Basierend auf der Ist-Erhebung aus Phase 1 wird der Soll-Zustand in drei Unterphasen gegliedert:
- Phase 2a - Prozessuale und organisatorische Fragestellungen werden pragmatisch von strategisch bis operativ zu sinnvollen Maßnahmen abgeleitet.
- Phase 2b - Aufgenommene Use Cases werden in einem Portfoliomanagement priorisiert und in einer in einer Roadmap für einzelne Umsetzungsprojekte vorgeschlagen.
- Phase 2c - Datenbezogene und technische Fragestellungen werden anhand der tatsächlichen Analysebedarfe beantwortet und in einer modernen, zukunftsweisenden IT-Architektur festgehalten.
Phase 2a – Prozessuale und organisatorische Fragestellungen
In der folgenden Phase wird auf Basis der in Phase 1 erhobenen Erkenntnissen ein sinnvoller Zielreifegrad der organisationalen Datennutzung, in Abstimmung mit den Stakeholdern, festgelegt. Die Grundlage einer Datenstrategie schafft den Rahmen für die Entwicklung einer Organisation entlang dieser Reifegrade und berücksichtigt dabei sowohl die Ausgangslage als auch eine pragmatische Zielsetzung. Dabei wird das komplexe Ökosystem organisationaler Einflussfaktoren berücksichtigt, welches aus kulturellen, technologischen, organisatorischen und menschlichen Komponenten besteht. Bei der Einordnung des Reifegrads unterstützt das Datenstrategie-Framework, das wir bereits in der Vergangenheit erfolgreich bei verschiedenen Klienten einsetzen konnten.
Das Vorgehen zur Entwicklung einer Datenstrategie geht auf folgende Themen ein:
- Vision
Welche Vision verfolgen wir im Bereich Datennutzung 2025 und 2030?
Resultat: Es ist eine mittel- und langfristige Datenvision als Orientierung für die Datenstrategie erarbeitet. - Perspektivische Zielbilder
Welche übergeordneten Businessziele wollen wir durch die Umsetzung der Vision erreichen?
Resultat: Es sind hinreichend konkrete Business Ziele formuliert, auf die Datennutzung einzahlen soll (z. B. Automatisierungsgrad erhöhen). - Datenkultur und Selbstverständnis
Welche Art von Datenkultur zahlt auf unsere Zielbilder ein? Wie soll das organisationale Selbstverständnis sein?
Resultat: Data Culture Canvas und Zielbilder zum Selbstverständnis. - Rollen, Governance & Sicherheit
Welche Rollen und Prozesse müssen in der Organisation kurz-, mittel- und langfristig verankert werden? Welche Sicherheitsaspekte müssen wie bedient werden?
Resultat: Implementierbare Rollenmodelle im Rahmen einer Data Governance, sowie Key Security Anforderungen an die Datennutzung und Zugriffe. - Strategische Datenbestand und Datennutzungszielbild
Welche Daten werden als strategisch relevant definiert und wie sieht das zukünftige Zielbild der Datennutzung aus? Resultat: Strategische Daten sind definiert und ein übergeordnetes Nutzungszielbild existiert (z. B. ab wann Datennutzung sinnvoll ist). - Guiding Principles
Welche Grundprinzipien (Leitplanken) zum Umgang mit Daten lassen sich aus Vision, Zielbildern und Datenkultur ableiten und sind sinnvoll?
Resultat: Es sind transparente und organisationsnahe Guiding Principles formuliert.
Die Datenstrategie setzt abstrakte Leitplanken für weiterführende Themen wie Datenkultur, Datenkompetenz, also der Aufbau benötigter Fähigkeiten sowie prozessuale und organisatorische Fragestellungen für das Datenmanagement. Hierbei wird kollaborativ festgelegt, in welchen Bereichen sich ein Investment zur Erreichung nächster Reifegrade pragmatisch lohnt und wie dies spürbar geschäftlich wirksam wird. Ein kollektives Verständnis eines Datennutzungszielbildes wird dabei maßgeblich geprägt, um herauszufinden, wie detailliert die Strategie in Zukunft in den jeweiligen Teildisziplinen operationalisiert werden soll.
