{"id":37148,"date":"2022-06-18T08:38:49","date_gmt":"2022-06-18T06:38:49","guid":{"rendered":"http:\/\/54.194.80.134.nip.io\/?p=37148"},"modified":"2022-11-18T13:49:15","modified_gmt":"2022-11-18T12:49:15","slug":"data-culture-wie-sie-bessere-entscheidungen-im-unternehmen-treffen","status":"publish","type":"post","link":"https:\/\/www.cubeserv.com\/de\/data-culture-wie-sie-bessere-entscheidungen-im-unternehmen-treffen\/","title":{"rendered":"Data Culture: Wie Sie bessere Entscheidungen im Unternehmen treffen"},"content":{"rendered":"\t\t
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.<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t Die Welt entwickelt sich in einem rasanten Tempo weiter. Im gesch\u00e4ftlichen Umfeld sind schnelle Entscheidungen gefragt. Diese Entscheidungen m\u00fcssen 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 schl\u00fcssiges Konzept einfliessen. Datengesteuerte Entscheidungen erscheinen einfach und unkompliziert. In den Gespr\u00e4chen mit meinen Kollegen und Kolleginnen sprechen wir oft \u00fcber die Herausforderung, eine angemessene datengesteuerte Kultur zu nutzen. Eine solche Kultur schafft es, die Macht der Daten effizient einzusetzen. Auch Sie sollten den \u00dcberblick \u00fcber die besten Data-Science-Praktiken auf dem Markt behalten und die Impulse im eigenen Unternehmen umsetzen und so die datengesteuerte Organisation weiterentwickeln.<\/p> Um die eigenen Ambitionen einzusch\u00e4tzen und Impulse f\u00fcr 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 F\u00fchrung (Leadership), die (gesetzten) Ziele (Targets) sowie die Analysten.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Data Culture ist die Gesamtheit der Verhaltensweisen und die \u00dcberzeugung von Menschen, die die Verwendung von Daten zur Verbesserung der Entscheidungsfindung sch\u00e4tzen, praktizieren und f\u00f6rdern.<\/p> Data Culture ist die Art und Weise, wie diese Menschen Daten f\u00fcr die datengest\u00fctzte Entscheidungsfindung nutzen. Sie stellt sicher, dass jeder Mitarbeiter die Bedeutung der mit Daten verbundenen Praktiken versteht.<\/p> Ich m\u00f6chte Sie fragen: Wieviel Zeit m\u00fcssen Sie aufwenden, bis Sie die richtigen Daten pr\u00e4sentieren? Zun\u00e4chst m\u00fcssen Sie diese im Unternehmen lokalisieren, das Datenmodell und die Business Rules verstehen und Vertrauen in den Datenbestand aufbauen. Dann k\u00f6nnen Sie Ihre These \u00fcberpr\u00fcfen bzw. neue Zusammenh\u00e4nge entdecken und pr\u00e4sentieren.<\/p> Wenn ich in einem Unternehmen feststelle, dass Daten in die Abl\u00e4ufe, die Denkweise und die Identit\u00e4t 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 gesch\u00e4ftlichen Herausforderungen bew\u00e4ltigen zu k\u00f6nnen.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t Anaconda, der Betreiber einer weit verbreiteten Data Science-Plattform, f\u00fchrt jedes Jahr eine Anwenderbefragung durch (State of Data Science). Interessant f\u00fcr mich ist die Befragung zu der Arbeitszeitverteilung :<\/span><\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Data Scientists verbringen ihren Tag mit verschiedenen Aufgaben, die unterschiedliche technische und nicht-technische F\u00e4higkeiten erfordern. Auf die Frage, wie viel Zeit sie f\u00fcr diese Aufgaben aufwenden, gaben die Befragten an, dass sie etwa 39 % ihrer Zeit f\u00fcr die Datenvorbereitung und Datenbereinigung aufwenden, was mehr ist als die Zeit, die sie f\u00fcr das Modelltraining, die Modellauswahl und die Bereitstellung von Modellen zusammen aufwenden.