Ich habe kürzlich ein Interview mit Freakonomics-Autor Stephen Dubner für den Alter.Next Virtual Summit: Accelerating Analytics Maturity to Win geführt. Stephen Dubner hat nicht nur die Bestseller-Buchreihe „Freakonomics“ geschrieben, sondern ist auch Moderator des Podcasts „Freakonomics Radio“ und preisgekrönter Journalist. Er verfügt über umfassende Erfahrung bei der Untersuchung von Unternehmen jeder Art und Größe und hat den Großteil der letzten zwei Jahrzehnte damit verbracht, die „verborgene Seite“ zahlreicher Unternehmen zu analysieren. Dubner teilt seine Erkenntnisse – von der esoterischen akademischen Welt bis hin zu Best Practices führender globaler Unternehmen – in ansprechender, leicht verständlicher Form.
Während unseres Interviews sprachen Stephen Dubner und ich über die Herausforderungen von Daten und Analysen im Unternehmen und den Mehrwert, den sie schaffen. Er gab Handlungsempfehlungen, die in jedem modernen Unternehmen befolgt werden sollten. Dubner zeigte überraschende Stellen auf, an denen Analysen erfolgreiche Unternehmen vorantreiben, indem sie Wettbewerbsvorteile schaffen und die Widerstandsfähigkeit des Unternehmens erhöhen. Außerdem erzählte er, wie jeder Mensch einen größeren Nutzen aus den Daten ziehen kann, die ihn umgeben. Im Folgenden möchte ich die wesentlichen Punkte aus dem Gespräch mit Ihnen teilen, die ich mitgenommen habe. Außerdem empfehle ich Ihnen, sich das vollständige Interview bei Alter.Next anzusehen.
Die Analyse-Revolution ist ein Elefant
Ich habe Stephen Dubner gefragt, wie sich Daten und Analysen seiner Meinung nach im Laufe der Zeit verändert haben. Er sagte mir, er glaube, die analytische Revolution sei wie der Elefant aus der Fabel „Die blinden Männer und der Elefant“. Sinngemäß sagte er:
Die Analyse-Revolution ist für jeden etwas völlig anderes. Diejenigen, die Daten generieren, analysieren und versuchen, sie sinnvoll zu nutzen, sehen den größten Teil des Analyse-„Elefanten“ und wissen, was sie tun. Aber in der Regel hat die C‑Level-Führungsebene eines Unternehmens kein tiefes Verständnis von Analysen und versteht sie möglicherweise falsch. Und für die Kundinnen und Kunden des Unternehmens kann die Analyserevolution noch einmal anders wirken – für viele kann sie einen Eingriff in die Privatsphäre bedeuten.
In der Tat hat die Analyserevolution das Verhältnis vieler Menschen zu Daten ins Wanken gebracht. In seiner Erzählung weist Dubner auf die moderne Realität hin: Niemand kommt vollständig ohne Daten aus. In einer Welt, in der Unternehmen mit Big Data arbeiten und die täglichen Entscheidungen des Durchschnittsbürgers von Machine Learning-Algorithmen beeinflusst werden, ist die Aussage „Ich bin kein Datenmensch“ ein klarer Nachteil – egal, ob es sich um eine Verbraucherin oder eine Führungskraft handelt. Im weiteren Verlauf des Gesprächs vermittelte Stephen Dubner seine Überzeugung, dass wir alle zu einer Art „Datenmensch“ werden können und es einfacher ist und mehr Spaß macht, als viele erwarten.
