Warum Advanced-Analytics-Projekte (nicht) erfolgreich sind – Status quo in der DACH-Region

Ein Beitrag zur Studie von der WU Wien, dem Controller Institut und EY.

Überblick

• Warum investieren Unternehmen überhaupt in Advanced Analytics?
• Von Businessanforderungen zu Talentorganisation
  
• Die Datenarchitektur der Zukunft

Als Reaktion auf den Digitalisierungsschub durch Corona hat sich das Thema Advanced Analytics und vor allem das dahinter liegende Potenzial für Unternehmen stark herumgesprochen, und dies zu Recht! Denn durch automatische oder halbautomatische Datenanalyse und ­bearbeitung, die über die traditionelle Business Intelligence hinausgehen, können entscheidende Erkenntnisse aus vorhandenen oder generierten Daten gewonnen, Vorhersagen getroffen und Empfehlungen erstellt werden. Die Möglichkeiten von Advanced Analytics scheinen immer mehr Aufmerksamkeit zu erwecken, und auch österreichische Unternehmen zeigen starkes Interesse, ihr Digitalisierungspotenzial mit Advanced Analytics auszuschöpfen und sie zum Erhalt oder Ausbau ihrer Marktpositionierung zu nutzen.

Von Businessanforderungen zu Talentorganisation – wie meistert man die größten Herausforderungen?

Stellt man das Bewusstsein für den Bedarf an Advanced-Analytics-Projekten der tatsächlichen Umsetzung solcher Projekte gegenüber, wird deutlich, dass die Hemmschwelle noch groß ist. Doch wie kommt es zu dieser deutlichen Diskrepanz? Die Advanced-Analytics-Studie belegt: Der Wille der Unternehmen, Advanced-Analytics-Projekte umzusetzen, wird von Herausforderungen und Sorgen gedämpft. Viele Hindernisse treten schon lange vor der tatsächlichen Entwicklung von Advanced-Analytics-Lösungen auf – als größtes Hindernis zur Umsetzung gaben die Befragten mit 35 Prozent den Mangel an adäquaten Ressourcen an. Besonders personelle Problematiken wie zum Beispiel der Fachkräftemangel im Datenanalysebereich wurden von fast der Hälfte der Unternehmensvertreter:innen (49 Prozent) genannt, was die erschwerte Situation am Arbeitsmarkt widerspiegelt. Über ein Drittel der Befragten hat aufgrund des Fachkräftemangels Probleme, Data-Analytics-Expert:innen zu finden und im Unternehmen zu halten.

Doch nicht nur das Rekrutieren von Talenten und das Halten vorhandener Expert:innen erweisen sich bei der Entwicklung von Advanced-Analytics-Lösungen als besondere Herausforderung; aus der Befragung ging hervor, dass auch weitere Business-Anforderungen in den Unternehmen oftmals nicht gegeben sind. Mit 31 Prozent nannten die Befragten primär den Mangel an ordentlich konstruierten Business Cases für Advanced Analytics als große Herausforderung, die direkt an das nächste Hindernis anknüpft: 29 Prozent der Befragten gaben an, dass das Wissen und das Verständnis für die Möglichkeiten und Limitierungen von Advanced Analytics fehlen – und somit das Know-how, um einen guten Business Case und die Einsatzmöglichkeiten von Advanced Analytics zur Optimierung der Geschäftsprozesse zu konstruieren.

23 Prozent der Befragten gaben an, dass die firmeninternen Prozesse nicht dafür geeignet sind, um Profit aus Advanced Analytics ziehen zu können, und 21 Prozent erwähnten auch den Widerstand der Nutzer:innen gegenüber neuen Systemen. Ob Wissens-, Organisations- oder Zusammenarbeitsthemen, es wird deutlich: Der Bedarf an Verbesserung und Klarheit ist groß.

