Wir schrieben schon darüber, welche Flexibilität die Nutzung von Cloud-Anwendungen bietet – und welche nicht. Kurz und bündig: Flexibilität ergibt sich durch die Vielfalt der Angebote sowie durch Mengenflexibilität, also die Möglichkeit, das genutzte Volumen unkompliziert zu ändern. Die Anwendungen selbst können Sie nicht ändern: Software as a Service eben. Sie passen sie an Ihre Situation an, indem Sie ausgewählte Parameter konfigurieren. Wenn das nicht ausreicht, müssen Sie die Prozesse im Unternehmen anpassen.

Ist also der Bereich Business Analytics für den Einsatz von SaaS-Lösungen besonders geeignet? Wir meinen: ja. Daten sammeln, aufbereiten, analysieren und interpretieren – so lassen sich verschiedene Prozessmodelle für Analytics zusammenfassen. Die einfache Prozessstruktur ermöglicht es, SaaS-Angebote zu nutzen, ohne Prozesse im Unternehmen anzupassen. Niedrige Stückkosten und die Mengenflexibilität sprechen ebenfalls dafür, denn Datenvolumina für Auswertungen sind oft sehr groß.

Der Markt von SaaS-Anwendungen für Analytics bietet grob zwei Produkttypen:

• Embedded Analytics
  Die SaaS-Produktpaletten großer Softwarehersteller wie beispielsweise SAP, Salesforce oder Service Now enthalten leistungsfähige Analytics-Komponenten. Diese sind mit ihren vordefinierten Datenstrukturen und Funktionen in die jeweiligen Plattformen eingebunden. Daten anderer Anwendungen können Sie über standardisierte Schnittstellen integrieren. Werkzeuge, um das Analytics-Portfolio mit Eigenentwicklungen zu erweitern, sind ebenfalls verfügbar.
• Data Lakes
  Bei Data Lakes handelt es sich um Plattformen, in denen große Datenmengen aus verschiedenen Quellen in ihren Ursprungsformaten gespeichert werden. Zusätzlich bieten Data Lakes leistungsfähige Werkzeuge, mit denen Sie Routinen zur Transformation und Auswertung dieser Daten erzeugen können. Solche Produkte werden sowohl von Hyperscalern angeboten (vor allem AWS, Microsoft und Google) als auch von spezialisierten Unternehmen (beispielsweise Snowflake oder Databricks).

Beide Produkttypen haben ihre Vorzüge. Sie lassen sich daran festmachen, ob Sie die vordefinierten Strukturen eher als Unterstützung oder als Einschränkung wahrnehmen. Wenn Sie Embedded Analytics nutzen, genießen Sie den Komfort, dass vieles vordefiniert ist. Für Unternehmen, die in ihrer Anwendungslandschaft überwiegend auf eine Unternehmensplattform setzen, ist das zugehörige SaaS-Produkt zur Datenanalyse oft eine gute Wahl. Aufwandstreiber ist in diesem Fall die Integration externer Datenquellen.

Nutzen Sie einen Data Lake, schränken vordefinierte Strukturen Sie nicht ein. Sie erhalten größere Flexibilität – und weniger Komfort. Je mehr Datenquellen Sie berücksichtigen möchten, desto vorteilhafter erscheint ein Data Lake. Aufwandstreiber ist in diesem Fall die Verwaltung der verschiedenen Datenstrukturen.

In beiden Fällen tun Sie sich einen großen Gefallen, wenn sie sich aktiv um die Qualität Ihrer Daten kümmern. Die Datenqualität ist der Knackpunkt für alle Anwendungsfälle von Analytics, und eins der Qualitätskriterien ist Verständlichkeit. Unabhängig von der Wahl der technischen Plattform setzen aussagefähige Datenanalysen ein einheitliches Verständnis der Unternehmensdaten voraus. Innerhalb einer Auswertung müssen die Daten einheitlichen Definitionen und Regeln folgen. Sonst liefern Auswertungen scheinbar widersprüchliche Kennzahlen und erscheinen als wenig verlässlich – weil sie Äpfel und Birnen vergleichen.

Lassen Sie uns Beispiele betrachten, die verdeutlichen, wie überraschend vielfältig ein vermeintlich klarer Begriff – „der Kunde“ – interpretiert wird:

• Der Vertrieb unterscheidet nicht immer klar zwischen Leads (= potentiellen Kunden) und Kunden, die schon einen Auftrag erteilt haben. In einer konkreten Auswertung, beispielsweise zur Umsatzentwicklung je Kunde, macht es einen großen Unterschied, ob Sie die Leads einbeziehen oder nicht.
• In der operativen Abwicklung ist jede Niederlassung eines Kundenunternehmens ein „Kunde“. Die Management-Ebene betrachtet hingegen das gesamte Kundenunternehmen (die Legal Entity) oder gar den übergeordneten Konzern als „den Kunden“.
• Die Behandlung von Mergers zwischen Kundenunternehmen erfordert ebenfalls ein einheitliches Verständnis. Wenn ein Kundenunternehmen A ein anderes (B) übernimmt, weisen die Berichte ab dem Übernahme-Zeitpunkt bei Kunde A auch die Umsätze mit B aus. In der Umsatzentwicklung mit A ergibt sich also von einer Periode zur nächsten ein Sprung.
  In Auswertungen können Sie diesen Sprung einfach so stehen lassen. Manche Entscheider:innen empfinden solche Sprünge aber als verzerrend, vor allem, wenn es um nennenswerte Größenordnungen geht. Eine Alternative besteht darin, den Merger in den eigenen Historiedaten nachzuvollziehen und die Daten zu beiden Unternehmen zusammenzufassen. Beide Vorgehensweisen sind plausibel.

Die Beispiele verdeutlichen, dass die Sicht auf Auswertungen vom Betrachter abhängt, sprich: von der Unternehmensfunktion. Der Vorstand schaut anders auf einen Sachverhalt als die Logistikabwicklung. Aussagefähige Analysen setzen voraus, dass diese verschiedenen Sichten bekannt sind.

Die Beispiele zeigen auch, dass ein gemeinsames Verständnis von Daten alles andere als selbstverständlich ist. Auch dann nicht, wenn alle Daten aus derselben Quelle stammen. Die gute Nachricht: alle genannten Produkte halten leistungsfähige Werkzeuge bereit, mit denen Sie Ihre Daten inhaltlich korrekt aufbereiten können.

Der Schlüssel zu aussagekräftigen Analysen liegt also in der inhaltlichen Arbeit. So leistungsfähig die Analytics-Produkte aus technischer Sicht sein mögen: Datenanalysen out of the box bleiben Wunschdenken, solange Sie im Unternehmen kein gemeinsames Verständnis Ihrer Kerndaten etabliert haben. Die erforderliche „Denkarbeit“ nimmt Ihnen keine Software ab – sie macht es Ihnen „nur“ leicht, Ihre Denkergebnisse technisch umzusetzen. Kein Anlass, sie gering zu schätzen!

Erkenntnis zum Mitnehmen: SaaS-Lösungen sind aufgrund von einfachen Prozessen, Mengenflexibilität und günstigen Stückkosten gut für die Analyse großer Datenmengen geeignet. Dazu gibt es zwei Produkttypen am Markt: proprietäre Plattformen und plattformunabhängige Data Lakes. Aussagefähige Datenanalysen setzen voraus, dass die Unternehmensdaten einheitlich definiert und genutzt werden; dafür müssen Sie selbst sorgen. (rs/cdf)