Dr. Hugo Bowne-Anderson, Data Scientist und Dozent bei DataCamp, hat kürzlich ein Webinar zu fünf Dingen gehalten, die Führungskräfte über Datenstrategie wissen müssen. Lies hier die Zusammenfassung oder sieh dir das Webinar on-demand an.
1. Die 80/20-Regel in der Data Science
Die 80/20-Regel, auch Pareto-Prinzip genannt, besagt, dass bei vielen Ereignissen rund 80% der Wirkungen auf 20% der Ursachen zurückgehen. 2018 zahlten in den USA beispielsweise die obersten 20% der Verdienenden etwa 80% der Steuern. In der Data Science bedeutet das: In 20% der Zeit entsteht 80% des Ergebnisses. Priorisiere in deiner Datenstrategie also das, was echten Mehrwert schafft.
Konzentrier dich auf das, was wirklich etwas bewegt
Oft lassen sich Führungskräfte von Buzzwords wie Deep Learning, Machine Learning (ML) und KI anziehen. Doch es gibt grundlegendere Bereiche, auf die du zuerst setzen solltest und die große Erfolge bringen können, zum Beispiel:
- Dateninfrastruktur ist notwendig, auch wenn sich der ROI nicht sofort zeigt. Unternehmen wie Spotify haben die Datensuche verbessert, indem sie Datenquellen vereinheitlicht haben. Wer Dateninfrastruktur priorisiert, vermeidet unterschiedliche Datenstandards in Silos, bereitet sich besser auf künftige Initiativen vor und schafft konsistente Datenansichten und Dashboards.
- Best Practices im Kundenservice umfassen Call-Center-Routing, Churn-Modelle und konversationelle KI.
- Sales-Propensity-Modelle sind für Vertriebs- und Marketingteams entscheidend.
Descriptive Analytics liefert 80% des geschäftlichen Nutzens
Du fragst dich vielleicht: „Auf welche Arten von Business Analytics sollte ich zuerst setzen?“ Auch hier hilft das Pareto-Prinzip:
- Descriptive Analytics bzw. Business Intelligence stiftet bei vielen Unternehmen rund 80% des Werts. Es geht darum, vorhandene Unternehmensdaten so aufzubereiten, dass die richtigen Personen sie konsumieren und nutzen können – etwa über Dashboards, Reports und E-Mails. Unsere Empfehlung an alle, die wirklich vorankommen wollen: Definiere fünf Descriptive-Analytics-Projekte, die deine Entscheidungen verbessern, und priorisiere sie nach Wichtigkeit.
- Predictive Analytics bzw. ML bereitet auf die Zukunft vor, indem es Vorhersagen trifft. ML ist der Teil von Predictive Analytics, der mithilfe effizienter statistischer Algorithmen die Zukunft auf Basis bestehender Informationen prognostiziert und Zusammenhänge sowie Insights identifiziert – man denke an die Empfehlungssysteme von Netflix.
- Prescriptive Analytics bzw. Decision Science ist die finale Stufe der Business Analytics. Sie antizipiert, was wann und warum eintreten wird – und leitet daraus konkrete Handlungen ab. Daten werden gezielt in den Entscheidungsprozess eingebunden. In unserem DataFramed-Podcast erklärt Cassie Kozyrkov, Chief Data Scientist bei Google Cloud, die Verbindung zwischen Decision Intelligence und Data Science.
2. Warum Big Data nicht immer so groß ist
Große Wirkung mit Small Data
Big Data lässt sich auf viele Arten definieren. Hugo liefert eine praktische Arbeitsdefinition:
Big Data ist deutlich mehr Datenvolumen, als sich auf einem Laptop oder einer einzelnen Festplatte speichern lässt: Daten, die über Rechnercluster verteilt werden müssen, um sie zu speichern, zu verarbeiten, zu übertragen und zu analysieren.
Unternehmen wie Google haben Big Data wirkungsvoll genutzt – und damit viel Hype ausgelöst. Doch laut Hugo kann Small Data hervorragende Ergebnisse liefern, ohne dem Hype zu verfallen.
