Daten nutzen, um Komplexität zu beherrschen
Unternehmen stehen mit Beginn des Zeitalters des „Internet der Dinge“, also der eigenständigen Vernetzung und Kommunikation technischer Systeme, vor nie dagewesenen Herausforderungen. Ob physische-, cyber-physische oder soziotechnische-Systeme, die Interdependenzen zwischen und innerhalb der Systeme steigen rapide. Parallel ist die externe und interne Unternehmenswelt vermehrt geprägt durch Schnelllebigkeit und kurzzyklische Wandlungsprozesse. Gleichermaßen wird die allgemeine Faktenlage unsicherer und mehrdeutiger. Es wird komplizierter, zutreffende und präzise Beurteilungen zu treffen. Kurzum: Wir leben in einer VUCA-Welt, einer Welt, die geprägt ist von Volatilität (volatility), Unsicherheit, (uncertainty), Komplexität (complexity) und Mehrdeutigkeit (ambiguity). Als Konsequenz sehen sich Führungskräfte alltäglich damit konfrontiert, dass klassische Instrumente zur Vorhersage zukünftiger Ereignisse an ihre Grenzen stoßen. Einen scheinbaren Notanker in diesen Zeiten bieten Daten, welche vermehrt durch die fortschreitende Digitalisierung zur Verfügung stehen.
Nahezu alles, was wir in unserer zunehmend digitalisierten Welt unternehmen, hinterlässt eine Datenspur. Mit den immer vielfältigeren Möglichkeiten, Daten der Interaktionen zwischen Menschen und Maschinen aufzuzeichnen, nimmt auch die verfügbare und nutzbare Datenmenge rasant zu. Abseits der Aufzeichnungen aus der digitalen Kommunikation, sowie der steigenden Anzahl vernetzter Geräte im Alltag, ist es gerade die ganzheitliche Erfassung von (Geschäfts-)Prozessdaten, die zunehmend eine Relevanz für die Sicherung der Wettbewerbsfähigkeit von Unternehmen gewinnt. Diese enorme Menge an Daten, bekannt als Big Data, lässt sich kaum mit herkömmlichen Methoden analysieren. Zur Analyse von Big Data, benötigt man vielmehr ein Kollektiv an Methoden, welche sich unter dem Begriff Data Science zusammenfassen lassen.
Ansätze der Data Science eignen sich in besonderem Maße, Komplexität in Unternehmen transparent zu machen und ungeahnte Optimierungspotenziale aufzuzeigen. Data Science beschreibt hierbei die übergeordnete Wissenschaft zur Analyse von Daten, und schließt alle Methoden und Algorithmen an der Schnittstelle zwischen Statistik und Informatik ein. Für Unternehmen eröffnen sich, durch die gezielte Anwendung von solchen datenbasierten Analysen, eine Vielzahl von Lösungen zum effektiveren Management von Komplexität. So unterstützen die tiefgehenden Methoden des Data Science dabei, klassische Ansätze des Komplexitätsmanagements zu komplementieren.
Nicht selten wird jedoch die Begeisterung für die Anwendung von Data Science dadurch getrübt, dass eine Vielzahl relevanter Daten entweder nicht in ausgiebiger Form vorliegen oder die eigenen Datenschätze nicht bekannt sind. Diese unzureichende Verfügbarkeit strukturierter Datenmengen stellt Unternehmen vor eine schwierige Aufgabe bei der Anwendung von Data Science. Oftmals basieren Entscheidungen an solchen Stellen nach wie vor auf Erfahrungswissen – trotz hoher Unsicherheiten mit Blick auf die damit verbundenen Konsequenzen. Es stellt sich die Frage, ob sich trotz der oftmals unausgeprägten Datenlage, die Methoden des Data Science anwenden lassen, um typische Fragestellungen des Komplexitätsmanagements zu beantworten. Die klare Antwort ist: Ja! Typische Anwendungsbeispiele in den Themenfeldern Markt- und Produktkomplexität sind beispielsweise das analytisch optimale Aufspannen von Marktsegmenten sowie die datenbasierte Entscheidung zur optimalen Produktarchitektur. So lassen sich bereits mit einer geringen Zahl an Datensätzen intelligente Cluster-Analysen, auf Basis von Machine Learning, zur Optimierung des Produktprogramms erfolgreich anwenden. Schwenkt man den Blick von Produkten zu Prozessen, so eröffnet sich ein weiteres Anwendungsfeld des datenbasierten Komplexitätsmanagements: Die digitale Prozessanalyse mithilfe des Process Mining.
Eine Schwierigkeit bei der analogen Prozessanalyse in Unternehmen ist die fehlende Brücke zwischen den Geschäftsprozessen und den Informationssystemen. Informationssysteme (bspw. ERP-Systeme) sind heute insofern prozessorientiert, als dass sie Prozesse wie Order-to-Cash oder Procure-to-Pay unterstützen.Indessen gibt es nur selten eine einfache Möglichkeit zu verstehen, wie ein solcher Prozess in der alltäglichen Anwendung tatsächlich ausgeführt wird. Dabei sind die Datenspuren aus den Informationssystemen besonders interessant, so bilden diese doch den Fußabdruck des Prozesses. An dieser Stelle kommen die Potenziale durch den Einsatz von Process Mining zum Vorschein. Der Vorteil des Process Mining besteht darin, Geschäftsprozesse anhand von digitalen Spuren in der Anwendung von IT-Systemen zu rekonstruieren und auszuwerten. Die rekonstruierten Prozesse bilden eine ideale Grundlage, um etwaige Engpässe zu identifizieren und Prozessvarianz aufzuzeigen – ein Grundstein auf dem Weg zu effizienten Prozessen. Mit Process Mining steht Unternehmen ein konkreter Lösungsansatz zur Verfügung, um unmittelbare Effizienzvorteile in den Abläufen aufzudecken.
Unternehmen stehen einer zunehmenden externen sowie internen Komplexität gegenüber. Eine erhöhte Datenverfügbarkeit bietet hier einen scheinbaren Ausweg. Doch Daten allein sind noch keine Informationen und liefern erst recht noch keine Entscheidungen. Erst eine intelligente Analyse ermöglicht die Extraktion von relevanten Informationen aus dem Meer an Daten. Doch wo anfangen? Ein Schlüssel zum Erfolg ist die erfolgreiche Beherrschung von Smart Complexity Management. Im Bereich Smart Complexity Management verbinden wir jahrzehntelange Erfahrung im Komplexitätsmanagement mit neusten Methoden der Data Science. Hierfür verwenden wir leistungsstarke Tools: Mit dem Complexity Manager und Complexity Studio unterstützen wir unsere Kunden mit fundierten, datenbasierten Analysen hin zum erfolgreichen Management von Produkt- und Prozesskomplexität.
Sprechen Sie uns an. Lassen Sie uns gemeinsam erörtern, wie Sie durch Smart Complexity Management Ihre Datenvielfalt nutzen können, um auf diese Weise die gegenwärtigen Herausforderungen des Komplexitätsmanagements erfolgreich zu meistern.
Jan Schneider
jan.schneider@schuh-group.com