Analytisch und technisch sind zwei verschiedene Dinge
Dubner erzählte von seinen Beobachtungen, wie Menschen und Unternehmen auf die Analyserevolution reagieren, und wies auf ein häufiges Missverständnis hin: Menschen verwechseln analytisches Denken mit technischem Denken. Er betonte, dass man kein „Mathegenie“ sein müsse, um mit analytischem Denken Erfolg zu haben, und dass er – wenn es darum gehe, zwischen beiden zu wählen – eher die analytische Denkweise bevorzuge. Er teilte folgende Erkenntnisse (auch hier sinngemäß):
Die Menschen erkennen, dass Daten ein fantastisches Tool sind – auch wenn eine Schlüsselkomponente für den Erfolg mit Daten darin bestehe, die richtigen Fragen zu stellen. Die Menschen erkennen auch, dass Analysen eine unglaublich nützliche Methode sind, um aus Daten Geschichten zu erzählen. Geschichten sind dabei entscheidend, denn die meisten Menschen können Informationen besser verarbeiten, wenn sie in Form von Geschichten vorliegen.
Dubner betonte weiter, wie wichtig es sei, Daten als Informationen lesen, verstehen, erstellen und kommunizieren zu können – eine Fähigkeit, die gemeinhin als Datenkompetenz bezeichnet wird. Sie ermöglicht es uns, Ideen, Herausforderungen und die Welt als Ganzes mit analytischem Verstand anzugehen. Beachten Sie, dass die Entwicklung von Datenkompetenz nicht das Erlernen einer bestimmten Technologie, eines Frameworks oder einer Programmiersprache erfordert. Datenkompetenz ist vielmehr mit kritischem Denken vergleichbar.
Wie sieht Datenkompetenz im geschäftlichen Kontext aus? Profis mit hoher Datenkompetenz:
Wissen, welche Daten für ihr Team und ihr Unternehmen relevant sind. Wenn Sie beispielsweise versuchen, das Kundenverhalten auf Ihrer australischen Website zu verstehen, werden Sie wahrscheinlich nicht davon profitieren, ausschließlich Daten über die Offline-Produktpräferenzen Ihrer deutschen Kunden zu betrachten.
Stellen Fragen zum Output von Algorithmen. Wenn Sie zwei potenzielle Kundinnen oder Kunden haben und eine/r der beiden vom CRM mit einer höheren Kaufbereitschaft markiert wurde als die/der andere, woran liegt das? Welche Verhaltensweisen, demografischen Daten und anderen Faktoren hat der Algorithmus berücksichtigt? Warum ist der eine potenzielle Kunde vielversprechender als der andere?
Trennen Spätindikatoren von Frühindikatoren. Wenn Sie die Sicherheit auf einer Baustelle überwachen, gibt es einen Unterschied zwischen dem Prozentsatz Ihrer Belegschaft, der Schutzhelme trägt (ein Frühindikator – etwas, das Sie vielleicht direkt kontrollieren können), und der Anzahl der Unfälle auf der Baustelle in einem bestimmten Monat (ein Spätindikator – ein Maß dafür, wie wirksam Ihre Maßnahmen waren).
Entwerfen strukturierte Experimente und führen sie durch, um Theorien zu testen. Wenn Sie eine Website betreiben, können Sie A/B-Tests durchführen – zwei verschiedene Konfigurationen Ihrer Website, die nach dem Zufallsprinzip verschiedenen Besucherinnen und Besuchern angeboten werden – und so eine „Kontrollgruppe“ und eine „Behandlungsgruppe“ bilden. Wenn Sie die unterschiedlichen Verhaltensweisen der Gruppen beobachten (wie lange sie bleiben, worauf sie klicken, ob sie einen Kauf tätigen usw.), erfahren Sie, ob die Behandlungs- oder die Kontrollversion der Website das erhoffte Ergebnis bringt.
Übermitteln Daten an die Geschäftsführung in Form von Geschichten und Geschäftsszenarien. Wenn Sie ein neues Produkt entwerfen und die Ergebnisse der Benutzertests mit der Geschäftsleitung teilen möchten, können Sie darauf hinweisen, dass 80 % der Benutzer:innen Design C mochten und 50 % der Benutzer:innen von Design D frustriert waren. Wenn Sie die Informationen der einzelnen Benutzenden hinzufügen – wie eine Person das Produkt im Laufe des Tages verwendet, warum sie ihren Bekannten zum Kauf raten würde und was sie während der Verwendung des Produkts gesagt hat –, entsteht ein detailliertes Bild, das Ihren Führungskräften hilft, fundiertere Entscheidungen zu treffen.