Hilfreich ist hier der Gartner Hype Cycle. Nimmt man Google Trends als Proxy für Erwartungen, haben wir den Gipfel der überzogenen Erwartungen überschritten und bewegen uns Richtung Tal der Enttäuschungen.
Quelle: Wikipedia
Die Frage ist also: Reicht Small Data aus? Hugo meint: ja. Es geht nicht um Datenberge, sondern um kleine, hochpräzise Datensätze. Tycho Brahe, dänischer Astronom, sammelte beispielsweise nur rund 2.000 Datenpunkte, die Johannes Keplers drei Gesetze der Planetenbewegung ermöglichten – Grundlage für Newtons Gravitationstheorie. Und Meinungsforschende können mit einer statistisch repräsentativen Stichprobe von etwa 1.000 Bürgerinnen und Bürgern Ergebnisse mit einer Fehlerspanne von 3% vorhersagen.
Wichtiger als Big Data: Vielfalt
Hugo geht noch weiter: Eine Vielfalt an Daten ist wichtiger als schiere Menge. Wer qualitative Daten, auch Thick Data, in den Datensatz integriert, erzielt bessere Ergebnisse. Thick Data ist ein aus Soziologie und Anthropologie entlehnter, vorwiegend beschreibender Ansatz – im Gegensatz zu Thin Data, das zahlenbasiert ist.
3. Warum die Zukunft der Datenarbeit Point-and-Click ist
GUIs für Datenarbeit nutzen
Wie stattet man Menschen ohne tiefes Daten-Know-how so aus, dass sie Business Intelligence nutzen und ML in Entscheidungen einfließen lassen? Nicht, indem alle programmieren lernen. Die Antwort sind Anbieter und Tools, die Datenanalyse als Produkt verfügbar machen. Künftig, so Hugo, wird der Großteil der Datenarbeit in grafischen Benutzeroberflächen (GUIs) stattfinden – also in Drag-and-Drop- und Point-and-Click-Interfaces.
Die Tech-Giganten reagieren bereits. Auffällige BI-Übernahmen machten zuletzt Schlagzeilen. So übernahm Salesforce Tableau, und vor wenigen Wochen schloss Google den 2,6-Milliarden-Dollar-Kauf von Looker, einem beliebten BI-Tool, ab.
Auch im Bereich Predictive Analytics wird ML produktisiert. Google AutoML ermöglicht Nicht-Data-Scientists den Aufbau diagnostischer und prädiktiver Modelle, und Microsoft Azure bietet ein automatisiertes ML-Tool, das den Modellaufbau so einfach macht wie das Importieren eines Datensatzes und die Auswahl der Zielvariable.
Datenprodukte bewusst einsetzen
Solche Tools befähigen Nicht-Techniker, mit Daten wirksam zu arbeiten – aber sie müssen es richtig tun. Hugo interessiert sich für Produkte, die helfen, Verzerrungen in Ergebnissen zu erkennen. Empfehlenswert ist Survival of the Best Fit, ein Lernspiel über Bias im KI-gestützten Recruiting.
4. Datenstrategie heißt Datenkultur
Wie viele Daten werden tatsächlich genutzt?
Wir haben bereits besprochen: Es geht weniger darum, riesige Datenmengen (Big Data) zu sammeln, sondern essenzielle, relevante Daten (Small Data). In einer Umfrage während des Webinars gaben 53% an, weniger als die Hälfte ihrer gesammelten Daten zu nutzen. Ziel ist es natürlich, mehr deiner Daten für dich arbeiten zu lassen. Das braucht eine belastbare Datenstrategie und eine starke, gesunde Datenkultur.
