Die Vor- und Nachteile des Big Data Outsourcing

Warum Big-Data-Projekte auslagern?

Da die Datenwertschöpfungskette immer reifer wird, konzentrieren sich Unternehmen zunehmend auf die Entwicklung von Erkenntnissen und verlassen sich bei der Veredelung von Daten auf Partner.

Partner können Größenvorteile und Fachwissen einbringen, und ausgereifte Entwicklungsprozesse und eine globale Dimension helfen bei der Kostenkontrolle. So trägt zum Beispiel eine umfangreiche Cloud-Datenmigration bei einer regionalen Bank dazu bei, die langfristigen Kosten für die Dateninfrastruktur in den Griff zu bekommen.

Laut Amaresh Tripathy, Global Business Leader of Analytics bei Genpact, einem Anbieter von professionellen Dienstleistungen für die digitale Transformation, beschleunigt die Partnerschaft mit Dienstleistern auch die Datenwertschöpfungskette, da die Unternehmen immer datenhungriger werden. Unternehmen können sich darauf konzentrieren, ihren Data-Scientist-Teams einen Mehrwert zu bieten, während sie gleichzeitig die Dienste von Anbietern in Anspruch nehmen, die bei der Verwaltung anderer Datenprojekte helfen.

Nach Angaben von Peter Mottram, Managing Director und Global Enterprise Data and Analytics Leader bei Protiviti, sind die Hauptgründe für Unternehmen, Big-Data-Projekte auszulagern, folgende:

• Nicht genügend Fachexperten für Legacy-Systeme im Unternehmen, die die Daten kennen;
• neue Technologien und Fähigkeiten, die es schwierig machen, Ressourcen zu finden oder zu verwalten;
• Kosteneinsparungen durch Offshore oder Nearshore Outsourcing;
• Einführung neuer Bereitstellungs- und Unterstützungsmodelle zur Kostensenkung; und
• Beratungsunternehmen, die variable Ressourcenpools für Projekte bereitstellen, damit das Unternehmen keine neuen Mitarbeiter einstellen muss.

Vorteile von Big Data Outsourcing

Skalierung für komplexe Datenprozesse

Viele Aspekte größerer Big-Data-Projekte erfordern erheblich mehr manuelle Arbeit, um Abstammung, Metadaten und Qualität zu gewährleisten.

„Ein Vorteil des Einsatzes eines Drittanbieters besteht darin, dass man die Ressourcen für den Start des Projekts aufstocken und nach der Behebung der Datenprobleme wieder abbauen kann“, sagt Mottram. „Es ist auch wichtig, die Prozesse zu automatisieren und zu kontrollieren.

Mit der Disruption Schritt halten

Viele Unternehmen verlagern ihre Dateninfrastruktur als Reaktion auf COVID-19 und neue Anforderungen an die Arbeit im Home-Office in die Cloud. „Außerdem kommt es nach wirtschaftlichen Rezessionen oft zu großen Sprüngen in der Automatisierungsnutzung“, erklärt Mike O'Malley, Senior Vice President beim IT-Outsourcing-Unternehmen SenecaGlobal.

Während Unternehmen in die Automatisierung investieren wollen, besteht derzeit weltweit ein Mangel an Experten für Big Data Engineering und Cloud-native Technologien, die diese Initiativen unterstützen können.

„Immer mehr Unternehmen wenden sich an Outsourcer, die genau das erforderliche Fachwissen im Bereich Data Science und Big Data mit Erfahrung in der Cloud-Native-Entwicklung bieten können“, so O'Malley.

Engpässe identifizieren

Big-Data-Projekte erfordern erhebliche Investitionen und Change-Management. Einige dieser Investitionen sind komplexe Entscheidungen, wenn man bedenkt, wie viele Tools auf dem Markt verfügbar sind und wie schnell die Innovation voranschreitet. Das Änderungsmanagement umfasst strategische, technologische und betriebliche Änderungen, die sorgfältig abgewogen werden müssen. Das Wissen dieser Outsourcing-Partner darüber, wo ein Big-Data-Migrations- oder Greenfield-Programm auf potenzielle Engpässe stoßen könnte, hilft, Risiken frühzeitig zu mindern.

