Self-Service BI & Analytics E-Book

Michael Kalke

• Herausgeber: dpunkt.verlag
• Kategorie: Wissenschaft und neue Technologien
• Serie: Edition TDWI
• Sprache: Deutsch
• Veröffentlichungsjahr: 2023

Seitenzahl: 272

Beschreibung

Know-how für erfolgreiche Self-Service-Initiativen - Praktischer Leitfaden zur unternehmensweiten Einführung von Self-Service - Fokus auf die Konzeption und Governance von Self-Service - Mit Impulsen, was bei einer laufenden Self-Service-Organisation zu beachten ist Self-Service im BI- und Analytics-Kontext bedeutet, dass BI-Anwender selbst aktiv werden, um auf bestimmte Daten und Informationsprodukte zuzugreifen. Dabei hängt die Möglichkeit des Self-Service von Umgebungsfaktoren ab, nicht von einzelnen Werkzeugen. Um die Daten nutzen zu können, ist Datenkompetenz bei den Beteiligten erforderlich. Self-Service ist somit als strategischer Prozess zu verstehen, der als Teil der Datenstrategie immer der Unternehmensstrategie folgt und eine Kultur der Transparenz und offenen Kommunikation erfordert. Dieses Buch bietet eine umfassende Einführung in die grundlegenden Konzepte von Self-Service BI & Analytics. Es beschreibt die derzeit gängigen Ansätze mit Fokus auf die Konzeption und Governance von Self-Service. Darüber hinaus werden Lösungen für konkrete Anwendungsfälle vorgestellt. Im Einzelnen werden behandelt: - Planung von Self-Service: Was ist vor der Einführung von Self-Service im Kontext einer gesamtheitlichen Datenstrategie, der Organisation und der Unternehmensarchitektur zu beachten? Welche Governance-Anforderungen müssen berücksichtigt werden? - Implementierung von Self-Service: Die Entwicklung und der Betrieb von Self-Service-Lösungen werden ebenso aufgezeigt wie die Positionierung gegenüber einer Schatten-IT und die Vermeidung von technischen Schulden. - Organisation von Self-Service: BI-Communitys, die Mitarbeiterausbildung und die Etablierung einer Self-Service-Kultur im Unternehmen spielen hier eine wichtige Rolle. Das Buch liefert wertvolle Einblicke und hilfreiche Anregungen für die erfolgreiche Einführung und Realisierung von Self-Service-Initiativen in der Unternehmenspraxis.

Leseprobe

Michael Kalke implementiert BI-Lösungen seit mehr als zehn Jahren. Zurzeit arbeitet er für die Vaillant Group und etabliert u. a. Self-Service BI, was im Erfolgsfalle seinen Job teilweise wegrationalisiert. Zuvor war er bei Capgemini und Teradata beschäftigt. Die integrierte Sicht aus der Perspektive eines Beratungs-, Software- und Industrieunternehmens hilft ihm, im interdisziplinären BI-Umfeld erfolgreich zu agieren. Für den Erfolg von BI-Projekten ist seiner Meinung nach die Software zweitrangig, denn proaktives Engagement und vertrauensvolle Kommunikation sollten an erster Stelle stehen. Insofern sieht er sich als Brückenbauer zwischen den unterschiedlichen Stakeholdern.

Artur König ist Informatiker mit den Schwerpunkten Datenarchitektur und Datenanalyse. Bei der reportingimpulse GmbH verantwortet er die ganzheitliche Umsetzung von Datenprodukten von der Datenquelle bis zum fertigen Datenprodukt im Microsoft-Umfeld. Ein weiterer Fokus von Artur ist der Wissenstransfer und Austausch in der Community. Beim TDWI betreut er den Themenzirkel »Self-Service & Analytics«. Zuvor war er über 12 Jahre als Berater im IT-Audit, in Softwareprojekten und in der Umsetzung von Reporting-Lösungen bei Unternehmen verschiedener Branchen und Größen sowie als Leiter des BI-Bereichs bei einem mittelständischen Softwareunternehmen tätig.

Philipp Baron Freytag von Loringhoven ist ein versierter Marketingexperte und Datenanalyst, der sich auf die Kombination von Daten, Marketing und Technologie spezialisiert hat. Er bringt über 15 Jahre Erfahrung mit in der dezentralen Leitung von Marketingteams in 42 Ländern, der Gestaltung von Marketing & Datenstrategien und der Entwicklung digitaler Geschäftsmodelle. Als Freiberufler nutzt er seine Fachkenntnisse, um Unternehmen in den Bereichen datengesteuertes Marketing und Wachstum zu beraten. Philipp verwendet seine breitgefächerte Expertise, um Unternehmen dabei zu helfen, ihre Prozesse auf die Bedürfnisse ihrer Kunden und Mitarbeiter zuzuschneiden. Seine umfassenden Kenntnisse und seine einzigartige Fähigkeit, Daten, Marketing und Technologie zu verknüpfen, festigen seinen Status als Experte auf seinem Gebiet.

Lars Schreiber beschäftigt sich als Wirtschaftsinformatiker seit 2009 mit Themen rund um BI & Analytics. Er arbeitet als Abteilungsleiter für Business Intelligence Services in der Global IT der Pepperl + Fuchs SE. Gemeinsam mit seinem Team erstellt und betreibt er BI & Analytics-Lösungen und Plattformen für sein Unternehmen. Seit mehr als zwei Jahren ist er Teil des TDWI-Themenzirkels »Self-Service & Analytics« und beschäftigt sich mit den verschiedenen Facetten dieses Themas und wie diese in die Praxis transferiert werden können.

Dr. Thomas Zachrau ist seit über 30 Jahren leidenschaftlich im Bereich Analytics unterwegs. Die Analytik der kundenzentrierten Prozesse (Vertrieb, Marketing, Service und E-Commerce) liegt ihm besonders am Herzen. In seinen Projekten optimiert er die Business-Entscheidungen in diesen Bereichen mit einem zielführenden, zuverlässigen und vertrauensvollen Vorgehen, das den Menschen in den Mittelpunkt stellt. Als Senior Manager bei Syskoplan Reply verantwortet Thomas den Bereich Analytics, Planung und Data Science auf Basis von SAP-Lösungen. Die Konzeption und Umsetzung von Self-Service-Lösungen sind ein Schwerpunkt seiner Kundenprojekte. Auch hier ist der »Faktor Mensch« mit seinen Erwartungen innerhalb der organisatorischen Rahmenbedingungen von besonderer Bedeutung.