Je nach Rahmenbedingung wird empfohlen, zumindest die Teilbereiche Data Management und Data Literacy detailliert zu betrachten. Über die beiden Themen wird auf etliche Mehrwerte eingezahlt:
- eine interdisziplinäre Kommunikationsbasis über Daten
- effizienter Dateneinsatz durch Nutzung von Synergieeffekten
- Überwinden von Daten-Silos und Insellösungen
- Erhöhung der Datenqualität
- Transparenz über fachlichen Inhalt und Herkunft von Daten
- Sicherstellen von Compliance (z. B. Daten-Sicherheit und DSGVO)
- Klarheit über Datenhoheit und zentrale Verantwortliche schaffen
- Erkennen neuer Möglichkeiten und Potenziale datengestützter Entscheidungsfindung
Data Management & Governance
Um Daten einer Organisation zu beherrschen ist oft eine bereichsübergreifende Struktur notwendig. Im Fokus stehen die Erzeugung von Transparenz über die Daten der Organisation, die Verfügbarkeit von Tools zum erfolgreichen Verantworten von Daten sowie die Schaffung von Rollen und Gremienstrukturen, Zielen und ein Netzwerk der „Data Player“. Wir empfehlen Elemente aus etablierten Frameworks, wie DAMA DMBOK, TOGAF und ISO/IEC 38500 zu abstrahieren und zu benutzen.
Data Literacy
Bei Data Literacy, oder auch Datenkompetenz, geht es um die Fähigkeit des einzelnen Mitarbeitenden, kompetent und souverän mit Daten umzugehen, sie mit passenden Werkzeugen zu verarbeiten und im Kontext adäquat einsetzen und bewerten zu können. Data Literacy ist ein oft vernachlässigter, aber unabdingbarer Baustein einer datengetriebenen Organisation. Nur wenn der alltägliche Umgang mit Daten zur Selbstverständlichkeit wird und sich eine Datenkultur in der Organisation herausbildet, können aus Daten nachhaltig Werte entstehen. Im Projekt sollte geprüft werden, wie hoch Notwendigkeit und Bereitschaft zur Schulung sind.
Nach dieser Teilphase sind Bereiche definiert und bewertet die für das Unternehmen relevant sind und somit in den weiteren Phasen für die Entscheidungsfindung genutzt werden kann.
Phase 2b – Priorisierung der aufgenommenen Use Cases und Definition von Umsetzungsprojekten
Um die spätere Implementierung eines PoC möglichst nachhaltig zu gestalten, werden in dieser Phase die Use Cases aus Phase 1 bewertet und analysiert. Für eine systematische Auswahl des umzusetzenden Use Case wird mithilfe einer Priorisierungsmatrix das gesamte Portfolio in einer Aufwands-Nutzen-Analyse bewertet und abgewogen. Hierfür werden in Stakeholder-Workshops Kriterien festgelegt, anhand derer die Priorität eines Use Cases zu bestimmen ist. Diese können z. B. die Häufigkeit, mit der ein Use Case durchgeführt wird, die Kritikalität eines Use Cases und die Kosten, die mit einem Use Case verbunden sind, sein. Auch die Implementierungsgeschwindigkeit der Use Cases und der Aufwand, der mit der Implementierung einhergeht, müssen beachtet werden. Darüber hinaus können weitere Kriterien miteinbezogen werden. Für die jeweiligen Kriterien werden auch die Bewertungsschritte bestimmt, die für die Priorisierung anzuwenden sind. Dies kann z. B. für die Häufigkeit des Use Cases ein Prioritätsraum von „täglich“ – „wöchentlich“ – „monatlich“ – „jährlich“ sein, oder auch die Anzahl an Durchführungen pro Tag. Hierbei ist die Einbeziehung aller Stakeholder wichtig, um einen gemeinsamen Rahmen für die anschließende Priorisierung zu erstellen.
