Getrieben vom Ziel, endlich wirklich datengetrieben zu handeln, sammeln Unternehmen seit Jahren Daten, bauen Infrastruktur auf und gewinnen hochqualifizierte Fachkräfte. Da Daten oft als Allheilmittel für die unterschiedlichsten Probleme gelten, ist das grundsätzlich der richtige Weg.
Doch allein die richtigen Tools und Talente zu haben, macht ein Unternehmen noch nicht datengetrieben. Das größte Hindernis ist der Aufbau einer Datenkultur – also die Haltung, Data Science als Methode zur Lösung geschäftlicher Herausforderungen zu verstehen. Wer datengetrieben arbeiten will, muss zuerst eine solche Kultur schaffen: mit unternehmensweiter Datenkompetenz und den nötigen Fähigkeiten für alle, ihre datenbezogenen Aufgaben souverän zu meistern. Dieser grundlegende Mindset‑Wandel ist anspruchsvoll. Laut der Gartner Chief Data Officer Survey 2018 sehen 35% der CDOs geringe Datenkompetenz als größtes Hindernis, um Daten im großen Stil wertschöpfend einzusetzen.
Die Vorteile eines datengetriebenen Vorgehens und der breiten Nutzung von Data Science sind vielfältig und gut dokumentiert. Im Folgenden findest du vier Bereiche der Data Science, die Organisationen schnell übernehmen können, um aus ihren Daten Wert zu generieren – mit konkreten Use Cases.
1. Komplexe Erkenntnisse mit Datenvisualisierung schnell und prägnant vermitteln
Interaktive Dashboards sind heute allgegenwärtig, weil sie Stakeholdern einen einfachen Zugang zu aktuellen Informationen bieten.
Dashboards sind enorm vielseitig. Sie können wie ein Teleskop auf langfristige Nordstern‑Metriken blicken oder wie ein Mikroskop die operativen Details im Tagesgeschäft scharf stellen. So oder so helfen sie, datenbasierte Entscheidungen im gesamten Unternehmen zu skalieren. Viele No‑Code‑BI‑Tools wie Tableau und Power BI bieten heute intuitive Drag‑and‑Drop‑Oberflächen für leistungsfähige Dashboards. Gleichzeitig ermöglichen Open‑Source‑Pakete in gängigen Programmiersprachen wie plotly für Python und Shiny für R einen niedrigen Einstieg in hochgradig anpassbare, interaktive Visualisierungen.
2. Bessere Entscheidungen treffen, indem du historische Daten analysierst
Ein datengetriebenes Unternehmen beschreibt, fasst zusammen und versteht seine historische Performance und nutzt sie, um Entscheidungen zu leiten – verstärken, was funktioniert, und korrigieren, was nicht. Eine Deloitte‑Umfrage ergab, dass etwa die Hälfte der Unternehmen den größten Nutzen von Analytics darin sieht, bessere datenbasierte Entscheidungen zu ermöglichen. Zudem gaben 62% an, dass Daten für die Unternehmensstrategie wichtig sind. Klar ist: Daten werden zum unverzichtbaren Werkzeug im Unternehmensalltag.
Datenbasierte Entscheidungen sichern und stärken den Wettbewerbsvorteil. Beispielsweise hilft die Warenkorbanalyse stationären Händlern, Flächen besser zu nutzen und Einkaufserlebnisse zu verbessern. Marketer analysieren historische Klickrate von E‑Mails, um den Erfolg ihrer Kampagnen zu bewerten. Finanzanalysten nutzen Zeitreihenanalysen historischer Daten, um die Budgetplanung zu optimieren.
Solche Analysen lassen sich bei kleinen Datenmengen effizient mit Tabellenkalkulationen wie Microsoft Excel oder Google Sheets umsetzen. Wächst das Datenvolumen, eignen sich Open‑Source‑Programmiersprachen wie R und Python am besten.