Copyright und Urheberrechte:

Die durch die dpunkt.verlag GmbH vertriebenen digitalen Inhalte sind urheberrechtlich geschützt. Der Nutzer verpflichtet sich, die Urheberrechte anzuerkennen und einzuhalten. Es werden keine Urheber-, Nutzungs- und sonstigen Schutzrechte an den Inhalten auf den Nutzer übertragen. Der Nutzer ist nur berechtigt, den abgerufenen Inhalt zu eigenen Zwecken zu nutzen. Er ist nicht berechtigt, den Inhalt im Internet, in Intranets, in Extranets oder sonst wie Dritten zur Verwertung zur Verfügung zu stellen. Eine öffentliche Wiedergabe oder sonstige Weiterveröffentlichung und eine gewerbliche Vervielfältigung der Inhalte wird ausdrücklich ausgeschlossen. Der Nutzer darf Urheberrechtsvermerke, Markenzeichen und andere Rechtsvorbehalte im abgerufenen Inhalt nicht entfernen.

Michael Kalke · Artur König · Philipp Loringhoven · Lars Schreiber · Thomas Zachrau (Hrsg.)

Self-Service BI & Analytics

Planung, Implementierung und Organisation

Edition TDWI

Michael Kalke, [email protected]

Artur König, [email protected]

Philipp Loringhoven, [email protected]

Lars Schreiber, [email protected]

Thomas Zachrau, [email protected]

Lektorat: Christa Preisendanz

Copy-Editing: Ursula Zimpfer, Herrenberg

Lektoratsassistenz: Julia Griebel

Satz: inpunkt[w]o, Wilnsdorf (www.inpunktwo.de)

Herstellung: Stefanie Weidner, Frank Heidt

Umschlaggestaltung: Anna Diechtierow

Fachliche Beratung und Herausgabe von dpunkt.büchern in der Edition TDWI:Prof. Dr. Peter Gluchowski · [email protected]

Bibliografische Information der Deutschen Nationalbibliothek

Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.

ISBN:

Print

978-3-86490-993-1

PDF

978-3-98890-101-9

ePub

978-3-98890-102-6

mobi

978-3-98890-103-3

1. Auflage 2024

Copyright © 2024 dpunkt.verlag GmbH

Wieblinger Weg 17

69123 Heidelberg

Schreiben Sie uns:

Falls Sie Anregungen, Wünsche und Kommentare haben, lassen Sie es uns wissen: [email protected].

Die vorliegende Publikation ist urheberrechtlich geschützt. Alle Rechte vorbehalten. Die Verwendung der Texte und Abbildungen, auch auszugsweise, ist ohne die schriftliche Zustimmung des Verlags urheberrechtswidrig und daher strafbar. Dies gilt insbesondere für die Vervielfältigung, Übersetzung oder die Verwendung in elektronischen Systemen.

Es wird darauf hingewiesen, dass die im Buch verwendeten Soft- und Hardware-Bezeichnungen sowie Markennamen und Produktbezeichnungen der jeweiligen Firmen im Allgemeinen warenzeichen-, marken- oder patentrechtlichem Schutz unterliegen.

Alle Angaben und Programme in diesem Buch wurden mit größter Sorgfalt kontrolliert. Weder Autoren noch Verlag noch Herausgeber können jedoch für Schäden haftbar gemacht werden, die in Zusammenhang mit der Verwendung dieses Buches stehen.

5 4 3 2 1 0

Geleitwort

In zahlreichen Unternehmen erweist sich heute das geschäftliche Umfeld nicht nur als äußerst komplex, sondern zudem auch als sehr dynamisch. Politische Entwicklungen, gesellschaftliche Bedrohungen (Pandemien) sowie technologischer Fortschritt erfordern mehr denn je von Entscheidungsträgern schnelle und tragfähige Reaktionen, um nicht dauerhaft in Rückstand gegenüber dem Wettbewerb zu gelangen. Auf der anderen Seite versuchen Unternehmen, auf der Basis verfügbarer Informationen Entscheidungen nicht mehr rein erfahrungsbasiert, sondern in stärkerem Maße faktenbasiert zu treffen. Doch dazu bedarf es geeigneter Aufbereitungen, Analysen und Visualisierungen der zugrunde liegenden Datenbasis.

Allerdings erweist sich der klassische Weg der Bereitstellung neuer Auswertungen mit umfassender Anforderungsspezifikation und technischer Implementierung durch oftmals überlastetes IT- oder BI-Personal häufig als zu schwerfällig, um die aufkeimende Informationsnachfrage nachhaltig und fristgerecht zu befriedigen. Somit liegt der Ansatz nahe, die Entwicklung von Frontend-Anwendungen in Form von Berichten oder Dashboards in die Hände der inzwischen durchaus IT-affinen Personen in den Fachabteilungen zu legen, zumal sich hierdurch langwierige Abstimmungsrunden und hohe Nachbesserungsaufwände vermeiden lassen. Unterstützt wird diese Entwicklung durch die zunehmende IT- und Datenkompetenz (Stichwort: Data Literacy) sowie Mündigkeit der Mitarbeiterinnen und Mitarbeiter im Fachbereich in Verbindung mit dem Umstand, dass selbst erstellte Auswertungen eine hohe Akzeptanz bei den Endanwendern genießen dürften.

Zur Umsetzung dieser Vision erweist sich die Verfügbarkeit von intuitiv bedienbaren Self-Service-BI-Werkzeugen als essenziell, die es auch dem weniger erfahrenen Anwender ermöglichen, eigene Auswertungen und Darstellungen ohne umfassende technische Vorkenntnisse zu erstellen. Allerdings kann auf grundlegendes IT-Wissen nicht ganz verzichtet werden. Zumindest ein Grundverständnis der zugrunde liegenden Daten sollte vorhanden sein. Im Bereich der relationalen Datenbanken wäre es beispielsweise erforderlich, zu verstehen, wie das Tabellengerüst aufgebaut und zu nutzen ist. Zudem muss die gesamte technische Architektur dazu geeignet sein, dem Endanwender die benötigten Daten in angemessener Art zur Verfügung zu stellen, z. B. in Form von vorkonfektionierten Datenpaketen und -produkten (Data Mesh) oder einer abgestimmten Datenbasis (Data Warehouse bzw. Data Mart). Darüber hinaus ist ein organisatorischer Rahmen notwendig, der neben Regeln für den verantwortungsvollen Umgang mit Daten sowie Verantwortlichkeiten und Zuständigkeiten (Data Governance) ebenfalls Anwenderschulungen, Austauschplattformen und Betriebsunterstützung aufweist. Damit erfordert Self-Service Business Intelligence (SSBI) nicht nur das reine Angebot intuitiv bedienbarer Oberflächen für das Anfertigen von (Adhoc-)Berichten und Dashboards, sondern reicht weit darüber hinaus.