Um diese Kombination an Hindernissen abfangen und den Erfolg von Advanced-Analytics-Projekten gewährleisten zu können, empfiehlt es sich, eine allgemeine Daten- und Analytics-Strategie zu definieren. Mithilfe eines Rahmenwerks wie des EY Data Driven Enterprise Framework ist es möglich, besondere Herausforderungen von Advanced-Analytics-Projekten zielgerichtet zu meistern. Das EY Data Driven Enterprise Framework beinhaltet eine umfassende Vision, die darlegt, wie Daten, Informationen, Technologien und Ressourcen zur Erreichung der Geschäftsziele eingesetzt werden. Es bietet die Basis für eine nachhaltige Datenstrategie, die auch hilft, die aktuellen Datenfähigkeiten zu erfassen und Potenziale für die Zukunft auszuschöpfen.

Zu dieser Strategie gehört auch die Etablierung eines angepassten Operating and Governance Model. Eine transparent definierte Data Governance ist für die volle Übersicht und Kontrolle über Daten, Prozesse und Rollen unerlässlich. Nicht zuletzt fängt solch ein Betriebsmodell auch Problematiken der Projektressourcen auf: Die Verteilung und vor allem Verfügbarkeit von personellen Ressourcen kann nicht nur besser dargestellt, sondern auch definiert werden und bewahrt bestehende Talente vor unnötig limitierenden Faktoren, die ohne sorgfältige Governance auftreten können.

Klarheit über zentrale und lokale Verantwortung kann aufgezeigt werden, Rollenbilder werden mit Verantwortlichkeiten und Aufgaben verteilt und abgegrenzt und ermöglichen damit eine erhöhte Reaktionsfähigkeit und verbesserte Zusammenarbeit.

Besonders während der Anfangsphase der Advanced-Analytics-Projekte muss eine Analytics Community geschaffen und aktiv gestaltet werden, um den Grundstein für spätere Phasen zu legen und für weitere mögliche Elemente wie zum Beispiel ein Center of Excellence (CoE) strategisch vorzubereiten. Der Nutzen dieser Community erstreckt sich weit über Zusammenarbeitsthemen; es wird nicht nur eine gleiche Sicht auf Analytics-Projekte, Ziele, Rollen und Funktionen ermöglicht, sondern es werden auch Talente gezielter eingesetzt, wodurch mögliche Use Cases beispielsweise durch crossfunktionale Zusammenarbeit generiert werden können.

Durch geteiltes Know-how und die Demokratisierung dieses Wissens kann der Zugang zu Technologien und Informationen vereinfacht und internes Recruitment ermöglicht werden – Synergiepotenziale erhöhen sich und etwaiger Mehraufwand oder Dopplung von Lizenzierungen und Zugängen können verhindert werden.

Datenschutz als Showstopper?

Ein weiteres Problemgebiet der Befragten ist der Datenschutz. 22 Prozent gaben an, erhebliche Bedenken bezüglich des Datenschutzes und der Datenschutzvorkehrungen bei der Entwicklung von Advanced-Analytics-Lösungen zu haben.

Kombiniert man die teils komplexe Regularienlandschaft mit der Unerfahrenheit und Unsicherheit vieler Unternehmen im Bereich Datenschutz, entstehen reale Herausforderungen. Diese betreffen Advanced-Analytics-Projekte besonders stark, da darin mit großen Datensets operiert wird und viele Standards eingehalten werden müssen. In der Praxis sind die Verfügbarkeit und die Nutzbarkeit der benötigten Daten in ihrer Reinform aufgrund regulatorischer Bestimmungen wie z. B. der Datenschutz-Grundverordnung (DSGVO) oft stark reglementiert.

Die aus den regulatorischen Rahmenbedingungen resultierenden Beschränkungen im Zusammenhang mit der Datennutzung sind nachvollziehbar, können aber das Trainieren der Modelle in KI-Systemen erschweren oder gar verhindern. Dabei können hierbei einerseits Techniken zur datenschutzkonformen Nutzung großer Datensets und andererseits Rahmenwerke wie z. B. das EY Trust in AI Framework Abhilfe schaffen.