Wie Sie an den obigen Ausführungen erkennen können, hat Datenkompetenz viele wertvolle Anwendungsmöglichkeiten in Unternehmen. Außerdem ist für diese Maßnahmen kein technischer Hintergrund und keine Ausbildung erforderlich.
Zahlenkompetenz macht die Welt zu einem besseren Ort
Dubner sprach über den praktischen Wert von Datenkompetenz im täglichen Leben und in der Wirtschaft. Er erwähnte auch, dass die Welt ein besserer Ort sein könne, wenn wir alle besser mit Daten umgehen könnten. Er sagte:
„Ein bisschen mehr Zahlenverständnis in der Welt ist gut, schon allein, weil man zum Beispiel bei einer Wahlkampfkampagne eines Politikers, in der nur Müll erzählt wird, verstehen kann, dass etwas nicht stimmt. Wenn sich zum Beispiel ein Wert im letzten Jahr verdoppelt hat, aber der Anfangswert bei eins lag, ist das nicht unbedingt eine signifikante Veränderung.“
Wie bereits erwähnt, ermöglicht Datenkompetenz eine objektive Problemlösung. In einem datenkompetenten Unternehmen beruhen Geschäftsentscheidungen auf nachweisbaren Fakten einer Situation und nicht auf Intuition, Stereotypen, Einzelerfahrungen oder Eindrücken.
Es ist also keine Überraschung, dass Datenkompetenz zu einer Standardkompetenz für Unternehmen geworden ist. Daten treiben die Innovation auf dem modernen Markt voran. Unternehmen nutzen Machine Learning und künstliche Intelligenz, um Erkenntnisse zu gewinnen und mit den laufenden technologischen Veränderungen Schritt zu halten. Tatsächlich sind Machine-Learning‑Algorithmen in fast jedem Unternehmenssystem zu finden. Da Unternehmen immer weiter Daten anhäufen, müssen alle Mitarbeitenden – nicht nur die Datenexpert:innen – Kompetenz im Bereich Daten entwickeln, um ihre Aufgaben zu erfüllen und den Wettbewerbsvorteil ihres Unternehmens in einer aggressiven globalen Wirtschaft zu verbessern. Ein MIT Sloan-Professor meint dazu:
„In einer Welt, in der es immer mehr Daten gibt, werden die Unternehmen mit den meisten datenkompetenten Beschäftigten gewinnen.“
Wer in der Lage ist, Informationen kritisch zu prüfen, ihre Grenzen zu erkennen und daraus Schlüsse zu ziehen, ist weniger anfällig für Irreführung durch unvollständige Daten oder durch Daten, die manipuliert wurden, um die Ziele eines anderen zu erreichen. Dies ist in der Geschäftswelt entscheidend, da Wissensarbeiter:innen die verstehen, wie Daten erstellt wurden, und die Ergebnisse von Algorithmen hinterfragen können, das Unternehmen besser schützen und ausbauen können als diejenigen, die davon ausgehen, dass eine von einem „System“ getroffene Entscheidung immer richtig ist.
In der im Rahmen der „Future of Intelligence“ durchgeführten IDC-Umfrage: Importance of Data Literacy erfahren Sie mehr darüber, wie führende Unternehmen weltweit der Datenkompetenz Priorität einräumen.
