von Grund auf zu überdenken und sich an neue Funktionen und Möglichkeiten anzupassen, halten Unternehmen häufig an der bestehenden Architektur sowie an den bestehenden Tools fest. Bei Bedarf erfolgt lediglich ein Upgrade der Werkzeuge. Kommen neue Anforderungen hinzu, werden diese „angebaut“ und in zusätzlichen Tools – häufig in der Cloud – implementiert. Das Ergebnis: Fehlen einer einheitlichen Datenbasis, redundante Datenspeicherung und Integrationsprozesse sowie die Konservierung veralteter Strukturen. Dadurch entstehen Datensilos, übergreifende Analysen sind schwierig bis unmöglich, führen zu inkonsistenten Ergebnissen und eine technische Integration ist nur mit viel Aufwand realisierbar.

Die Modernisierung Ihrer Data Analytics-Lösung steht und fällt mit einer guten Planung. Folgender sechsstufiger Prozess hat sich in der Praxis bewährt, um Ihr Projekt zum Erfolg zu führen.

Am Anfang steht die Frage: Wofür wollen Sie die Data Analytics-Lösung einsetzen? Schließlich soll das Tool nicht zum Selbstzweck eingeführt werden, sondern Ihren spezifischen Ansprüchen genügen. Es ist ratsam, in diesem Schritt möglichst konkret zu werden. Dazu gehört es, bestehende sowie absehbare Use Cases zu analysieren und zu priorisieren und hieraus fachliche Anforderungen abzuleiten. Zusätzlich sollten alle relevanten Datenquellen, die es zu berücksichtigen gilt, identifiziert und aufgelistet werden. Auf Basis strategischer Überlegungen treffen Sie auch die Entscheidung für die Vorgehensweise, die am besten zu Ihrem jeweiligen Projekt passt: Hier lässt sich grundlegend zwischen Re-Design und Greenfield Approach unterscheiden.

Die Gap-Analyse knüpft an den ersten Schritt an und legt den Fokus auf den Status quo: Was bringt Ihre heutige Umgebung bereits mit? Welche neuen Bedürfnisse können wiederum nicht bedient werden? Wo steckt zusätzliche Funktionalität in Ihrer heutigen Umgebung, die bislang nur nicht genutzt wird?

Es gilt, die derzeitige Umgebung zu analysieren, zu dokumentieren und bestehende Funktionalität zu konservieren. Gleichzeitig sollen auf Basis neuer Anforderungen und Use Cases Funktionen identifiziert und bewertet werden, die in der heutigen Umgebung nicht genutzt werden oder überhaupt nicht zur Verfügung stehen.

Dabei geht es darum aufzuzeigen, was eine zukünftige Lösung zusätzlich bieten muss, um Ihre Erwartungen zu erfüllen. Mit diesen Erkenntnissen lässt sich dann die strategische Entscheidung zwischen Re-Design und Greenfield-Approach weiter verifizieren.

Nachdem Sie die IST- und SOLL-Analyse vorgenommen haben, ist es nun geboten, eine Zielarchitektur festzulegen, die Ihre Lösung tragen kann. Dazu gehört, eine Gesamtarchitektur zu definieren, einzelne Lösungsbausteine aufzuzeigen sowie Zusammenhänge und Abhängigkeiten zu identifizieren. In dieser Phase werden auch die Use Cases priorisiert, Abhängigkeiten identifiziert und schlussendlich bereits die Reihenfolge für die spätere Implementierung bestimmt.

Im vierten Schritt wählen Sie die Werkzeuge für die Implementierung Ihrer zukünftigen Lösung aus. Im Falle eines Re-Design nehmen Sie die Tools unter die Lupe, die bereits bei Ihnen im Einsatz sind. Wie schon bei der Gap-Analyse sollten Sie zunächst den Status quo evaluieren und fehlende Funktionalitäten identifizieren, immer unter Berücksichtigung der neuesten Entwicklungen und Versionen Ihrer Bestandslösung. Erst dann geht es daran, zusätzliche Tools für neue Anforderungen auszuwählen und zu verproben.

Beim Greenfield-Approach lösen Sie sich vollständig von Ihren bestehenden Tools. Sie entwickeln auf Basis Ihrer Anforderungen einen Kriterienkatalog, evaluieren verschiedene Werkzeuge und bewerten die verschiedenen Lösungen hinsichtlich ihrer Funktionalität in Bezug auf Ihre Zielarchitektur.

In beiden Fällen empfiehlt es sich, im Rahmen eines Proof-of-Technology ausgewählte Lösungen zu untersuchen und dabei die technische Umsetzbarkeit Ihrer Anforderungen an konkreten Beispielen – möglichst bereits auf einem Extrakt Ihrer Daten – zu evaluieren. 

Ob die neue Technologie hält, was sie verspricht, wird vor der Implementierung eingehend getestet. Dafür bietet sich ein agiles Vorgehen an, bei der die Umsetzung Schritt für Schritt erfolgt – so können Sie nach jeder Entwicklungsphase bereits erste Ergebnisse sehen und beurteilen, ob die Technologie Ihren Ansprüchen genügt. Bei einem Use Case mit komplett neuen Anforderungen hat sich zudem die Entwicklung eines Minimum Viable Products (MVP) bewährt.

Mit einer solchen Herangehensweise lassen sich schnelle Ergebnisse sowie ein hoher Nutzen für den jeweiligen Fachbereich erzielen.

Am Ende des Prozesses steht die Implementierung, bei der endlich der erste Use Case operationalisiert wird – damit schließt sich der Kreis zu Schritt 1 (Use Cases identifizieren). Mit der sukzessiven Umsetzung weiterer Use Cases schafft die Lösung nach und nach sichtbaren Nutzen für Ihr Unternehmen. Um einen nachhaltigen Projekterfolg sicherzustellen, sollte ein regelmäßiger Review der Zielarchitektur und des Implementierungsstands erfolgen. Nicht zu vernachlässigen ist außerdem die Etablierung eines Change Managements; so müssen sowohl technisch als auch fachlich Verantwortliche im Unternehmen abgeholt und im Umgang mit der neuen Data Analytics-Lösung geschult werden.

Abschließend lässt sich sagen, dass bei der Modernisierung Ihrer Data Analytics-Lösung stets von Ihren speziellen Use Cases auszugehen ist. Keine Frage: eine moderne Architektur und passende Technologien spielen dabei eine wichtige Rolle. Der Technologiewechsel an sich sollte dabei aber keinen Selbstzweck darstellen, sondern sich vor allem an den neuen Anforderungen der Fachbereiche orientieren. Bereits existierende Anforderungen und Lösungen sind gleichzeitig nicht zu vernachlässigen – gemäß dem Motto: Bewährtes bleibt bestehen, Neues wird ergänzt. Bei der Implementierung ist ein schrittweises, agiles Vorgehen sinnvoll, um schnelle Erfolge zu erzielen und gegebenenfalls rechtzeitig umlenken zu können.