Es ist sinnvoll, den Einsatz folgender Techniken (sogenannter Data Privacy Preserving ML Techniques) für sich zu prüfen:

Die Techniken besitzen jeweils unterschiedliche Reifegrade und müssen je nach Anwendungsfall bewertet werden.

Dazu gehört die Anonymisierung, die personenbezogene oder identifizierende Daten verdeckt, ersetzt oder zusammenfasst, sodass natürliche Personen gar nicht oder nur unter unverhältnismäßig großem Aufwand zugeordnet werden können.

Auch die Synthetisierung (künstliche Herstellung hochrepräsentativer Daten, abgeleitet aus Echtdaten) ist eine Option – hierbei wird eine Logik entwickelt, die die Originaldaten so gut wie möglich nachbildet. Es werden neue, „synthetische“ repräsentative Daten generiert, mit ähnlichen statistischen Eigenschaften wie Originaldaten. Das Federated Machine Learning ermöglicht es mehreren Organisationen oder Organisationseinheiten, bei der Entwicklung von Modellen zusammenzuarbeiten, ohne sensible Daten untereinander austauschen zu müssen. Ohne Federated ML werden Modelle zentral erstellt, wobei eine Nutzung von Daten aus unterschiedlichen Entitäten (z. B. Abteilungen) zentral erfolgen muss. Dies wird oft im Hinblick auf den Datenschutz und anderen Rechtsgrundlagen als bedenklich bewertet (z. B. statistisches Abschottungsgebot). Durch Federated ML nutzen bzw. trainieren dezentrale Entitäten ein zentral erstelltes Modell lokal mit ihren Daten. So müssen keine potenziell sensiblen Daten an eine zentrale Entität geschickt werden. Die zentrale Entität konsolidiert die Ergebnisse der einzelnen dezentralen Modelle in ein optimiertes Modell.

Das Encrypted Machine Learning, zu Deutsch „verschlüsseltes maschinelles Lernen“, ermöglicht es, KI-Systeme zu trainieren und zu betreiben, ohne die benutzten Daten im Klartext vorliegen zu haben. Hier werden die erforderlichen Daten (z. B. nur personenbezogene Daten) vom/von der Besitzer:in in verschlüsselter Form an das KI-System übergeben. Auf Grundlage dieser verschlüsselten Daten kann anschließend das entsprechende Modell entwickelt und trainiert werden. Die Resultate des Modells können anschließend vom/von der Besitzer:in passend zu seinem/ihrem Anwendungsfall entschlüsselt werden. Folglich muss der/die Verarbeiter:in der Daten deren Inhalt nicht kennen, um sie zu verarbeiten. Lediglich der/die Besitzer:in der Daten hat Zugriff auf die unverschlüsselten Daten bzw. ist in der Lage, die Daten und Resultate zu entschlüsseln.

Um Vertrauen in Advanced Analytics zu schaffen, wird empfohlen, Methoden für Risikomanagement und organisatorische Richtlinien einzuführen, unser EY Trusted AI Framework bietet hier mit rund 120 Kontrollen zur Minimierung der Risiken entlang des gesamten Entwicklungsprozesses von KI-Lösungen – von der Lösungsspezifikation über Datenbeschaffung und Training des Algorithmus bis hin zum konkreten Produktivbetrieb – eine effiziente Orientierungshilfe. Die Kontrollschritte sind abgestimmt mit den internationalen Standards und Frameworks wie zum Beispiel den EU Ethics Guidelines for Trustworthy AI. Ziel des EY Trusted AI Framework ist es, Risiken in jeder Phase zu berücksichtigen und Ethikleitlinien mit Kernprinzipien zuverlässig zu befolgen.

Die Datenarchitektur der Zukunft

Auch die Datenarchitektur spielt für den Erfolg von Advanced Analytics eine zentrale Rolle. Während eine sauber aufgebaute technische Infrastruktur für IT-Projekte unerlässlich ist, sehen 20 Prozent der Befragten die eigene technische Infrastruktur als kritische Herausforderung an und indizieren darüber hinaus, dass auch die eigenen Geschäftsprozesse nicht flexibel genug sind.

Der Digitalisierungswandel hat gezeigt, dass eine geordnete, fundierte Datenarchitektur für die Zukunft unabdingbar ist – die Masse der Daten steigt, der potenzielle Mehrwert dieser Daten wird immer deutlicher, aber nicht alle Unternehmen haben ein solides Grundgerüst für ihre Daten etabliert.

Advanced Analytics – holpriger Start, vielversprechender Ausblick

Deutlich wird, dass die Jahre des „Ausprobierens“ von Advanced Analytics und künstlicher Intelligenz vorbei sind und die Unternehmen festgestellt haben, dass die Qualität der Daten oft noch nicht ausreicht, um einen Mehrwert aus ihnen ziehen zu können. Die Praxis demonstriert, dass mehr Strategie in die Verwendung von Daten im Unternehmen einfließen und ein organisatorischer, prozessualer und technologischer Rahmen geschaffen werden muss. Für Unternehmen bedeutet das konkret: Ärmel hochkrempeln und sich dringend in die Thematik vertiefen; drei von zehn Unternehmen haben noch keinen Business Case für Advanced Analytics entwickelt und ein ebenso großer Teil gibt an, die Möglichkeiten und auch Grenzen dieser Technologien noch nicht zu verstehen. Hier gilt es, rasch tätig zu werden, um den Anschluss nicht zu verlieren.

Von Businessanforderungen zu Talentorganisation – wie meistert man die größten Herausforderungen?

Stellt man das Bewusstsein für den Bedarf an Advanced-Analytics-Projekten der tatsächlichen Umsetzung solcher Projekte gegenüber, wird deutlich, dass die Hemmschwelle noch groß ist. Doch wie kommt es zu dieser deutlichen Diskrepanz? Die Advanced-Analytics-Studie belegt: Der Wille der Unternehmen, Advanced-Analytics-Projekte umzusetzen, wird von Herausforderungen und Sorgen gedämpft. Viele Hindernisse treten schon lange vor der tatsächlichen Entwicklung von Advanced-Analytics-Lösungen auf – als größtes Hindernis zur Umsetzung gaben die Befragten mit 35 Prozent den Mangel an adäquaten Ressourcen an. Besonders personelle Problematiken wie zum Beispiel der Fachkräftemangel im Datenanalysebereich wurden von fast der Hälfte der Unternehmensvertreter:innen (49 Prozent) genannt, was die erschwerte Situation am Arbeitsmarkt widerspiegelt. Über ein Drittel der Befragten hat aufgrund des Fachkräftemangels Probleme, Data-Analytics-Expert:innen zu finden und im Unternehmen zu halten.

Doch nicht nur das Rekrutieren von Talenten und das Halten vorhandener Expert:innen erweisen sich bei der Entwicklung von Advanced-Analytics-Lösungen als besondere Herausforderung; aus der Befragung ging hervor, dass auch weitere Business-Anforderungen in den Unternehmen oftmals nicht gegeben sind. Mit 31 Prozent nannten die Befragten primär den Mangel an ordentlich konstruierten Business Cases für Advanced Analytics als große Herausforderung, die direkt an das nächste Hindernis anknüpft: 29 Prozent der Befragten gaben an, dass das Wissen und das Verständnis für die Möglichkeiten und Limitierungen von Advanced Analytics fehlen – und somit das Know-how, um einen guten Business Case und die Einsatzmöglichkeiten von Advanced Analytics zur Optimierung der Geschäftsprozesse zu konstruieren.

23 Prozent der Befragten gaben an, dass die firmeninternen Prozesse nicht dafür geeignet sind, um Profit aus Advanced Analytics ziehen zu können, und 21 Prozent erwähnten auch den Widerstand der Nutzer:innen gegenüber neuen Systemen. Ob Wissens-, Organisations- oder Zusammenarbeitsthemen, es wird deutlich: Der Bedarf an Verbesserung und Klarheit ist groß.