Data Culture in der datengesteuerten Welt von heute
Mit der richtigen Datenkultur erkennen Sie im beruflichen Alltag die besten Handlungsoptionen. Damit etablieren Sie einen ausgezeichneten Entscheidungsfindungsprozess, der Sie auch in stressigen Situationen zu besten Ergebnissen leitet.
Die Welt entwickelt sich in einem rasanten Tempo weiter. Im geschäftlichen Umfeld sind schnelle Entscheidungen gefragt. Diese Entscheidungen müssen nicht nur richtig, sondern mit Fakten untermauert sein. Unternehmen investieren in Daten. Wichtig ist es, alle Anwender – vom Gelegenheitsuser bis hin zum Data Scientist – abzuholen und aufzuzeigen, wie die verschiedenen Erwartungen in ein schlüssiges Konzept einfliessen.
Eine angemessene Data Culture berücksichtigt insbesondere folgende Anforderungen:
- die (benötigten) Daten stehen in bester Qualität zur Verfügung,
- die persönlichen Daten von Kunden, Lieferanten und Mitarbeitern werden geschützt,
- die sensiblen Daten des Unternehmens werden geschützt,
- die Datenverarbeitung erfolgt mit hoher Effizienz.
Warum ist Data Culture wichtig?
Datengesteuerte Entscheidungen erscheinen einfach und unkompliziert. In den Gesprächen mit meinen Kollegen und Kolleginnen sprechen wir oft über die Herausforderung, eine angemessene datengesteuerte Kultur zu nutzen. Eine solche Kultur schafft es, die Macht der Daten effizient einzusetzen. Auch Sie sollten den Überblick über die besten Data-Science-Praktiken auf dem Markt behalten und die Impulse im eigenen Unternehmen umsetzen und so die datengesteuerte Organisation weiterentwickeln.
Um die eigenen Ambitionen einzuschätzen und Impulse für die Weiterentwicklung zu nutzen, arbeite ich gerne mit dem DELTA-Framework. Das von Tom Davenport entwickelte Delta Framework nimmt 5 Dimensionen in den Fokus: Daten, das Unternehmen (Enterprise), die Führung (Leadership), die (gesetzten) Ziele (Targets) sowie die Analysten.
Was ist Data Culture?
Data Culture ist die Gesamtheit der Verhaltensweisen und die Überzeugung von Menschen, die die Verwendung von Daten zur Verbesserung der Entscheidungsfindung schätzen, praktizieren und fördern.
Data Culture ist die Art und Weise, wie diese Menschen Daten für die datengestützte Entscheidungsfindung nutzen. Sie stellt sicher, dass jeder Mitarbeiter die Bedeutung der mit Daten verbundenen Praktiken versteht.
Ich möchte Sie fragen: Wieviel Zeit müssen Sie aufwenden, bis Sie die richtigen Daten präsentieren? Zunächst müssen Sie diese im Unternehmen lokalisieren, das Datenmodell und die Business Rules verstehen und Vertrauen in den Datenbestand aufbauen. Dann können Sie Ihre These überprüfen bzw. neue Zusammenhänge entdecken und präsentieren.
Wenn ich in einem Unternehmen feststelle, dass Daten in die Abläufe, die Denkweise und die Identität einer Organisation eingebunden sind, ist die Data Culture gut entwickelt. Eine ausgereifte Data Culture stattet jeden in Ihrem Unternehmen mit den Erkenntnissen aus, die er braucht, um datengesteuert agieren und die komplexesten geschäftlichen Herausforderungen bewältigen zu können.
Wo liegen die Herausforderungen für die Anwender?
Vorbereitung der Daten:
Anaconda, der Betreiber einer weit verbreiteten Data Science-Plattform, führt jedes Jahr eine Anwenderbefragung durch (State of Data Science). Interessant für mich ist die Befragung zu der Arbeitszeitverteilung :
Data Scientists verbringen ihren Tag mit verschiedenen Aufgaben, die unterschiedliche technische und nicht-technische Fähigkeiten erfordern. Auf die Frage, wie viel Zeit sie für diese Aufgaben aufwenden, gaben die Befragten an, dass sie etwa 39 % ihrer Zeit für die Datenvorbereitung und Datenbereinigung aufwenden, was mehr ist als die Zeit, die sie für das Modelltraining, die Modellauswahl und die Bereitstellung von Modellen zusammen aufwenden.