Jedes Unternehmen ist ein Datenunternehmen
Ich habe Stephen Dubner gefragt, wie seine Arbeit bei Freakonomics Radio mit Daten und Analysen zusammenhängt. Er erzählte mir:
„Bei Freakonomics versuche ich, Geschichten aus der wahren Welt zu erzählen. Es ist Journalismus, Sachliteratur plus eine Menge an Daten aus Interviews mit Akademikern und anderen Experten.“
Da sein erstes Buch „Freakonomics“ obskure wirtschaftliche Phänomene beleuchtete, ging Dubner näher auf dieses Thema ein (sinngemäß):
Für mich wird die Ökonomie in der Regel als die Lehre vom Geld missverstanden. In Wirklichkeit ist Ökonomie die Lehre der Anreize und davon, wie Menschen erhalten, was sie wollen und brauchen – insbesondere wenn sie mit anderen konkurrieren, die dasselbe wollen und brauchen. Die beste Version davon lautet: Wie können wir optimal sein? Wie können wir so optimieren, dass wir das bekommen, was jeder Einzelne von uns will, aber auf eine Weise, die die Gesellschaft stärkt? Das ist die große Herausforderung.
Es war sehr aufschlussreich, die Wirtschaft als eine bestimmte Art von Optimierungsproblem zu sehen. In der Tat versuchen wir in allen Branchen und Geschäftsbereichen, verschiedene Arten von Optimierung zu erreichen. In der Lieferkette könnte die Optimierungsfrage lauten: Wie können wir die Waren schnell und kostengünstig dorthin bringen, wo sie gebraucht werden, ohne Abstriche bei der Sicherheit oder der Überprüfbarkeit zu machen? Im Büro des Finanzvorstands könnte die Optimierungsfrage lauten: Wie können wir die höchste Rendite aus Vermögenswerten, Kapital und Eigenkapital erzielen, während wir gleichzeitig die Kosten kontrollieren und die Finanzvorschriften einhalten?
Auch wenn die Formulierung je nach Unternehmen und Funktion variiert, müssen alle Probleme der Unternehmensoptimierung mit Daten angegangen werden – genauer gesagt: durch ihre Analyse. Führen also mehr und bessere Daten sowie Analysemöglichkeiten zu besseren Geschäftsergebnissen? Die Erfahrung zeigt: ja. Nach Angaben des International Institute of Analytics ist die Leistung eines Unternehmens umso besser, je weiter seine Analyseverfahren entwickelt sind.
Dieses Konzept wird als „analytische Reife“ bezeichnet und in der Regel in fünf Stufen gemessen. Unternehmen, die sich auf Stufe 1 der analytischen Reife befinden, haben möglicherweise Schwierigkeiten, ihre Daten zu organisieren und zu verstehen, sodass sie wichtige Geschäftsentscheidungen hauptsächlich auf Grundlage der Meinungen und Instinkte ihrer Führungsteams treffen. Unternehmen auf Stufe 5 der analytischen Reife hingegen optimieren ihre Geschäftsentscheidungen mithilfe von Daten und Analysen, nutzen Analysen, um sich Wettbewerbsvorteile zu verschaffen, und können sogar ihre gesamte Branche umkrempeln.
Ein klarer Überblick darüber, wo Ihr Unternehmen in diesem Spektrum der analytischen Reife steht, ist entscheidend für einen guten Wettbewerb und die Planung der richtigen kurz- und langfristigen Investitionen. Wenn Sie Ihr Unternehmen einem Benchmark unterziehen möchten, besuchen Sie das Alteryx Analytics Maturity Assessment. Hier erhalten Sie in 15 Minuten oder weniger einen benutzerdefinierten Bericht, der die Stärken und Herausforderungen Ihres Unternehmens im Bereich Daten und Analysen aufzeigt und Ihnen Ressourcen an die Hand gibt, mit denen Sie Ihr Unternehmen auf die nächste Reifestufe bringen können.
