Warum brauche ich eine Datenstrategie und was ist Datenstrategie-Design?

Wie Ihnen Design Thinking hilft, zu einem datengetriebenen Unternehmen zu werden, zeigt Ihnen der erste Artikel aus unserer Einführungsreihe in das Datenstrategie-Design.

Home / Datenstrategie / Warum brauche ich eine Datenstrategie und was ist Datenstrategie-Design?

Zusammenfassung

Daten sind der Schlüssel für datengetriebene Unternehmen und somit ein entscheidender Faktor für das Überleben und den Erfolg im digitalen Zeitalter. Daher benötigen Unternehmen eine Strategie, um die richtigen Daten zu erhalten und die Daten auf die richtige Weise und insbesondere für den richtigen Zweck zu verwerten. Um das richtige Ziel und den richtigen Weg dahin zu finden, benötigen Sie ein interdisziplinäres Team aus kreativen, analytischen und geschäftsorientierten Mitarbeitern. Design Thinking ist eine Methode, die Ihnen hilft, Ihr Team in die richtige Richtung zu lenken. Datenstrategie-Design ist die Anwendung von Design Thinking im Bereich der Datenanalyse und der Data Science, um Datenstrategien für datengetriebene Unternehmen zu erstellen. 

Die Lesezeit beträgt etwa 10 Minuten.

Warum brauche ich eine Datenstrategie?

Je mehr Unternehmen in Big-Data-Technologien investieren und versuchen, Methoden der Künstlichen Intelligenz (KI) in der Praxis anzuwenden, desto mehr erkennen sie den Wert ihrer Daten als den wichtigsten Wettbewerbsvorteil im Zeitalter der digitalen Transformation. Der bekannte Satz „Daten sind das neue Öl“ bedeutet, dass Daten ein Unternehmensvermögen sind, das die Produktivität Ihres Unternehmens erhöht. Sie können damit Ihre Geschäftsprozesse optimieren, um zum Beispiel im Falle des datengetriebenen Marketings Ihre Kampagnen effektiver und effizienter zu planen. Daten ermöglichen auch neue Geschäftsmodelle, zum Beispiel durch die Anwendung von spezieller Analytik auf Ihre Unternehmensdaten und den Verkauf der Ergebnisse und Erkenntnisse als Informationsprodukt an Ihre Kunden.

Wenn Sie Daten als Ressource ernst nehmen, benötigen Sie eine Strategie, wie Sie Ihre Datenquellen erschließen, verfeinern und verwerten können, das heißt Sie benötigen eine Datenstrategie. Ja, Daten sind das neue Öl, aber es gibt zwei Aspekte, bei denen diese Analogie bricht: Erstens können Sie Öl nur einmal verwenden, aber Sie können Daten endlos verwenden. Zweitens ist der Wert von Öl durch seinen energetischen Wert definiert, und somit hat ein Barrel Öl einen definierten Wert. Aber der Wert von Daten kann nicht in Bits und Bytes gemessen werden. Der wahre Wert der Daten hängt vom konkreten Anwendungsfall ab und erschließt sich erst, wenn die Daten tatsächlich verwertet werden.

„Daten sind das neue Öl – aber nicht wie Öl.“: Daten treiben wie Öl Ihr Unternehmen an. Doch ungleich Öl haben Daten keinen festen und einmaligen Wert. Daten lassen sich beliebig oft verwerten und je nach Anwendungsfall ist ihr Wert unterschiedlich.

Unternehmensressourcen müssen verwaltet und ausgewertet werden, ebenso Ihre Unternehmensdaten. Eine Datenstrategie hilft Ihnen auf die kritischsten Fragen eines datengetriebenen Unternehmens Antworten zu finden:

  1. Was für Daten sollten wir erfassen und speichern? Behandeln Sie Daten nicht als Abfallprodukt und speichern Sie nicht nur das, was Sie zufälligerweise messen. Alles zu messen ist allerdings auch nicht der richtige Weg: Daten sind dreckig und folglich ist das Datenqualitätsmanagement aufwändig und teuer. Zu beachten sind auch die Datenschutzgesetze: Gemäß der Europäischen Datenschutzrichtlinie müssen Sie die Daten, die Sie über Ihre Kunden speichern, auf ein notwendiges Minimum reduzieren!
  2. Wie können wir relevante Informationen aus den Daten extrahieren, indem wir die richtigen Werkzeuge und Methoden anwenden? Vergegenwärtigen Sie sich nochmals die Analogie „Daten sind (das neue) Öl“ : Sie können kein Öl in den Tank Ihres Autos füllen. Ihr Benzin- oder Dieselmotor würde kaputt gehen. Gleiches gilt für Ihre Geschäftsprozesse und unternehmerischen Entscheidungen: Sie basieren auf Informationen – nicht auf Daten!
  3. Warum sollten wir diese Daten analysieren? Allein durch den Kauf von Analysesoftware (Analytik-Werkzeugen) und das Durchsuchen der Daten erhalten Sie noch keine wertvollen Erkenntnisse. Sie finden möglicherweise Zusammenhänge, Trends und Anomalien in den Daten. Doch um daraus einen Wert zu erhalten, müssen Sie die geschäftskritischen Fragen kennen. Kennen Sie das Buch „Der Anhalter durch die Galaxis“? Dort ist „42“ die Antwort auf die Frage nach dem Leben, dem Universum und dem ganzen Rest, aber wenn Sie die konkrete Frage nicht kennen, ist diese Information nutzlos.

Wie entwickle ich eine Datenstrategie?

