Home » Die Automatisierung der Datenanalyse ist ein Muss für mittelständische Unternehmen

Die Automatisierung der Datenanalyse ist ein Muss für mittelständische Unternehmen

by drbyos
0 comment

Führungskräfte mittelständischer Unternehmen sind zu Recht gespannt auf die Möglichkeiten, den Wert ihrer großen Datensätze zu nutzen. Aber die Daten in mittelständischen Unternehmen neigen dazu, unordentlich zu sein – Tabellenkalkulationen und Nur-Text-Dateien, viele in verschiedenen Formaten, sind schwer (wenn nicht unmöglich) zu integrieren. Es braucht viel Zeit und Geld, um es zu reinigen, damit es nützlich ist. Schlechte Qualität und desintegrierte Daten können selbst die besten Initiativen sabotieren, einschließlich KI, die Wert und Effizienz steigern soll. HdL Companies, ein Regierungsdienstleistungsunternehmen mit Hauptsitz in Brea, Kalifornien, nutzte seine Daten strategisch und konnte erhebliche Effizienzgewinne verzeichnen. Der Autor bietet drei Lektionen, die Führungskräfte berücksichtigen sollten, wenn sie mit der Automatisierung der Datenanalyse beginnen.

Wenn mittelständische Unternehmen wachsen, entwickeln sie Datenflüsse und Data Lakes (Repositorys für strukturierte und unstrukturierte Daten), die zu groß sind, um von einer Person oder sogar einem Team effektiv bearbeitet und genutzt zu werden. Und selbst wenn ein Unternehmen derzeit Wert aus seinen Daten zieht, können die Mitarbeiter, die die Arbeit erledigen, weiterziehen, sodass das Unternehmen die Aufgabe hat, in Eile teure Datenanalysten zu finden, anzuziehen und einzustellen.

Ein leistungsfähiges, aktuelles Enterprise-Resource-Planning-System (ERP) wird das Problem weder lösen noch entlasten. Die meisten mittelständischen Unternehmen beginnen mit finanzorientierten ERPs und bauen dann Systeme auf, um andere Daten wie Kundenaktivitäten und Fertigungsdurchsatz zu speichern – ein Schritt, der eher operativ als strategisch ist.

Folglich ist die Automatisierung der Datenanalyse bei wachsendem Unternehmen eine sehr, sehr gute Idee. Bei der Automatisierung schreiben Programmierer oft Algorithmen, die zuvor manuelle Aufgaben wie angewiesen ausführen. Dies zahlt sich schnell aus, fördert Innovation und mehr Wachstum und ebnet den Weg zur Implementierung von künstlicher Intelligenz, die fast alles einfacher, effizienter und kostengünstiger macht. KI ist so programmiert, dass sie lernt, eine Aufgabe auszuführen, indem sie gewissermaßen ihre eigenen Algorithmen erfindet und schreibt.

Aber die Daten in mittelständischen Unternehmen neigen dazu, unordentlich zu sein. Tabellenkalkulationen und Klartextdateien, viele in unterschiedlichen Formaten, lassen sich nur schwer oder gar nicht integrieren. Es kostet viel Zeit und Geld, sie aufzuräumen, um sie nützlich zu machen. Schlechte Qualität und desintegrierte Daten können selbst die besten Initiativen sabotieren, einschließlich KI, die Wert und Effizienz steigern soll.

Lesen Sie auch  Unternehmen horten Rekordgelder inmitten von Delta-Befürchtungen

Joe Pucciarelli, Group VP und IT Executive Advisor des Marktforschungsunternehmens International Data Corporation (IDC), sagte kürzlich in einem Webinar von Channel Company: „Die Datensätze der meisten Unternehmen sind nicht in gutem Zustand. Wir sprechen über Daten und Analysen als Strategie und Priorität, aber die Daten sind nicht bereit, sie zu unterstützen.…Die meisten Unternehmen geben bei der Lösung eines Problems in der Regel 75%+ des Zeitaufwands aus Zeit … einfach die Daten vorbereiten.“

Wie Sie sich vorstellen können, ist der ROI der dafür aufgewendeten Zeit nicht gut. Sehen wir uns an, wie ein mittelständisches Unternehmen den Wert seiner Daten genutzt hat, und untersuchen wir drei Schritte, die Führungskräfte mittelständischer Unternehmen unternehmen können, um dasselbe zu tun.