Vor diesem Hintergrund nimmt das Thema Self-Service auch bei den Aktivitäten des TDWI e. V. einen breiten Raum ein und manifestiert sich sowohl bei den großen Konferenzen als auch im Rahmen des Seminarprogramms. Bei diesen Gelegenheiten zeigt sich immer wieder ein ungebrochen großes Interesse an den unterschiedlichen Aspekten eines umfassenden Self-Service-Konzepts, nicht nur hinsichtlich der verschiedenen SSBI-Tools, sondern auch bezüglich verschiedener organisatorischer Problembereiche.

Somit erscheint es nicht nur folgerichtig, sondern darüber hinaus sehr begrüßenswert, dass sich der TDWI-Themenzirkel »Self-Service und Analytics« die Aufgabe gestellt hat, einen umfassenden Sammelband herauszugeben, der ein breites Spektrum relevanter Aspekte beleuchtet. Da die Autoren und Autorinnen fast ausnahmslos selbst im Projektgeschäft tätig und daher ständig mit den Herausforderungen in der SSBI-Praxis konfrontiert sind, erweist sich das vorliegende Werk als hochgradig relevant für alle Personen in Anwenderunternehmen und Beratungshäusern, deren Aufgaben in der Konzeption und Implementierung tragfähiger SSBI-Lösungen liegen. Aber auch in der Ausbildung von Studierenden der Informatik und insbesondere der Wirtschaftsinformatik leistet das vorliegende Buch wertvolle Unterstützung.

Ich wünsche allen Leserinnen und Lesern bei der Lektüre viel Vergnügen und bin sicher, dass sich hilfreiche Erkenntnisse schnell einstellen werden.

Prof. Dr. Peter Gluchowski

Herdecke, im Juni 2023

Inhaltsübersicht

1Einleitung

Michael Kalke · Artur König · Philipp Loringhoven · Lars Schreiber · Thomas Zachrau

Teil IGrundlagen

2Self-Service im Kontext von Datenmanagement

Raphael Branger

Teil IIPlanung von Self-Service

3Erwartungsmanagement im Self-Service

Thomas Zachrau

4Agilität und Self-Service: Warum das eine zum anderen führt

Uwe Haneke

5Organisation und Rollen im Self-Service

Lars Schreiber

6Business und Self-Service: die Anforderungen der Fachbereiche

Leonie Spiller

7Self-Service Governance

Thomas Zachrau

Teil IIIImplementierung von Self-Service

8Data Governance ermöglicht Self-Service Analytics

Tiankai Feng

9Toolauswahl im Self-Service

Artur König

10Implementierung von Self-Service-Lösungen

Artur König

Teil IVOrganisation von Self-Service

11Technische Schulden bei Self-Service-Datenlösungen

Artur König

12Communitys als Treiber von Self-Service-Organisationen

Michael Kalke und Kamaljit Kaur

13Mitarbeiterausbildung und Datenkompetenz

Artur König und Thomas Zachrau

14Etablieren einer Self-Service-Kultur

Philipp Baron Freytag von Loringhoven

15Epilog

Anhang

AAutoren

BLiteratur

Index

Inhaltsverzeichnis

1Einleitung

Michael Kalke · Artur König · Philipp Loringhoven · Lars Schreiber · Thomas Zachrau

Acht Thesen zur Einordnung von Self-Service BI & Analytics

These Nr. 1 – Ohne Datenzugang kein Self-Service

These Nr. 2 – Self-Service ist keine Frage von Tools

These Nr. 3 – Self-Service benötigt Datenkompetenz

These Nr. 4 – Self-Service ist ein strategischer Prozess, kein geschlossenes Konstrukt

These Nr. 5 – Self-Service folgt als Teil der Datenstrategie immer der Unternehmensstrategie

These Nr. 6 – Self-Service ist nicht möglich ohne eine Kultur der Transparenz und offenen Kommunikation

These Nr. 7 – Ohne Regeln (Governance) kein effektives Self-Service

These Nr. 8 – Self-Service ist immer vorhanden

Teil IGrundlagen

2Self-Service im Kontext von Datenmanagement

Raphael Branger

2.1Self-Service?!

2.2Data-Management-Quadranten als Positionierungshilfe

2.2.1Push-Pull-Achse

2.2.2Opportunistische vs. systematische Entwicklung

2.2.3Die vier Quadranten

2.2.4Wie sich Self-Service positionieren lässt

2.3Grad der BI-Anwender-Interaktivität

2.3.1Dimensionen der BI-Anwender-Interaktivität

2.3.2Beispiele verschiedener Abstufungen der BI-Anwender-Interaktivität

2.3.3Data-Management-Quadranten und der Grad der BI-Anwender-Interaktivität

2.4Ein Definitionsversuch

Teil IIPlanung von Self-Service

3Erwartungsmanagement im Self-Service

Thomas Zachrau

3.1Inhaltliche Leitplanke im Self-Service

3.2Stabilität und Robustheit von Self-Service-Lösungen

3.2.1Verantwortlichkeiten

3.2.2Change Management in der Datenmodellierung

3.3Einbettung in eine unternehmensweite Datenkultur

3.4Fazit

4Agilität und Self-Service: Warum das eine zum anderen führt

Uwe Haneke

4.1Agilität

4.1.1Grundgedanken eines prägenden Konzepts

4.1.2Agile Vorgehensweisen in der Softwareentwicklung

4.2Agilität in der Business Intelligence

4.3Das agile Unternehmen

4.3.1Agile Leadership

4.3.2Agile Transformation

4.4Durchgängig agil: Skalierungsansätze

4.5Agile Organisationsentwicklung

4.6Self-Service als notwendige Voraussetzung

4.7Fazit

5Organisation und Rollen im Self-Service

Lars Schreiber

5.1Funktionen von BI-Organisationen

5.1.1BICC als zentrales Element

5.1.2Einordnung eines BICC

5.2Fachanwender im Self-Service

5.2.1Rollenunterscheidung nach Datenversorger und Datennutzer

5.2.2Datenkompetenz und Informationsbedarf als wichtige Kriterien

5.2.3Modelle zur Unterscheidung von Rollen

5.3Praktischer Exkurs am Beispiel Tableau

5.4Aspekte bei der Einführung neuer Rollen

5.5Fazit

6Business und Self-Service: die Anforderungen der Fachbereiche

Leonie Spiller

6.1Fachbereiche als Schlüssel für gute Self-Service-Planung

6.1.1Hürden zwischen Fach- und Analytics-Bereiche

6.1.2Aufgaben und Arbeitsweise der Analytics-Abteilungen

6.1.3Aufgaben und Arbeitsweise der Fachbereiche

6.1.4Wertschöpfung der Fachbereiche aus Self-Service

6.2Anforderungen für erfolgreiche Implementierung von Self-Service aus Sicht der Fachbereiche

