Data Solution Portfolio

Unsere drei Schritte zur Erstellung eines Portfolios für Datenlösungen

Erfolgreiche Daten-Teams brauchen nicht nur gute Daten-Analysten, sondern auch eine solide Grundlage im Produkt- und Projektmanagement.

Eins von sechs Machine-Learning-Modellen geht nie in Serie. Dies liegt oft nicht an fehlerhaften Daten oder lückenhaftem Fachwissen, sondern an einem mangelhaften Projektmanagementsystem. Viele Daten-Teams verlassen sich auf unzusammenhängende, reaktive Wasserfallmethoden. Diese wesentliche Lücke gibt es in vielen Unternehmen, in denen der Fokus hauptsächlich auf der perfekten Ausführung liegt, ohne dabei die zugrunde liegende Planung und Verwaltung zu berücksichtigen.

Erfolgreiche Daten-Teams brauchen nicht nur gute Daten-Analysten, sondern auch eine solide Grundlage im Produkt- und Projektmanagement. Diese Grundlage gewährleistet die Ausrichtung von Ressourcen auf die Unternehmensziele, die richtige Priorisierung von Projekten und die Verteilung der für den Erfolg benötigten Daten an die Stakeholder. Letztendlich brauchen Daten-Teams ein Framework, das das Produkt- und Projektmanagement sowie die technische Ausführung umfasst. Wir haben genau dies getan. Erfahren Sie hier, wie.

Schritt 1: Starke Grundlagen schaffen 

Wir haben uns bei Rackspace Technology für einen innovativen Ansatz im Hinblick auf unser globales Data Office entschieden. Unser Ansatz zentralisiert herkömmliche Konzepte und integriert sie so, dass sie den individuellen Anforderungen unserer Benutzer gerecht werden. Mit dieser Methode haben wir die Anzahl unserer abgewickelten Projekte um das 7-fache erhöht, von 14 Projekten pro Quartal auf 91. Zusätzlich haben wir messbare Erfolge bei der Geschwindigkeit, der termingerechten Lieferung und den Lieferfristen für Datenmodelle verzeichnet.

Unser Ansatz ist in dreierlei Hinsicht einzigartig:

  • Internes Produktmanagement: Das Produktmanagement-Team überprüft Projekte, identifiziert Anforderungen und legt die Prioritäten fest. In unserem zweistufigen Modell dreht sich alles um das Entwerfen von Produkten und Roadmaps für interne Benutzer. So können diese unseren externen Kunden ein besseres Kundenerlebnis und einen geschäftlichen Mehrwert bieten.
  • Projektmanagement: Ein grundlegender Wandel in der Art und Weise, wie wir Projekte planen und ausführen. Dieser Wandel kann eine bedeutende Umstellung für Unternehmen sein, in denen normalerweise die Führungskräfte über Prioritäten und Zeitpläne entscheiden. Die von den Produktleitern entwickelten Prioritäten und Roadmaps werden von der Projektmanagement-Funktion übernommen. Diese erarbeitet dann eine Zeitachse mit Meilensteinen und Check-Ins. So können die Führungskräfte sich auf die Bereitstellung statt auf Managementaufgaben konzentrieren.
  • Scaled Agile: Der Einsatz von Scaled Agile verschafft uns einen weiteren Vorteil. Diese Vorgehensweise ermöglicht es uns, ein Problem in kleinere Aufgaben zu unterteilen. Datenprojekte bestehen aus mehreren Komponenten, von denen viele oftmals übersehen werden. Dank Scaled Agile haben wir eine klare Übersicht über das gesamte Projekt, was für iterative Datenprojekte ideal ist.

Diese Best Practices dienen als Grundlage für die Säulen unserer Projekte. Basierend auf unseren Unternehmenszielen verwenden wir diese Säulen, um festzulegen, welche Projekte zur internen Optimierung, dem Erfolg des Unternehmens oder dessen Transformation beitragen. Anschließend unterteilen wir das Portfolio in drei Teile bzw. Produkte:

  1. Daten-als-Dienstleistung: Wie wir Daten verwenden. Umfasst Business Intelligence und erweiterte Analytics. 
  2. Datenplattform-als-Dienstleistung: Wie wir Daten zentralisieren und harmonisieren. Umfasst unsere Infrastruktur und unsere Methoden zur Datenaufnahme.
  3. Datenmanagement-als-Dienstleistung: Wie wir Vertrauen schaffen. Umfasst Data Governance und die Verwaltung von Stammdaten.   

Bei jedem Produkt konzentrieren wir uns auf Projekte, die sich mit unseren Projektsäulen decken. So erstellen wir ein ausgewogenes Portfolio, das auf unsere Unternehmensziele abgestimmt ist.

Zusätzlich zu unserem Portfolio wenden wir strenge Priorisierungsprotokolle an, die sich am Geschäftswert orientieren. Wir schauen in unserem Backlog nach Anfragen, die sich ähneln. Anstatt nur ein Problem für einen Geschäftsbereich zu lösen, versuchen wir, einen Lösungsansatz für geläufige Probleme im ganzen Unternehmen zu finden. So können wir mehrere Benutzer gleichzeitig zufriedenstellen, Ressourcen optimieren und eine größere Wirkung auf das gesamte Unternehmen erzielen.

Ein weiterer wichtiger Aspekt des Frameworks ist die Bereitstellung eines Minimum Viable Product (MVP) für eine funktionale Lösung. In einem herkömmlichen Framework für Entwicklungen wartet das Unternehmen manchmal monatelang auf ein vollständiges Release. In dieser Zeit verändern sich die Projektanforderungen allerdings oft. Im Rahmen unseres Frameworks treffen wir uns mit den Stakeholdern, um das MVP zu bestimmen und planen inkrementelle Releases, um das bestmögliche Ergebnis zu erreichen. Wir beginnen mit den MVPs, damit wir iterative Verbesserungen vornehmen können, regelmäßig einen Mehrwert schaffen und uns an sich ändernde Anforderungen anpassen können.