Wie ein mittelständisches Unternehmen mit seinen Daten umging

Einer meiner Kunden, HdL Companies – ein staatliches Dienstleistungsunternehmen mit Hauptsitz in Brea, Kalifornien – wird von Gemeinden in Kalifornien, Texas und anderen Bundesstaaten beauftragt, die Verteilung der Umsatzsteuereinnahmen ihrer jeweiligen Bundesstaaten zu analysieren, um sicherzustellen, dass ihre Stadt oder Gemeinde Einnahmen erhält seinen gerechten Anteil. HdL sucht nach Fehlzuordnungen und Unstimmigkeiten, auf die die Kommunen bei Wiedergutmachungsanträgen an den Staat hinweisen können. Das Herzstück dieser Arbeit ist der Vergleich verschiedener Datenbanken, um Diskrepanzen aufzudecken, die sich darauf auswirken, wer Umsatzsteuereinnahmen erhalten sollte. Beispielsweise könnte ein Unternehmen in einer Datenbank in Dublin, CA, aufgeführt sein, aber in zwei anderen Datenbanken könnte es im benachbarten Pleasanton aufgeführt sein. Das macht einen Steuerzuordnungsfehler sehr wahrscheinlich; Die Aufgabe von HdL besteht darin, es aufzuspüren.

Die 40 Millionen Einwohner Kaliforniens kaufen steuerpflichtige Produkte von 5,9 Millionen lizenzierten Wiederverkäufern, wodurch im Jahr 2020 ein riesiger Datensatz von fast 46 Millionen Steuerdatensätzen erstellt wurde. Jahrelang beschäftigte HdL Analysten, die diese Daten jedes Quartal durchforsten und nach Fehlern suchten. Die IT-Gruppe von HdL hat Software entwickelt, um zu helfen, aber im Laufe der Jahre hat ihr Analyseteam viele eigenwillige manuelle Techniken übernommen, und die IT-Gruppe hatte einen langen Arbeitsrückstand, um die Codebasis weiter aufzubauen, um diese Techniken aufzunehmen. Die Bewältigung des Rückstands verzögerte die Automatisierungsprojekte von HdL und die Entwicklung neuer Techniken, um Steuerabweichungen effizienter aufzudecken. Gleichzeitig nahm der Bundesstaat Kalifornien seine eigenen Verbesserungen vor, sodass weniger Unstimmigkeiten übrig blieben, die mit den alten Tools von HdL gefunden werden konnten. „Unser Team findet ständig neue Analysetechniken, um schwer zu findende Fehlallokationen zu identifizieren“, sagt Matt Hinderliter, Director of Audit Services bei HdL. „Wir waren jedoch stark auf manuelle Exporte und die Manipulation von Daten in Excel sowie auf die Notwendigkeit angewiesen, dass hochrangige Analysten Tabellenkalkulationen manuell überprüfen, die oft 70.000 oder 80.000 Datenzeilen überschreiten.“

Um sowohl die externen (Kaliforniens Verbesserungen) als auch die internen (HdLs überlastete IT-Abteilung und mühsame manuelle Analysen) Stressfaktoren zu bewältigen, stellte HdL – ein mittelständisches Unternehmen mit einem mittelgroßen Budget – eine talentierte Praktikantin ein, die ihren Master in Datenanalyse in Vollzeit machte . Sie war in der Lage, einige der analytischen Prozesse, die Teammitglieder zur Identifizierung potenzieller Fehlallokationen verwendet haben, in Algorithmen umzuwandeln, die in einem Bruchteil der Zeit mehr Möglichkeiten zur Umverteilung von Steuereinnahmen generieren könnten.

Lesen Sie auch  Kilometerzähler-Rollbacks: Ein schwer zu erkennendes Ärgernis für Autokäufer

Angesichts dieses Effizienzgewinns könnte man davon ausgehen, dass HdL über Entlassungen nachdenkt. Stattdessen stellt die Revisionsabteilung Personal auf, um alle Möglichkeiten zu nutzen, die sich durch die automatisierte Analyse ergeben haben. Und HdL hat sich stärker auf die Implementierung und Bereitstellung von KI konzentriert.