6.2.1Anforderungen

6.2.2Die richtigen Fragen stellen: Ziele und Verwendungszweck

6.2.3Datenqualität

6.2.4Zugang zu Self-Service-Anwendungen

6.2.5Operationalisierung

6.3Fazit

7Self-Service Governance

Thomas Zachrau

7.1Planung von Self-Service Governance

7.2Organisation

7.3Prozesse

7.4Qualität

Teil IIIImplementierung von Self-Service

8Data Governance ermöglicht Self-Service Analytics

Tiankai Feng

8.1Was ist Data Governance eigentlich?

8.2Data Governance als »Enabler« für Self-Service-Analytics

8.2.1Data-Governance-Rollen und -Verantwortlichkeiten

8.2.2Data Governance in Geschäftsprozessen

8.2.3Datenmodelle

8.2.4Technologien in Data Governance

8.2.5Datenkatalog im Self-Service Analytics

8.2.6Datenzugangsmanagement für Self-Service-Analytics

8.2.7Datenqualitätsmanagement und Self-Service-Analytics

8.3Data-Governance-Verantwortlichkeit von Self-Service-Analytics-Nutzern

8.4Fazit

9Toolauswahl im Self-Service

Artur König

9.1Wie relevant sind Tools im Self-Service?

9.1.1Es ist nicht alles wichtig

9.1.2Sollten wir über Tools sprechen?

9.1.3Ohne Tools geht es nicht

9.1.4Tools allein lösen keine Probleme

9.2Was braucht Self-Service?

9.2.1Erfolgsfaktoren und Entstehung

9.2.2Warum reicht Excel nicht aus?

9.2.3Toolauswahlprozesse passen nicht zu Self-Service

9.3Tools und Self-Service in der Praxis

9.3.1Einsatz von Tools im Self-Service

9.3.2Self-Service-Architektur

9.3.3Macht die Cloud einen Unterschied?

9.3.4Stufenweiser Ansatz

9.3.5Proof of Concept statt Softwareauswahl

9.4Fazit:Softwareauswahl anders denken

10Implementierung von Self-Service-Lösungen

Artur König

10.1Warum ist die Entwicklung im Self-Service anders?

10.1.1Self-Service-Entwicklung erfordert Denken in MVPs

10.1.2Experten im Self-Service: Abgrenzung und Begriffsklärung

10.1.3Wenn unfertige Lösungen zum Standard werden

10.1.4Probleme von BI-Verantwortlichen im Self-Service

10.2Entwicklungsorganisation im Self-Service-Umfeld

10.2.1Was wir von agilen Projekten lernen können: Nutzen-Dimensionen

10.2.2Unterschiedliche Entwicklungsstufen von Datenprodukten

10.2.3Der Lebenszyklus einer Self-Service-Analytics-Lösung während ihrer Entwicklung

10.2.4Analytics-Lösungen sind Produkte und keine Projekte

10.3Erfahrungen aus einem Self-Service-Projekt im Mittelstand

10.3.1Überblick und Projektziele

10.3.2Besonderheiten von Self-Service Analytics in der HoGa-Branche

10.3.3Agiler Ansatz im BI-Projekt

10.3.4Projektstart und Priorisierung

10.3.5Architektur und Software

10.3.6Von der Idee bis zur Umsetzung

10.3.7Iterative Vorgehensweise und Skalierung

10.3.8Erfolgsfaktoren und Gelerntes aus dem Projekt

10.4Funktioniert die Theorie in der Praxis?

10.4.1Regelbetrieb im dynamischen Umfeld

10.4.2Aktive Kommunikation der verschiedenen Aufgaben

10.4.3Transparente Verteilung der Aufgaben und Ressourcen

10.4.4Organisationsweite Priorisierung

10.5Was können wir für die Priorisierung der Entwicklung im Self-Service lernen?

Teil IVOrganisation von Self-Service

11Technische Schulden bei Self-Service-Datenlösungen

Artur König

11.1Überblick über technische Schulden

11.1.1Was sind technische Schulden?

11.1.2Arten technischer Schulden

11.1.3Auswirkungen technischer Schulden

11.1.4Entstehung technischer Schulden

11.1.5Ausprägung technischer Schulden

11.1.6Technische Schulden und Self-Service

11.2Notwendigkeit und Probleme

11.2.1Wann lohnt sich die Aufnahme technischer Schulden?

11.2.2Folgen technischer Schulden

11.2.3Unvermeidbarkeit und Notwendigkeit der Behandlung

11.3Strategien gegen technische Schulden

11.3.1Reduzieren der technischen Schulden

11.3.2Umgang mit unbewussten technischen Schulden

11.3.3Nachträgliche Behebung der technischen Schulden

11.3.4Mehrstufige Lösungen als Strategie

11.4Erkennen, Messen und Priorisieren

11.4.1Präventive Folgeabschätzung

11.4.2Möglichkeiten und Grenzen der laufenden Messung

11.5Beispiele: Möglicher Lebenszyklus von Datenlösungen

11.5.1Von der Excel-Lösung zum Managed Self-Service

11.5.2Fehler bei der Ablösung eines veralteten BI-Werkzeugs

11.6Fazit: Was bei technischen Schulden zu beachten ist

12Communitys als Treiber von Self-Service-Organisationen

Michael Kalke und Kamaljit Kaur

12.1Einleitung

12.2Einführung in BI-Communitys

12.2.1BI-Communitys in der Praxis

12.2.2Ziele und Aufgaben

12.2.3Erfolgsfaktoren

12.3Umsetzung einer BI-Community im Unternehmen

12.3.1Community Leads

12.3.2Teilnehmer

12.3.3Organisation

12.3.4Inhalte

12.3.5Werkzeuge zur Unterstützung

12.3.6Praxisbeispiel

12.4Fazit

13Mitarbeiterausbildung und Datenkompetenz

Artur König und Thomas Zachrau

13.1Bedeutung der Mitarbeiterausbildung im Self-Service

13.2Abgrenzung von Data Literacy und Toolkompetenz

13.3Zielgruppen der Mitarbeiterausbildung

13.4Identifikation von Zielgruppen in einer Organisation

13.5Zielsetzung und Vorgehen bei der Mitarbeiterausbildung

13.6Rollentypen und deren Strukturierung

13.7Aufgabenverteilung der Rollen

13.8Entwicklungspfade der Rollentypen

13.9Praktische Umsetzung

14Etablieren einer Self-Service-Kultur

Philipp Baron Freytag von Loringhoven

14.1Was ist eigentlich eine Self-Service-BI-Kultur?

