Freitag , Juli 3 2020

Bewältigung der drei größten Herausforderungen bei der Einführung von Analysen

Analytics ist der Schlüssel zu intelligenten Geschäftsentscheidungen, aber nicht jedes Analytics-Adoptionsprojekt ist erfolgreich. Und je bedeutender das Projekt ist, desto größer sind die Hindernisse.

Laut einer Umfrage unter leitenden Technologiemanagern von Appen, einem Datenanbieter, die am 23. Juni veröffentlicht wurde, betrachteten fast 75% der befragten Führungskräfte KI als entscheidend für ihren Erfolg – Aber fast die Hälfte gab an, dass ihr Unternehmen auf ihrer KI-Reise im Rückstand ist.

In ähnlicher Weise schätzt ein IDC-Bericht, dass fast ein Drittel – 28% – aller KI- und maschinellen Lerninitiativen scheitern. Laut IDC liegt ein Hauptgrund für das Scheitern dieser Projekte in unzureichenden Daten. Eine weitere große Herausforderung ist das fehlende Stakeholder-Buy-In, so Experten.

Daten, Daten überall und kein Tropfen zur Analyse

Steve Strohl, Senior Managing Consultant für digitale Innovationsdienste bei Insight, arbeitete mit einem großen US-Unternehmen zusammen Produktionsfirma bei einem Analyse-Adoptionsprojekt, als er auf ein massives Datenproblem stieß.

"Diese Firma muss 50 bis 60 verschiedene Quellsysteme gehabt haben, und jedes wurde wie ein anderes Land geführt", sagte er.

Einige Systeme hatten eine ausgezeichnete Datenqualität, während die Datenqualität in anderen nicht vorhanden war.

"Es kann sehr schwierig sein, all diese Dinge zusammenzubringen", sagte Strohl. "Wir hatten 150 verschiedene Schreibweisen für denselben Kunden – und sie wurden in den Systemen als unterschiedliche Kunden behandelt. Wir hatten keine Möglichkeit, diesen Kunden mit einem anderen System in der Organisation zu verbinden."

Das Unternehmen verschwendete über ein Jahr und zwischen einer viertel bis einer halben Million Dollar und musste schließlich zurücktreten und zuerst ein Datenqualitätsprojekt durchführen. Das Unternehmen hat laut Strohl eine Reihe einheitlicher Geschäftsregeln erstellt, um ein solides Framework für seine Daten zu erstellen und diese dann zu bereinigen.

"Die Analyse wird nur so gut sein wie die Quelldaten Sie arbeiten von ", sagte er.

Venkatesan Sukumaran, Leiter Business Analytics bei Tata Consultancy Services, stellte ein ähnliches Problem bei einer großen australischen Bank fest.

" Das Niveau der unstrukturierten Daten im Unternehmen war gewachsen Die Anzahl der Datenquellen für unstrukturierte Daten explodierte ", sagte er.

Einige der Daten stammten auch von externen Partnern. Die Bewältigung dieser zunehmenden Komplexität und der damit verbundenen Kosten erforderte eine Änderung der Denkweise, sagte Sukumaran. Als die Bank nach anderen Möglichkeiten suchte, um das Problem anzugehen, beschlossen sie, die Daten und Analysen in die Cloud zu verlagern, was sich auf die Speicherkosten, die Geschwindigkeit und die Kosten der Verarbeitung sowie die Markteinführungszeit auswirkte.

"Alle Drei Dimensionen erzielten greifbare Ergebnisse ", sagte er.

Eine andere Bank mit Sitz in Europa verwendete Analysen, um zu bestimmen, welche Finanzprodukte oder -dienstleistungen welchen Kunden angeboten werden sollten.

" Sie hatten viele, viele Produkte, von denen jedes saß auf getrennten Systemen, nicht unbedingt miteinander zu reden ", sagte Sukumaran. "Sie optimieren also nicht auf Kundenebene."

Beispielsweise kann einem Kunden ein Produkt angeboten werden, aber der Kunde hat die Risikoanforderungen der Bank nicht erfüllt oder es wurde für diesen Kunden zu einem unangemessenen Preis angeboten. Die Bank war in der Lage, die unmittelbare Datenherausforderung mit einem maschinellen Lernprojekt zu lösen, das eine einheitliche Sicht auf den Kunden schuf.

Um jedoch das größere Problem – das Fehlen einer kohärenten unternehmensweiten Datenstrategie – anzugehen, die Bank schuf eine neue Position für einen Chief Data Officer.

"Dies trug zur Zentralisierung der Governance und zur Standardisierung der Prozesse bei", sagte Sukumaran. Und es hat der Bank geholfen, eine stärkere und flexiblere IT-Umgebung zu schaffen, die sie auf den Umgang mit schnell wachsenden Datensätzen vorbereitet.

Sind wir alle auf dem gleichen Weg?

Die Einführung von Führungskräften trägt wesentlich dazu bei, das Geschäft zu verbessern Einheiten in die gleiche Richtung, aber es geht nur um einen Teil der Herausforderung, alle Stakeholder auf eine Seite zu bringen. Eine der kritischsten Gruppen von Stakeholdern sind die Endbenutzer.