Schritt 2: Effektive Teams zusammenstellen

Erfolg hängt von der richtigen Führungskraft ab. Sie brauchen keinen Projektmanagement-Guru oder ein Datengenie. Suchen Sie nach einer Person mit strategischem Weitblick, gutem Geschäftssinn und der Fähigkeit, sich zu behaupten. Dementsprechend sollte Ihr Team aus Kollegen bestehen, die sich in beiden Bereichen gut auskennen und somit in der Lage sind, auch die technischen Aspekte von geschäftlichen Anforderungen zu verstehen und umgekehrt.

Nachdem wir die passende Führungskraft gefunden und ein Team zusammengestellt hatten, begannen wir mit einer klaren Rollen- und Aufgabenverteilung. Dann erstellten wir für jeden Value Stream einen dedizierten Pod, der aus Produktmanagern, Scrum-Masters und Businesssystem-Analysten bestand.

Als Nächstes planten wir Meetings ein, die sich im Detail mit dem Projekt befassten. In diesen Meetings schauten wir uns das Backlog an und wiesen jeder Anfrage einen Value Stream und einen Geschäftswert zu. Als Nächstes priorisierten wir jedes Projekt und entwickelten eine Roadmap. Wir brauchten nur 60 Tage, um unser Vorhaben von Null auf Hundert zu bringen.

In jedem Quartal nehmen wir uns ein paar Tage Zeit, um vorausschauend zu planen – wir setzen akribisch Prioritäten, planen Details und wägen Abhängigkeiten ab. Die Projekte für das nächste Quartal werden festgelegt, bevor wir mit der Ausführung beginnen. Nachdem wir uns mehr auf einen „Shift left“-Ansatz konzentrierten, konnten wir das Tempo richtig anziehen. So konnten wir die Projektabwicklung beschleunigen, mehr Nachfrage schaffen und das Vertrauen weiter stärken.

Schritt 3: Konkrete Ergebnisse vorzeigen

Nach der Implementierung konnten wir schnell Fortschritte bei einigen unserer wichtigen Kennzahlen feststellen. Diese Erfolge haben wir nicht durch zusätzliche Mitarbeiter oder Geld erreicht, sondern durch eine bessere Planung und die Einsetzung der richtigen Kollegen in den richtigen Rollen.

Die Zahlen sprechen für sich:

  • 7-facher Anstieg von Projekten: von 14 Projekten pro Quartal auf 91 Projekte pro Quartal
  • 20 % schnellere Abwicklung ohne zusätzlichen Personalbestand
  • 80 % pünktliche Lieferung – 15 % mehr als im vorigen Jahr
  • 14 Tage für die Entwicklung eines Datenmodells anstatt 91

Mit unserem Ansatz konnten wir unsere Abwanderungsrate und unsere NPS-Produktlebenszyklen (Kundenzufriedenheit) verbessern.

Die Integration des Produktmanagements in das Data Office hat uns zuverlässiger und zu einem besseren Partner für das Unternehmen gemacht. Unser Ziel ist es, noch proaktiver zu werden. Wenn wir das Unternehmen in- und auswendig kennen, können wir schon mit Projekten beginnen, bevor Anfragen überhaupt erst gestellt werden.

 

Join the Conversation: Find Solve on Twitter and LinkedIn, or follow along via RSS.

Stay on top of what's next in technology

Learn about tech trends, innovations and how technologists are working today.

Subscribe

Data Modernization

Die Bewältigung der größten Herausforderungen für KI und Machine Learning – Datenmodernisierung

About the Authors

Juan Riojas

Chief Information Officer

Juan Riojas

As Chief Information Officer at Rackspace Technology, Juan Riojas is responsible for enterprise-wide data strategy, management, and analytics to meet the need of the business to answer critical questions through time to insight. He has more than 20 years of industry experience successfully migrating data ecosystem across all public clouds, leading to significant business transformation outcomes. Prior to Rackspace, Juan worked for Informatica building their inaugural Data Office and has held various executive leadership roles at Gogo, Dell, Accenture, and Expeditors. A native of Texas, Juan attended Texas A&M International University, where he studied business administration and holds a post graduate degree from Said Business School, Oxford University

Read more about Juan Riojas
Lara Indrikovs Director of Product Management Rackspace

Director of Product Management

Lara Indrikovs

Lara Indrikovs serves as the director of product management for the Global Data organization at Rackspace. She is responsible for leading the development, management, prioritization and execution of the GDO product portfolio that encompasses end-to-end enterprise data initiatives. Lara is a certified SAFe leader and led the GDO’s agile transformation. Prior to her current role, Lara led the marketing intelligence and data science teams, which were dedicated to developing actionable reporting and insights for Rackspace’s marketing activities and creating predictive analytic tools to enable business transformation initiatives. In that role, she led the global migration and consolidation of web analytic platforms to Google Analytics 360, directed the Salesforce Cloud and Google Analytics 360 integration, and established the first Marketing datamart in GCP Big Query. Before Rackspace, Lara held various leadership positions at global advertising agencies, where she focused on multicultural media strategy and buying. She graduated from the University of Texas at Austin with a degree in Advertising and Media, later earning a Master of Science in Predictive Analytics from Northwestern University. Lara lives in Austin with her fiancé and 8-year-old Cocker Spaniel, Indiana Bones. In her free time, she likes to balance out her analytical left brain on a yoga mat, traveling, hosting dinner parties, dancing Rumba and other Afro-Latin dances and volunteering with local non-profits.

Read more about Lara Indrikovs