Die Arbeit mit Daten kann Unternehmen transformieren
– wenn jeder das hat, was er zur Analyse braucht
Wer seine Daten nicht oder nicht richtig nutzt, lässt enorme Chancen links liegen – und wird gegenüber Organisationen mit konsequent datengetriebener Unternehmenssteuerung eher früher als später das Nachsehen haben.
Datenkompetenz geht alle an, wenn das Unternehmen weiterentwickelt werden soll
Warum? Weil immer mehr Datenquellen und immer mehr Möglichkeiten, unternehmensinterne mit externen oder strukturierte mit unstrukturierten Daten zu verknüpfen, ungeahnte Einblicke in relevante Business-Prozesse eröffnen – mit der entsprechenden Technologie sogar in Echtzeit. Wer also das Potenzial seiner Daten wirklich strategisch nutzt und sich nicht nur auf einige wenige Kennzahlen verlassen möchte, die viel zu oft nur im Rückblick erstellt werden, der verschafft sich klare Vorteile. Umsatzsteigerung, Zeitersparnis, bessere Ressourcen-Allokation und Maschinenauslastung oder Predictive Maintenance: Vieles ist möglich auf der Basis smarter Datenanalyse und -visualisierung.
Nicht alle im Unternehmen brauchen die gleichen Daten
Doch was anfangen mit all den Produktionsdaten, Maschinendaten, Social-Media-Inhalten, Geoinformationen, Callcenter-Daten & Co., die in den Data Lakes zusammenlaufen? Wer soll Big Data in die Hand nehmen – und mit welchem Ziel?
Am besten funktioniert das Schritt für Schritt. Ein wichtiger Grundstein datengetriebener Organisationen ist es, echtes Datenverständnis zu fördern und eine Kultur zu etablieren, in der das Lernen und Arbeiten von, mit und über Daten großgeschrieben wird. Wer versteht, welches Potenzial in Daten steckt, sieht auch, dass der Umgang mit den digitalen Informationen ebenso plan- wie verantwortungsvoll sein muss, um langfristigen Erfolg zu sichern. Datenkompetenz geht alle an, wenn das Unternehmen datenbasiert weiterentwickelt werden soll. Allerdings braucht nicht jeder die gleiche Datenbasis oder eine strikte, lineare Abfragelogik, um seine Arbeit datenbasiert zu optimieren.
Ein Beispiel: Profitiert ein Supply-Chain-Manager von Data-Analytics-Dashboards, die ihm in Echtzeit Materialverfügbarkeiten, Lieferantendaten, Preise und Absatzplanung an verschiedenen Standorten visualisieren, benötigt ein Sales-Mitarbeiter im Außendienst eher eine Analytics-App, die ihm in Sekundenschnelle den Überblick über regionale Umsatzerwartung, Kundenfeedback, Up-Selling-Chancen und die wirtschaftlichste Routenplanung ermöglicht. Kurz: Nicht jeder braucht die gleiche Datenbasis und Abfrage-Tiefe, um von neuen Daten-Kombinationen für seinen Aufgabenbereich zu profitieren. Assoziative Datenanalyse im jeweils relevanten Bereich bis auf Kunden- oder Artikelebene heißt hier das Strichwort.
Doch auch wer wirklich tief in den Data Lake eintauchen möchte, sollte – rollenbasiert und richtlinienkonform – die Möglichkeit dazu haben. Denn richtig analysiert, stecken in den Mega- und Terabyte an Daten riesige Optimierungspotenziale, Einsparmöglichkeiten oder sogar neue Geschäftsmodelle. Immer mehr Unternehmen erkennen das und sind händeringend auf der Suche nach Data Scientists, die idealerweise nicht nur in regulären SQL-Datenbanken zuhause sind, sondern auch in unstrukturierte Data Sets eintauchen können – oder (etwa in R- oder Python-Projekten) bereits in Richtung Advanced Analytics und Machine Learning denken. Analytics-Software, die zum Beispiel durch offene APIs und ein möglichst dichtes Sortiment an Konnektoren sowie Cloud-Fähigkeit Daten aus allen Quellen für Analytics-Projekte verfügbar macht, unterstützt die Data-Profis dabei.