3. Fachwissen mit statistischem Denken gezielt ergänzen
Statistik fasst große Datenmengen prägnant zusammen. Fundament sind Kenngrößen für Lage (Mean, Mode, Median) und Streuung (Standardabweichung, Varianz). Darauf bauen Werkzeuge wie Boxplots und Metriken wie der Korrelationskoeffizient auf (er misst die Stärke des Zusammenhangs zwischen zwei Variablen). So können Händler zum Beispiel Korrelationen zwischen Produktkäufen berechnen, um Cross‑Selling‑Kampagnen zu optimieren. Marktforschende nutzen Conjoint‑Analysen, um vor einem Feature‑Launch oder einer Preisänderung die ideale Kombination von Kundenpräferenzen zu bestimmen.
Kontrollierte Experimente helfen, den Effekt einer Änderung zu isolieren, Kausalität zwischen zwei Metriken nachzuweisen und bessere Entscheidungen zu treffen. Mit ihrem statistischen Fundament bieten sie eine einfache, aber rigorose Methode, die Bauchgefühle von Fachexperten zu überprüfen. Ein klassisches Beispiel ist A/B‑Testing von E‑Mail‑Betreffzeilen und die Auswahl der Variante mit der höchsten Klickrate. Bei AirBnB wurde eine Änderung erst dann für alle Nutzer ausgerollt, als Experimente eindeutig zeigten, dass eine Anpassung des maximalen Preisfilters die Conversion‑Rate erhöht. Bei Shutterstock wurde die Idee, Wasserzeichen auf der Suchergebnisseite zu entfernen, verworfen, nachdem Experimente klar belegten, dass dadurch die Conversion‑Rate sinkt.
4. Mit Machine Learning vorhersagen und neues Wissen entdecken
Unternehmen können mit Machine Learning aus Vergangenheitsdaten Vorhersagen für die Zukunft ableiten. Überwachtes Lernen trainiert Modelle mit gelabelten Daten, um zu klassifizieren oder Ergebnisse vorherzusagen – so lassen sich etwa Kundinnen und Kunden identifizieren, die mit hoher Wahrscheinlichkeit abspringen, basierend auf ihrem bisherigen Verhalten. Ein Trading‑Unternehmen nutzt historische Aktienkurse, um zukünftige Preise im Finanzmodell zu prognostizieren.
Im Gegensatz dazu ermöglicht unüberwachtes Lernen die Erkundung unbekannter Datensätze, selbst wenn noch unklar ist, wonach gesucht wird. Clustering etwa ordnet Daten in nicht vorab definierte Gruppen. So kann ein Telekommunikationsanbieter mit reichhaltigen, aber noch unsegmentierten Kundendaten mittels unüberwachtem Lernen Kundensegmente mit klar unterscheidbaren Merkmalen identifizieren.
Unüberwachtes Lernen ist auch hervorragend geeignet, Assoziationen zu finden. Im E‑Commerce beruhen Empfehlungen im Stil von „Käufer von Produkt X interessieren sich auch für Produkt Y“ oft auf solchen Verfahren, die verborgene Zusammenhänge aufdecken. Diese Empfehlungen können das Rückgrat einer effektiven Cross‑Selling‑Strategie bilden.
Eine datengetriebene Organisation aufbauen
Der Weg zur Datenorientierung eröffnet Unternehmen offensichtlich viele Chancen. Es gibt zahlreiche schnell umsetzbare Use Cases, die Fachbereiche gemeinsam angehen können – vorausgesetzt, sie haben die nötigen Kompetenzen. Genau hier setzt DataCamp for Business an: mit einer interaktiven Lernplattform für Unternehmen, die ihre Mitarbeitenden in Datenkompetenzen weiterbilden wollen. Von Datenkompetenz über Data Science bis hin zu Data Engineering und Machine Learning vertrauen über 1.600 Unternehmen auf DataCamp for Business, um ihr Talent weiterzubilden.