Wie wichtig ist Datenkultur für deine gesamte Datenstrategie? In unserem DataFramed-Podcast hat Taras Gorishnyy die zentralen Säulen für Data Science, KI und Datenstrategie in Unternehmen benannt:
- Rückhalt durch das Top-Management
- Eine klare Analytics-Vision
- Robuste Datenfundamente
- Den Impact von Analytics früh sichtbar machen
- Verteilung von Datenkompetenzen und eine gelebte Datenkultur
„Alle, auf jeder Ebene – ob C-Level oder Berufseinstieg – sollten mit Daten arbeiten wie vor 20 Jahren selbstverständlich mit E-Mails.“ —Tanya Cashorali, Gründerin von TCB Analytics
Baue Datenflüssigkeit in deiner gesamten Organisation auf
In einem datenflüssigen Unternehmen weiß jede Person, wie sie in die Daten eintaucht, die sie für ihren Job braucht. Unsere VP of Marketing muss zum Beispiel nicht zwingend SQL oder überhaupt Code schreiben. Um ihren Job gut zu machen, muss sie aber wissen, wie sie auf Analytics-Dashboards zugreift und mit ihnen interagiert. Sie muss auch die richtigen Fragen an Data Scientists stellen können und verstehen, wie sie deren Ergebnisse nutzt. So denken wir bei DataCamp darüber, zusammengefasst in der folgenden Abbildung:
Ein starkes Datenfundament beginnt mit Data Engineers und anschließend mit der Einstellung von Data Scientists und Data Analysts. Danach holen wir Business Analysts und weitere Bereiche mit ins Boot. Dieser Prozess hilft allen, datenkompetent zu werden – sodass das Unternehmen zu 100% datenflüssig wird. Ein grundlegendes Verständnis von Datentools und -ressourcen im ganzen Unternehmen verbessert die Zusammenarbeit, sorgt für präzisere Anfragen und befähigt alle, Entscheidungen eigenständig zu treffen.
Um den Stand der Datenflüssigkeit über Branchen hinweg zu messen, haben wir eine Umfrage durchgeführt und über 300 Organisationen gefragt, in welchem Umfang sie Maßnahmen ergriffen haben, um datenflüssig zu werden:
Links sehen wir reife Unternehmen mit ausgeprägten Kompetenzen in Datenflüssigkeit, rechts unreife. Von den reifen Unternehmen hatten nur 39% Prozess-Redesign und Kulturwandel rund um Daten umgesetzt – bei den unreifen waren es lediglich 7%. Hier gibt es enorm viel Luft nach oben.
Beziehe deine Mitarbeitenden ein
Wenn du deine Datenstrategie entwickelst, ist es entscheidend, deine Mitarbeitenden auf die Zukunft der Arbeit vorzubereiten. Das erfordert kontinuierliche Gespräche mit allen darüber, welche Aufgaben künftig automatisiert werden und welche nicht, wie dein Team mit automatisierten Aufgaben zusammenwirkt und wie genau die Mensch-Maschine-Schnittstelle aussieht. In einigen Rollen wird es Jobautomatisierung geben, die größere Herausforderung ist jedoch die Aufgabenautomatisierung, weil einzelne Tätigkeiten wegfallen können. Es ist deutlich besser, diese Mitarbeitenden weiter- und umzuschulen, damit sie in höherwertige, sinnstiftendere Aufgaben wechseln.
Setze die Weiterbildung deiner Mitarbeitenden an erste Stelle
In unserer Umfrage unter 300 Organisationen haben wir auch gefragt: „Welche geschäftlichen Herausforderungen hindern Unternehmen daran, Datenflüssigkeit aufzubauen oder zu verbessern?“ Die meisten nannten Schwierigkeiten, Top-Talente zu gewinnen – schließlich wechselt viel Datentalent heute in die Tech-Branche. Das heißt: Du wirst nicht so viele „Einhörner“ einstellen können, wie du möchtest. Priorisiere daher die Weiterbildung und Umschulung aller in deiner Organisation.
Um Datenkompetenzen aufzubauen, haben viele der befragten Organisationen folgende Optionen in Betracht gezogen:
- Aufbau von „Data Universities“ bzw. Centers of Excellence
- Präsenzschulungen
- Online-Lernplattformen
- Interne Kampagnen zur Förderung und Incentivierung von Lernen
- Recruiting
- Beschaffung von Lösungen über externe Anbieter
In Umfragen während DataCamp-Webinaren haben über 50% der Teilnehmenden angegeben, dass weniger als 50% ihrer Datenarbeit tatsächlich in Entscheidungen einfließen. Diese Reibungsverluste sind kulturell bedingt!
Call to action
Liste drei bis fünf Ergebnisse der Datenarbeit in deiner Organisation auf und prüfe, in welchem Maß sie tatsächlich für Entscheidungen genutzt werden. Zu oft stellen Unternehmen hervorragende Data Analysts und Data Scientists ein, die Dashboards und Machine-Learning-Modelle bauen – nur damit diese aufgrund kultureller Hürden nicht wie geplant genutzt werden. So verpufft gute Arbeit, und die Rendite der Investition leidet.
Erfahre mehr über Best Practices zum Aufbau deiner Datenkultur im The Definitive Guide to Machine Learning for Business Leaders.
