• Management & Innovation
  • Fachbeiträge
• Contact & Service Center
  • Fachbeiträge
  • Job & Karriere
• Branchen & Praxis
  • Fachbeiträge
  • Best Practice & Case-Studies
  • Business Guide
• Markt & Produkte
  • Fachbeiträge
  • Marktübersichten

• Termine
• Partner
  • Call Center Verband
  • KVD
• Service
  • Newsletter
  • Glossar

DATA ANALYTICS

Von: Verena Fink am 04.12.2020

FÜR DEN MÜLLEIMER: Welche Fehler es in der Datenarbeit zu vermeiden lohnt

Mit Data Analytics treffen Sie nie wieder falsche Entscheidungen: Schön wäre das Versprechen einiger Anbieter, dass man nur über Daten verfügen und passende Analyse-Methode einsetzen muss, um Prognosen besser und skalierbarer zu machen. Ganz so einfach ist es leider nicht und weil ich schon zu viele Organisationen gesehen habe, die trotz Data Analytics noch nicht im Paradies der Top-Entscheidungen angekommen sind, hier meine aktuelle Hitliste der realen Stolpersteine in Unternehmen:

MIT DATA ANALYTICS TREFFEN SIE NIE MEHR FALSCHE ENTSCHEIDUNGEN, versprechen viele Anbieter. Schön wäre es, Trotzdem überzeugt mich der Slogan nicht, vielleicht weil ich schon zu viele Organisationen gesehen habe, die trotz Data Analytics noch nicht im Paradies der Top-Entscheidungen angekommen? Eine halbe Stunde später sortiert sich mein Gedankenpuzzle zu meiner Hitliste der realen Stolpersteine:

1. Hauptsache Analytics
Im Top Management wimmelt es von Funktionsträgern, die das Datengeheimnis lüften sollen, vom Chief Digital über den Chief Data bis zum Chief Analytics Officer. Im schlimmsten Fall wird das ungeliebte Mittagsgericht namens Datensalat dorthin delegiert, da der Vorstand kein Verständnis für die Business Potentiale hat und Business Analytics nicht von Predictive Analytics oder Prescriptive Analytics unterscheiden kann.

2. Lieber loslegen
Agile First haben die Entscheider ausgerufen und im Board Meeting drei Analytics-Piloten losgetreten, die mehr Transparenz bringen sollen. Ein Bezug zu den strategischen Zielen wird nicht gesucht. Irgendwie wird es schon auch darauf einzahlen, den Wettbewerbsvorteil zu sichern, Bestandskunden zu binden und Neukunden zu gewinnen. Analytics ist doch immer für etwas gut.

3. Irgendwie erfolgreich
Die Anwendungsfälle sind unscharf, die Ziele folglich unklar. Welcher Use Case was bis wann erreicht haben soll, das kann niemand so genau beantworten. Der Entscheider hat sich ein Datenprojekt am dicksten Knotenpunkt der Supply Chain ausgesucht, an dessen Komplexität das Projektteam verzweifelt. Nichts geht voran und die Unkenrufer spüren Rückenwind, wenn die Frustration ansteigt, weil schnelle Erfolge ausbleiben.

4. Großbaustelle aufräumen
Ein großer Teil der Arbeit in Data Analytics hat mit Aufräumen zu tun. Das sogenannte Data Cleansing sucht nach inkorrekten, redundanten oder inkonsistenten Datensätzen und korrigiert solche Fehler in Datenbanken und Informationssystemen. Oft ist die Datenbaustelle so groß, dass sich die Aufräumtruppe nur verlaufen kann, da nicht vorab priorisiert wurde: Wo sind die wertvollen Pilotprojekte und welche Daten sind dafür nötig? Fokus Fehlanzeige.

5. Sauber irrelevant
Frustration zeigt sich, wenn die Datenberge endlich bereinigt und strukturiert sind aber niemand damit arbeitet. Die Daten sind validiert und nutzbar aber sie geben keine Antworten auf reale Geschäftsfragen. Kein Wunder, wenn das Projekt IT-fokussiert aufgesetzt wurde ohne konkrete Fragestellungen aus dem Business.   

6. Super Silos
Vielfach kämpft Data Analytics um sinnvolle Plattformen für die Arbeit. Neue Datenplattformen werden nur zögerlich eingeführt oder Daten aus alten Silos nicht integriert. Wenn dazu noch Uneinigkeit herrscht zwischen Analytics, IT und Finance, was die richtigen Metriken sind zur quantitativen Analyse, dann bleibt der Datenzoo nur schwer beherrschbar.

7. Data irgendwas
Data Scientist trifft Data Analyst trifft Data Architect. Oft weiß die Personalabteilung im Job Interview selbst nicht so ganz genau, was nun den einen vom anderen unterscheidet. Sie analyiseren riesige Berge unstrukturierter Daten, finden Muster und treffen auf dieser Basis Vorhersagen und Entscheidungen. Konkreter werden die Tätigkeiten und Verantwortlichkeiten auf den Job Profilen von den Business Units und HR oft nicht abgegrenzt.

8. Lost in Translation
Der Stall an Datenexperten wächst und mit ihm die Kluft zur Linie. Wer baut die Brücke zum Business? Wer kann aus Kundensicht die Potentiale einschätzen? Wie müssten Piloten aufgesetzt werden, um in der Linienorganisation anschlussfähig zu sein? Vielfach fehlen Experten in Business Units, die ausreichend affin sind für mathematische Modelle, um eine Übersetzerfunktion einnehmen zu können.

Haben sie jetzt die Lust verloren auf Data Analytics in Anbetracht all der Stolpersteine? Ich hoffe, das Gegenteil ist der Fall, schließlich haben Sie den Vorteil, nicht die Fehler Ihrer Vorgänger wiederholen zu müssen. Mit einfachen strategischen Fragestellungen können Sie leicht einen Unterschied machen und nur solche Daten sammeln und auswerten, die ihnen reale Business-Fragen beantworten. Je einfacher, desto freudvoller.

« Zurück