Unternehmen ohne Analytics-Übersetzer handeln fahrlässig
Jedes Unternehmen, das mit Big Data arbeitet und von den Daten wirklich profitieren will, braucht einen Analytics-Übersetzer. Ein Meinungsbeitrag von Holger Hürtgen, Partner bei der Unternehmensberatung McKinsey.
"Analytics-Übersetzer zu sein, ist vielmehr Fähigkeit als Rolle."
Foto: panthermedia.net/WavebreakmediaMicro
Immer mehr Organisationen treffen Unternehmensentscheidungen mittels Advanced Analytics, Predictive Analytics, Machine Learning oder einer weiteren der zahlreichen Data-Analytics-Methoden. Dazu braucht es zahlreiche Fachkräfte wie Programmierer und Data Scientists. Damit am Ende aber ein echter Mehrwert entstehen kann, müssen die Ergebnisse ins Unternehmen übertragen werden. Dies können nur Analytics-Übersetzer leisten – doch ihre Fähigkeit wird noch zu oft unterschätzt.
Praktisch jeder Unternehmenslenker weiß um die Relevanz von Data Analytics. Immerhin kann Data Analytics dabei helfen, schlechte Entscheidungen auf ein Minimum zu reduzieren. Dies gilt vor allem dann, wenn nicht nur die Prozessoptimierung in einzelnen Funktionen mittels Datenanalysen optimiert werden soll, sondern die Datenanalyse den Business-Kern betrifft.
Doch die Einsätze sind hoch. Diejenigen, die am weitesten, am schnellsten vorankommen, werden einen erheblichen Wettbewerbsvorteil haben; diejenigen, die in Verzug geraten, riskieren ihre Relevanz zu verlieren. Allerdings muss die Gleichung mit den Variablen Daten und Analysen am Ende auch Ergebnisse mit Mehrwert liefern. Ansonsten spielt es keine Rolle, wie viele Daten gesammelt werden und wie effektiv die Analyse ist. Üblicherweise wird dieses Bestreben von Programmierern, Data Scientists und KI-Experten getragen. Doch sie sind nicht die Einzigen, die Einfluss auf den Nutzen der Ergebnisse haben. Um das Potenzial von Datenanalysen auszureizen, sind Analytics-Übersetzer – auch Analytics Translators oder Datenübersetzer – nötig. Deshalb ist es strategisch essenziell, dass Unternehmen in ihr Recruiting und ihre Ausbildung investieren.
Was sind Analytics-Übersetzer?
Analytics-Übersetzer bringen die technische mit der operativen Seite der Organisation zusammen und tragen dazu bei, dass aus Advanced Analytics und künstlicher Intelligenz gewonnene Erkenntnisse in wirtschaftlichen Mehrwert umgewandelt werden. Das heißt nicht, dass Data Scientists überflüssig sind. Sie entwickeln die Analyse-Modelle etwa im Bereich Machine Learning und Deep Learning, welche in der Lage sind, die große Menge an Daten in Insights zu verwandeln. Ein Analytics-Übersetzer zu sein, ist vielmehr Fähigkeit als Rolle. Entsprechend kann die Funktion sowohl von Data Scientists getragen werden als auch von einer Person auf einer neu geschaffenen Stelle.
In der Summe geht es darum, dass Mitarbeiter genug von Data Science verstehen und jeder Data Scientist genug vom Business versteht, damit sie miteinander reden können: Die Mitarbeiter müssen wissen, wo Data Science ihnen helfen kann und sie müssen in der Lage sein, die Ergebnisse kritisch zu hinterfragen. Data Scientists hingegen müssen primär in der Lage sein zu verstehen, was für das Geschäft relevant ist, und sie müssen einschätzen können, ob die analytischen Ergebnisse praktisch umsetzbar sind und nicht nur in der Theorie gut klingen.
Somit helfen Analytics-Übersetzer den Führungskräften dabei, fruchtbare Analyseprojekte auszuwählen und sie an den Unternehmenszielen auszurichten – etwa um Lieferzeiten zu reduzieren oder die Produktionsqualität zu erhöhen. Im Anschluss setzen Analytics-Übersetzer die Projekte mit den technischen Experten um. Kurz: Sie sind Mittler zwischen dem technischen und operativen Flügel im Kontext der Datenanalyse.