14.2Die Relevanz einer Self-Service-Kultur und wie sie zur datengetriebenen Entscheidungsfindung beiträgt?

14.2.1Rolle der Mitarbeiter

14.2.2Bedeutung der Führungskräfte

14.2.3Revision von Prozessen und Technologien

14.2.4Kontinuierliche Überwachung und Anpassung

14.3Resilienz durch Self-Service Business Intelligence

14.4Herausforderungen bei der Etablierung einer Self-Service-BI-Kultur

14.4.1Kulturelle und organisatorische Herausforderungen zeigen sich in der Kommunikation

14.4.2Die unendliche Welt der technischen Herausforderungen

14.4.3Bildungsherausforderungen: Förderung der Datenkompetenz

14.5Mittel und Wege zur Etablierung einer Self-Service-BI-Kultur

14.5.1Eine datengesteuerte Kultur beginnt an der (ganz) oberen Spitze

14.5.2Arbeiten Sie mit Leuchtturmprojekten und sprechen Sie darüber

14.5.3Daten als Teil des Teams denken

14.5.4Quantifizieren Sie die Unsicherheit!

14.5.5Lassen Sie Daten für sich arbeiten

14.5.6Seien Sie bereit, Flexibilität gegen Konsistenz einzutauschen – zumindest auf kurze Sicht

14.6Fazit:Egal was sie tun, tun Sie es auch!

15Epilog

Anhang

AAutoren

BLiteratur

Index

1Einleitung

Michael Kalke · Artur König · Philipp Loringhoven · Lars Schreiber · Thomas Zachrau

Seit der Entstehung des Themenzirkels »Self-Service und Analytics« gibt es immer wieder die Diskussion, wie »Self-Service« eigentlich zu definieren ist. Ist bereits das Setzen eines Filters in einem Report Self-Service? Müssen Endanwender zwingend Daten selbst aufbereiten oder ganz neue Datenquellen hinzufügen? Und was ist mit Excel-Tabellen?

Dabei kam auch die Frage auf, ob es Self-Service überhaupt gibt, die sich Andreas Wiener, Mitgründer unseres Themenzirkels, in seinem Blog stellte [Wiener 2021].

Trotz der zahlreichen Diskussionen haben wir zum Zeitpunkt der Veröffentlichung dieses Buches keine Definition für das Thema, die allen Aspekten und Sichtweisen gerecht werden kann. Auch die Definitionen des TDWI [TDWI Glossary] und von BARC [BARC 2017] bleiben eher vage und gehen lieber auf die einzelnen Detailaspekte ein, als eine finale Abgrenzung des Themas zu liefern.

Es braucht also nicht zwingend eine abschließende Definition, damit ein Konzept nützlich ist. Stattdessen konnten wir uns auf acht Kernthesen einigen, mit denen wir uns in dieser Einleitung dem Thema nähern.

Die Kapitel dieses Buches greifen auf diese Thesen zurück und tragen alle dazu bei, dass Self-Service – was auch immer das genau sein mag – effektiv in der Praxis gelebt werden kann.

1.1Acht Thesen zur Einordnung von Self-Service BI & Analytics

These Nr. 1 – Ohne Datenzugang kein Self-Service

Daten sind die Ressourcen in Self-Service BI & Analytics jeglicher Ausprägung. Ohne Zugang zu Daten kann ein Self-Service nicht existieren. Ein Vorhandensein von Daten reicht nicht aus, wenn es keinen Zugang für Beteiligte gibt. Für die Abgrenzung ist das Vorhandensein des Datenzugangs entscheidend, wobei Art und Umfang wiederum unterschiedlich sein können. Die in Kapitel 2 vorgestellten Modelle der Data-Management-Quadranten sowie des Grads der BI-Anwender-Interaktivität helfen bei der Charakterisierung des gewünschten oder vorhandenen Datenzugangs.

Wie wir in Kapitel 3 im Kontext des Erwartungsmanagements zeigen, stellt der Zugang zu Daten eine wesentliche Erwartung der Anwender dar. Hierbei erläutern wir den Zusammenhang mit der Verantwortlichkeit des Anwenders entlang seiner Rolle näher. Dort, wo der Zugang zu den vorhandenen Daten zur Erfüllung der Aufgaben im Rahmen der Rolle des Anwenders nicht ausreicht, muss dieser Zugang im Zusammenhang mit Self-Service erweiterbar sein.

Die Bedeutung von Data Governance als Rahmengeber für die Arbeit mit Daten und damit als wichtige Grundvoraussetzung für den nachhaltigen Erfolg von Self-Service wird in Kapitel 8 thematisiert.

These Nr. 2 – Self-Service ist keine Frage von Tools

Die Möglichkeit eines Self-Service hängt von Umgebungsfaktoren ab, nicht von einzelnen Tools bzw. Werkzeugen. Diese sind austauschbar und das Vorhandensein von Tools ersetzt keine Self-Service-Strategie.

Dies bedeutet aber keineswegs, dass Tools irrelevant sind. Ganz im Gegenteil befähigen bestimmte BI-Werkzeuge und Speicher die einzelnen Zielgruppen erst dazu, Self-Service zu nutzen. Damit sind Tools eine notwendige, aber keine hinreichende Bedingung für Self-Service.

In Kapitel 9 werden die mit Tools zusammenhängenden Aspekte näher betrachtet, unter anderem aufgrund welcher Eigenschaften Excel das erfolgreichste Self-Service-Werkzeug geworden ist und warum langwierige Auswahlprozesse und Diskussionen über Details von BI-Werkzeugen oft nicht zielführend sind. Tools sind ein wichtiger Baustein bei der Umsetzung von Self-Service und sollten nicht vernachlässigt, aber auch nicht als alleinige Lösung überbewertet werden.

