Innovation treiben: Prozess, Stammdaten & Digitale Transformation – Teil II

Prozess + Daten sind beide kritisch für Innovation und Transformation. Das Potenzial und die Kraft von Daten-Insights werden in digitalisierten und automatisierten Prozessen realisiert.

Dies ist Teil II eines 2-teiligen Artikels zu Prozess + Daten. Teil I beschrieb die Evolution von intelligenten DBMSs und intelligenten BPMSs. Künstliche Intelligenz sowie diverse digitale Technologien hatten enormen Impact auf beide Trends. iBPMSs unterstützen auch Prozess- und Arbeitsautomatisierung – besonders durch Robotic Process Automation.

Teil I hob das Ungleichgewicht zwischen DBMSs – besonders fortschrittlichen NoSQL-Datenbanken – und BPMSs in Enterprise-Architekturen hervor. Durch KI und andere digitale Technologien sind beide intelligent geworden. Wir erleben nun eine Vielzahl von Ansätzen für No-Code/Low-Code-Development in beiden Domänen. Es gibt jetzt Citizen Developers und Citizen Data Scientists.

Die DBMS-Schicht mit multiplen Relational und NoSQL Datenbanken ist jedoch allgegenwärtig in IT-Infrastrukturen und Enterprise-Architekturen. Daten sind das neue Rohöl!

Die BPMS-Schicht? Nicht so sehr.

Um das Maximum aus der Synergie zwischen Prozess und Daten zu ziehen, muss das Unternehmen in Bewegung sich auf das Offensichtliche fokussieren: die Kern-Business-Applikationen und -Lösungen, die Business Value treiben. Um das Offensichtliche zu wiederholen: Es geht nicht um Technologie!

Valuestreams (aka Value Chains)

Der Daten-Ansatz ist im Kern ein Bottom-Up-Ansatz mit Fokus auf persistente Daten. Wichtig und kritisch. Aber immer noch bottom-up technologiegetrieben. Hier werden drei robuste Use Cases beleuchtet, die einen anderen Ansatz verfolgen, der Autonomic Enterprise-In-Motion weit besser unterstützt.

Der prozessgetriebene Applikationsansatz ist sehr anders. Eine fundamentale Annahme im prozessgetriebenen Ansatz ist, dass ein Business eine Sammlung von Valuestreams ist. Unternehmen denken in Zielen und Meilensteinen oder Phasen, um diese Ziele im Kontext von Valuestreams zu erreichen. Die meisten Organisationen sind noch vertikal organisiert, und jede Business Unit fokussiert auf ihre messbaren Ziele.

Silos in Business Units, verschiedenen Applikationen und Handelspartnern sind allgegenwärtig

Valuestreams gehen horizontal über Business Units, verschiedene Legacy-Applikationen und Handelspartner, um Kundenerlebnisse zu optimieren – um Value zu realisieren und zu operationalisieren.

Valuestream-Digitalisierung und -Automatisierung sind die zentralen Säulen der Digitalen Transformation

Organisatorisch muss die Kultur ermächtigtes Ownership des Valuestreams fördern – über Silos hinweg. Digital Process Automation (DPA) erreicht Digitalisierung und Automatisierung von Valuestreams durch Dynamic Case Management (DCM).

Typischerweise sind diese siloiert, und Kommunikation erfolgt durch manuelle Hand-offs. Interessant zu bemerken: Digitale Technologien und sogar Digital-Transformation-Praktiken hatten wenig Impact auf vertikal organisierte, siloierte Organisationen. Die Organisationshierarchie persistiert. Valuestreams gehen horizontal, oft mit einem ermächtigten Owner für operative Exzellenz. Wenn Valuestreams nicht durch DPA optimiert werden, gibt es erheblichen Waste und Ineffizienzen.

Die Kraft digitalisierter & automatisierter Valuestreams ist der Kern-Enabler der drei Use Cases

Prozess + Stammdaten

Laut MDM Institute: Master Data Management (MDM) ist die autoritative, verlässliche Foundation für Daten, die über viele Applikationen und Stakeholder genutzt werden, mit dem Ziel, einen Single View of the Truth zu bieten, egal wo er liegt.

Die oben genannten Silos – in Organisationen, Business Units und Applikationen, die von ihnen besessen werden – sind der Hauptgrund für Inkonsistenzen in Informationen über dieselbe Entität: Kunde, Lieferant, Produkt oder andere. Stammdaten adressieren mehrere Pain Points. Hier einige Beispiele:

• Inkonsistenzen und schlechte Datenqualität resultieren in schlechten, fehlerhaften und sogar riskanten Entscheidungen. Automatisierte dynamische Case-Ausführungen sind nur so gut wie die Konsistenz der Daten.
• Für Kunden, Produkte, Preise, Partner, Lieferanten, Services und andere Stammdaten, die über Applikationen geteilt werden, enthalten oft unterschiedliche siloierte Systeme widersprüchliche Informationen über dieselbe Entität (z. B. falscher Familienstand). Es gibt viel Waste beim Versuch, heterogene Daten konsistent und hochqualitativ zu halten.
• Mergers & Acquisitions schaffen auch Datenkonsistenz-Herausforderungen – eine Single Version of the Truth über einen Kunden oder ein Angebot über die Organisation hinweg zu haben.