Datenvorbereitung und Datenbereinigung sind zwar zeitaufwändig und potenziell mühsam, aber Automatisierung ist nicht die Lösung. Stattdessen sorgt ein Mensch für die Qualität der Daten, für genauere Ergebnisse und für den Kontext der Daten.
Eine adäquate Antwort ist meines Erachtens, Daten als Produkt („data as a product“) zu behandeln. Dies ist integraler Bestandteil des Data Mesh-Konzepts. Ich werde diesem Konzept einen eigenen Beitrag widmen. Die SAP Data Warehouse Cloud macht es sehr einfach, dieses Konzept umzusetzen.
Dabei kommen verschiedene Tools und Programmiersprachen zum Einsatz.
Die deutliche Präferenz für Python ergibt sich zum Teil aufgrund des Umfrage-Setups: Anaconda setzt überwiegend auf Python. Die Vielfalt in den Antworten deckt sich mit meiner Erfahrung. Wenn wir eine gewisse Vielfalt, insbesondere in den Sandbox-Umgebungen, zulassen, erreichen wir mehr Nutzer. Jeder von ihnen bringt unterschiedliche Erfahrungen und Kenntnisse mit.
Ähnlich vielfältig wie der Einsatz von Programmiersprachen ist der Einsatz von Plattformen. Für die Kreativität ist es hilfreich, wenn wir hier in der Sandbox offen sind. Bei der Übergabe in den Betrieb sollten engere Standards gesetzt und umgesetzt werden.
Drei Ansätze, um die Data Culture weiterzuentwickeln
Eine gute und angemessene Data Culture entwickelt sich breit im Unternehmen: Sie wird von der Spitze eines Unternehmens angestossen und erreicht jeden, der mit Daten in Berührung kommt.
Verbinden Sie diejenigen, die die Frage stellen könnten, mit denjenigen, die die Antwort kennen.
Fördern Sie einen produktiven Dialog zwischen denjenigen, die mit Daten vertraut sind, und denjenigen, die die Datensprache lernen. Dadurch bringen Sie diejenigen, die die richtigen Fragen stellen könnten, und diejenigen, die die Antworten kennen, zusammen. Das ausgewogene Zusammenspiel von analytischen Fähigkeiten, Schulungen, Zugänglichkeit und Management wirkt sich positiv im Unternehmen aus. Letzten Endes lässt sich der faktenbasierte Entscheidungsfindungsprozess auf drei Schlüsselfaktoren reduzieren, die als die Säulen der Data Culture bekannt sind:
1) Data Discovery: Mitarbeiter kennen und verwenden die Daten, die die Grundlage für Entscheidungen bilden. Sie erzeugen relevante Datenerkenntnisse und geben diese Einblicke den Geschäftsanwendern weiter.
2) Datenkompetenz (Data Literacy): Dieser Faktor steht für die Fähigkeit und das Vermögen der Nutzer, die Daten genau zu interpretieren und zu analysieren.
3) Data Governance: Dieser Faktor bezieht sich auf die ordnungsgemässe Verwaltung von Daten, die den richtigen Zugang zu Daten für die richtigen Personen zur richtigen Zeit sicherstellt.
Die Bedeutung von Datenkultur
Das Vorhandensein einer gesunden Datenkultur ist eine notwendige Voraussetzung für den Erfolg einer Organisation. Sie spielt eine unbestreitbar wichtige Rolle für die Entwicklung eines Unternehmens. Firmen mit einer ausgeprägten Analytics-Kultur treffen fundierte Entscheidungen auf direktem Weg.
Eine Studie von Forrester zeigt, dass Unternehmen, die bei ihrer Entscheidungsfindung Erkenntnisse aus Daten gewinnen, mit dreifacher Wahrscheinlichkeit ein zweistelliges Wachstum erzielen (Quelle). Data Culture darf sich nicht nur darauf beziehen, dass möglichst viele Daten gesammelt werden. Der Prozess: von Daten zu Einsichten zu besseren Entscheidungen unterscheidet erfolgreiche Firmen von den anderen. Dies lässt sich mit dem Schlagwort „The Insights-Driven Business” gut zusammenfassen.
Veränderung der Rolle des Data Evangelisten über die Zeit
Mein erstes Data Warehouse lernte ich vor dreissig Jahren kennen und schätzen. Als Controller analysierte ich die verschiedensten Aspekte der Krankenhauskosten. Der Zugang zu den Daten war streng reglementiert. Zehn Controller nutzten dieses Warehouse von 7000 Mitarbeiter. Nachdem ich ein Jahr mit dem Data Warehouse arbeitete, war ich zum Experten über die Krankenhausstrukturen geworden. Wir waren damals stolz auf unsere modernen Strukturen. Niemand wollte allen Anwendern den Zugang zu den Daten geben, das Datenverständnis war Aufgabe der Experten. Einmal im Monat einen Bericht mit allen Zahlen zu erstellen, oftmals auf Papier, war ausreichend.