Wenn Sie über eine Datenstrategie nachdenken, beginnen Sie mit dem Warum:

  1. Warum brauchen wir Daten und Analysen? Was sind relevante Anwendungsfälle? Denken Sie an Probleme, die Sie mit analytischen Lösungen lösen könnten und die Ihrem Unternehmen Vorteile bringen.
  2. Wie wenden wir die Analysen auf die Daten an? Was sind die möglichen Analysemethoden? Welche Analysewerkzeuge und Fähigkeiten brauchen wir dafür?
  3. Welche Daten benötigen wir? Was sind die potenziellen Datenquellen, die wir erstellen oder erhalten könnten? Welche bezahlten oder öffentlichen Daten könnten wir unserer Datenlandschaft hinzufügen?

Mit dem Warum zu beginnen und die Perspektive des Benutzers einzunehmen, ist ein Schlüsselkonzept für Design Thinking. In der Tat wird Design Thinking auch in der Datenwissenschaft immer beliebter, da die Aufgabe eines Data Scientists (Datenwissenschaftler*in) darin besteht, Datenprodukte zu erstellen. Beim Design Thinking geht es darum, aus der Perspektive des Benutzers erfolgreiche Produkte zu entwerfen.

Die Kombination aus Design Thinking und Data Science wird manchmal auch als „Data Thinking“ bezeichnet. Seien Sie jedoch vorsichtig, wenn Sie diesen Begriff verwenden: Es bedeutet nicht, dass Sie Ihr Produkt ausgehend von den verfügbaren Daten denken sollten. Sie gehen auch nicht in ein Lagerhaus, schauen sich an, was auf Lager ist, und entscheiden dann, was damit gebaut wird: ein Haus, ein Auto oder ein Schiff. Gleiches gilt für Daten: Sie greifen nicht auf Ihr Data Warehouse (Ihr „Datenlagerhaus“) zu und schauen in Ihren Datentabellen nach, was Sie auf „Lager haben“, und entscheiden dann, was mit diesen Daten erstellt werden soll: eine Lösung für das Lead-Scoring, für die Vermeidung von Kundenabwanderungen (Churn) oder für das Lookalike-Targeting. Stattdessen beginnen Sie mit den (internen) Benutzern oder (externen) Kunden, analysieren ihre Bedürfnisse und Herausforderungen und konzipieren dann (datengetriebene) Lösungen.

Aus diesem Grund bevorzugt der Autor den Begriff „Datenstrategie-Design (Thinking)“ anstelle von „Data Thinking“. Es geht um die Gestaltung anwenderorientierter Datenprodukte und um die langfristige strategische Planung. Denn für die meisten analytischen Lösungen benötigen Sie die richtigen Daten, damit sie funktionieren. Wenn Sie die Daten noch nicht haben, sollten Sie so bald wie möglich mit der Erfassung dieser Daten beginnen. Dies gilt insbesondere für KI-Lösungen, die auf Machine ~ oder Deep Learning beruhen (maschinellen Lernverfahren) und von (sehr vielen) Trainingsdaten abhängen.

Fangen Sie also schon heute an, die Daten zu erfassen, die Sie morgen benötigen! #DataStrategy #DataThinking

Übrigens: Dies ist der Hauptunterschied zwischen Data Science und Data Alchemy (ein Begriff, den Lukas Vermeer in seiner Präsentation auf der Predictive Analytics World Business Konferenz geprägt hat). Ein Datenalchemist versucht, in den Daten, die er zufällig hat, Informationen zu finden. Ein Datenwissenschaftler sucht nach den Daten, die er zur Beantwortung seiner Fragen benötigt. Hören Sie also auf, Datenalchemie zu betreiben und beginnen Sie mit der Datenwissenschaft!

Der erste Schritt in die Data Science ist die Entwicklung einer individuellen Datenstrategie für Ihr Unternehmen. #DataStrategy #DataThinking #DataScience

Fazit

Unternehmen, die ihre Daten nutzen, um geschäftskritische Informationen zu extrahieren, werden bessere Entscheidungen treffen und damit ihre Konkurrenten übertreffen. Der Wert von Datenanalysen wird jedoch vor allem von den Daten bestimmt, die Sie analysieren. Die Datenerhebung ist ein kostspieliger und langwieriger Prozess. Sie sollten also so schnell wie möglich über Daten nachdenken. Beginnen Sie jedoch nicht mit den Daten, sondern mit dem Nutzer der Daten (zum Beispiel Ihren Kunden oder Ihren Mitarbeitern). Im nächsten Artikel erfahren Sie, wie Sie Design Thinking auf datengetriebene Geschäftsmodelle anwenden können, um erfolgreiche Datenstrategien zu erstellen.

Wollen Sie über unsere Beiträge auf dem Laufenden bleiben? Dann melden Sie sich für unseren Newsletter an und erhalten Sie monatlich neue Artikel zu den Themen Datenstrategie, Data Thinking und mehr in Ihr Postfach:

Mit dem Klicken auf ‚Für den Newsletter anmelden’ stimmen Sie zu, dass wir Ihre Informationen im Rahmen unserer Datenschutzbestimmungen verarbeiten.

Abonnieren Sie unseren Newsletter:

Erhalten Sie alle relevanten Blogartikel, neue Seminartermine, spezielle Konferenzangebote und vieles mehr bequem per E-Mail.



Mit dem Klicken auf ‚Für den Newsletter anmelden’ stimmen Sie zu, dass wir Ihre Informationen im Rahmen unserer Datenschutzbestimmungen verarbeiten.

 

Wir treiben Ihr Unternehmen voran.