Die Verbesserung der betrieblichen Effizienz hat für mittelständische Unternehmen fast immer oberste Priorität. In einer Umfrage von Channel Company unter mittelständischen IT-Führungskräften, von denen 75 % einen Umsatz von 50 bis 1 Milliarde US-Dollar erzielen, gaben 58 % der Befragten an, dass ihre oberste Priorität die Verbesserung der betrieblichen Effizienz sei. Damit übertraf sie ihre zweite Priorität bei weitem und steigerte die Neueinnahmen (36 %). Beide Ziele können durch die Automatisierung der Datenanalyse unterstützt werden, wie dies bei HdL der Fall war.

Einstieg

Mittelständische Unternehmen können nicht jede Chance nutzen. Ihre Budgets und Mitarbeiter sowie die Hektik des Tagesgeschäfts lassen dies nicht zu. (Sie sind schließlich nicht Google.) Daher sollten mittelständische Unternehmen damit beginnen, ihre Datenanalyseprozesse zu automatisieren, indem sie sich auf Bereiche konzentrieren, in denen kritische Vorgänge entweder ineffizient oder zu stark von einer Person oder einer Handvoll Personen abhängig sind. Vor der Automatisierung verbrachten bei HdL 15 Personen einen erheblichen Teil ihrer Zeit damit, das zu tun, was Algorithmen heute tun.

HdL machte bereits Datenarbeit; viele Unternehmen – Drucker, Installateure usw. – sind dies nicht. Aber diese Unternehmen sammeln immer noch Daten und können von deren strategischer Nutzung profitieren. Es ist wichtig, mit einem soliden Fundament zu beginnen. Hier sind drei Dinge, die Führungskräfte berücksichtigen sollten, wenn sie mit der Automatisierung der Datenanalyse beginnen.

Lesen Sie auch  Das britische Fintech PrimaryBid rekrutiert das City-Schwergewicht Brydon als neuen Vorsitzenden | Wirtschaftsnachrichten

Priorisieren Sie die Bereinigung. Daten in einem mittelständischen Unternehmen sind normalerweise unordentlich und müssen viel aufgeräumt werden, bevor sie nützlich werden können. Eine weitere grundlegende Aktivität besteht darin, zu identifizieren, welche Daten wichtig sind, und diese dann zu bereinigen. Dies kann zunächst eine langsame Arbeit sein und ist nicht billig. Suchen Sie also nach Bereichen, in denen sich das Unternehmen im ersten Jahr amortisieren kann. Das macht aus Skeptikern Gläubige.

Stellen Sie die richtigen Leute ein. Führungskräfte sind keine Analysten. Es fehlt ihnen an Zeit, Geduld und Fähigkeiten, um Datenanalysen als Ergänzung zu ihren täglichen Aufgaben durchzuführen. Business-Analysten sind teils Programmierer, teils Unternehmer. HdL begann mit einer Praktikantin und stellte sie als Vollzeit-Business-Analystin ein.

Bereiten Sie die Daten vor. Erst wenn Ihre Daten gründlich aufbereitet sind, können Sie über KI nachdenken. KI erstellt ihre eigene Logik aus einer Analyse der Muster, die sie in den Daten entdeckt. Obwohl KI und maschinelles Lernen nützlich und aufregend sind, benötigen beide Technologien große Datensätze zum Trainieren mit bestätigten positiven und negativen Ergebnissen. Nach ausreichender Datenbereinigung und einigen algorithmischen Sweeps verfügen die meisten mittelständischen Unternehmen über einen ausreichend großen und nützlichen Datensatz, um ein KI-Modell zu trainieren.

Führungskräfte mittelständischer Unternehmen sind zu Recht gespannt auf die Möglichkeiten, den Wert großer Datensätze zu nutzen. Jetzt ist es an der Zeit, diese mehrjährige Reise zu beginnen und sich dazu zu verpflichten, die richtigen Talente einzustellen und gleichzeitig inkrementelle Schritte zu unternehmen, um einen Mehrwert aus Datenautomatisierung und anderen Arten von fortschrittlicher Analyse zu erzielen.

You may also like

Leave a Comment

This site uses Akismet to reduce spam. Learn how your comment data is processed.