These Nr. 3 – Self-Service benötigt Datenkompetenz

Um Daten nutzen zu können, ist Datenkompetenz bei den Beteiligten erforderlich. Ein Datenzugang ohne Datenkompetenz ist kein Self-Service, da die Daten nicht zielführend genutzt werden können. Ohne Datenkompetenz sind die Empfänger der Daten nur Konsumenten. Dieser Aspekt wird auch in Kapitel 2 im Modell der BI-Anwender-Interaktivität aufgenommen.

Das Ausmaß an Datenkompetenz kann von der Organisation durch passende Maßnahmen gesteuert werden und wirkt sich wiederum direkt auf den Reifegrad von Self-Service aus. Ein höherer Reifegrad von Self-Service setzt eine größere Datenkompetenz der Beteiligten voraus. Das Vorhandensein von Self-Service hat in der Regel auch einen positiven Einfluss auf die Datenkompetenz der Beteiligten, d. h., Self-Service ist selbst eine Maßnahme zur Steigerung der Datenkompetenz. Ohne ein Fundament an Datenkompetenz (alternativ oft auch als »Data Literacy« bezeichnet) kann Self-Service jedoch nicht existieren. Es ist also nicht möglich, mit Self-Service »bei null« anzufangen, ohne vorher Datenkompetenz aufgebaut zu haben. Aufgrund dieses engen Zusammenhangs wird dieses Thema in Kapitel 13 explizit behandelt.

Der Grad der Datenkompetenz wirkt sich direkt auf die Erwartungen der Anwender aus. Eine Steuerung der Erwartungen, wie wir sie in Kapitel 3 beschreiben, hat daher direkte Abhängigkeiten zu der für die Ausübung der Aufgaben innerhalb der Rolle des Anwenders benötigten Datenkompetenz. Im Rahmen des Erwartungsmanagements erfolgt die notwendige kontinuierliche Erweiterung der Datenkompetenz, hierbei verstärkt im Rahmen von Anwendergruppen mit Fokus auf methodische und inhaltliche Aspekte.

In Kapitel 5 wird darauf eingegangen, welche verschiedenen Rollen für Self-Service notwendig sind und auf Basis des Informationsbedarfs und der Datenkompetenz ausgeprägt werden können.

In Kapitel 12 zeigen wir anhand von BI-Communities, wie innerbetriebliche Datenkompetenz auf Mitarbeiterebene erhöht werden kann.

These Nr. 4 – Self-Service ist ein strategischer Prozess, kein geschlossenes Konstrukt

Self-Service kann nicht als geschlossenes System losgelöst von anderen Prozessen einer Organisation betrachtet werden, da sich das Vorhandensein direkt auf andere Prozesse auswirkt. Somit ist Self-Service auch nie wirklich abgeschlossen. Da Self-Service in verschiedenen Ausprägungen existieren kann, gibt es unterschiedliche Reifegrade von Self-Service, die sich durch die Selbstständigkeit der Self-Service-Anwender voneinander unterscheiden (vgl. Abb. 1–1).

Auch wenn Self-Service in der Ausführung operativ ist, beeinflussen die evolutionären und explorativen Eigenschaften von Self-Service auch strategische Aspekte, da in der Regel zusätzliches Wissen generiert und genutzt wird. Eng verbunden mit dem Thema Self-Service ist das Thema Agilität. Der Zusammenhang wird in Kapitel 4 beschrieben.

In Kapitel 7 beschreiben wir die Auswirkung auf die Prozesse der Governance und stellen dabei dar, inwieweit auch diese Prozesse stetig weiterentwickelt werden müssen, damit Self-Service erfolgreich sein und bleiben kann. Zudem widmen sich die Kapitel in Teil IV des Buches explizit dem Betrieb von Self-Service. So wird im Rahmen der Betrachtung der technischen Schulden in Kapitel 11 betont, dass Self-Service-Lösungen Produkte mit einem Lebenszyklus sein müssen und keine anzuschließenden Projekte.

Abb. 1–1Self-Service-Prozess und Reifegrad

These Nr. 5 – Self-Service folgt als Teil der Datenstrategie immer der Unternehmensstrategie

Als strategischer und stets vorhandener Bestandteil hat Self-Service Wechselwirkungen mit der Unternehmensstrategie und wird von dieser beeinflusst, da davon ausgegangen wird, dass die Nutzung von Daten generell der Unternehmensstrategie folgt. Self-Service ist kein Selbstzweck, sondern beschreibt die Nutzung von Daten im Unternehmenskontext.

Die Möglichkeiten für Self-Service ergeben sich aus dem aus der Strategie resultierenden Einsatz von Ressourcen. Die in Kapitel 5 beschriebenen Aspekte in Bezug auf Rollen sollten im Rahmen einer Datenstrategie berücksichtigt werden, um eine flächendeckende organisatorische Ausprägung zu fördern.

Durch die gewonnenen Informationen kann Self-Service selbst wiederum einen Einfluss auf die Unternehmensstrategie haben, was jedoch nicht zwingend ist, da die Informationen auch ignoriert werden können. Um dies zu vermeiden, müssen die Bedarfe der verschiedenen Fachanwender in die Strategiefindung einbezogen werden. Kapitel 6 widmet sich diesem Thema im Detail.

Das Ausbleiben positiver Effekte von Self-Service kann somit auf strategische Defizite hinweisen. Die Datenstrategie als Bindeglied zwischen Unternehmensstrategie und Self-Service ist sinnvoll, jedoch nicht immer vorhanden. Dies ist aber ein strategisches Defizit und keine Eigenschaft von Self-Service. Das in Kapitel 2 beschriebene Modell der Data-Management-Quadranten hilft, verschiedene Arten von Self-Service als Bestandteil der Datenstrategie zu positionieren.

These Nr. 6 – Self-Service ist nicht möglich ohne eine Kultur der Transparenz und offenen Kommunikation

Business Intelligence, also der Prozess der Informationsgewinnung, ist nur dann relevant, wenn die dabei entstehenden Informationen auch genutzt werden. Nutzung impliziert dabei eine aktive Auseinandersetzung mit den jeweiligen Daten und Informationen. Damit Self-Service-Ansätze in einer Organisation einen bedeutenden Einfluss haben können, muss eine Kultur existieren, die die Nutzung von Daten befürwortet und fördert. Hierbei spielen Transparenz und offene Kommunikation eine entscheidende Rolle.