So finden Sie Ihren persönlichen Analyseweg
Unternehmen sind nicht die einzigen, die sich auf eine analytische Reise begeben. Stephen Dubner zeigte auf, wie jede Person mit ein paar einfachen Fragen schnell in die Lage versetzt werden kann, Daten besser zu verstehen und zu nutzen. Er sagte:
„Es gibt eine Reihe von Fragen, die ich gerne stelle – Fragen, die sich jeder stellen kann –, angefangen mit: Was ist der beste Beweis dafür, dass das Argument, das Sie vorbringen, wahr ist? Das ist ein guter Weg, um ein Gefühl für Ihr Dataset zu bekommen. Wie groß ist Ihr Dataset? Wie repräsentativ ist Ihr Dataset? Repräsentieren Ihre Daten genügend Menschen, genug Zeit usw., damit wir eine sinnvolle Schlussfolgerung ziehen können?“
Dubner hat sich eingehend mit diesem Thema befasst und Fragen zu fehlenden Daten, zur Art der Datenerfassung, zu den Datentypen und zur Verwendung der Daten beantwortet. Wenn Sie daran interessiert sind, mehr über Dubners universelle kritische Datenfragen zu erfahren, empfehle ich Ihnen, sich das Interview bei Alter.Next anzusehen.
Die Verbesserung Ihrer Datenkompetenz beginnt damit, Fragen zu stellen. Doch es gibt noch mehr, was Sie tun können, um Ihre analytischen Fähigkeiten zu entwickeln. Erkundigen Sie sich zunächst, was in Ihrem Unternehmen angeboten wird. Gibt es vielleicht Trainingsprogramme für Daten und Analysen? Gibt es Mittel für Weiterbildung und Weiterentwicklung, um Kurse außerhalb der Arbeit zu besuchen? Gibt es Mentorinnen und Mentoren, die ihr analytisches Wissen zur Verfügung stellen können?
Und selbst, wenn es in Ihrem Unternehmen keine internen Analystinnen, Analysten oder Data Scientists gibt, mit denen Sie sprechen können, können Sie sich mit jemandem in Verbindung setzen, der/die mit Daten arbeitet. Besuchen Sie Networking-Websites wie LinkedIn oder lokale Networking-Gruppen. Der Aufbau von Kontakten in der Datenwelt eröffnet Ihnen die Möglichkeit, an einem gemeinsamen Analyseprojekt mitzuarbeiten oder sich von jemandem bei einem eigenen Analyseprojekt anleiten zu lassen. Starthilfe bekommen Sie in der Alteryx Community. Das ist ein Ort voller Superheldinnen und -helden im Bereich der Datenanalyse, die gerne netzwerken, Erfahrungen austauschen und mit anpacken. Gucken Sie, ob es Alteryx ACEs und Alteryx Benutzergruppen in Ihrer Nähe gibt. Bei den Alteryx Benutzergruppen sind Sie herzlich eingeladen, mitzumachen und zu lernen – auch wenn Sie kein/e Alteryx Benutzer:in sind. Jede Analystin und jeder Analyst wird Ihnen bestätigen, dass das gemeinsame Lösen von Problemen und das gemeinsame Lernen die größte Freude der Daten- und Analysetätigkeit ist.
Wenn Sie neugierig auf die technische Seite der Analyse sind, sollten Sie Open Source-Websites wie Stack Overflow und GitHub erkunden. Dort erhalten Sie kostenlosen Zugang zu Entwickler-Communitys, die ihr Fachwissen und ihre Erkenntnisse über die Möglichkeiten, die Ihnen Code bietet, gerne weitergeben.
Und schließlich sollten Sie sich MOOCs (Massive Open Online Courses) ansehen, die von Coursera, Udacity, DataCamp und anderen angeboten werden. Programme für Datenkompetenz gibt es in der Onlinewelt im Überfluss! Diese Art des Lernens bietet Ihnen die Flexibilität, in Ihrem eigenen Tempo zu beginnen und sich fortzubilden, während Sie sich mit anderen Lernenden austauschen und von ihnen Feedback erhalten. Udacity hat sich zum Beispiel mit Alteryx zusammengetan, um ein Nanodiplom-Programm anzubieten: Predictive Analytics for Business.