Nach der gemeinsamen Festlegung der Kriterien und deren Ausprägungen im Prioritätsraum wird die Matrix für alle Use Cases ausgefüllt. Danach werden die Use Cases mit der höchsten Priorität identifiziert, im Workshop validiert und abgestimmt. Für die Implementierung eines PoC sollte der Use Case gewählt werden, der einerseits einen großen Nutzen für das jeweilige Unternehmen bzw. Organisation hat und andererseits nicht zu aufwendig in der Implementierung ist. Dies gewährleistet einen direkten Gewinn für den Kunden durch den PoC, ohne dabei den Rahmen des ersten Projektes zu sprengen. Durch die Priorisierung des gesamten Use Case-Portfolios kann außerdem die weitergehende Entwicklung und Implementierung der Datenstrategie so geplant werden, dass der Nutzen direkt maximiert wird.
Als ein „messbares“ Ergebnis dieser Teilphase wird eine schriftliche Dokumentation der Kriterien, ihrer Ausprägungen im Prioritätenraum sowie die vollständige Priorisierungsmatrix vorliegen.
2c - Festlegung der Architektur, Standards und Guidelines
Das Ziel jeder Datenarchitektur ist es, der Infrastruktur des Unternehmens zu zeigen, wie Daten erfasst, transportiert, gespeichert, abgefragt und gesichert werden. Ausgangsbasis für die Definition der Datenarchitektur und die damit verbundenen Standards sowie Zuständigkeiten bilden, die im Vorfeld definierten, strategisch-organisatorischen Ziele, zusammen mit den ausgewählten Use Cases.
Basierend auf den jeweils geplanten Anwendungen sowie den dahinterliegenden Prozessen werden passende grundlegende Architekturen vorgeschlagen, die auch miteinander kombiniert werden können. Darüber hinaus werden weitere Rahmenparameter aus der Strategie und Vision in den Entscheidungsprozess für eine Datenarchitektur einbezogen. Dabei kann im Bedarfsfall eine unterschiedliche Gewichtung vorgenommen werden, um z. B. organisatorischen Zielen eine größere Bedeutung beizumessen.
Im Anschluss an die grundlegende Architekturentscheidung (z. B. Lambda, Kappa oder Echtzeitverarbeitung) wird auf Basis der organisatorischen und technischen Rahmenbedingungen die konkrete Architektur definiert. Die konkrete Architektur setzt die grundlegende Architektur um und beinhaltet Systeme und Services, um dies zu erreichen. Hierbei werden weitere, detailliertere Ziele herangezogen, denn diese spielen bei der Auswahl der Systemlandschaft eine entscheidene Rolle, z. B. die Nutzung von Open-Source-Technologien, Wartbarkeit, Wirtschaftlichkeit, Datensicherheit und die Kompatibiltät mit den ggf. bereits vorhandenen In-house Systemen und der eigenen u. U. teilweise zu erhaltenden Landschaft.
In der folgenden Abbildung sind mögliche logische Komponenten einer Datenverarbeitungsarchitektur und deren Zusammenhang abgebildet.
In dieser Phase wurden für die Datenstrategie Leitplanken gesetzt, die auf unterschiedliche Bereiche der Prozesse und der Organisation eingehen, z. B. Vision, Datenkultur und Datensicherheit. Dadurch konnten die gesammelten Use Cases mithilfe von Aufwands-Nutzen-Analysen bewertet werden. Auf Basis der Use Cases in der Priorisierungsmatrix und der Leitplanken wurde die dafür passende Architektur sowie Standards und Guidelines ausgewählt und definiert. Diese Ergebnisse bilden die Grundlage, die zur weiteren Umsetzung und Implementierung notwendig sind.