BI-Projekte gehen oft mit speziellen Anforderungen einher und erfordern daher eine besondere Herangehensweise. Wie Sie diese im Projektmanagement gezielt berücksichtigen und mithilfe klar definierter Erfolgsfaktoren für BI-Projekte meistern, erfahren Sie in diesem Artikel.

Viele BI-Projekte scheitern – laut Gartner bis zu 85 % aller Big-Data-Projekte. Die Ursachen sind oft vermeidbar. Um Teil der erfolgreichen 15 % zu werden, stellen wir Ihnen praxisbewährte Schlüsselprinzipien für erfolgreiche für BI-Projekte vor, die in der Praxis häufig unterschätzt werden.

Woher wir unsere Erfahrung haben?

29FORWARD hat bereits eine Vielzahl an BI-Projekten weltweit im Banken- und Versicherungssektor, Einzelhandel sowie in der Luftfahrt erfolgreich abgeschlossen. Dadurch haben wir eine weitgestreute Expertise im BI-Projektmanagement aufgebaut und kennen die besonderen Dynamiken solcher Projekte.

Datenqualität und fachliche Bedeutung von KPIs (Key Performance Indicators)

In manchen Unternehmen erkennen die Verantwortlichen bereits die strategische Bedeutung von Daten und deren Qualität. Andere hingegen verfügen noch nicht über ein klar definiertes Konzept dafür. Klare Verantwortlichkeiten, die Qualität einzelner Daten sowie die inhaltliche Definition der KPIs zählen zu den zentralen Erfolgsfaktoren für BI-Projekte. Grundsätzlich gilt: Je höher die Qualität der Daten ist, desto aussagekräftiger fallen die daraus berechneten KPIs aus. Nur wenn der zugrunde liegende Datenhaushalt vollständig, konsistent und nachvollziehbar ist, lassen sich auf dieser Basis verlässliche Entscheidungen treffen.

Erfolgsfaktoren:

1. Es ist eine klare Definition der Zuständigkeiten für Daten und Datenveränderungen notwendig. Wichtig hierfür ist, dass Ihr Projektteam die Verantwortlichkeiten und Interessen zwischen den unterschiedlichen Stakeholdern transparent abgrenzt. Dazu zählt auch die Einbindung der Linienorganisation, die eine enge Zusammenarbeit mit Instanzen erfordert, wie beispielsweise Data Stewards oder einem BICC (Business Intelligence Competency Center).
2. Stellen Sie dem jeweiligen Fachbereich Hilfsmittel zur Verfügung, mit denen die Datenqualität gemessen und verbessert wird. Dafür können Sie eigene Messgrößen für die Datenqualität definieren, z.B. Konsistenz eines Datensatzes, Vollständigkeit eines Datensatzes, Redundanz (keine Dubletten).
3. Achten Sie auf eine aktuelle und vollständige Dokumentation. Halten Sie die Dokumentation Ihrer KPIs und Datenströme immer aktuell und sorgen Sie für ein transparentes und einheitliches Verständnis innerhalb des Projektteams. So vermeiden Sie eine heterogene Interpretation von Kennzahlen und stellen einen Single Point of Truth für die betroffenen Unternehmenskennzahlen bereit.
4. Motto „Trash in – Trash Out!“ – Beheben Sie Datenqualitätsprobleme der anliefernden Systeme nach Möglichkeit bereits im Quellsystem, um aufwändige Datenkorrekturen im späteren BI-System zu vermeiden. Es gilt die goldene Regel: Ein BI-System ist nur so gut, wie es die Qualität der in den Quellen bereitgestellten Daten zulässt.

Testmanagement

Da BI-Projekte stark auf Daten basieren, spielt das Testmanagement eine zentrale Rolle – insbesondere die Erstellung geeigneter Testdaten neben der eigentlichen Testdurchführung. Zu Beginn vieler Projekte unterschätzen die Beteiligten jedoch häufig die Komplexität dieser Aufgabe.

Erfolgsfaktoren:

1. Sensibilisieren Sie die Fachbereiche für die Bedeutung des Testens in IT-Projekten. Ohne ausführliches Testen kann die Softwarequalität kaum eingeschätzt werden. Zur Sicherstellung gleichbleibender Qualität und zur Entlastung der Tester, sollte auch die Möglichkeit für automatisierte Testdurchführungen geprüft werden. Dies gilt insbesondere für die Durchführung von Regressionstests.
2. Auf der anderen Seite hat ein Softwaretesten jedoch auch klare logische Grenzen. Grundsätzlich gilt: Durch Testen kann nur die Anwesenheit von Fehlern nachgewiesen werden. Dies bedeutet, dass ein System nicht fehlerfrei ist, nur weil alle Tests erfolgreich waren. Dieses Grundverständnis sollte im gesamten Projektteam verinnerlicht werden, um ein realistisches Testvorgehen planen zu können.
3. Die Erfahrung zeigt, dass insbesondere für die Einhaltung einer hohen Softwarequalität auf ein inkrementelles Vorgehen gesetzt werden sollte, um große Arbeitspakete in kleinere übersichtlichere Pakete aufzubrechen. So werden Fehler frühzeitig und nicht erst am Projektende identifiziert. Außerdem können so frühzeitig in der Entwicklung und im Testen Lessons Learned umgesetzt werden, um den weiteren Projektverlauf zu optimieren.
4. Bauen Sie zur Einhaltung der regulatorischen Vorgaben (z.B. der DSGVO) die Testdaten mit anonymisierten sowie pseudonymisierten Daten auf. Dieses Vorgehen sollte hierbei transparent gestaltet werden und frühzeitig mit den zuständigen Ansprechpartnern der Organisation (z.B. dem Datenschutzbeauftragten) abgestimmt werden.

