Was haben erfolgreiche Tech-Unternehmen wie Amazon, Netflix, Google und Airbnb gemeinsam? Sie haben ihre Data-Science-Funktion skaliert und in den Alltag integriert. Heißt: Sie haben erstklassige Datenteams aufgebaut und Daten-Tools beschafft oder selbst entwickelt. Dazu brauchte es starke interne Prozesse und Architekturen, die Daten gezielt nutzen, um das Geschäft voranzubringen.
In unserem Webinar letzten Monat erklärte Maksim Percherskiy, Data Engineer bei The World Bank und ehemals Chief Data Officer der Stadt San Diego, dass diese Unternehmen dafür bestens aufgestellt waren, weil sie mit Daten groß geworden sind. „Ältere Organisationen—wie Finanzinstitute, Gesundheitswesen und Behörden—hatten dieses Privileg nicht [ihr Geschäft um Daten herum aufzubauen]. Die Stadt San Diego wurde im 19. Jahrhundert gegründet, und sie lernt noch immer, sich anzupassen und Daten wirksam mit ihren Abläufen zu verknüpfen.“
Schauen wir uns an, wie große Organisationen eine leistungsfähige Data-Science-Funktion aufbauen können. In den letzten Jahren haben viele Unternehmen Chief Data Officers eingestellt, Teams aus Data Scientists und Data Engineers aufgebaut und Wege gefunden, Daten zu monetarisieren und zu teilen. Doch eine Umfrage von NewVantage Partners im Januar 2020 ergab: Von 70 befragten Firmen investierten 98,8% in Big-Data- und KI-Initiativen, aber nur 37,8% konnten für sich beanspruchen, eine datengetriebene Organisation geschaffen zu haben.
Die häufigsten Hürden auf dem Weg zur Datenorientierung lagen bei Menschen und Prozessen—konkret: Daten zu operationalisieren und wiederholbare Abläufe zu etablieren, eine tragfähige Dateninfrastruktur zu schaffen und die Datenkompetenzlücke zu schließen.
Anforderungen an Daten
Die folgende Grafik fasst zusammen, was Daten nutzbar und vertrauenswürdig macht:
Zuerst müssen Daten erfasst werden—zum richtigen Zeitpunkt, auf die richtige Art und mit klarem Zweck. Danach müssen sie auffindbar sein, damit alle Datennutzenden in der Organisation wissen, dass es sie gibt und sie finden können. Anschließend müssen die Daten zuverlässig sein, also ohne Lücken oder Inkonsistenzen. Sie müssen außerdem leicht verständlich sein—zum Beispiel korrekt strukturiert und beschriftet. Compliance ist entscheidend—Zugriffe auf sensible Daten müssen über geeignete Sicherheitsprotokolle gesteuert werden, und manche Branchen haben regulatorische Vorgaben. Und schließlich müssen Daten handlungsleitend sein—also durch Technologie, Training und ethische Leitplanken richtig nutzbar.
Herausforderungen auf dem Weg zur Datenorientierung
Um diese Anforderungen zu erfüllen, gibt es drei Arten von Herausforderungen: organisatorische, kulturelle und technische.
Organisatorische Herausforderungen
In großen Organisationen gibt es oft Silos, in denen Teams unterschiedliche Ziele verfolgen. Diese Silos können aus rechtlichen Gründen bestehen, wie oft im Finanzbereich, oder schlicht, weil Teams in der Vergangenheit nicht zusammengearbeitet haben. Unabhängig von der Ursache führen Silos zu Misskommunikation und Fehlanpassungen—und mindern so die Gesamtleistung der Organisation.
Ein Symptom dafür können Manager sein, die vor allem größere Teams aufbauen wollen, oder die Gründung mehrerer AI Centers of Excellence.
Kulturelle Herausforderungen
Organisatorische Datenkompetenz—also dass wirklich alle die nötigen Datenfähigkeiten für ihren Erfolg haben—gilt oft als hochgestecktes Ziel, dem manche Organisationen aus Risikoscheu aus dem Weg gehen. Deshalb entmystifiziert DataCamp Themen wie Machine Learning, um zu zeigen, wie Daten praktisch helfen können. Mitarbeitende zu befähigen und den Kompetenzaufbau einfach zu machen, ist der Schlüssel.