„Strategische Outsourcing-Partner in diesem Bereich haben im Laufe vieler Big-Data-Implementierungen bei ihren Kunden die notwendigen Erfahrungen gesammelt, um Unternehmen bei diesen Investitionsentscheidungen zu unterstützen und alle erforderlichen Change-Management-Maßnahmen sorgfältig zu prüfen“, sagt Sandhya Balakrishnan, Region Head of Data Analytics und Engineering bei Brillio.

Datensümpfe vermeiden

Viele Unternehmen haben sich auch die Finger verbrannt, weil sie Big-Data-Programme gestartet haben, bei denen nicht sichergestellt war, dass die Benutzer über qualitativ hochwertige Daten verfügen und diese leicht finden können.

Solche Datensümpfe können durch durchdachte Architekturentscheidungen im Vorfeld des Programms vermieden werden. Durch die Bereitstellung branchenüblicher Best Practices und die Möglichkeit, optimierte Technologien zu kombinieren, helfen Big-Data-Outsourcing-Anbieter ihren Kunden, einen hohen ROI für ihre Investitionen zu erzielen.

Automatisieren Sie bewährte Verfahren zur Datenhygiene

Geschäftsentscheidungen, die auf datengestützten Erkenntnissen beruhen, sind nur so genau wie die zugrunde liegenden Daten. Big-Data-Outsourcing-Anbieter verfügen häufig über Fachwissen bei der Anwendung von branchenüblichen Methoden zur Bereinigung der Daten im Kontext von Branchen- und Domänenanwendungen. Außerdem sind sie mit dem entsprechenden Technologie-Stack vertraut, um die intensiven manuellen Datenbereinigungs- und Standardisierungsprozesse weiter zu automatisieren.

Folglich wird die Entwicklung einer sauberen Datenbasisschicht weniger personen- und mehr prozessorientiert, sagt Tripathy. Genpact verbessert zum Beispiel die Cashflow-Prognosen eines großen Kosmetikunternehmens, die auf Daten aus einem Dutzend separater ERP-Systeme basierten.

Nachteile von Big Data Outsourcing

Verlust von Wissen

Unternehmen müssen sich überlegen, wie sie die Talente und das Wissen über ihre Systeme im Laufe der Zeit erhalten können. Sie müssen neue Arbeitsweisen einführen und Partner einsetzen, die ihnen bei der Umsetzung dieses organisatorischen Wandels helfen.

„Wenn sie sich nur auf Outsourcing verlassen, könnten sie in Zukunft zu Geiseln des Outsourcing-Unternehmens werden“, sagt Mottram.

Geeignete Fachkenntnisse sicherstellen

Es gibt ein breites Angebot an Big-Data-Outsourcing-Unternehmen. Es ist wichtig, ein Unternehmen zu finden, das über das entsprechende Fachwissen in einem bestimmten vertikalen Bereich und über die entsprechenden Datenverarbeitungs-Tools verfügt. Nur weil ein Unternehmen Data Science beherrscht, heißt das noch lange nicht, dass es auch weiß, wie man Ihre Daten effizient bereinigt. Daten spiegeln die Geschäftsprozesse wider, aber Unternehmen lagern sie oft an reine Technologieunternehmen aus, die möglicherweise nicht den richtigen Kontext für das Geschäft haben. Dies führt häufig zu Problemen mit der Datenqualität.

Fehlender Kontext

Ein weiterer Nachteil ist das Fehlen einer Talentpipeline. Viele Datenwissenschaftler haben ihre ersten Schritte im Datenmanagement gemacht, was ihnen hilft, die Feinheiten eines Unternehmens zu verstehen. Wenn sich das Unternehmen bei Datenprojekten ausschließlich auf Partner verlässt, könnte mit der Zeit eine Talentlücke für anspruchsvollere Geschäftsanalysen entstehen, so Tripathy. Es gibt Möglichkeiten, dieses Risiko abzumildern, aber die Unternehmen müssen proaktiv dafür planen.

Neue Fragen der Sicherheit und des Datenschutzes

„Ein weiteres wichtiges Thema ist die Datensicherheit und der Schutz der Privatsphäre, da externe Anbieter Zugang zu potenziell sensiblen Daten haben“, sagt Balakrishnan. Es ist wichtig, mit dem Datenschutzbeauftragten zusammenzuarbeiten, um sicherzustellen, dass die gemeinsame Nutzung von Daten nicht gegen die Datenschutzbestimmungen verstößt.