So können Sie den Analyseweg Ihres Unternehmens steuern
Wenn Sie in der Lage sind, die Richtlinien und Prioritäten Ihres Unternehmens zu lenken, können Sie aus einer Vielzahl von Methoden wählen, um die Datenkompetenz in Ihrem Unternehmen schnell zu verbessern. Definieren Sie zunächst Ziele für die Datenkompetenz. Da verschiedene Rollen unterschiedliche Anforderungen an die Daten- und Analysekompetenz stellen, sollten Sie dieses entscheidende Gespräch mit anderen wichtigen Interessengruppen und Führungskräften führen.
Sobald die Ziele für die Datenkompetenz festgelegt sind, sollten Sie den aktuellen Kenntnisstand Ihrer Mitarbeitenden bewerten. Entwickeln Sie eine auf Ihr Unternehmen zugeschnittenes Assessment oder nutzen Sie das Alteryx Analytics Maturity Assessment, um ein klares Bild der Fähigkeiten im gesamten Unternehmen zu erhalten.
Legen Sie dann auf Grundlage der Ergebnisse und Ziele geeignete Lernpfade für die Datenkompetenz fest. Die Entwicklung eines unternehmensinternen Programms für Datenkompetenz kann größtenteils von den Mitarbeitenden vorangetrieben werden, aber Sie können auch externe Hilfe in Anspruch nehmen. In diesem Zusammenhang verlassen sich viele analytisch orientierte Führungskräfte auf die Alteryx Analytic Automation Platform, um Teams zu schulen und zu befähigen, mithilfe von Daten hochwirksame Geschäftsergebnisse zu erzielen.
Dann kommt die Implementierung. Bieten Sie in Ihrem Unternehmen Trainings zum Thema Datenkompetenz an, idealerweise in verschiedenen Formaten. Jeder Mensch lernt anders – einige Ihrer Mitarbeitenden werden bei praktischen Übungen glänzen, während andere mit Kursen zum Selbststudium erfolgreicher sind. Stellen Sie den Erfolg des Programms sicher, indem Sie Datenkompetenz-Trainings mit praktischen, wertvollen Projekten verbinden, die messbare Leistungsindikatoren enthalten. Auf diese Weise können Sie die Ergebnisse steuern und einen klaren Überblick über den Mehrwert der Trainings gewinnen.
Erfahren Sie, wie Führungskräfte in großen und kleinen Unternehmen erfolgreich Datenkompetenz-Initiativen durchgeführt haben, indem Sie 4 Tipps für den Aufbau einer Belegschaft mit Datenkompetenz lesen.
Schließlich sollten Sie die Verbesserung der analytischen Reife Ihres Unternehmens zu einer kontinuierlichen Sache machen (statt eines einmaligen Unterfangens), indem Sie innerhalb des Unternehmens eine Lernkultur fördern. Schaffen Sie eine Umgebung, die Neugier belohnt, statt mangelnde Datenkompetenz zu bestrafen. Auf diese Weise verhindern Sie schlechte Datenpraktiken, wie das Verstecken von Daten oder die Manipulation von Daten mithilfe schönender Metriken. Achten Sie außerdem darauf, dass Sie die Unterstützung anderer Führungskräfte erhalten. Denn alle Top-Manager:innen sollten mit an Bord sein und die gewünschten Verhaltensweisen und Ergebnisse vorleben.
Erfahren Sie hier mehr über erfolgreiche Strategien, die die Nutzung von Daten und Analysen in Ihrem Unternehmen verbessern und zu hervorragenden Geschäftsergebnissen führen: Analysen automatisieren: Ein Ansatz für transformative Geschäftsergebnisse, bei dem der Mensch im Mittelpunkt steht. In diesem E-Book finden Sie Dutzende von geschäftlichen Fallstudien und Beispielen, die zeigen, wie der Einsatz von Analytics Automation mit einer Philosophie, die Datenkompetenz in den Vordergrund stellt, schnell zu messbaren Geschäftsergebnissen führt.