<\/p> Datenvorbereitung und Datenbereinigung sind zwar zeitaufw\u00e4ndig und potenziell m\u00fchsam, aber Automatisierung ist nicht die L\u00f6sung. Stattdessen sorgt ein Mensch f\u00fcr die Qualit\u00e4t der Daten, f\u00fcr genauere Ergebnisse und f\u00fcr den Kontext der Daten.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t Eine ad\u00e4quate Antwort ist meines Erachtens, Daten als Produkt (\u201edata as a product\u201c) zu behandeln. Dies ist integraler Bestandteil des Data Mesh-Konzepts. Ich werde diesem Konzept einen eigenen Beitrag widmen. Die SAP Data Warehouse Cloud<\/a> macht es sehr einfach, dieses Konzept\u00a0 umzusetzen.<\/span><\/p> Die deutliche Pr\u00e4ferenz f\u00fcr Python ergibt sich zum Teil aufgrund des Umfrage-Setups: Anaconda setzt \u00fcberwiegend 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.<\/span><\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t \u00c4hnlich vielf\u00e4ltig wie der Einsatz von Programmiersprachen ist der Einsatz von Plattformen. F\u00fcr die Kreativit\u00e4t ist es hilfreich, wenn wir hier in der Sandbox offen sind. Bei der \u00dcbergabe in den Betrieb sollten engere Standards gesetzt und umgesetzt werden.<\/span><\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t 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 Ber\u00fchrung kommt.<\/p> Verbinden Sie diejenigen, die die Frage stellen k\u00f6nnten, mit denjenigen, die die Antwort kennen<\/strong>.<\/p> F\u00f6rdern 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 k\u00f6nnten, und diejenigen, die die Antworten kennen, zusammen. Das ausgewogene Zusammenspiel von analytischen F\u00e4higkeiten, Schulungen, Zug\u00e4nglichkeit und Management wirkt sich positiv im Unternehmen aus. Letzten Endes l\u00e4sst sich der faktenbasierte Entscheidungsfindungsprozess auf drei Schl\u00fcsselfaktoren reduzieren, die als die S\u00e4ulen der Data Culture bekannt sind:<\/p> 1) Data Discovery<\/strong>: Mitarbeiter kennen und verwenden die Daten, die die Grundlage f\u00fcr Entscheidungen bilden. Sie erzeugen relevante Datenerkenntnisse und geben diese Einblicke den Gesch\u00e4ftsanwendern weiter.<\/p> 2) Datenkompetenz (Data Literacy)<\/strong>: Dieser Faktor steht f\u00fcr die F\u00e4higkeit und das Verm\u00f6gen der Nutzer, die Daten genau zu interpretieren und zu analysieren.<\/p> 3) Data Governance<\/strong>: Dieser Faktor bezieht sich auf die ordnungsgem\u00e4sse Verwaltung von Daten, die den richtigen Zugang zu Daten f\u00fcr die richtigen Personen zur richtigen Zeit sicherstellt.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t Das Vorhandensein einer gesunden Datenkultur<\/a> ist eine notwendige Voraussetzung f\u00fcr den Erfolg einer Organisation. Sie spielt eine unbestreitbar wichtige Rolle f\u00fcr die Entwicklung eines Unternehmens. Firmen mit einer ausgepr\u00e4gten Analytics-Kultur treffen fundierte Entscheidungen auf direktem Weg.<\/p> Eine Studie von Forrester zeigt, dass Unternehmen, die bei ihrer Entscheidungsfindung Erkenntnisse aus Daten gewinnen, mit dreifacher Wahrscheinlichkeit ein zweistelliges Wachstum erzielen (Quelle).<\/a> Data Culture darf sich nicht nur darauf beziehen, dass m\u00f6glichst viele Daten gesammelt werden. Der Prozess: von Daten zu Einsichten zu besseren Entscheidungen unterscheidet erfolgreiche Firmen von den anderen. Dies l\u00e4sst sich mit dem Schlagwort \u201eThe Insights-Driven Business\u201d gut zusammenfassen.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t Mein erstes Data Warehouse lernte ich vor dreissig Jahren kennen und sch\u00e4tzen. 