Kulturelle Hürden zeigen sich auch in unterschiedlichen Anreizen: Das Management will eindrucksvolle Dashboards für die nächste Ebene, Engineers möchten die neuesten Tools einsetzen, und Business-Teams wollen vor allem konkrete Fragen beantworten oder Abläufe verschlanken. Es ist nicht immer möglich, alle Stakeholder glücklich zu machen. Das führt zurück zu den organisatorischen Themen: Ziel ist, die Datenstrategie mit der Gesamtstrategie des Unternehmens zu verzahnen.
Technische Herausforderungen
Maksim sagt, große Organisationen hätten oft „ein Flickwerk aus Altsystemen“ als zentrale Datenquellen. Aus diesen Systemen Daten herauszuholen oder sie zu skalieren, ist schwierig—doch Bereichsverantwortliche scheuen häufig große Erneuerungsprojekte. Sie fürchten Umstellungskosten, das Risiko eines Scheiterns, zusätzlichen Schulungsaufwand und kurzfristige Produktivitätseinbußen. All das sind kurzsichtige Fehler, die aus fehlender, einheitlicher Datenstrategie entstehen.
Weitere technische Herausforderungen sind Compliance- und Sicherheitsstandards wie HIPAA, FERPA, GDPR und CCPA. Unternehmen müssen diese Standards einhalten, um unethische Datennutzung zu vermeiden.
Wer diesen Hürden erliegt, landet in dem, was Brian Balfour als Data Wheel of Death bezeichnet (siehe unten). Es zeigt, wie Daten ohne kontinuierliche Pflege unbrauchbar oder fehlerhaft werden—Menschen verlieren das Vertrauen und nutzen sie am Ende immer seltener.
Lösungen für den Weg zur Datenorientierung
Wie können etablierte Unternehmen so datengetrieben werden wie Netflix und Airbnb? Sie müssen sich rund um Daten neu aufstellen. So gelingt es.
Das Umfeld verstehen
Große Organisationen müssen die vorhandenen Silos und deren Schnittstellen kennen. Sie brauchen Fürsprecher auf Führungsebene, die den Wandel tragen. Und sie müssen die Datenziele klar an alle Stakeholder kommunizieren.
Deine Nutzenden identifizieren
Als Nächstes gilt: Um eine datengetriebene Transformation erfolgreich zu gestalten, musst du deine Personas verstehen. Wer die Perspektiven der einzelnen Personas—ob Datenkonsument, Führungskraft, Data Analyst oder Data Scientist—wirklich nachvollzieht, weiß, wie man sie am besten unterstützt und für die Mission gewinnt.
Klein starten und einfach halten
Maksim betont: Am Anfang lässt sich nicht alles auf einmal lösen. Disziplin ist wichtig—fokussiere dich auf Wirkung. Wähle ein Projekt, das unternehmensweit sichtbar und wirkungsvoll ist, ohne Unmengen an Stakeholdern oder Abstimmungen zu erfordern. Eine Reihe schneller, klarer Erfolge schafft Akzeptanz und Sichtbarkeit für Datenprojekte. Außerdem kannst du so iterativ arbeiten und Erkenntnisse für weitere Vorhaben nutzen.
Datenstrategie mit Geschäftsstrategie verzahnen
Was heißt das konkret? Maksims Praxisrat: Wähle Datenprojekte, die deine Infrastruktur erweitern und testen, deinen Business-Teams dienen und mit Zielen und Ergebnissen des Unternehmens übereinstimmen. Sorge dafür, dass jedes Projekt dokumentiert, reproduzierbar und nach Best Practices umgesetzt ist. Kommuniziere Erfolge mit Rückendeckung aus der Führung breit im Unternehmen, um darauf aufzubauen und weiter zu iterieren.
Wie Datenorientierung in der Praxis aussieht
Datenorientierung heißt, den Erfolg von Dateninitiativen messen zu können. Laut Maksim ist es verlockend, leicht verfügbare Kennzahlen zu nutzen—etwa die Gesamtzahl der Projekte, die Zahl fertiggestellter Datasets oder die Anzahl der Repo-Follower.
„Das sind alles gute Kennzahlen, aber sie treffen nicht den Kern deines Erfolgs“, sagt Maksim. „Ich würde eher auf die Anzahl der Entscheidungen schauen, die mit Daten getroffen werden. Auch darauf, wie lange jemand braucht, um einen Datensatz zu finden, oder wie schnell Daten verfügbar sind. Außerdem solltest du betrachten, wie viele Ziele, Objectives und OKRs mit Daten gesetzt und verfolgt werden—inklusive ihrer Reviews.“
Mehr darüber, wie Daten in großen Organisationen mit komplexen Prozessen operabel gemacht werden, erfährst du in Maksims Webinar Operationalizing Data Within Large Organizations.