Zentral gemanagte Governance vom Standard-User bis zum Data Scientist
Doch ob Standard-Anwender, der vor allem bereitgestellte Data-Analytics-Apps für seinen Tätigkeitsbereich nutzt, ob Power-User, der auch selbst Apps erstellt, oder Data Scientist: Die Analytics-Strategie eines Unternehmens sollte im Sinne aller einige Aspekte auf dem Weg zur datenbasierten Unternehmenssteuerung beachten:
- Datenqualität, Sicherheit und Zugangsrechte: Für verantwortungsvolle Arbeit mit Daten bewährt es sich, Verantwortlichkeiten und Zugriffs-Befugnisse eindeutig festzulegen und innerhalb einer zentral gemanagten Governance zu steuern. So kann jeder auf die Daten zugreifen, die er braucht, assoziativ in ihnen forschen und gleichzeitig intuitiv und compliant seine individuellen Analysen fahren.
- Fehlervermeidung: Jede Datenmigration, jedes Hin- und Herkopieren von Data Sets sowie manuelle Eingaben bieten Fehlerpotenzial. Idealerweise bleiben die Daten zur Analyse daher einfach, wo sie sind – ob on-premise oder in der Cloud gespeichert. Wird zudem das Laden der Daten automatisiert – und helfen intelligente Engines bei besonders relevanten Einsichten oder optimaler Visualisierung – wird die Analyse auch größter Datenmengen immer schneller und präziser.
- Selfservice Analytics: Hat jeder, der mit Daten arbeiten möchte, wirklich die Möglichkeiten und Fähigkeiten dazu? Hier lohnt sich ein genauer Blick auf die unterschiedlichen Rollen und Positionen in einer Organisation. Denn laut der jüngsten europäischen Data Equality Untersuchung sind nur knapp 25 Prozent der Befragten der Meinung, dass jeder in der eigenen Organisation Zugang zu den Daten hat, die er eigentlich brauchen würde, um bestmöglich zu arbeiten. Dabei sind 85 Prozent der ausführenden Mitarbeiter überzeugt, adäquater Zugang und die Arbeit mit Daten würden ihnen helfen, noch besser zu performen.
Hier kann der Data Scientist zum wichtigen Brückenbauer im Unternehmen werden. Denn er ist in einer Art Querschnittsfunktion Ansprechpartner über Fachabteilungen und Profit Center hinweg. Statistische und analytische Fähigkeiten sind bei der Arbeit mit unterschiedlichsten Datenquellen und verschiedensten fachlichen Anforderungen in den Abteilungen natürlich empfehlenswert. Ebenso sind aber logisches Denken und eine interdisziplinäre Perspektive gefragt. Denn auch und gerade hinter der Data-Analytics-Strategie einer Organisation stehen die strategischen Unternehmensziele und ihre Weiterentwicklung.
Übrigens sind im persönlichen Erleben jedes Einzelnen Daten nicht gleich Daten, wie ebenfalls die Data Equality-Forschung herausgefunden hat. So fühlen sich in Deutschland zum Beispiel junge Männer bis 24 mit erster Berufserfahrung zu erstaunlichen 58 Prozent von Social-Media-Inhalten überrollt, während sich schwedische Frauen um die 30, die in Professional-Positionen arbeiten, vor allem einer Flut an Nachrichten-Informationen ausgesetzt sehen. In puncto Daten-Bewertung und -Einordnung sowie beim Blick auf die Daten, die einen im Überfluss umgeben – oder aber genau fehlen –, kann es also durchaus lohnenswert sein, verschiedenen Jobfunktionen möglichst intuitives Arbeiten mit Daten zu ermöglichen.
Das, was mich am meisten erschreckt, ist die weit verbreitete Unwissenheit über die Daten, die ein Unternehmen selbst erhebt. Mir ist es schon oft vorgekommen, dass mir Mitarbeiter aus Unternehmen vorgelegt habe, welche Daten sie von wo einkaufen und nach einem kurzen Blick habe ich gemerkt, dass sie die Hälfte davon selbst über first party data bereits erheben. Es wird also in breiten Kreisen des Mittelstandes schlicht Geld verbrannt!
Daher bin ich der Meinung, dass ein Data Analyst/Data Scientist in jedem Unternehmen zwar wichtig ist, aber viel signifikanter sogar ein Vermitteln einfachster Datenkompetenz ist!