Regulatorische Anforderungen

Grundsätzlich gelten regulatorische Anforderungen (DSGVO, Kritische Infrastrukturen, MaRisk, BAIT etc.) natürlich für alle Arten von IT-Projekten. Durch die Verarbeitung und Analyse von oft sensiblen oder vertraulichen Daten, kommt in BI-Projekten jedoch u.a. dem Datenschutz eine besondere Rolle zu.

Oft werden regulatorische Instanzen wie z.B. Revision oder Datenschutzbeauftragte als „innovationsverhindernd“ wahrgenommen. Ein solches Arbeitsklima muss das Projektmanagement dringend vermeiden. Es gilt zwischen den verschiedenen Stakeholdern zu vermitteln, um so die Anforderungen aller Parteien konstruktiv zusammen führen zu können.

Erfolgsfaktoren:

1. Binden Sie zu Projektbeginn zentrale Rollen aus Datenschutz, IT-Governance und Compliance aktiv ein. Integrieren Sie diese in die Projektorganisation und Kommunikation. Klären Sie frühzeitig alle regulatorischen Anforderungen – unter Berücksichtigung der vorhandenen IT-Infrastruktur. Legen Sie klare Rahmenbedingungen für die Umsetzung fest. Halten Sie die gemeinsam definierten Ziele in den Umsetzungskonzepten der jeweiligen Arbeitspakete fest. Lassen Sie diese im Rahmen einer offiziellen Abnahme durch die verantwortlichen Stakeholder prüfen und freigeben. So sichern Sie Ihr Projekt ab und vermeiden spätere Konflikte oder aufwändige Workarounds.
2. Analysieren Sie die BI-Lösung und den Datenhaushalt auf sensible und risikobehaftete Daten sowie Funktionen. Erarbeiten Sie gemeinsam mit Stakeholdern aus Governance und IT-Infrastruktur ein Berechtigungskonzept für jede Systemkomponente. Orientieren Sie sich dabei an den Vorgaben der DSGVO und MaRisk. Lassen Sie das Konzept vor der Umsetzung im Rahmen eines offiziellen Genehmigungsprozesses prüfen und freigeben.
3. Definieren und dokumentieren Sie frühzeitig alle Prozesse – etwa zur Anonymisierung und Pseudonymisierung. Passen Sie die Berechtigungen an regulatorische Vorgaben, den Informationsbedarf der Fachbereiche und das Risikomanagement an. Erfassen Sie alle relevanten Informationen und Anforderungen bereits in der Konzeptionsphase von System und Architektur. Planen Sie verbindlich und mit Weitblick, um genug Zeit für die Abstimmung der Berechtigungen mit allen Stakeholdern zu haben.

Unser Fazit zum Erfolgsrezept

Unter Berücksichtigung der genannten Erfolgsfaktoren steckt in jedem BI-Projekt großes Potential. Führen Sie sich immer wieder vor Augen, dass es insbesondere dem Projektmanagement obliegt, die gemeinsame Konzeption in enger Zusammenarbeit mit den dafür verantwortlichen Unternehmensrollen zu erarbeiten, um Konflikte und unnötige Mehraufwände zu vermeiden. Binden Sie zudem frühzeitig das Testmanagement, Regulatorik und Datenqualität in die Konzeptionsphase ein. Mithilfe eines iterativen oder sogar agilen Vorgehens können BI-Lösungen Stück für Stück ausgebaut werden. Erfahrungsgemäß hat sich gezeigt, dass sich dieses besonders für BI-Projekte eignet, um unsere Erfolgsfaktoren bestmöglich in der Praxis anzuwenden.

Die Inhalte und Erfolgsfaktoren in diesem Artikel basieren auf der umfangreichen Erfahrung aus den Projekten der 29FORWARD. Bei weiterem Interesse hierzu steht Ihnen die 29FORWARD als vertrauensvoller Partner auch zur Umsetzung Ihrer BI-Projekte zur Verfügung.

Quelle:  [1] Matt Asay (2017): “85% of big data projects fail, but your developers can help yours succeed”, URL: https://www.techrepublic.com/article/85-of-big-data-projects-fail-but-your-developers-can-help-yours-succeed/, Datum des Zugriffs: 23.07.2021