13. April 2021
Von Dr. Martin Böhn
Der Digital Workplace soll eine intelligente, bedarfsgerechte Unterstützung des Anwenders bieten. Die richtigen Informationen zur richtigen Zeit in der richtigen Form erfordern gute Analytics – zielgerichtete Auswertungen, Darstellungen und Handlungsoptionen. Gleichzeitig ist der Digital Workplace eine wertvolle Quelle für Analysen zur Optimierung der Geschäftsprozesse und strategischer Entscheidungen.
Beim Zusammenspiel von Analytics und dem Digital Workplace lassen sich verschiedene Anwendungsfälle und Werkzeugklassen unterscheiden:
- Wissensgenerierung im Hintergrund: Erfassung, Aufbereitung und Auswertung von Informationen, um relevante Inhalte und Zusammenhänge zu erzeugen
- Bereitstellung von Informationen für interne Geschäftsprozesse und die Kommunikation nach außen: Visualisierung von Daten bspw. über Dashboards, damit Mitarbeiter Entscheidungen treffen können
- Nutzung von Informationen, um automatisiert Aktionen durchzuführen: Anwendung der erkannten Regeln und Muster, um aus den eingehenden Daten direkte Handlungen abzuleiten und Schritte auch automatisch ausführen zu lassen
Formen der Wissensgenerierung zur Vorbereitung der Nutzung
Häufig wird Analytics mit Wissensgenerierung gleichgesetzt. Durch Data Analytics können Informationen aufbereitet, transformiert und aggregiert werden, um wertvolle Informationen zur Unterstützung von Entscheidungen zu gewinnen. Die Werkzeuge ermöglichen die Verbindung verschiedener Datenquellen und schaffen so übergreifende Zusammenführungen und Auswertungen.
Auch das Erkennen von Mustern und Zusammenhängen ist ein Einsatzszenario, um bspw. Entscheidungswege nachzuvollziehen oder Klassen von Anwendungsfällen zu identifizieren. Daraus lassen sich Erkenntnisse über Abläufe bspw. in der Kundeninteraktion, im Kaufverhalten oder bei internen Aufgabenbereichen erkennen. Das Wissen kann über Analysen bereitgestellt sowie über spezielle Werkzeuge operationalisiert werden. Beispiele sind die Generierung von Empfehlungen („andere Kunden kauften auch“) oder Aktionen (Next Best Action: Wie sollte man nun in der Kundenkommunikation reagieren?).
Zudem bieten solche Analysen die Möglichkeit, Fehler oder Engpässe zu identifizieren. Die Suche nach Zeit- oder Kostenfressern in Projekten, Abweichungen von Standardwerten, besondere Einflussfaktoren oder spezielle Risiken sind nur einige der Anwendungsfälle. Auch hier bieten die Analysen zumeist weiteren Kontext und erweiterte Auswertungsmöglichkeiten, um die erkannten Zusammenhänge weiter zu untersuchen und damit zu verstehen. So können gezielte Verbesserungen oder Gegenmaßnahmen vorgenommen werden.
Auch Predictive Analytics als vorausschauende Analyse bietet viele Anwendungsfälle, da so das Verhalten bspw. von Kunden auf bestimmte eigene Aktionen oder Marktereignisse vorausgesagt werden kann um entsprechend zu reagieren – oder besser, um damit aktiv zu agieren.
Mehr als nur strukturierte Daten: Ganzheitliche Analyse
Neben der Analyse von klassischen relationalen Daten gibt es eine Vielzahl weiterer Werkzeuge, welche andere Formen der Untersuchung unterstützen.
Maschinendaten / IoT rücken als weitere Informationsquelle in vielen Bereichen stärker in den Fokus. Für Social Media gibt es verschiedene Spezialsysteme (Social Listening etc.), um Trends frühzeitig zu erkennen und eigene Inhalte gezielt auszuspielen.
Text Analytics ermöglicht die Untersuchung von Dokumenten und unstrukturierten Informationen. Dabei können je nach Werkzeug die Inhalte selbst, aber auch weitere Kontextinformationen (bspw. Ablagehierarchien, Struktur der Dokumente) untersucht werden. Semantische Analysen erlauben eine Einbeziehung der Sprache und Tonalität, bspw. ob eine E-Mail von einem Kunden deutliche Hinweise auf seine Verärgerung enthält. Weitere Spezialsysteme analysieren Bild- und Videodaten.
Eine weitere Anwendungsklasse ist das Process Mining. Hier können Abläufe auch über verschiedene Systemgrenzen hinweg nachvollzogen und nach unterschiedlichen Kriterien ausgewertet werden, bspw. nach Durchlaufzeit, Kosten, Wartezeiten oder Anzahl der Wiederholung bestimmter Schritte. So können Abweichungen von der Norm identifiziert und gezielte Ursachenforschung betrieben werden, Verschiedene Systeme erlauben auch eine Simulation von veränderten Abläufen. Neben der reinen Optimierung ist hier auch das Risikomanagement ein wesentlicher Faktor. Nicht nur die Durchlaufzeit bzw. die Kosten eines Prozesses sind entscheidend, sondern auch, ob bei seiner Abarbeitung alle gesetzlichen, vertraglichen und organisatorischen Richtlinien eingehalten werden (Compliance).
Visualisierung und Arbeitsmittel – informiert handeln
Die so erzeugten Zusammenhänge oder identifizierte Daten und Kennzahlen können über Reports und Dashboards angezeigt werden. Der jeweilige Mitarbeiter erhält so die wesentlichen Zusammenhänge zu einem Kunden / Projekt / Vertriebsgebiet / Produktionsabschnitt etc. und kann aus den dargestellten Inhalten Aktionen ableiten.