Hier einige typische Beispiele:

• Kundenadresse wird nicht konsistent über alle Datenbanken oder Applikationen aktualisiert, die die Adresse speichern.
• Der Preis eines Produkts ist nicht konsistent und hängt vom Kanal ab (Retail, Web, Mobile App etc.)
• Die Lieferanten-Liste, Verfügbarkeit und Teileliste ist inkonsistent über verschiedene ERP-Systeme

Es gibt viele mehr.

Stammdaten sind nötig für Datenqualität, -konsistenz, -herkunft, -genauigkeit, -integrität, -replikation und -vollständigkeit.

Wie oben angemerkt, ist ein Unternehmen das Aggregat seiner Valuestreams. Diese Valuestream-Ausführungen sind nur so gut wie die Konsistenz der Daten. Der Informatik-Ausdruck „Garbage In – Garbage Out“ (GIGO) ist hier sehr anwendbar. Tatsächlich werden Dateninkonsistenzen früher oder später das Kundenerlebnis beeinflussen, resultierend in Unzufriedenheit: niedrigere Net Promoter Scores (NPS), höhere Detractor-Ratio!

Der Bottom-Up MDM Ansatz

Oft versuchen Organisationen, MDM-Herausforderungen durch MDM-Tools und -Systeme anzugehen. Dies kann in „Big Bang“ Master-Data-Projekte mit teuren Tools enden. Einige Organisationen haben MDM Centers of Excellence für Governance etabliert. Technologie und Datenkonsistenzen sind formidable und wichtig anzugehen, einschließlich Data Cleansing, Missing Data adressieren, Datenkonsistenz, ETL und Data Integration. Die Gefahr ist der enorme Aufwand, Master Data zu normalisieren, ohne Priorisierung durch Business-Ziele. Ein häufiges Problem: Initiativen, die versuchen, Master-Data-Herausforderungen zu lösen, tun dies oft in einem Silo. Das MDM selbst wird zu einer weiteren Software-Schicht, die gemanagt werden muss. Wenn Data Copying und Replikation genutzt werden, schafft dies zusätzlichen Overhead und potenzielle Inkonsistenzen.

Das jedoch ernstere Problem ist der Mangel an Fokus und präziser Rechtfertigung in der Erstellung und Verwaltung spezifischer Stammdaten. Beispielsweise könnte die aggregierte Zahl an Feldern oder Attributen über einen Kunden aus verschiedenen Systems of Record in den 100ern liegen. Die kritischsten Kunden-Valuestreams benötigen typischerweise nur ein sehr kleines Subset der verfügbaren Felder. Der Rest wird selten – wenn je – genutzt. Während die Logik des MDM-Systems Sinn ergibt, könnte dieser Bottom-Up-Ansatz sub-optimal sein.

Top-Down Valuestream Ansatz

Ein optimalerer Ansatz ist, MDM-Herausforderungen als Teil 전반er Continuous-Improvement-Initiativen zu behandeln, besonders durch End-to-End Dynamic Case Management Lösungen, die Silos verbinden, die Stammdaten berühren und manipulieren. Das Enterprise-In-Motion ist ein Aggregat von Valuestreams. MDM geht darum, Valuestreams so gut wie möglich laufen zu lassen. Jeder Valuestream hat spezifische Business-Ziele – z. B. Kostenreduktion, NPS-Verbesserung oder Revenue-Generierung. Der Kern dieses Ansatzes ist ein Dynamic Case Management (DCM)-enabled Layer, der Legacy-Systeme umhüllt und modernisiert. Wie in Teil I angemerkt, ist DCM eine Schlüsselkapazität in DPA – zusätzlich zu Robotic Automation, KI und anderen digitalen Technologien.

Der Top-Down-Ansatz fokussiert nur auf jene Felder oder Attribute, die für spezifische Valuestreams benötigt werden, die durch DPA optimiert, digitalisiert und automatisiert werden.

Dieser „Top-Down“-Ansatz priorisiert Transformationsprojekte mit MDM-Verbesserungen und balanciert Risiko mit Business Value. Diese technischen Datenbank-Themen müssen adressiert werden, aber mit einem überarbeiteten Ansatz zu Prioritäten.