Das Teilen von Daten und Informationen ist eine wesentliche Voraussetzung für Self-Service, ohne die Self-Service nicht funktionieren kann. Der Zugewinn an Performance durch die aktive Nutzung von Daten durch einzelne Personen und Bereiche ist im Vergleich zur ganzheitlichen Nutzung von Daten unerheblich.

Für das Gelingen des Self-Service-Konzepts ist es notwendig, dass die Empfänger dieser Daten und die Entscheidungsträger bereit sind, die gewonnenen Erkenntnisse anzunehmen und Entscheidungen auf der Grundlage von Self-Service-Analysen zu treffen. Ohne diese Bereitschaft bleibt jeder potenzielle Nutzen aus der Datenanalyse ungenutzt.

Es ist wichtig, sich daran zu erinnern, dass diese kulturellen Aspekte im Kontext von Self-Service-Ansätzen nicht isoliert betrachtet werden können. Sie werden in Kapitel 14 ausführlich behandelt. Darüber hinaus wird in Kapitel 12 das damit verbundene Thema der Bildung von Gemeinschaften oder »Communities« als ein wesentlicher Aspekt einer kontinuierlichen Self-Service-Initiative diskutiert.

These Nr. 7 – Ohne Regeln (Governance) kein effektives Self-Service

Ein ungesteuertes Self-Service ist möglich, aber nicht zielführend. Die gezielte Steuerung bzw. Governance von Self-Service ermöglicht dessen zielführenden Einsatz. Ein ungesteuerter Self-Service kann sich sogar negativ auf die Organisation auswirken, z. B. durch die Schaffung widersprüchlicher Definitionen und »alternativer Wahrheiten«. Wichtiger noch als Ablaufregeln ist daher im Rahmen der Governance deshalb die Schaffung einheitlicher Definitionen und damit einer »gemeinsamen Sprache«, wie Daten und Kennzahlen zu interpretieren sind.

Die Art der Governance-Vorgaben kann einen Effekt auf den Reifegrad des Self-Service haben, muss es aber nicht zwingend. Strenge oder lockere Governance-Vorgaben können in jedem Reifegrad existieren und zielführend sein.

In Kapitel 7 beschreiben wir die organisatorischen und prozessualen Aspekte einer Self-Service Governance und die Wechselwirkungen mit der Qualität als wesentlicher Faktor für die Effizienz von Self-Service.

Der wichtige Aspekt der Data Governance mit seinen Wechselwirkungen zur Self-Service Governance wird in Kapitel 8 betrachtet.

These Nr. 8 – Self-Service ist immer vorhanden

In real existierenden Organisationen sind Daten, Werkzeuge und Datenkompetenz – mal mehr, mal weniger ausgeprägt – vorhanden. Folglich existiert immer auch ein gewisser Grad an Self-Service, egal ob es aktiv wahrgenommen oder so genannt wird. Es ist nicht möglich, den selbstständigen Umgang mit Daten zu unterbinden, sobald Beteiligte Zugriff auf die Daten haben. Deshalb ist davon auszugehen, dass Self-Service – in welcher Form auch immer – in jeder Organisation existiert. Wenn eine Organisation Self-Service ignoriert oder unterbinden möchte, bedeutet dies nicht, dass es keinen Self-Service gibt, sondern nur, dass er nicht aktiv gesteuert wird (»Schatten-IT«).

Dies muss auch bei der Entwicklung und dem Betrieb von Self-Service-Lösungen beachtet werden. Wenn die Lösung unpassend, der Support zu langsam oder die Benutzung zu umständlich ist, werden Benutzer Wege finden, die Lösung zu umgehen und die Daten zu nutzen.

In Kapitel 10 wird an anhand eines Beispiels diskutiert, dass Pragmatismus und Geschwindigkeit daher wichtige Themen bei der Entwicklung von Self-Service-Lösungen sein müssen, um diese gegenüber einer Schatten-IT zu positionieren. Dabei entstehen allerdings technische Schulden, die anschließend – idealerweise nach einem nachvollziehbaren Plan – abgebaut werden müssen. Die Entstehungsgründe technischer Schulden und mögliche Lösungsansätze werden in Kapitel 11 ausführlich beschrieben.

Unser Zwischenfazit lautet: Wir wissen vielleicht noch nicht genau, wie wir »Self-Service« definieren sollen. Aber wir haben in den letzten Jahren viel Praxisrelevantes aus den Diskussionen zu diesem Thema gelernt. Und wir haben sehr viele spannende Anwendungsfälle gesehen, die die hier beschriebenen Thesen zielführend umsetzen.

Im Namen des TDWI-Themenzirkels »Self-Service und Analytics« wünschen wir Ihnen viel Erkenntnisgewinn und Spaß bei der Lektüre.

Michael Kalke

Artur König

Philipp Baron Freytag von Loringhoven

Lars Schreiber

Thomas Zachrau

Teil I

Grundlagen

2Self-Service im Kontext von Datenmanagement

Raphael Branger

Dieses Kapitel beschäftigt sich mit der Frage: »Was ist eigentlich Self-Service?« Zuerst wird das Modell der Data-Management-Quadranten nach Ronald Damhof vorgestellt. Mithilfe dieses Modells wird dargelegt, dass Self-Service je nach Zielpublikum und den damit verbundenen Qualitätsansprüchen unterschiedliche Bedeutungen haben kann.

Während sich das Modell der Data-Management-Quadranten für die Definition von Self-Service auf strategisch-taktischer Ebene eignet, wird für die konkrete Anforderungserhebung bezüglich Self-Service ein weiteres Modell eingeführt: die BI-Anwender-Interaktivität. Anhand verschiedener Dimensionen werden die möglichen Ausprägungen der BI-Anwender-Interaktivität im Umgang mit dem BI-Werkzeug sowie beim Zugriff auf eine Datenquelle strukturiert.

Abschließend folgt der Versuch einer Definition von Self-Service in drei Ausprägungen: geführte Self-Service-Konsumation, geführte Self-Service-Entwicklung sowie freie Self-Service-Entwicklung.

2.1Self-Service?!

Bevor wir uns einige Modelle zur Definition von Self-Service im BI-Kontext anschauen, möchte ich mit einer Geschichte beginnen. Diese Anekdote zeigt exemplarisch auf, wie unterschiedlich »Self-Service« verstanden werden kann.

