Digitale Transformation Die fünf großen Hürden auf dem Weg zum datengetriebenen Unternehmen

Ein Gastbeitrag von Dr. Philipp Morf* und Tobias Joppe*

Anbieter zum Thema

Auf dem Weg zum datengetriebenen Unternehmen können einige Fallstricke auftreten. Mit einer systematischen Untersuchung hat der Innovationsdienstleister Zühlke die fünf größten Hürden ausgemacht und erklärt, wie Maschinenbauer diese überwinden können.

Erst der systematische Einsatz von Daten und KI in allen Bereichen und Funktionen ermöglicht die Realisierung der digitalen Transformation.
Erst der systematische Einsatz von Daten und KI in allen Bereichen und Funktionen ermöglicht die Realisierung der digitalen Transformation.
(Bild: gemeinfrei / Pixabay)

Ob automatisierte Überwachung und Qualitätskontrolle, vorausschauende Wartung oder Optimierung der Lieferketten: Viele Maschinenbauer und Produktionsbetriebe verfolgen das Ziel, mit Daten und künstlicher Intelligenz kontinuierlich Wert und Wettbewerbsvorteile zu generieren. Der Großteil von ihnen befindet sich derzeit in einer Transformation zum datengetriebenen Unternehmen und investiert in Daten- und KI-Projekte. Häufig jedoch klagen die Firmen darüber, dass die Potenziale dieser Projekte nur ansatzweise gehoben werden. Um mehr Klarheit über die Gründe für den ausbleibenden Erfolg zu gewinnen, hat der Innovationsdienstleister Zühlke den Stand der Umsetzung der KI- und Datenprojekte in den Unternehmen erhoben und die fünf größten Hindernisse auf dem Weg zu einer strategischen Nutzung von Daten ausgemacht. Diese Hürden haben die Experten zunächst aus ihrer über zehnjährigen Beratungs- und Umsetzungserfahrung identifiziert und in einem zweiten Schritt mithilfe einer Kundenbefragung verifiziert und näher analysiert. Hierzu wurden insgesamt 110 Unternehmen hauptsächlich aus Deutschland und der Schweiz befragt, darunter zahlreiche große und namhafte Firmen – insbesondere in Deutschland viele aus dem Bereich Maschinenbau und Produktion.

Lediglich ein Viertel der Unternehmen bezeichnet sich als datengetrieben

Zum Stand der Umsetzung ergab die Studie: Über alle Branchen hinweg stufen 85 Prozent der befragten Entscheider das Potenzial von Daten und KI für ihr Unternehmen als hoch ein. Lediglich 25 Prozent von ihnen bezeichnen ihr Unternehmen jedoch als datengetrieben. Nur etwa die Hälfte gibt an, dass es in ihrem Unternehmen eine ganzheitliche KI-Strategie gibt. Bereits diese Zahlen sollten Produktionsbetriebe nachdenklich stimmen. Denn erst der systematische Einsatz von Daten und KI in allen Bereichen und Funktionen ermöglicht die Realisierung der angestrebten Wettbewerbsvorteile wie datenbasierte und damit effektivere Entscheidungen auf allen Unternehmensebenen. Das Ergebnis: Die Erschließung zusätzlicher Umsatzquellen durch neue Produkte und Services sowie optimierte Prozesse, die zu Kostensenkungen führen.

Vergleich: Wo stehen die Branchen auf dem Weg zur Data-driven Company?
Vergleich: Wo stehen die Branchen auf dem Weg zur Data-driven Company?
(Bild: Zühlke)

Zu den fünf größten Hürden, die Zühlke auf dem Weg zum datengetriebenen Unternehmen ermittelt hat, zählen:

Die Daten an sich:

Die Datenproblematik wird von rund 60 Prozent der Studienteilnehmer aus dem produzierenden Gewerbe als hoch oder sehr hoch eingestuft. Die meistgenannten Ursachen sind ein fehlender oder schwieriger Datenzugang und mangelnde Datenqualität. Verantwortliche fordern daher häufig, dass vor der Umsetzung jeglicher datenbasierter Anwendungsfälle zunächst unternehmensweit die Datenqualität in Ordnung zu bringen sei. Dem ist jedoch entgegenzuhalten, dass die Qualität der Daten ein relatives Kriterium ist und lediglich in Bezug auf einen bestimmten Anwendungsfall bewertet werden sollte. Unternehmensweite, allgemeine Datenqualitätsprogramme, die nicht auf konkrete Use Cases ausgerichtet sind, sind daher wenig zielführend.

Kompetenzen im Bereich Daten:

Der zweite große Schlüsselfaktor für den Erfolg von Daten- und KI-Projekten sind personelle Kompetenzen im Bereich Daten. Sie werden ebenfalls von rund 60 Prozent der Maschinenbauer und Produktionsbetriebe als kritischer Punkt genannt. Erstaunlicherweise jedoch sind die Kompetenzen an sich in den meisten der befragten Betriebe bereits vorhanden. Stattdessen zeigt sich, dass die interdisziplinäre Zusammenarbeit zwischen Datenexperten und Fachbereichen die größte Herausforderung darstellt. So gibt es zwar häufig zentrale Abteilungen, in denen die Data-Science-Experten arbeiten. In den Fachabteilungen, wo das Fachwissen der Ingenieure und die Daten vorhanden sind, fehlen jedoch oft daten- und KI-affine Fachkräfte oder das Verständnis für das Potenzial von Daten und KI. Kommen die beiden Bereiche aus diesem Grund nicht zusammen, ist es nahezu unmöglich, schlagkräftige Use Cases zu finden. Insbesondere Prozessoptimierungen mit KI-Technologien bedürfen einem engen Zusammenspiel von Fachwissen aus dem Business und technischem Know-how in den Bereichen KI und Daten. Unabdingbar ist daher die Bildung neuer Rollen und Prozesse bis in die Fachabteilungen hinein sowie das Training der interdisziplinären Zusammenarbeit auf Umsetzungsprojekten.

Proof of Concepts, die auf der Strecke bleiben:

Viele Daten- und KI-Projekte werden nicht weitergeführt, obwohl die Machbarkeit durch einen Proof of Concept (kurz: PoC) bereits gezeigt werden konnte. In diesen Fällen gelingt die Weiterentwicklung der ersten Prototypen in eine operativ nutzbare Lösung nicht. Kritisch betrachtet werden sollten vor allem der Bereich „kein operationaler Datenzugriff/fehlende Datenplattform“, den über alle Branchen hinweg 30 Prozent der Befragten als Problem angegeben haben. Dies verdeutlicht, dass oftmals die IT-Infrastruktur für die Operationalisierung von Daten- und KI-Projekten fehlt. In der Befragung geben 37 Prozent der befragten Industrieunternehmen an, bei ihren KI-Initiativen mit Problemen konfrontiert zu sein, die im Zusammenhang mit PoCs stehen.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Eine inaktive Daten-Innovationspipeline:

Hinter dem Begriff der Daten-Innovationspipeline verbirgt sich eine kontinuierliche und gesamtheitliche Planung und Umsetzung von Daten- und KI-Projekten, welche sukzessive Wert für die gesamte Organisation generiert. Diese existiert in den Firmen oftmals nicht, 35 Prozent der Maschinenbauer und Produktionsbetriebe nennen dies als Hindernis auf ihrem Weg zum datengetriebenen Unternehmen. Begründet wird eine inaktive Innovationspipeline häufig mit der Nachlässigkeit bei der Bewertung des Nutzens für das Unternehmens oder einem zu starken Technologiefokus. Gerade in der Anfangsphase von datengetriebenen Unternehmen ist es jedoch wichtig, das finanzielle Potenzial von Daten- und KI-Projekten fortlaufend aufzuzeigen. Ansonsten erlischt die Motivation, in entsprechende Vorhaben zu investieren und die Innovationspipeline trocknet schnell aus. Ein weiterer oft genannter Grund für eine inaktive Innovationspipeline ist eine unzureichende unternehmensübergreifende Daten- und KI-Strategie. Dies führt unter anderem dazu, dass Teams separiert und unkoordiniert Ideen für KI-Use-Cases entwickeln und in Eigenregie Proof of Concepts durchführen. Zudem fehlt es in diesem Szenario oft an Unterstützung auf C-Level-Ebene. Diese wird jedoch benötigt, um wichtige Grundlagen für die erfolgreiche Umsetzung von KI-Anwendungsfällen zu legen und die entsprechenden Budgets zu erhalten.

Als wichtigstes Werkzeug zur Überwindung dieser Hürde und als Absicherung der Investitionsplanung dient ein aktives Portfoliomanagement, wodurch – abgestimmt auf die unternehmensübergreifende Datenstrategie – werterzeugende Daten- und KI-Projekte definiert, geplant und umgesetzt werden. Als Fundament oder als Leitlinie für diesen Prozess dient die unternehmensübergreifende Datenstrategie.

Technisch perfekte Lösungen, die nicht wie geplant genutzt werden:

Häufig werden KI-basierte Lösungen im Unternehmen nicht wie geplant angenommen und genutzt – knapp 30 Prozent der Produktionsbetriebe nennen eine geringe Akzeptanz von KI-Lösungen im Business als Hindernis auf dem Weg zum datengetriebenen Unternehmen. Als wichtigsten Grund dafür gibt die Gesamtheit der Studienteilnehmenden eine mangelnde Integration von KI-Lösungen in bestehende IT-Tools an. An zweiter Stelle steht die fehlende Einbindung und Schulung von Endnutzenden sowie deren mangelndes Vertrauen in Daten- und KI-Lösungen. Rund 33 Prozent der Befragten führen „Ablehnende Haltung gegenüber KI-Lösungen“ als Grund für das Scheitern der Initiativen an. Damit zeigt die Studie, dass vor allem eine möglichst fließende Integration von neuen KI-Lösungen in bestehende Systeme ein Erfolgsfaktor für ihren Einsatz in der Praxis ist.

Der Vergleich zwischen B2C und B2B fällt deutlich aus.
Der Vergleich zwischen B2C und B2B fällt deutlich aus.
(Bild: Zühlke)

Der B2B-Bereich hinkt hinterher

Grundsätzlich zeigt sich in der Studie, dass der Dienstleistungssektor auf dem Weg zum datengetriebenen Unternehmen bereits einen deutlichen Schritt weiter ist als das produzierende Gewerbe. Besonders große Unterschiede jedoch werden im Vergleich von B2C und B2B-Unternehmen deutlich. So klagen 40 Prozent der B2C-Unternehmen über Probleme mit der Datenqualität, bei den B2B-Unternehmen sind es 81 Prozent. Und während 23 Prozent der B2C-Unternehmen sich selbst eine inaktive Daten-Innovationspipeline attestieren, sind es bei den B2B-Unternehmen 42 Prozent. Das kann ein Hinweis darauf sein, dass Service-basierte Use Cases leichter zu identifizieren und umzusetzen sind. Maschinenbauer sollten erste KI-Projekte also nicht unbedingt in der Produktion starten, sondern eher in den Servicebereichen wie Vertrieb oder Marketing, wo sie mehr Erfolg versprechen – etwa in Form von Demand Prediction oder Preisvorhersagen.

Grundsätzlich können Firmen, die in der Studie herausgearbeiteten Hürden in drei Schritten überwinden:

  • 1. Die Unternehmensführung muss sich für die Transformation zum datengetriebenen Unternehmen entscheiden. Es empfiehlt sich, für die Transformation ein leitendes Kernteam zu bilden, in welchem das Top-Management vertreten ist. Dieses Kernteam bestimmt den aktuellen Status quo, definiert Handlungsfelder, leitet entsprechende Maßnahmen ab und entwickelt eine starke Vision, die erläutert, warum das Unternehmen ein datengetriebenes Unternehmen werden will. Wichtig ist, dass diese motivierende Vision auch Ängste oder potenzielle Widerstände in der Belegschaft aufnimmt und entkräftet.
  • 2. Im zweiten Schritt wird, ausgehend von der Unternehmensstrategie, eine Datenstrategie entwickelt. Zur Umsetzung der Datenstrategie wird ein erstes Portfolio mit konkreten Projekten und Initiativen definiert.
  • 3. Im dritten Schritt werden schließlich die Grundlagen (Fähigkeiten, technische Datenplattformen, Strukturen und Prozesse) geschaffen und parallel dazu die ersten Projekte und Initiativen umgesetzt. Grundlagen werden Schritt für Schritt und immer in Bezug zu einem Anwendungsfall geschaffen. So hat man die Gewähr, dass praxistaugliche und schlanke Strukturen etabliert werden, die anhand eines konkreten Anwendungsfalls getestet und falls notwendig angepasst werden können.

* Dr. Philipp Morf ist Head Data & AI Schweiz beim Innovationsdienstleister Zühlke. Tobias Joppe arbeitet als Senior Business Solution Manager Data & AI.

(ID:48653196)