Think Big but Start Small

Im Enterprise-In-Motion werden Lösungen für Master-Data-Issues durch „Think Big… But Start Small“ Governance getrieben. Der Ansatz: Quick Wins realisieren, nötige Master-Data-Rigor aufbauen, dann mit zusätzlichen Transformationslösungen expandieren, die Master Data einschließen. Mit anderen Worten: Mit dem iterativen Ansatz wird das aggregierte Master stückweise gebaut statt Big Bang umfassendes Master Data und dann Realisierung von Projekten für Digital-Transformation-Lösungen. Die Master-Data-Governance und -Implementation kann in die DNA der Prozessautomatisierungsmethodologien eingebettet werden und führt zur Priorisierung von Datenquellen und Optimierung, die nötig ist, um Daten innerhalb der DPA-Schicht zu managen. Das Ziel: Balance zwischen Einfachheit von Master Data und Business Value für spezifische priorisierte Projekte.

In der Design Thinking Methodologie ist Priorisierung kritisch für den Backlog der Valuestream-Projekte. Diese Priorisierungen ranken Projekte systematisch, balancierend Implementierungseinfachheit mit Business Value. Hier einige potenziell messbare Dimensionen, die die Priorisierung beeinflussen könnten:

• Komplexität der Konsolidierung der Master-Data-Felder für das Projekt
• Impact schlechter Master-Data-Qualität auf End-to-End-Cases für das Projekt
• Anwendung der Master-Data-Felder im High-Business-Impact-Projekt
• Verfügbarkeit von APIs zum Zugriff auf Master-Data-Feldwerte für das Projekt

Die priorisierten Splits, die Master-Data-Support reflektieren, werden an die agile Methodik gefüttert. Die Methodik sollte helfen, Business-Ziele kontinuierlich zu überwachen und zu messen. Master Data wird iterativ über die Splits optimiert. Die innovativen Projekte, gefüttert durch Design-Thinking-Priorisierungen, werden kontinuierlich gemessen und überwacht. Es gibt drei Arten von Iterationen im Top-Down-Ansatz:

• Iterationen im Backlog der Projekte – priorisiert nach Business Value sowie Master-Data-Verfügbarkeitsdimensionen
• Iterationen beim Bau der DPA-Lösung unter Nutzung von Master Data
• Post-Production ist es auch wichtig, gezielte vs. erreichte Ziele für weitere Verbesserungen zu vergleichen.

So baut der Top-Down-Ansatz inkrementell Master Data auf, während er kontinuierlich High-Business-Value-Projekte liefert und verbessert.

Digitale Transformation: IoT & Blockchain

Der Valuestream prozessgetriebene Top-Down-Ansatz ist ein Enabler für Digital-Transformation-Technologie-Value-Propositions. Zwei dieser Technologien, die für das Enterprise-In-Motion am kritischsten sind, sind IoT und Blockchain.

Der Weg zum IoT-Erfolg

IoT geht um Konnektivität zunehmend intelligenter Geräte durch Sensoren und Aktuatoren. Die Foundation für Konnektivität, Balance von Reichweite und Stromversorgungsüberlegungen, ist natürlich kritisch. Es gibt mehrere Komponenten im Overall Stack und Multi-Tier-Architekturen von IoT. Die untersten Ebenen umfassen physische Devices und Systeme. Es ist genau diese cyber-physische Konnektivität, die das Fundament des IoT-Zeitalters legt. Andere Layer umfassen Data Accumulation und Analysis Layer. IoT-vernetzte Geräte generieren enorme Datenmengen: Big Data wird zu Thing Data! Ein Teil dieser Daten – oft der Großteil – wird an den Edges verarbeitet.

Es gibt mehrere Referenzarchitekturen und -modelle für IoT. IoT World Forum's Reference Model setzt Collaboration und Business Processes an die Spitze der Multi-Level-Architektur für IoT.

Das ist signifikant und spot on. Erfolg kann Top-Down mit konkreten Business-Zielen von Anfang an erreicht werden. Top-Down Business Solutions involvieren People, Connected Devices (aka IoT), Trading Partners und Enterprise Applications (aka Systems of Record): alle kollaborieren und orchestrieren ihre Aktivitäten Richtung konkreter und messbarer KPIs. Die Kollaborationen sind im Kontext von End-to-End Valuestreams (das operative Wort ist Value), die modelliert, automatisiert und durch DPA für Continuous Improvement überwacht werden. DPA Methodik, Competency Best Practices und Technologie sind der Motor, der IoT-Erfolg treibt.

Es gibt viele IoT-Applikationen, getrieben durch DPA Valuestreams. Digital Prescriptive Maintenance ist die Killer-Applikation für IoT. Wie hier illustriert, involviert sie Orchestrierung von Tasks, deren Teilnehmer People umfassen – z. B. Customer Service und Field Service – Enterprise Applications, KI für Triage der besten Actions, Warranty Chain Management und natürlich Connected Devices und IoT. Die End-to-End-Orchestrierung und Automatisierung wird durch DPA erreicht.

