Methode
Mit Dr. Mariana Hebborn und Prof. Dr. Heiko Beier habe ich dieses 6-Felder-Framework entwickelt. Das Vorgehen hat sich in meiner Arbeit mehrfach bewährt. Unsere Methode und die Erfahrungen damit haben wir im Buch „How to Become a Data-Driven Organization“ festgehalten.
Vielleicht kostet ein Bericht jeden Monat viel Handarbeit. Vielleicht steht eine Plattformentscheidung an oder du suchst die erste Person für dein Data Team. Wir schauen, was diese Aufgabe braucht und was sich dabei für weitere Aufgaben aufbauen lässt.
An solchen Aufgaben arbeiten wir auch an der Kultur. Wenn Fachbereiche einen Datenbegriff gemeinsam klären, üben sie bereichsübergreifende Entscheidungen. Wenn dein Team eine Lösung selbst betreibt, wachsen Fähigkeiten und Verantwortung. Die sechs Felder helfen mir, diese Veränderungen zusammen mit der Technik zu gestalten.
Wähle eine Aufgabe und schau dir an, welche Arbeit in anderen Feldern damit verbunden ist. Diese Zusammenhänge nutzen wir, um sinnvolle nächste Schritte zu planen.
ILLUSTRATIVES BEISPIEL
Die Vertriebsleitung erhält eine Auswertung für ihre Abweichungsanalyse. Die bisherige manuelle Aufbereitung soll entfallen.
People: Eine interne Person betreut den Ablauf mit und übernimmt ihn später.
Data Quality: Prüfregeln halten eine unvollständige Lieferung vor der Freigabe auf.
Data Architecture: Der benötigte Datenzugang wird dokumentiert. Weitere Berichte können ihn bei passender Abgrenzung nutzen.
Data Governance: Der Fachbereich entscheidet, welche Aufträge zählen und wie Stornos behandelt werden.
Automation: Berechnung und Prüfungen laufen geplant; ein Fehler hat einen vereinbarten Bearbeitungsweg.
Analytics & AI: Die Auswertung beantwortet die vereinbarte Geschäftsfrage. Ein ML-Modell ist dafür nicht erforderlich.
MÖGLICHER NÄCHSTER SCHRITTBeim nächsten regulären Berichtslauf prüfen, welche manuelle Nacharbeit noch nötig ist.
Die Beispiele und die Abstände in der Grafik sind illustrativ, keine gemessenen Kundenergebnisse oder Reifegrade. Eine Maßnahme muss nicht alle Felder verbessern.
Wer übernimmt die Aufgabe?
Wir beziehen die Person ein, die die Lösung später betreut. Fehlt sie noch, bestimmen wir ihren Auftrag und die Fähigkeiten, die sie dafür braucht.
Welcher Fehler würde die Entscheidung verfälschen?
Der Fachbereich legt fest, welche Daten für die Aufgabe verlässlich sein müssen. Wir setzen passende Prüfungen um und klären, wer Fehler bearbeitet.
Wie kommt die Anwendung an die richtigen Daten?
Ich prüfe mit dem Team, welche vorhandenen Zugänge wir nutzen können und wo etwas fehlt. Aktualität, Berechtigungen und Betrieb fließen in die Entscheidung ein.
Wer entscheidet, was eine Kennzahl bedeutet?
Wir klären Begriffe, erlaubte Nutzung und fachliche Verantwortung am konkreten Anwendungsfall. Auch Änderungen bekommen einen verständlichen Weg.
Welche Handarbeit können wir weglassen?
Wir machen wiederkehrende Aufbereitung und Kontrollen ausführbar. Zum Ablauf gehören auch Benachrichtigungen und ein Wiederanlauf nach Fehlern.
Was soll mit dem Ergebnis passieren?
Mit den späteren Nutzern klären wir, welche Entscheidung eine Analyse oder ein Modell unterstützen soll. Wir vergleichen den Nutzen mit dem bisherigen Vorgehen.
Nach der ersten Umsetzung begleiten wir einen regulären Arbeitsdurchlauf. Wir prüfen, ob das Ergebnis hilft, wo weiterhin Handarbeit nötig ist und ob jemand im Team den Ablauf übernehmen kann.
Eine gemeinsam vereinbarte Definition lässt sich im nächsten Datenprodukt wiederverwenden. Eine weitere Anwendung nutzt denselben Datenzugang. Metadaten machen Zusammenhänge sichtbar, und dein Team lernt, sie im Betrieb zu nutzen. Indem wir solche Schritte über die sechs Felder hinweg verbinden, bauen wir die organisatorischen und technischen Voraussetzungen für eine Data Fabric auf.
Mehr zu unserem BuchErzähl mir, was du mit deinen Daten vorhast und wo du Unterstützung suchst. Dann schauen wir gemeinsam, ob ich der Richtige dafür bin.