Bei Sungard Availability Services, einem Disaster Recovery-Unternehmen, hat ein Team jeden Monat drei Wochen damit verbracht, Berichte für die Unternehmensführung zu erstellen. Das Unternehmen wollte das Team auf eine Analyseplattform verlegen, insbesondere auf Qlik Sense BI.

"Als wir das Tool zum ersten Mal vorstellten, waren sie sehr skeptisch und zögerlich", sagte Shreeni Srinivasan, Direktor für Unternehmensanalyse und Anwendungsbereitstellung bei Sungard Availability Dienstleistungen. "Sie bestanden darauf, einen Server und eine Datenbank zu beschaffen und ein kleines Entwicklungsteam einzustellen, um die Datenextrakte für den Bericht zu automatisieren."

Es dauerte mehrere Wochen, um die Funktionen und Fähigkeiten des Analysetools zu erläutern. Die Zeit, die für die Schulung der Benutzer benötigt wurde, zahlte sich aus.

"Nachdem sich das Team für das Tool entschieden hatte, konnten wir den Prozess der Erstellung des Berichts mit 160 Folien implementieren und automatisieren", sagte Srinivasan. Was früher manuell drei Wochen dauerte, dauerte jetzt nur noch wenige Stunden.

"Nachdem dieses Team den Wert des Tools erkannt hat, ist es jetzt der schwerste Benutzer des Tools und empfiehlt es anderen Teams in unserer Organisation", sagte er.

Eine ähnliche Schulungsmaßnahme stellte das HR-Team des Unternehmens auf Analytik um. Zuvor verbrachte das Team mehrere Stunden im Monat damit, Tabellen mit Mitarbeiterdaten zu erstellen und diese per sicherer E-Mail an Manager zu verteilen.

Es war anstrengend, die Teams davon zu überzeugen, Self-Service-Analyse-Dashboards auszuprobieren und zu beweisen, dass sie sicher und gut sind. regiert. Jetzt können Manager das Self-Service-Business-Intelligence-Tool verwenden, um sofort aktuelle Informationen zu erhalten, wann immer sie benötigt werden.

Die Schulung der Endbenutzer ist die größte Herausforderung bei der Einführung von Analysen, sagte Daniel Elman, Analyst bei Nucleus Research.

"Die meisten Geschäftsanwender sind nicht in fortgeschrittenen Statistiken und Mathematik geschult", sagte er. "Dieser erste Schritt muss darin bestehen, das Vertrauen der Benutzer in die Daten und die Ergebnisse zu stärken."

Unternehmen sollten auch in die Schaffung einer Datenkultur investieren, sagte Elman, bei der Entscheidungen auf Daten basieren und Abteilungsleiter datenbasierte Schlüssel erstellen Leistungsindikatoren.

Fehlen klarer Ziele

Selbst mit den richtigen Daten und allen Beteiligten an Bord können Analyseprojekte ohne klare, erreichbare Ziele schief gehen.

Kathleen Featheringham, Direktorin für KI-Strategie und Das Training bei Booz Allen Hamilton sagte, ein Problem könnte sein, dass die Leute die Technologie nicht verstehen, insbesondere wenn fortgeschrittene Analytik, maschinelles Lernen und künstliche Intelligenz ins Spiel kommen.

"Sie verstehen den aktuellen Stand und die Fähigkeiten nicht. "Sie sagte.

Featheringham sagte, es gibt eine Tendenz für Menschen, unrealistische Erwartungen an die Genauigkeit neuer Technologien zu haben.

" Wir denken, dass Maschinen 99% bis 100% genau sein sollten ", sagte sie. "Nehmen Sie fahrerlose Autos. Wir möchten, dass sie perfekt sind, aber kennen Sie Menschen, die beim Fahren zu 99% genau sind?"

Gleiches gilt für Business Analytics. Wenn Benutzer erwarten, dass die Analysen 100% genau und nur 70% genau sind, sehen sie das Projekt möglicherweise als Fehlschlag.

"Aber wenn das, was Sie heute haben, nur 20% genau ist, dann ist das ein großer Erfolg Verbesserung ", sagte Featheringham.

Ebenso, sagte sie, werden viele Plattformen besser, je mehr sie verwendet werden. Wenn Benutzer erwarten, dass die Plattform sofort funktioniert, sind sie möglicherweise enttäuscht.

"Modelle müssen geschult werden", sagte sie. "Ich habe nicht die Erwartung, dass es beim ersten Mal funktioniert. Im Moment sind es vielleicht 50%, aber irgendwann werden es bis zu 80% sein."

Srinivasan schlägt vor, dass für Analytics Adoptionsprojekte neue Tools erforderlich sind und Prozesse hilft es, wenn das ausgewählte Projekt den Benutzern klare und signifikante Vorteile bietet. Vage Erwartungen oder die Idee, dass Analytics langjährige Geschäftsprobleme auf magische Weise lösen wird, sind häufige Gründe für das Scheitern von Analytics-Adoptionsprojekten.

"Überraschenderweise", sagte er, "beginnen viele Analytics-Projekte ohne klares Ziel."

About BusinessIntelligence

Check Also

Das Geheimnis für den Erfolg der Starbucks-Lieferkette l Sisense

Blog Die richtige Verwendung von Daten verändert alles. Disrupting Markets ist Ihr Fenster, wie Unternehmen …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.