Blockchain zu Valuechain

Blockchain ist sehr viel eine Revolution. Es ist der Motor, der das Entstehen des Internet of Value (IoV) befähigt. IoV ist eine wichtige Phase in der Evolution des Internets. In den 1990ern starteten wir mit dem Internet of Information: das traditionelle Internet – das wir täglich für Informationssuche nutzen. Kam dann das Internet of Things oder vernetzte Geräte, die in Consumer (z. B. Connected Homes), Public Sector (z. B. Smart Cities) und Industrial (z. B. Smart Manufacturing) pervasiv werden. Der Weg zum IoT-Erfolg läuft durch Digital Process Automation. Blockchain, die zugrunde liegende Technologie für Kryptowährungen, ermöglicht das Internet of Value. Der „Value“ kann digitale Währung sein. Wichtiger: Der „Value“ können auch Daten sein, die Inter- und Intra-Organisationale Exchanges unterstützen, die Business-Ziele stützen.

Blockchain als dezentrale & verteilte Datenbank

Blockchain speichert das Ledger von Transaktionen zwischen verschiedenen Parteien – in Nodes, die an der Validierung der Blockchain teilnehmen. Das Ledger ist verteilt und repliziert. Enterprises, die in B2B-Transaktionen kollaborieren, können nun Transaktionsinformationen via Blockchain teilen. Eine potenzielle Applikation für erweiterte (d. h. verschiedene Handelspartner involvierende) Enterprises-In-Motion ist, die Blockchain als gemeinsame Datenbank für ihre Trade-Transaktionen zu behandeln und auf die Daten von ihren Enterprise-Applikationen aus zuzugreifen. So replizieren Handelspartner Daten nicht in ihren internen ERP- oder Datenbanksystemen, sondern die Blockchain kann als Master Data für Inter-Enterprise-Transaktionen dienen! Blockchain-Technologie ist noch sehr in den Kinderschuhen. Wir werden mehrere „Troughs of Disillusionment“ Hype-Cycle-Phasen durchlaufen, bevor robuste IoV-Lösungen pervasiv werden.

Blockchain-Technologie-Diskussionen neigen auch dazu, sehr „bottom-up“ zu sein – eine interessante Innovation, die nach Problemen sucht, die sie lösen kann. Wie der Erfolg von IoT durch DPA läuft, muss Blockchain zu einem Valuechain (aka Valuestream) Ansatz evolvieren – powered durch DPA!

• Valuechain Orchestration Layer: Oben haben Sie den End-to-End Valuechain, der Tasks orchestriert und sequenziert, involvierend People, automatisierte Devices, Enterprise Applications (aka Systems of Record) und Trading Partners. Dieser Layer ist digitalisiert und automatisiert durch DPA.
• Blockchain Layer: Die dezentralen verteilten Ledger werden im mittleren Blockchain-Layer gemanagt. Blockchains werden entweder Smart Contract Rules ausführen, Kryptowährungen austauschen oder beides. Die Tasks oder Meilensteine des End-to-End Valuechain werden Blockchain in spezifischen Schritten nutzen.
• IoT/IIoT Connected Device Layer: Der unterste Layer wird die IoT/IIoT Konnektivitätsschicht sein. Mit Blockchain sowie IoT/IIoT Edge Computing ist ein zusätzlicher Vorteil, Execution und Transaktionen an die Edges zu pushen. Der Overall Valuechain ist oben, mit IoT/IIoT Edge Computing, das Blockchain bei Bedarf nutzen kann.

Prozess + Daten Fazit

Prozess und Daten sind beide kritisch für das Enterprise-In-Motion. Allerdings fehlt die Prozessschicht für automatisierte Valuestreams – mit robustem DPA (aktuelle Inkarnation in der Evolution von BPM) – oft in IT-Infrastruktur und Enterprise-Architekturen. Teil II von Prozess+Daten deckte drei überzeugende Use Cases ab, die die Kraft eines top-down Business-getriebenen Prozessansatzes klar illustrieren. Selbst Master Data – im Kern eine Datenbank-Herausforderung – kann transformiert und optimiert werden durch Priorisierung der Valuestreams und Aufbau der Master Data im Kontext von DPA-Iterationen. Die zwei anderen Use Cases betreffen die überzeugendsten Digital-Transformation-Technologien: IoT und Blockchain. Für beide läuft der Weg zum Erfolg durch DPA!

Prozess + Daten sind beide kritisch für Innovation und Transformation. Das Potenzial und die Kraft von Daten-Insights werden in digitalisierten und automatisierten Prozessen realisiert.

Enterprise-In-Motion IT-Infrastrukturen und Enterprise-Architekturen sowie die begleitenden Business-Value-fokussierten Methodologien brauchen DPA.