Die Performance von Datenprozessen richtig messen
In der sechsten Ausgabe von The Latest Think! haben wir mit dem Return on Operational Technologies (ROOT), einer Messmethode von The Group of Analysts für die Bewertung von Software im Unternehmen, bereits eine Alternative zum herkömmlichen ROI vorgestellt. Neben der Technologieperspektive wird hierbei ein besonderer Fokus auf die Datenprozesse gelenkt – also dem operativen Element, in dem die tatsächliche Wertschöpfung stattfindet.
Erfolgreich umgesetzte Datenprozesse haben einen multidimensionalen positiven Effekt auf die Organisation während schlecht umgesetzte Prozesse dazu führen können, dass das Wertschöpfungspotenzial versickert. Wie aber misst man die sogenannte Data Value Performance genau? In der neusten Ausgabe von The Latest Think! beschreiben wir nicht nur die Methodik im Detail, sondern geben darüber hinaus anschauliche Beispiele zur Durchführung und Visualisierung der Data Value Performance-Messung.
Keine Messung ohne Key Performance Indicators
Key Performance Indicators (KPIs) sind zentrale und gängige Werkzeuge für die Analyse von Geschäftspraktiken, Prozessen oder Kampagnenerfolgen. Die Definition geeigneter KPIs ist jedoch alles andere als einfach. Viele Projektverantwortliche tendieren dazu, verbreitete Messgrößen zu adaptieren, ohne ihre tatsächliche Aussagekraft für das eigene Unternehmen zu hinterfragen. Wichtig bei der Konzeption der KPIs für Datenprozesse ist, die individuelle Ausgangslage, Anforderungen und Zielsituation zu berücksichtigen und Messfaktoren zusammenzustellen, die diese KPIs umfassend abbilden.
Die sieben KPIs der Data Value Chain lauten:
- Prozesstransparenz
Sie misst, inwiefern ein Datenprozess innerhalb der Organisation bekannt ist. Beispielsweise sprechen zentral abgelegte Informationen zu Verantwortlichkeiten und Regeln für den Datenprozess für eine hohe Prozesstransparenz. - Effizienzvorteile
Hier wird analysiert, wie groß der positive Effekt eines Datenprozesses auf den Effizienzgewinn innerhalb einer Organisation ist. Beispielsweise kann der Automatisierungsgrad als Bewertungsgrundlage hinzugezogen werden. - Auswirkungen auf die Qualität
Datenqualität ist ein zentrales Thema für Unternehmen und als solches hängt es von der Summe sämtlicher Datenprozesse ab. Dieser KPIs misst, inwiefern der einzelne Datenstrom dazu beiträgt, die Qualitätsziele des Unternehmens zu erreichen. - Wettbewerbsvorteil
Wettbewerbsvorteile lassen sich über verschiedenste Perspektiven realisieren. Datenprozesse können zur Wettbewerbsfähigkeit beitragen, indem sie zum Beispiel die Time-to-Market verkürzen oder die Produktentwicklung optimieren. - Unternehmenstransparenz
Mit diesem KPI wird gemessen, inwiefern der Datenprozess dazu beiträgt, dass das Unternehmen seine Transparenzziele erreicht. Das kann zum Beispiel für das Nachhaltigkeits-Reporting relevant sein. - Datenexzellenz
Mit diesem KPI lässt sich die punktuelle Qualität der im individuellen Prozess verarbeiteten Daten messen – vor allem für zentrale Datenprozesse wie dem Onboarding ist das ein essenzieller Messwert. - Kosteneinsparungen
Hier werden ganz konkret die Kostenersparnisse dokumentiert und gemessen, die durch den einzelnen Datenprozess realisiert werden. Das kann zum Beispiel die Reduktion manueller Aufwände dank Automatisierung sein.
Nicht alle dieser KPIs sind für jeden Datenprozess und jedes Unternehmen gleich wichtig. Daher gilt es nochmals zu betonen, dass Projektverantwortliche aus diesen sieben Perspektiven heraus die Anforderungen, Ziele und Herausforderungen jedes Datenprozesses reflektieren und die individuellen KPIs entsprechend formulieren und in einen Wertebereich bringen, der für ihren Zweck sinnvoll ist.
Wann wird gemessen?
Die Data Value Performance misst die definierten KPIs zu drei unterschiedlichen Zeitpunkten. Als Ausgangspunkt wird die Ist-Situation herangezogen. Bei einem Systemwechsel ist das der ursprüngliche Datenprozess im Altsystem. Dieser Messwert wird auch Present Value Performance (PVP) genannt. Als Referenzgröße wird ein Zielwert festgelegt – der Soll-Zustand oder auch Expected Value Performance (EVP). Er zeigt den Idealwert des KPIs an.
Zwischen diesen beiden Extremwerten wird in regelmäßigen Abständen der Fortschritt der Data Value Performance gemessen – diese Messungen werden auch Measured Value Performance (MVP) genannt. Über alle KPIs hinweg gibt dieser Wert eine recht genaue Einschätzung für die graduelle Zielerreichung des Projekts im Hinblick auf die Datenprozesse an.
Für wen lohnt sich die Data Value Performance-Messung?
Aber wann ist es überhaupt sinnvoll, den Aufwand der Data Value Performance-Konzeption und Messungen auf sich zu nehmen? Aufgrund der zentralen Bedeutung und des hohen Grads an Vernetzung im Bereich Product Content Management bietet es sich an, sämtliche Datenprozesse im Rahmen der Produktkommunikation regelmäßig mithilfe der Data Value Performance-Methodik zu analysieren und zu prüfen, an welchen Stellen Handlungsbedarf besteht. Insbesondere innerhalb der Bereiche Produktinformationsmanagement (PIM) und Digital Asset Management (DAM) sowie im Kontext benachbarter Bereiche wie dem Channel Management und Syndication bietet die Data Value Performance großes Potenzial für Unternehmen jeglicher Branchen.
Wenn auch Sie die Performance Ihrer Datenprozess auf den Prüfstein legen wollen, laden Sie sich die Ausgabe von The Latest Think! herunter oder sprechen Sie uns direkt und unverbindlich an!