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 \u00fcber die Krankenhausstrukturen geworden. Wir waren damals stolz auf unsere modernen Strukturen. Niemand wollte allen Anwendern den Zugang zu den Daten geben, das Datenverst\u00e4ndnis war Aufgabe der Experten. Einmal im Monat einen Bericht mit allen Zahlen zu erstellen, oftmals auf Papier, war ausreichend.<\/p> Mit dem Ausbau der Datenstrukturen wurde es zunehmend sinnvoll, die Daten t\u00e4glich zu laden. CubeServ und andere etablierten feste Architekturmuster. Das Paradigma \u201eeine Quelle einmal laden und an verschiedenen Stellen (im Data Warehouse<\/a>) zu verwenden\u201c, setzte sich mit diesen Massnahmen durch.<\/p> Nicht nur in die Vergangenheit zu schauen, sondern mit Daten die Auswirkungen von Entscheidungen abzusch\u00e4tzen, blieb in vielen Unternehmen eine ambitionierte Vision. Dies fand nur Eingang in Strategiepapieren, jedoch blieben die notwendigen Umsetzungsschritte aus.<\/p> Das hat sich in vielen Organisationen gewandelt: Data Lake- oder Data Warehouse-Strukturen werden den Anwendern automatisiert in hoher Qualit\u00e4t bereitgestellt. Diese k\u00f6nnen die Anwender kombinieren, anreichern und auswerten, um neue Erkenntnisse zu erlangen.<\/p> F\u00fcr die Experten bleiben genug Herausforderungen:<\/p> Anstatt selbst Strukturen anzulegen, gilt es Antworten auf die Frage: \u201eWie generiere ich den gr\u00f6ssten Mehrwert aus meinen Daten?\u201c zu geben.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t Es hat sich gezeigt, dass die Hindernisse auf dem Weg zum datengesteuerten Unternehmen in erster Linie nicht technischer, sondern kultureller Natur sind.<\/p> Die Einbindung von Daten in den Entscheidungsprozess ist offen gesagt recht einfach. Dies zur Normalit\u00e4t f\u00fcr alle Nutzer werden zu lassen, stellt die eigentliche Herausforderung dar. Eine Ver\u00e4nderung der Arbeits- und Denkweise bedarf vieler Impulse und dem Vorbild durch das Topmanagement.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t Die Quintessenz all dessen, was wir in diesem Beitrag betrachtet haben, ist, dass die Partizipation aller Beteiligten einer der Schl\u00fcssel 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 f\u00fcr eine ausgepr\u00e4gte Data Culture in Ihrem Unternehmen arbeiten!<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t Dieser Blog ist Teil einer Serie von Beitr\u00e4gen zur Business Analytics. Ich empfehle eine Business -Analytics-Platform aufzubauen. Ziel ist es, den Anwendern eine Plattform f\u00fcr Ihre Bed\u00fcrfnisse zu bieten, wo sie alle Daten und Analytics-Tool finden.<\/p> Bisher ver\u00f6ffentlicht:<\/p>
Eine angemessene Data Culture ber\u00fccksichtigt insbesondere folgende Anforderungen:<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\tWarum ist Data Culture wichtig?<\/h3>
Was ist Data Culture?<\/h3>
\t\t\t\t\t\t\t\t\t\t\t
Wo liegen die Herausforderungen f\u00fcr die Anwender?<\/b><\/span><\/span><\/h3>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
Vorbereitung der Daten:<\/b><\/span><\/span><\/h4>
\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t
Dabei kommen verschiedene Tools und Programmiersprachen zum Einsatz.<\/span><\/span><\/strong><\/h4>
\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t
Drei Ans\u00e4tze, um die Data Culture weiterzuentwickeln<\/strong><\/h2>
Die Bedeutung von Datenkultur<\/h3>
Ver\u00e4nderung der Rolle des Data Evangelisten \u00fcber die Zeit<\/h3>
Endlich gehen wir weitere Aufgaben an<\/span><\/h4>
\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t
Fazit<\/strong><\/h3>