#15 Anstoß zur organisatorischen Transformation
Subscribe to get the latest
on Thu Aug 20 2020 17:00:00 GMT-0700 (Pacific Daylight Time)
with Darren W Pulsipher, Sarah Kalicin,
Die Schaffung erfolgreicher datengetriebener Ergebnisse beginnt mit einer starken organisatorischen Grundlage. Darren und sein Gast Sarah Kalicin, Lead Data Scientist Data Center Group Intel, diskutieren die Schlüsselaspekte dieser grundlegenden Veränderung.
Keywords
#data #management #people #datacentricorganization #organizationalchange
Aufbau einer datenbasierten Organisation
Erfolg, der auf Daten basiert, beginnt mit einer organisatorischen Grundlage. Das bedeutet, dass das Management eine wichtige Rolle bei der Erzielung eines wertvollen Ergebnisses spielt. Anstatt nur den Bedarf an Daten anzuerkennen, nach Einsichten zu fragen und Ergebnisse zu erwarten, muss das Management einen Weg zum Erfolg aufzeigen und dabei mit einer grundlegenden Frage beginnen: Welchen geschäftlichen Nutzen möchten wir aus den Daten erzielen?
Sobald das Management die geschäftlichen Fragestellungen festgelegt hat, müssen Ressourcen vorhanden sein, um den Prozess zu unterstützen: die richtigen Personen einsetzen, Schulung, Datensammlung, Vorbereitung, Erkenntnisgewinnung und Umsetzung. Dies erfordert ausreichende Ressourcen und Zeit; die Organisation muss dies auf einer grundlegenden und kulturellen Ebene unterstützen, mit einem umfassenden Plan.
Gewinnung von Wert aus KI
In einem Artikel des MIT Sloan Management Review vom Oktober 2019 mit dem Titel “Erfolg mit KI” zeigten die Autoren, dass Organisationen mit einer “Pionier”-Persönlichkeit das meiste aus ihren KI-Initiativen herausholten. Der Grund dafür war, dass sie stark auf ihre Geschäftsstrategie fokussiert waren und sicherstellten, dass die Daten, die sie verwendeten, ihr gesamtes Geschäftsmodell beeinflussten. Auf einer grundlegenden Ebene nutzten sie die Daten, um herauszufinden, wie sie ihren Umsatz maximieren und gleichzeitig die Betriebskosten minimieren konnten. Sie generierten Wert aus KI-Umsätzen anstelle von Kosteneinsparungen allein.
Die Autoren stellten auch fest, dass diese Organisationen erfolgreicher sind, wenn Führungskräfte der obersten Ebene die KI-Initiativen vorantreiben, anstatt dies der IT zu überlassen. Die Führungskräfte der obersten Ebene sind näher am Geschäftsmodell und dem Kontext, wie die Daten verwendet werden. Diese Struktur hilft dabei, das Problem zu vermeiden, dass die Analytics zu einer rein akademischen Übung werden.
Identifizierung von Fragen zur Schaffung von Geschäftswert
Welche Fragen sollten Organisationen stellen, um den Geschäftswert zu schaffen? Ein guter Ausgangspunkt ist es, diejenigen in der Geschäftseinheit zu fragen, worüber sie sich Sorgen machen und wo es an Einblick mangelt. Nachdem man diese Probleme im Brainstorming durchdiskutiert hat, sollten die großen Auswirkungen und geringen Komplexitätsprobleme identifiziert werden. Anschließend sollte herausgefunden werden, über welche Daten man bereits verfügt oder welche man beschaffen kann, um diese Fragen zu beantworten. Die Beschaffung der benötigten Daten ist nicht einfach und erfordert Disziplin. An diesem Punkt kommt das Managementunterstützung und das Engagement innerhalb des Prozesses ins Spiel.
Sich zu einer starken organisatorischen Grundlage verpflichten.
Eine starke organisatorische Grundlage ist kein Zustimmung, sondern ein Engagement der gesamten Organisation für einen problemlösenden Prozess. Sobald Sie die Probleme oder den geschäftlichen Wert definiert haben, gliedern Sie es in handhabbare Schritte auf, wie das Auffinden der Daten, das Vorhandensein der richtigen Personen und die Unterstützung des Managements. Ein problemlösender Ansatz, bei dem sich alle auf die Aufschlüsselung und den Prozess einigen, anstatt nur eine Antwort zu finden, ist unerlässlich. Darüber hinaus muss es ein Engagement für die erforderlichen Ressourcen und Zeit geben.
