Fehler vermeiden

6 Irrtümer bei Big-Data-Projekten

Bain rät, erst einmal mit der Analyse vorhandener Daten zu beginnen. Forrester erklärt, wie sich die IT-Systeme zu digitalen „Systems of Insight“ ausbauen lassen.

Es klingt dramatisch: "Die Unternehmen ertrinken in Daten, aber sie dürsten nach Erkenntnissen", schreiben die Autoren Brian Hopkins und Ted Schadler von Forrester Research. "Schlimmer noch: Sie kennen keinen systematischen Weg, wie sie aus Daten konsequent Handlungen ableiten können." Die Studie der beiden Forrester-Analysten dämpft die Erwartung, dass dank einer Technologie wie Big Data allein der geschäftliche Erfolg neue Dimensionen erreicht. Wasser in eben diesen Wein gießen auch die Berater Eric Almquist, John Senior und Tom Springer von Bain & Company: "Fortgeschrittene Kundenanalyse kann ein starkes Business-Tool sein", meint das Trio. "Aber Firmen sollten verbreitete Fallstricke umkurven, bevor sie investieren."

Big Data wie früher CRM

Bain stellt dar, in welchen Phasen Big Data erfolgreich umgesetzt werden kann.
Bain stellt dar, in welchen Phasen Big Data erfolgreich umgesetzt werden kann.
Foto: Bain & Company

"Three promises and perils of Big Data" lautet der Titel der Bain-Studie: drei Versprechen mit jeweils einer gefährlichen Schattenseite. Bain liefert dazu jeweils ein erfolgreiches Beispiel aus der Praxis. In Dreierschritten lässt sich auch der zentrale Inhalt der Forrester-Studie "Digital Insights Are The Currency of Business" gut zusammenfassen. Die Analysten benennen zunächst drei Hindernisse auf dem Weg von der Datensammlung und -analyse zu "Systems of Insight", die den Anwendern wirklichen, nämlich handlungsrelevanten Nutzen bringen könnten. Daran anknüpfend geben sie CIOs drei Empfehlungen zum Aufbau derartiger Systeme.

"Unternehmen, die von Big Data profitieren wollen, müssen zunächst den für sie tatsächlich messbaren Nutzen dieser Technologien prüfen", stellt Bain fest. Denn mehr Daten schafften nicht automatisch einen Mehrwert: "Beispielsweise ist auch die Organisationsstruktur eines Unternehmens entscheidend dafür, ob sich Big-Data-Technologien sinnvoll einsetzen lassen."

60 Prozent der Big-Data-Projekte werden scheitern

Die Berater zitieren eine Gartner-Analyse, laut der bis 2017 60 Prozent der Big-Data-Projekte bereits in der Pilotierungs- und Experimentierphase scheitern und früh abgebrochen werden. Bain erinnert an das Aufkommen von Customer Relationship Management (CRM) in den frühen 1990er-Jahren. Seinerzeit habe es, wie bei Big Data jetzt, einen Hype gegeben, und viele Firmen implementierten euphorisch die neue Technologie - im Rückblick Fehlinvestitionen mit Ansage.

Nur: Seitdem reifte die CRM-Technologie, und die Lösungen liefern mittlerweile unbestreitbar für viele Anwender einen beträchtlichen Mehrwert. Laut einer anderen Bain-Studie ist CRM zurzeit die Nummer sechs der beliebtesten Business-Tools. Dennoch scheitern laut dem Beratungsunternehmen C5 Insight immer noch 30 Prozent der CRM-Implementierungen - gut zwei Jahrzehnte nach der Entwicklung dieser Technologie.

3 Versprechen, 3 Gefahren

Soll sagen: Analog zu Vorgängern wie CRM wird auch Big Data als heute junge Technologie in den kommenden Jahren reifen und immer mehr Nutzen stiften. Aber das Reifen einer Technologie bedeutet noch nicht, dass irgendwann Erfolg garantiert sein wird. So lauten die drei derzeitigen Versprechen, die Bain kritisch unter die Lupe nimmt:

1. Die Big-Data-Technologie identifiziert ganz von allein geschäftliche Chancen: Die Gefahr darin ist laut Bain ein begrenzter Return On Investment (ROI) trotz hoher Investitionen.

Ein Scheitern beginne oft mit der Annahme, dass das strahlende neue Tool ganz von selbst Wert generiert. Besser geht es anders: "Erfolgreiche Nutzer von Big-Data-Lösungen beginnen oftmals mit der Anwendung von Advanced Analytics zur Lösung einer kleinen Zahl an hochwertigen Business-Problemen mit internen Daten, bevor sie in Technologie investieren", so Bain. In diesem Prozess lernten die Anwender, wie sie in ihrem Unternehmen Lösungen implementieren. Sie erhalten laut Studie dadurch auch Einblick in operative Herausforderungen und verstehen die Grenzen ihrer vorhandenen Daten und Technologien. Sie wissen also Bescheid über ihren tatsächlichen Bedarf und können auf dieser Basis ihre Anforderungen an Big Data definieren.