Als junger BI-Berater wurde ich vor Jahren auf ein Projekt bei einem international tätigen Medizintechnikunternehmen geschickt. Mein Auftrag lautete, den Kunden bei der Umsetzung eines »Self-Service-Reportings« zu unterstützen. Angefragt wurde ich von der IT-Abteilung, die auch die BI-Software (in diesem Fall BusinessObjects Web Intelligence) betrieb.

Zu dieser Zeit machte die Firma BusinessObjects viel Werbung damit, dass mit dem Produkt Web Intelligence »Self-Service-Reporting« möglich sei, während andere Werkzeuge wie Crystal Reports als Werkzeuge für »Standard-Reports« deklariert wurden. Diese Klassifizierung wurde von uns im Projektteam nicht hinterfragt. Für uns war klar: Wenn der auftraggebende Fachbereich ein Self-Service-Reporting haben möchte, dann wollen die Anwender selbst neue Reports und Dashboards entwickeln.

Zum Glück konnten wir mit einigen Anwendern direkt sprechen. Es gab durchaus Personen, die sich darauf freuten, in Zukunft ihre eigenen Reports zu entwickeln. Es gab aber auch den Projektsponsor und Nutznießer des zukünftigen »Self-Service-Reportings«. Ich habe mit ihm gesprochen und ihn gefragt, auf welche Datenquellen er denn in Zukunft zugreifen möchte, wenn er sich selbst einen Report erstellt. Seine Reaktion darauf: »Selbst einen Report erstellen? Um Himmels willen, nein!« Sie können sich meine Verwunderung vorstellen. Der Manager erzählte mir dann, was er ursprünglich im Kopf hatte: Bei einem gemeinsamen Kaffee mit einem IT-Kollegen habe er den Wunsch geäußert, dass die Firma etwas zum Thema »Self-Service-Reporting« machen solle. Leider war das Gespräch zu kurz, um seine Motivation zum Thema »Self-Service« zu erläutern. Mir erklärte der Manager dann Folgendes: Er sei viel unterwegs, oft auch im Flugzeug. Dort studiere er meist ausgedruckte Reports. Sein bisheriger »Nicht-Self-Service«-Prozess sah folgendermaßen aus: Vor Antritt einer Geschäftsreise rief er seine Assistentin an und wies sie an, welche Reports er für welche Zeitperioden und Produktgruppen usw. benötigt. Die Assistentin suchte die Berichte (die es in dieser Form auf der Business-Objects-Plattform bereits gab!) zusammen und aktualisierte sie mit den jeweils passenden Parameterwerten. Danach druckte sie die Berichte aus und übergab sie ihrem Chef.

Aus Sicht dieses Managers bestand »Self-Service« folglich darin, dass er die Reports selbst online abrufen und – wenn nötig – andere Parameterwerte auswählen konnte. Des Weiteren war es ihm wichtig, die Berichte als PDF speichern zu können, damit er diese auf einem Tablet anschauen konnte statt auf Papier. Diese Anliegen konnten wir sofort und mit minimalem Aufwand adressieren: Der Manager bekam die Berechtigung, selbst auf das interne Webportal von Business-Objects zuzugreifen. Dann erhielt er eine halbstündige Schulung, in der ihm gezeigt wurde, wie er Reports selbstständig aktualisieren und danach exportieren kann.

Was können wir aus dieser Geschichte lernen? Erstens: Für die Definition eines Begriffs sollte man sich nicht (nur) auf die Aussagen von Softwareherstellern und deren Sichtweise der Welt stützen. Zweitens: Offensichtlich gibt es in einer Organisation ganz unterschiedliche Anforderungen und Vorstellungen von »Self-Service«. Fragt man in der Anforderungserhebung nur nach »Brauchst du Self-Service in deinem BI-System?«, greift das zu kurz.

Diese beiden Punkte wollen wir in den nächsten beiden Abschnitten aufgreifen. Die Data-Management-Quadranten von Ronald Damhof stellen dabei eine übergeordnete, konzeptionelle Positionierungshilfe für unterschiedliche Self-Service-Aspekte dar. Das Modell vom »Grad der BI-Anwender-Interaktivität« hingegen unterstützt bei der praktischen Anforderungserhebung hinsichtlich Self-Service-Bedürfnisse.

2.2Data-Management-Quadranten als Positionierungshilfe

Für die Definition von Self-Service im Analytics-Umfeld sollte man den Begriff im größeren Kontext des Datenmanagements und damit auch der Datenstrategie (vgl. These Nr. 5 »Self-Service folgt als Teil der Datenstrategie immer der Unternehmensstrategie«) einordnen. Ronald Damhof hat hierzu das Modell der Data-Management-Quadranten beschrieben [Damhof 2015]. Abbildung 2–1 zeigt das Modell, das nachfolgend auf Basis von [Branger 2018] zusammengefasst beschrieben und im Kontext von Self-Service erläutert werden soll.

Abb. 2–1Data-Management-Quadranten

2.2.1Push-Pull-Achse

Damhof beschreibt in seinem Modell zwei Achsen. Auf der horizontalen Achse zieht er die aus der Betriebswirtschaftslehre bekannten Begriffe der Push- oder Pull-Strategie heran. Gemeint ist damit, wie stark der Produktionsprozess durch die Nachfrage gesteuert und individualisiert wird. Links ist die Push-Strategie dominant – in der realen Welt werden dabei Produkte hoch standardisiert und automatisiert hergestellt und vertrieben, z. B. Zündhölzer oder Kugelschreiber. Als Käufer dieser Produkte habe ich keinen Einfluss auf deren Entstehungsprozess, ich erwarte implizit aber auch eine hohe Qualität oder das Einhalten gültiger Normen. Als Hersteller wiederum warte ich nicht, bis die individuelle Kundenbestellung eintrifft, sondern ich produziere im Hinblick auf eine erwartete Abnahmemenge.

Übertragen auf das Datenmanagement gibt es ebenfalls »Produkte«, die mittels einer Push-Strategie bereitgestellt werden. Zum Beispiel stellt die BI-Abteilung die Anbindung verschiedener Quellsysteme zur Verfügung und bereitet die Daten in einem zentralen Data Warehouse auf. Dabei ist noch unklar, in welcher Form und welchem Kontext die Fachabteilungen die Daten später auswerten möchten. Daher werden an dieser Stelle auch nur so wenig Geschäftsregeln wie unbedingt nötig angewendet. Der Fokus liegt auf Skaleneffekte und dem Bereitstellen einer stabilen Grundinfrastruktur für BI im Unternehmen.