Mit dem Ausbau der Datenstrukturen wurde es zunehmend sinnvoll, die Daten täglich zu laden. CubeServ und andere etablierten feste Architekturmuster. Das Paradigma „eine Quelle einmal laden und an verschiedenen Stellen (im Data Warehouse) zu verwenden“, setzte sich mit diesen Massnahmen durch.
Endlich gehen wir weitere Aufgaben an
Nicht nur in die Vergangenheit zu schauen, sondern mit Daten die Auswirkungen von Entscheidungen abzuschätzen, blieb in vielen Unternehmen eine ambitionierte Vision. Dies fand nur Eingang in Strategiepapieren, jedoch blieben die notwendigen Umsetzungsschritte aus.
Das hat sich in vielen Organisationen gewandelt: Data Lake- oder Data Warehouse-Strukturen werden den Anwendern automatisiert in hoher Qualität bereitgestellt. Diese können die Anwender kombinieren, anreichern und auswerten, um neue Erkenntnisse zu erlangen.
Für die Experten bleiben genug Herausforderungen:
- effiziente, automatisierte Prozesse zu entwickeln und auszubauen,
- die (potenziellen) Nutzer abzuholen und auf der Reise zu begleiten,
- eine angemessene Data Governance auszuarbeiten und kritisch zu reflektieren,
- den Nutzern zu erleichtern, die Daten zu verstehen und zu interpretieren
- und gemeinsam neue Anwendungsfälle für die Unternehmen zu erschliessen.
Anstatt selbst Strukturen anzulegen, gilt es Antworten auf die Frage: „Wie generiere ich den grössten Mehrwert aus meinen Daten?“ zu geben.
Es hat sich gezeigt, dass die Hindernisse auf dem Weg zum datengesteuerten Unternehmen in erster Linie nicht technischer, sondern kultureller Natur sind.
Die Einbindung von Daten in den Entscheidungsprozess ist offen gesagt recht einfach. Dies zur Normalität für alle Nutzer werden zu lassen, stellt die eigentliche Herausforderung dar. Eine Veränderung der Arbeits- und Denkweise bedarf vieler Impulse und dem Vorbild durch das Topmanagement.
Fazit
Die Quintessenz all dessen, was wir in diesem Beitrag betrachtet haben, ist, dass die Partizipation aller Beteiligten einer der Schlüssel zur datengesteuerten Entscheidungsfindung in Ihrem Unternehmen ist. Die drei wesentlichen Dimensionen (Data Discovery, Data Literacy und Data Governance) habe ich benannt. Lassen Sie uns gemeinsam an einem soliden Fundament für eine ausgeprägte Data Culture in Ihrem Unternehmen arbeiten!
Dieser Blog ist Teil einer Serie von Beiträgen zur Business Analytics. Ich empfehle eine Business -Analytics-Platform aufzubauen. Ziel ist es, den Anwendern eine Plattform für Ihre Bedürfnisse zu bieten, wo sie alle Daten und Analytics-Tool finden.
Bisher veröffentlicht:
- Teil 1: Wie Business Analytics erfolgreich gestalten?
- Teil 2: Business Analytics vs. Business Intelligence
- Teil 3: Was ist SAP Analytics? Das SAP Data Warehouse-Portfolio
- Teil 4: SAP Analytics – Die Front End Produkte
- Teil 5: Data Plattform – Ein wichtiger Pfeiler der digitalen Transformation
- Teil 6: Auf dem Weg in die AWS
- Teil 7: Cloud – Fluch oder Segen?
- Teil 8: Mit Daten führen – warum Power BI häufig zur Auswahl steht
- Teil 9: Business Analytics Plattform: Agilität und Data Governance
- Teil 10: Advanced Analytics mit SAP und R
- Teil 11: Mit SAP PowerDesigner datenmodellgestützt entwickeln
- Teil 12: IBCS konforme Charts mit Tableau und graphomate
- Teil 13: Schnell neue Insights gewinnen: Ist jetzt der richtige Zeitpunkt, um mit der SAP Data Warehouse Cloud zu starten?
- Teil 14: Erste Schritte mit R
- Teil 15: Advanced Analytics mit R: Eine Übersicht