Neben fest definierten Reports sind insbesondere Dashboards mit Interaktionsmöglichkeiten ein wesentliches Werkzeug, da der Anwender hier mit den Daten direkt arbeiten kann, um sich Details anzeigen zu lassen oder sie bspw. anders zu segmentieren und zu verdichten.
Automatisierte Aufbereitung und Nutzung
Analysewerkzeuge bieten viele Möglichkeiten, eingehende Daten zu erfassen, zu prüfen und zu verdichten. So können aus einer Vielzahl von verfügbaren Informationen, die für den jeweiligen Anwendungsfall wirklich relevanten Informationen gefiltert werden. Häufig erfolgt auch die Transformation bzw. Aufbereitung der Daten in die Form, welche der Anwender direkt in seiner Fachanwendung oder in seinem Dashboard benötigt.
Über entsprechende Modelle und Regeln können die Daten auch automatisiert genutzt werden, indem eingehende Inhalte entweder direkt Aktionen auslösen (Trigger) oder indem Aufbereitungen und Sammlungen erfolgen, um beim Erreichen bestimmter Schwellwerte bzw. Scores eine Folgeaktion auszulösen. Je nach gekoppelten Fachsysteme können solche Aktionen von einem einfachen Hinweis bis zum automatischen Ausspielen von Inhalten und der Ausführung von Workflows reichen.
Digital Workplace als Wissensziel
Die genannten Aspekte verdeutlichen die Bedeutung die Analytics für den Digital Workplace haben: Mitarbeiter sollen schnell und flexibel Entscheidungen treffen können, auf der Grundlage korrekter und relevanter Daten. Die Aufbereitung muss sich am Anwendungsfall orientieren – die Analysen also einen direkten Mehrwert für die jeweilige Aufgabenstellung des Anwenders bereitstellen.
Im Digital Workplace können daher sowohl einzelne Werte und Kennzahlen dargestellt werden als auch entsprechende Reports und Dashboards. Für weiterreichende Analysen werden oft die entsprechenden Spezialsysteme genutzt.
Digital Workplace als Wissensquelle
Indem die Bearbeitung von internen Aufgaben und kundenbezogenen Tätigkeiten durch den Digital Workplace zusammengeführt wird, ist der Digital Workplace auch eine relevante Wissensquelle. Hier genutzte Informationen werden durch den Anwender (implizit) bewertet und in einen Anwendungskontext gestellt, was wertvolles Wissen für zukünftige Analysen liefert.
Organisatorische Potenziale: Verknüpfung der Sichtweisen Analyse und Operationalisierung
Der Digital Workplace ist damit ein gutes Mittel, verschiedene Geschäftsprozesse und Nutzergruppen zu verbinden. Die Analytics-Spezialisten erhalten ein besseres Bild von den Anforderungen der Anwender an Analysen und die Prozessunterstützung. Die Anwender können besser mit den Informationen und Werkzeugen arbeiten, da ein besserer Kontext zur Nutzung bereitgestellt wird: die Dashboards, Reports und Self-Service-Anwendungen beziehen sich auf konkrete Anwendungsfälle wie bspw. die Gestaltung von Vertriebsaktionen oder die Messung der Geschäftsprozesse.
Dies unterstützt verschiedene aktuelle Anforderungen und Trends. Immer mehr Anwendungsfelder werden durch Analytics-Spezialisten in den einzelnen Fachbereichen unterstützt, bspw. Analysen für die Kampagnenplanung in der Kundenkommunikation. Auch der Trend zu Self-Service-Analytics wird durch den Kontext des Digital Workplace gefördert, gleichzeitig bieten die entsprechenden Funktionen mehr Bearbeitungs- und Nutzungsmöglichkeiten für die Daten.
Gleichzeitig nehmen die Möglichkeiten und Tätigkeitsfelder für Analysen zu. Data Science ist hier ein Beispiel. Auch hier ist die Kombination aus technischen Fähigkeiten, Werkzeugen, Informationen und der fachlichen Expertise zur Nutzung der gewonnenen Erkenntnisse wichtig. Die organisatorische Seite des Digital Workplace hilft bei der Zusammenführung und Verwendung der richtigen Informationen.
Stärken Sie Ihre Analytics-Projekte
Gute Analytics-Projekte haben klare Ziele und Mehrwerte. Der Digital Workplace ist ein gutes Mittel, Analytics in einen klaren Anwendungskontext zu bringen und viele Anwendergruppen als mögliche Nutzer entsprechender Daten und Analysen einzubeziehen. Analytics wird damit noch breiter verankert und der Mehrwert der entsprechenden Initiativen verdeutlicht.
Immer mehr Analytics-Projekte sind durch das Zusammenspiel von Datenspezialisten und den Fachexperten aus den Abteilungen geprägt. Der Digital Workplace bietet eine gemeinsame Basis und den Kontext, welche Daten zu welchem Ziel in welcher Form erhoben, verarbeitet und genutzt werden sollen. Ebenso können Fragen zu Datenqualität und Datenverantwortlichkeit direkt anhand der konkreten Aufgabenstellungen geklärt werden.
Für die Digital-Workplace-Experten sind gute, zielgerichtete Daten ein wesentlicher Erfolgsfaktor. Daher gilt es, die entsprechenden Initiativen und Experten zu verbinden, um so das Beste aus den verschiedenen Welten zu verbinden.
Wo haben Sie heute Herausforderungen, die richtigen Daten bedarfsgerecht zu erhalten? Wo sind Kennzahlen und Auswertungen nicht so, dass Sie direkt damit arbeiten können?
Kontaktieren Sie uns gerne.