Von Trüffeln und Trüffelschweinen – In sieben Schritten zur datenbasierten Wertschöpfung

Datenbasierte Wertschöpfung und Künstliche Intelligenz (KI) rücken für Unternehmen vieler Branchen zunehmend in den Fokus. Dennoch fehlt einem Grossteil der Unternehmen das erforderliche Wissen, um Datenprojekte im eigenen Unternehmen erfolgreich lancieren und durchführen zu können. Welche Voraussetzungen müssen für den Erfolg eines Datenprojektes gegeben sein? Welche konkreten Herausforderungen können mit den neuen Technologien überhaupt angegangen werden?

Wie das Aufspüren von Trüffeln im Wald, gestaltet sich diese Suche nach datenbasierter Wertschöpfung ohne die nötigen Vorkenntnisse und geeigneten Fähigkeiten als besonders schwieriges Unterfangen. Die folgenden sieben Schritte zeigen auf, wie die Suche nach «Trüffeln» im Bereich der datenbasierten Wertschöpfung erfolgreich gestartet werden kann.

1. Unterstellen Sie das Datenprojekt direkt der Geschäftsleitung

Daten fallen in vielen unterschiedlichen Bereichen eines Unternehmens und damit auch in verschiedenen Silos eines Unternehmens an. Oftmals findet zwischen den Silos eines Unternehmens nur ein begrenzter Datenaustausch statt. Um das bedeutende Potential von Datenprojekten möglichst gut ausnutzen zu können, sind jedoch oft Daten aus mehreren Teilbereichen eines Unternehmens relevant. Da die Geschäftsleitung als übergeordnete Organisationsebene als verbindende Kraft zwischen Unternehmenssilos wirkt und damit auch Zugang zu Informationen aus verschiedenen Bereichen des Unternehmens besitzt, soll ein Datenprojekt möglichst direkt der Geschäftsleitung unterstellt werden.

2. Finden Sie das «Trüffelschwein»

Das Aufspüren von «Trüffeln», in diesem Falle das Identifizieren von Potentialen für datenbasierte Wertschöpfung innerhalb der Organisation, stellt Unternehmen in der Realität oft vor Herausforderungen. Die Verantwortung für die Identifikation dieser Potentiale soll nach Möglichkeit einer Person übertragen werden, die sowohl fundierte Fachkenntnisse im Bereich Data Science als auch ein Flair für betriebswissenschaftliche Zusammenhänge besitzt. Da datenbasierte Wertschöpfung einerseits stark datentechnisch getrieben wird, andererseits aber auch wichtige betriebswirtschaftliche Faktoren miteinbezieht, führt der vielversprechendste Weg zur Identifikation solcher Potentiale nicht an einem integrativen Verständnis dieser beiden Felder vorbei.

Executive School Studiengang:
Open Programmes

KI (Künstliche Intelligenz)- Projekte erfolgreich managen

Vom Datenrohstoff zur wertschöpfenden automatisierten Musterkennung

3. Planen Sie eine Route durch den Betrieb

In einem nächsten Schritt geht es darum, die konkreten Potenziale für Datenprojekte in einem Unternehmen zu identifizieren. Um dies zu erreichen, sollen in verschiedenen Unternehmenseinheiten Brainstorming-Sessions durchgeführt werden. Um dabei potentielle Anwendungsfälle möglichst gut erkennen zu können, ist der Austausch mit Mitarbeitenden, die spezifische funktionale Aufgaben wahrnehmen und entsprechendes Expertenwissen besitzen, unabdingbar. Denn wer sich nahe an spezifischen Funktionalen Aufgaben befindet, kann am besten abschätzen, so sich mögliche Anwendungsfälle von datenbasierter Wertschöpfung in ihrem Aufgabengebiet finden lassen.

4. Führen Sie Brainstorming-Sessions durch

Sind die entsprechenden Experten mit funktionalen Aufgaben im Unternehmen identifiziert, sollen die Brainstorming-Sessions in den Abteilungen durchgeführt werden. Es gilt herauszuschälen, wo im Unternehmen KI eine konkrete Anwendung finden könnte und in welchem Rahmen datenbasierte Wertschöpfung generiert werden kann. Findet diese vorzugsweise im Rahmen von Text-, Bild- oder Audioverarbeitung stattfinden? Oder eher in der Überwachung von Prozessen oder in der Generierung von Prognosen?

5. Konkretisieren Sie die spezifischen Daten- und technischen Voraussetzungen

Sind konkrete Potenziale für datenbasierte Wertschöpfung im Unternehmen erst mal identifiziert, müssen weitere spezifische Daten- und technische Voraussetzungen für das Datenprojekt identifiziert werden: Genügt die Qualität der vorhandenen Daten? Was sind die relevanten Messgrössen? Ist allenfalls eine neue Dateninfrastruktur nötig? Bei diesem Schritt ist eine enge Zusammenarbeit mit den funktionalen Experten aus den jeweiligen Unternehmenseinheiten wiederum unabdingbar. Da sie täglich mit den betreffenden Daten arbeiten, können sie dem Projekt durch ihr Fachwissen rasch einen spezifischen Fokus geben und damit den Projektverlauf deutlich beschleunigen.

6. Identifizieren Sie «Quick-Wins»

In einem nächsten Schritt sollen die möglichen Anwendungsfälle aus den Brainstorming-Sessions konsolidiert und priorisiert werden. Hier wird entschieden, in welche Projekte zuerst Ressourcen zur weiteren Planung und anschliessender Umsetzung investiert werden sollen. Typischerweise werden diejenigen Datenprojekte zuerst angegangen, die einen hohen Mehrwert bei gleichzeitig einfacher Umsetzung bieten und damit als sogenannte «Quick-Wins» gelten.

7. Beginnen Sie mit der Umsetzung des Projekts

Hier stellt sich für Sie die Frage, ob Sie das Projekt unternehmensintern oder mithilfe eines externen Partners durchführen möchten. Oft werden in Unternehmen für erste Datenprojekte externe Partner hinzugezogen. Sollten sich die Datenprojekte als erfolgreich erweisen, werden spätere Datenprojekte später vom Unternehmen selber lanciert und umgesetzt.

Diese sieben Schritte sollen einen ersten Anhaltspunkt für das Aufspüren von potentiellen «Trüffeln» im Bereich der datenbasierten Wertschöpfung in Unternehmen bieten. Für die Förderung einer datenorientierten Unternehmenskultur sowie einen vertieften Einblick ins Thema Datenprojekte bietet die Executive School der Universität St. Gallen den Kurs «KI-Projekte erfolgreich managen» im Spätsommer 2020 an. Weitere Informationen diesbezüglich finden Sie auf der Homepage der Executive School.

Der Inhalt dieses Beitrags basiert auf dem Webinar «KI: In sieben Schritten erfolgreich Datenprojekte umsetzen», gehalten von Prof. Johannes Binswanger, Professor für Betriebswirtschaft und Wirtschaftspolitik an der Universität St. Gallen & Marc Schöni, Cloud Solution Architect bei Microsoft Schweiz. Das Webinar ist unter dem folgenden Link verfügbar.

Illustriert von Julio Prina

Über die Autorin / den Autor
David Schaller studiert im Masterstudiengang Unternehmensführung (MUG) an der Universität St.Gallen. Zudem arbeitet er als studentischer Mitarbeiter an der Executive School of Management Technology and Law der Universität St.Gallen.