Datenanalyse ist und darf kein Selbstzweck im Unternehmen sein, sondern soll das Geschäft verbessern und so zum Umsatzmotor werden. [...]
Langfristig leisten sich Unternehmen nur dann eine Datenanalyse, wenn der ROI (Return on Investment) stimmt. Oft sind Algorithmen und Software nicht das Problem, wenn die Ergebnisse nicht stimmen, sondern die Umsetzung der Analysen.
Um Datenanalysen erfolgreich umzusetzen, ist eine enge Zusammenarbeit zwischen Business-Entscheidern und Datenwissenschaftlern entscheidend. Mit den folgenden Tipps lässt sich die Teamarbeit deutlich verbessern.
Tipp 1: Gegenseitiges Verständnis fördern und vermitteln
Der Wert von Datenanalysen ist heute in vielen Unternehmen angekommen. Die Datenanalyse ist ein hervorragender Wegweiser, der Unternehmen ein tieferes Verständnis geben kann, was sie exakt tun müssen, um Ziele – unter anderem eine höhere Kundenzufriedenheit – zu erreichen.
Die Technologie ebnet den Weg dorthin: Mehr Daten, Möglichkeiten zur Datenspeicherung, Rechenleistung, komplexe Algorithmen, fortgeschrittene Analysesoftware, kombiniert mit Künstlicher Intelligenz und Machine Learning eröffnen eine Fülle neuer Chancen für jedes Unternehmen.
Auf dem Weg dorthin zeigt sich aber oft eine Hürde, die auftritt, wenn zwei unterschiedliche Welten aufeinanderprallen. Sowohl bei Business-Entscheidern als auch Datenwissenschaftlern gibt es Wissenslücken im Hinblick auf die jeweils andere Seite.
So legen Data Scientists naturgemäß einen starken Fokus auf Algorithmen und vernachlässigen den Bezug zum Business. Zudem sprechen sie eine andere Sprache als die Mitarbeiter der Marketing-, HR- und Logistik-Abteilungen.
Die Wissenslücke zu schließen, ist beim Zusammenrücken weder Ziel noch realistisch, aber schon einige Grundlagen können das Verständnis für die „andere Seite“ enorm fördern. Datenwissenschaftler können zum Beispiel mehr Verständnis dafür entwickeln, welche Auswirkungen die Analysen und die Empfehlungen auf das Unternehmen haben werden.
Grundwissen in Marketingkonzepten wie Personalisierung oder Storytelling kann helfen, die Ergebnisse der Analysen den Entscheidern verständlicher zu vermitteln. Umgekehrt helfen Grundlagen der Datenanalyse bei einem Verständnis für Daten allgemein und um Methoden, Aufwand und Ergebnisse zu verstehen – genauer gesagt, sich daran zu gewöhnen, Entscheidungen mit oder auf der Basis von Daten zu fällen.
Tipp 2: Kollaboration fördern
In der Praxis hilft es, sofort mit gemischten Teams zu starten und zu arbeiten, statt die Teams in ihren Disziplinen zu trennen und dann später zusammenzubringen. Ziel ist eher die Zusammenarbeit ab Tag 1 des Projekts oder am Anfang eines agilen Sprints. Das gelingt am besten mit Tandem-Teams aus IT und Business.
Digitale Tools wie Dokumente in der Cloud wie Google Docs, Zugriff auf visualisierte Ergebnisse der Datenanalyse, etwa Torten- und Balkendiagramme, und Kommunikationstools wie Slack fördern die Kommunikation.
Definierte Prozesse für Abstimmungen, zum Beispiel wann ein Review-Prozess stattfinden soll, fördern den Austausch. Ein kontinuierlicher Review-Prozess ist bei der Datenanalyse unerlässlich. Denn hier kann schon ein falsch gesetztes Komma enorme Auswirkungen haben und sogar falsche Prognosen nach sich ziehen.
Tipp 3: Fehler erlauben und lernen
Die Arbeit mit Daten geht mit einem gewissen Umdenken bis zu einem Kulturwandel im Unternehmen einher, der wichtig für den Erfolg, aber in der Umsetzung schwierig ist. Die Arbeit mit Daten bedeutet oft Neues auszuprobieren.
Und umgekehrt aus dem, was nicht funktioniert, zu lernen und den Kurs mit diesem Wissen zu korrigieren. Wichtig ist ein konstruktiver Umgang mit Fehlern. Fehler sollten nicht als etwas Negatives angesehen werden, sondern als Grundlage, um daraus zu lernen. Datenbasiert zu arbeiten bedeutet also auch, eine gesunde Fehlerkultur im Unternehmen zu etablieren.
Tipp 4: Die Grundlagen schaffen
Zu den eher ungeliebten Aufgaben der Datenwissenschaftler gehört, sich mit Problemen wie Datensilos oder unsauberen Daten beschäftigen zu müssen. Nicht nur für die Business-Entscheider, sondern für viele Abteilungen im Unternehmen ist es daher wichtig, möglichst saubere Daten zu liefern und sie zu pflegen.
Eine hohe Datenqualität fördert die Arbeit der Datenwissenschaftler. Dazu gehören Aufgaben wie: Daten aktuell halten, von Redundanzen befreien und nicht mehr benötigte Daten regelmäßig löschen. Das mag im Alltag lästig sein – etwa dem Vertrieb als ein Mehraufwand erscheinen. Aber es ist wichtig, solche Prozesse zu verankern, um sich später die Arbeit zu erleichtern.
Auch der Umstieg von veralteten Systemen, die problematische Daten erzeugen, ist oft ein wichtiger Schritt hin zu mehr Datenqualität. Der Umstieg bedeutet ebenfalls etwas Mehraufwand, der sich aber später auszahlen wird.
Tipp 5: Den Kunden in den Mittelpunkt stellen
Bei Analysen und Businessentscheidungen ist es nützlich, immer wieder zu erinnern, worum es eigentlich geht: den Kunden. Datenanalyse und die Arbeit mit Daten darf nie zum Selbstzweck werden, sondern soll am Ende immer das Kundenerlebnis insgesamt, also etwa einen bestimmten Abschnitt vor oder beim Kauf verbessern.
Bei der Planung von Marketing-Maßnahmen gilt es daher auch zu testen, ob die Kunden darauf überhaupt Wert legen. Auch bei der Umsetzung von Aktionen lohnt sich der vorherige Blick in die KPIs (Key Performance Indicators).
Tipp 6: Datenzentriertes Denken schrittweise fördern
Der Weg von der Arbeit mit Daten hin zum datenzentrierten Unternehmen ist lang, und die Transformation geschieht nicht von heute auf morgen.
Hilfreich auf dem Weg zum Ziel ist es, die Akzeptanz von Daten im Unternehmen in allen Abteilungen zu fördern. Das fällt oft gerade dann schwer, wenn Daten ungeliebte Wahrheiten zutage bringen – etwa was in einer Abteilung nicht funktioniert.
Be the first to comment