Der Bedarf an Analytics-Übersetzern ist riesig
Gibt es keine Analytics-Übersetzer im Unternehmen oder fühlt sich niemand für diesen Job zuständig, ist dieser Kreislauf gestört. Ergebnisse werden nicht genutzt, Abläufe verzögern sich und Datenanalysen gehen an den Unternehmenszielen vorbei. Sprich: Eine Verschwendung von Potenzial, die sich Unternehmen im Wettbewerb der digitalisierten Wirtschaft nicht leisten können.
Bis zum Jahr 2026 werden alleine in den Vereinigten Staaten zwei bis vier Millionen Analytics-Übersetzer gebraucht werden, schätzt das McKinsey Global Institute. Und auch in Deutschland sind solche Spezialisten rar. Dabei wird der Bedarf eher zu- als abnehmen: Mit der Zeit müssen Übersetzerfähigkeiten also auch zum normalen Handwerkszeug von Data Scientists sowie Fach- und Führungskräften anderer Unternehmensteile werden, damit eine effektive Kommunikation sichergestellt bleibt.
Besonders fortschrittliche Unternehmen haben die Zeichen der Zeit bereits erkannt und investieren in ihre Ausbildung. Ein uns gut vertrautes, weltweit tätiges Stahlunternehmen bildet beispielsweise pro Jahr 300 Analytics-Übersetzer aus. Und auch McKinsey selbst hat in einer eigenen Akademie in den vergangenen Jahren über 1.000 Personen mit den nötigen Übersetzerfähigkeiten ausgestattet.
Analytics-Übersetzer müssen ihre Branche und ihr Fach gut verstehen und werden in Projektmanagement und Kommunikation geschult. Zudem müssen sie natürlich auch die Techniken der Datenanalyse beherrschen. Sie müssen die wichtigsten operativen Kennzahlen des Unternehmens und deren Auswirkungen auf Gewinn und Verlust, Kundenbindung und andere Faktoren verinnerlichen. Darüber hinaus ist das Wissen über gängige Anwendungsfälle wichtig. Dazu können etwa vorausschauende Wartung, Lieferkettenverwaltung, Bestandsverwaltung, personalisiertes Marketing und Abwanderungsvorhersage gehören.
Ingenieure als Analytics-Übersetzer
Also was tun? Einfach das Recruitingbudget erhöhen und Headhunter anrufen? So einfach ist es nicht. Denn obwohl externe Experten mit Übersetzerfähigkeiten Leerstellen schnell füllen können, fehlt solchen Kräften oftmals eine essentielle Kernkompetenz: umfassende Kenntnis über die Organisation, ihre Produkte und ihren Markt. Aus diesem Grund sind bestehende Angestellte oftmals die besten zukünftigen Übersetzer, da sie das Unternehmen, den Wettbewerb und die Kunden in- und auswendig kennen. Insbesondere Ingenieure sind dafür prädestiniert. Unternehmen sollten deswegen darüber nachdenken, eine solche Fortbildung auch in ihrer eigenen Organisation anzubieten.
Helfen können sogenannte „Translator Trainings“. Die Data Scientists lernen hier die Business-Seite kennen und umgekehrt lernen die Kollegen der Business-Seite die Grundlagen von Data Science. Für Data Scientists geht es zum Beispiel darum, die Kommunikation und Visualisierung der Ergebnisse zu erlernen. Auf der Business-Seite hingegen geht es vor allem darum zu zeigen, was Daten überhaupt möglich machen und das für manche wolkige Gebilde „Daten“ zu demystifizieren. Darüber hinaus werden analytische Prozesse, Anwendungsszenarien und typische Verfahren gezeigt.
Mitbringen müssen potenzielle Fachkräfte für die Analytics-Übersetzung Analyse- und Problemlösungsfähigkeiten sowie das Handwerkszeug, technische Ansätze einzuordnen. Ebenso wichtig ist neben unternehmerischem Gespür die Fähigkeit, Projekte zu führen und technische sowie organisatorische Herausforderungen aus dem Weg zu räumen. Typische Fähigkeiten von Ingenieuren also. Aus diesem Grund sind Ingenieure eine vielversprechende Zielgruppe, um nach Talenten für die Übersetzung von Analysedaten Ausschau zu halten. Aber egal ob aus den eigenen Reihen oder extern rekrutiert werden soll, eines muss klar sein: Wer bei der Suche weiter zögert, handelt fahrlässig.
Der Autor:
Holger Hürtgen ist Partner bei der Unternehmens- und Strategieberatung McKinsey. Als Technomathematiker war er vor über zehn Jahren der erste Data Scientist im deutschen Büro und leitet heute McKinsey Analytics in Deutschland mit besonderem Fokus auf die Bereiche Handel sowie Marketing & Sales.
Ein Beitrag von:
