Herausforderungen im Umgang mit Daten gibt es viele. Genau so gross wie die Herausforderungen ist aber auch das Potenzial, das ein professionelles Datenmanagement birgt. Denn um Markt, Kunden und Trends besser zu verstehen, müssen Daten effizient genutzt und dabei die rechtlichen und regulatorischen Vorgaben eingehalten und Cybersecurity-Risiken überwacht werden. Um diese komplexen Aufgaben optimal zu managen, bietet es sich an, eine professionelle Data- & Analytics-Organisation aufzubauen. Eine solche Organisation kann das Thema strategisch vorantreiben und gleichzeitig die operative Umsetzung verantworten. Folgende Data Capabilities gehören in den Aufgabenbereich einer Data- & Analytics-Organisation:
Daten-Zielbild: Erarbeitung resp. kontinuierliche Weiterentwicklung und Umsetzung des Zielbildes bezüglich Daten.
Daten-Governance: Einbettung von Kontroll- und Steuerungsframeworks sowie Rollen mit Kompetenzen und Verantwortlichkeiten in der Unternehmensorganisation.
Datenarchitektur: Definition von Datenobjekten und potenziellen Datenprodukten sowie Schaffung von Transparenz und Nachvollziehbarkeit bzgl. der Datenherkunft und des Datenflusses durch ihre Systeme.
Data Lifecycle Management: Festlegung und Einhaltung von Policies, Guidelines und Standards von der Erfassung über Speicherung, Aufbereitung und Nutzung der Daten bis zu deren Löschung resp. Archivierung.
Datenqualitätsmanagement: Sicherstellung, dass die Qualität der Daten die Geschäftsanforderungen bei deren Nutzung erfüllt.
Data Analytics: Schaffung von Mehrwert für das Unternehmen durch die Nutzung von Analytics und KI.
Datensicherheit: Sicherstellung des Schutzes der datenhaltenden Systeme vor unberechtigtem Zugriff und Disaster- sowie Recovery Management.
Dateninfrastruktur: Bereitstellung der notwendigen technologischen Systeme für die effiziente Nutzung und Verwaltung von Daten.
Compliance & Ethik: Definition und Einhaltung von Policies, Guidelines und Standards zur ethischen Nutzung von Daten unter Einhaltung gesetzlicher und regulatorischer Richtlinien.
Das Ziel einer Data- & Analytics-Organisation
Die Ziele, die mit Daten verfolgt werden, variieren von Unternehmen zu Unternehmen. Ein datengetriebenes Unternehmen verfolgt das Ziel, den Daten einen Geschäftswert zuzuweisen und sie als Produkt zu verwalten. Andere Unternehmen möchten lediglich ihr Reputationsrisiko durch Datenverlust minimieren oder die Einhaltung regulatorischer resp. rechtlicher Vorgaben sowie der ethischen Werte im Umgang mit Daten sicherstellen. Unabhängig davon, welches übergeordnete Ziel verfolgt wird, schafft eine Data- & Analytics-Organisation Klarheit bezüglich Aufgaben, Kompetenzen und Verantwortlichkeiten im Umgang mit Daten, der Zusammenarbeit der involvierten Stakeholder sowie Kontroll- und Steuerungsprozessen.
Die passende Form der Data- & Analytics-Organisation ist abhängig von den strategischen Zielen, die mit den Daten verfolgt werden, der Datenmaturität und der Unabhängigkeit sowie Heterogenität der einzelnen Fachabteilungen. Entweder eignet sich eine dezentrale, hybride oder zentrale Organisationsform (siehe Abbildung 1).
Die drei Formen der Data- & Analytics-Organisationen
Dezentral: Es gibt keine zentral vorgegebene Datenstrategie, Policies, Guidelines und Standards, die für das gesamte Unternehmen gültig sind. Bei der dezentralen Organisation haben die einzelnen Fachbereiche alleinige Kontrolle über Konzeption und Umsetzung der oben genannten Data Capabilities für ihren Bereich. Dies erlaubt es, schnell Lösungen einzuführen, die die spezifischen Bedürfnisse der jeweiligen Fachbereiche erfüllen. Es benötigt jedoch sehr viel Datenkompetenz in den einzelnen Fachbereichen und schafft wenig unternehmensweite Synergien.
Mögliches Einsatzgebiet: Diese Organisationsform ist typisch für Holdings oder partnerschaftsbasierte Geschäftsmodelle (Consulting, Rechtsanwaltkanzleien, etc.), bei denen die Fachbereiche eigene Strategien entwickeln und stark durch lokale P&Ls vorangetrieben werden.
Zentral: Bei einer komplett zentralisierten Data- & Analytics-Organisation werden die Datenstrategie, Policies, Guidelines und Standards unternehmensweit einheitlich definiert und die Datenkompetenz wird zentral gebündelt. Dies schafft Synergien und die Fachbereiche können Arbeiten auch mit tieferer Datenkompetenz ausführen. Jedoch besteht die Gefahr, dass eingeführte Lösungen die Bedürfnisse der Fachbereiche nicht erfüllen und die Freiheiten in den Fachbereichen unverhältnismässig eingeschränkt werden. Des Weiteren werden die Fachbereiche in diesem Modell nicht befähigt, Aufgaben zukünftig selbst zu übernehmen.
Mögliches Einsatzgebiet: Bei stark regulierten Unternehmen, welche viel Kontrolle über die Verwaltung und Nutzung der Daten haben wollen.
Hybrid: Zwischen komplett zentralisiert und komplett dezentralisiert gibt es ein Spektrum von unterschiedlichen Ausprägungsformen – die hybride Organisationsform kombiniert die Stärken beider Ansätze. Bei eher zentralisierten Formen wird insbesondere die Konzeption von Data Capabilities durch ein zentrales Team für das gesamte Unternehmen vorgegeben und die Umsetzung findet bereits eher dezentral in den Fachbereichen statt. Je dezentraler die Organisationsform ausgestaltet wird, umso weniger konzeptionelle Vorgaben werden zentral definiert und umso grösser sind die Freiheiten und Verantwortlichkeiten in den Fachbereichen. Dies ermöglicht Unternehmen bspw. weniger ausgeprägte Kompetenzen zentral zu bündeln, einheitliche Stossrichtungen vorzugeben und gleichzeitig den Fachbereichen die notwendigen Freiheiten zu geben. Bei dieser Organisationsform ist jedoch der Koordinations- und Kommunikationsaufwand tendenziell höher als bei den anderen beiden.
Mögliches Einsatzgebiet: Diese Organisationsform eignet sich grundsätzlich für alle Industrien und Branchen wie z.B. Krankenversicherung, Energieunternehmen oder kundenorientierte Branchen wie Einzelhandel, Tourismus, Start-ups etc.
Was muss bei der Identifikation der geeigneten Organisationsform beachtet werden?
Der Aufbau einer Data- & Analytics-Organisation erfordert sorgfältige Planung und Berücksichtigung verschiedener Kriterien. Hier sind einige wichtige Aspekte, die bei der Gestaltung und Umsetzung einer solchen Organisation berücksichtigt werden sollten:
–Welche relevanten Kompetenzen im Umgang mit Daten sollten intern bzw. extern aufgebaut werden?
–Wie können Synergien zwischen den unterschiedlichen Fachbereichen realisiert werden?
–Wie viel Freiheit sollen die unterschiedlichen Fachbereiche im Umgang mit Daten in den einzelnen Themenbereichen haben?
–Wie kann ich die Datenorganisation bestmöglich in die bestehende Organisation integrieren?
–Wie stelle ich eine ethnische Nutzung unter Berücksichtigung der für mich relevanten Datenschutzrichtlinien sicher?
Fazit & Ausblick
Die Etablierung einer Data- & Analytics-Organisation verankert Rollen mit klaren Aufgaben, Kompetenzen und Verantwortlichkeiten im Umgang mit Daten. Sie ermöglicht die Zusammenarbeit der unterschiedlichen Stakeholder und festigt klaren Kontroll- und Steuerungsprozess. Dadurch ist ein Unternehmen in der Lage, Daten und deren Verwendung langfristig im Griff zu haben und ihr Potenzial effizient auszuschöpfen, während Risiken gleichzeitig minimiert werden können.
Die passende Data- & Analytics-Organisation zu finden ist jedoch eine Herausforderung und von vielen Faktoren abhängig. Gemäss unserer Erfahrung ist es essenziell, Freiheiten in den Fachbereichen zu schaffen, um Innovation voranzutreiben, gleichzeitig Datenrisiken zu minimieren und relevante, regulatorische Vorgaben zu erfüllen. Unsere Data- & Analytics-Expertinnen und -Experten können Ihnen dabei helfen, Ihre Anforderungen zu definieren und daraus eine für Sie passende Data- & Analytics-Organisation aufzubauen.