Feedback und Überprüfung während des gesamten Prozesses sind wichtig. Das Team und das Management müssen verstehen, dass dies kein linearer Prozess ist, sondern eine fortlaufende Verbesserungspraxis. Es könnte sich zum Beispiel herausstellen, dass die bequemsten Daten möglicherweise nicht die richtigen Daten sind. Möglicherweise müssen Sie eine andere Quelle finden oder vorhandene Daten so aufbereiten, dass sie verwendbar sind.
Ein weiterer Teil der organisatorischen Grundlage besteht darin, über die richtige Software- und Hardware-Infrastruktur zu verfügen. Big Data erfordert eine ausgeklügelte Pipeline. Die Geschäftsleitung muss verstehen, dass sie Geld in Technologien investiert, um die Daten auf sinnvolle Weise zu verarbeiten. Sie muss auch in Menschen investieren und Schulungen mit echter Analyse-Software bereitstellen, damit diese mehr mit ihren Daten anfangen können.
Dies alles trägt zur Kultur einer Organisation bei, die digitale Erkenntnisse annimmt und deren Wert erkennt.
Festlegung von Aufgaben und Verantwortlichkeiten
Obwohl einige IT-Rollen schon seit einiger Zeit existieren, ist es nützlich, die Rollen und Verantwortlichkeiten für wichtige Führungskräfte in der Analysephase zu definieren.
Der Chief Analytics Officer (CAO) ermöglicht es, Analytics und KI einzusetzen, um Mehrwert für die Organisation zu schaffen. Dies sind die analytischen Übersetzer, die mit den Führungskräften der C-Suite zusammenarbeiten, um herauszufinden, wie sie Analytics und KI durch Bereitstellung und Umsetzung nutzen können.
Der Chief Data Officer (CDO) ist dafür verantwortlich, die Daten der Organisation zu betreuen, damit der CAO und sein Datenwissenschaftsteam die Daten nutzen können. Die Datenstrategie umfasst neben der Betreuung auch Sicherheit, Wartung und Qualität.
Der Chief Information Officer (CIO) sichert, entwickelt und pflegt die Software- und Hardwareinfrastruktur, um die Arbeit mit Daten, Analysen und künstlicher Intelligenz zu unterstützen. Der CIO und sein Team stellen sicher, dass die Daten entsprechend den Anforderungen der Dateningenieure und Datenwissenschaftler fließen können.
Alle diese Offiziere und ihre Teams müssen zusammenarbeiten. Der CAO und die Datenwissenschaftler legen fest, wie die Daten verwendet werden, indem sie Modelle und Dashboards erstellen, um Einblicke zu liefern. Der CDO und die Dateningenieure pflegen die Daten und stellen sicher, dass sie für die Analysearbeit bereit sind, während der CIO, die Infrastrukturteams und Lösungsarchitekten auf die Dateningenieure, Analysten und Datenwissenschaftler schauen, um zu bestimmen, welche Hardware und Software ihre Arbeit ermöglichen können.
Organizational Alignment-Modelle
Mit diesen neuen C-Suite-Positionen gibt es mehrere Möglichkeiten zur organisatorischen Ausrichtung entlang einer Skala von vollständig dezentralisiert bis vollständig zentralisiert.
In einem McKinsey-Bericht von 2018 mit dem Titel “Zehn rote Signale, die darauf hinweisen, dass Ihr Analysenprogramm scheitern wird” werden die Vor- und Nachteile von organisatorischen Ausrichtungsmodellen vorgestellt. Eine der Hauptideen zeigt, dass der Vorteil einer vollständigen Dezentralisierung darin besteht, dass das Fachwissen direkt innerhalb des Unternehmens genutzt wird. Die Datenexperten werden eng mit den Daten arbeiten und sie verstehen, was einen hohen Wert schafft. Je nach Organisation ist es jedoch möglicherweise nicht möglich, so viele Datenprofis in jeder Geschäftseinheit zu unterstützen. Darüber hinaus könnten, wenn es nur wenige Datenexperten gibt, diese unter Umständen das Fachwissen anderer Experten im Unternehmen nicht nutzen können. In diesem Fall könnte sich etwas mehr Zentralisierung als vorteilhafter erweisen.
Schlussfolgerung
Organisationen stehen vor vielen neuen Veränderungen, um datenzentriert zu werden, nicht nur in Bezug auf die Kultur, sondern auch in Bezug auf die organisatorische Struktur. Es reicht nicht aus, nur die Vorteile der neuen KI zu wollen; es erfordert grundlegende Veränderungen in der Art und Weise, wie wir über die Organisation selbst denken.