So baust du eine Datenstrategie auf
In Episode 30 unseres Podcasts DataFramed identifizierte Taras Gorishnyy, damals Senior Analytics Manager bei McKinsey, die Bausteine einer Datenstrategie:
- Eine Vision für Analytics entwickeln, die zur Unternehmensstrategie passt
- Starke Unterstützung auf C-Level sichern, z. B. Fürsprache, Budget und Begeisterung
- Frühzeitig aus mehreren Use Cases Mehrwert ziehen
- Prozesse neu gestalten und Kulturwandel anstoßen, damit die richtigen Datenkompetenzen im Unternehmen verankert werden
- Ein starkes Datenfundament schaffen, das integrierte, verlässliche und aktuelle Daten bereitstellt
Warum Prozessdesign und Kulturwandel nötig sind
DataCamps Mission, Datenkompetenzen weltweit zu demokratisieren, hängt eng mit Punkt vier zusammen: Unternehmen beim Aufbau einer datenaffinen Kultur zu unterstützen. In einer 2019er Umfrage unter über 300 Organisationen zeigte sich jedoch: Nur 39% der Unternehmen mit ausgereifter Datenkompetenz hatten Prozesse neu gestaltet und einen Kulturwandel in Bezug auf Daten vollzogen – bei Unternehmen mit geringer Datenkompetenz waren es lediglich 7%.
Quelle: Don’t Wait: What 300+ L&D Leaders Have Learned About Building Data Fluency
Weiterbildung statt Neueinstellung führt zu Datenkompetenz
Jedes Unternehmen will Top-Talente einstellen, aber nach der 80/20-Regel wird das den meisten nicht gelingen. Es gibt zu wenig Talente für die Menge an Datenarbeit – eine Strategie, die auf die Anwerbung von „Einhörnern“ setzt, ist unrealistisch. Die Alternative? Eine Datenkultur etablieren, die auf Weiterbildung und Reskilling der bestehenden Mitarbeitenden setzt, indem du eine Lernumgebung im Unternehmen förderst.
5. Warum Datenstrategie im Kern Empathie ist
Denk an deine Stakeholder
Wie jede Geschäftsstrategie erfordert auch die Datenstrategie, genau zu überlegen, wen du beeinflusst und was unterschiedliche Stakeholder brauchen. Sie prägt, wie ein Unternehmen Produkte entwickelt und Entscheidungen in großem Maßstab umsetzt. Beim Einsatz von Daten sollte man nie vergessen: Jeder Datenpunkt steht für eine Person oder eine Personengruppe. Daten können Unternehmen in großem Stil helfen – aber auch schaden.
Ein Beispiel: Vor einigen Monaten wurde bekannt, dass die Apple Card Frauen bei der Kreditvergabe benachteiligte. Auch wenn Apple keine Benachteiligung beabsichtigt haben mag, führte dies zu einem großen PR-Problem und verstärkter Kontrolle durch Aufsichtsbehörden. Algorithmen sind nicht per se vertrauenswürdig – sie müssen mit empathischem Blick geprüft werden.
Erkenne deine blinden Flecken
In Episode 50 unseres Podcasts DataFramed sagte Cathy O’Neil, Autorin von Weapons of Math Destruction: „Data Science sagt nicht nur die Zukunft voraus. Sie gestaltet sie.“
Unternehmen, die in großem Maßstab Produkte und Datenstrategien entwickeln, sollten nicht nur ihre vermuteten Stakeholder auflisten, sondern so viele Perspektiven wie möglich einholen – denn zwangsläufig gibt es Gruppen, die betroffen sind und übersehen werden, wie im Fall von Apple.
Sei ehrlich, welche Aufgaben automatisiert werden
Viele fürchten, dass Maschinen ihre Jobs übernehmen. Mit dem technologischen Fortschritt wird aber weniger der ganze Job automatisiert – sondern bestimmte Aufgaben. Teile einer Tätigkeit können wegfallen. Die Aufgabe für Arbeitgeber ist es daher, herauszufinden, wie Mitarbeitende vor diesem Hintergrund weitergebildet und umgeschult werden und wie sie in höherwertige Tätigkeiten wechseln können.
Für einen tieferen Einstieg in diese Themen sieh dir Hugos Webinar on-demand an.
