Was läuft im Hintergrund der Lösungen ab, an denen wir für Sie tüfteln? Erfahren Sie mehr in den Tech-Talk Beiträgen.
In der Technologiebranche ist Thomas Dierl zuhause, in Datenbanken kennt er sich hervorragend aus.
In vielen Unternehmen spricht man heute über Big Data und Data Intelligence. Dieser Trend ist seit einigen Jahren ungebrochen und hält weiter an. Eng damit verknüpft ist das Data Driven Decision Making (DDDM) - also Entscheidungen auf der Grundlage von Daten zu treffen. Warum das sinnvoll ist, welche Voraussetzungen für DDDM gegeben sein müssen, wo es zum Einsatz kommt und welches die Vorteile sind, erfahren Sie in diesem Artikel. Am Ende des Beitrags gibt es ein kleines Glossar zu den wichtigsten Begriffen rund um Data Driven Decision Making.
DSGVO hin oder her: Unternehmen erfassen mehr Daten denn je. Es sind also alle für eine fundierte Entscheidung notwendigen Daten vorhanden. Schaffen Sie es, diese nutzbar zu machen, treffen Sie belegbare Entscheidungen für die Steuerung und Entwicklung des Unternehmens. Sie müssen sich nicht mehr auf Ihr Bauchgefühl als Entscheidungsgrundlage verlassen.
Es erscheint Ihnen in gewissen Fällen passend, sich auf Ihren Instinkt zu verlassen? Lassen Sie sich nicht täuschen, oft dirigiert er uns in die falsche Richtung. Dafür verantwortlich sind Vorurteile, persönliche Tendenzen oder veraltete Annahmen. Daher ist es für die meisten Entscheidungen wesentlich, sie auf Basis von Zahlen, Fakten, Grafiken und Erkentnissen zu treffen - und sie in Bezug zu Ihren Zielen und Initiativen zu setzen. So kann Data Driven Decision Making ein Unternehmen wesentlich verbessern und flexibler machen.
“Without data, you’re just another person with an opinion.”
[W. Edwards Deming]
Dennoch gilt: Wir alle sind Menschen und es sind u.a. unsere Intuition und unser Hausverstand, die uns von Maschinen unterscheiden. Deshalb sollten Sie nach wie vor darauf hören. Oft kristallisieren sich aus der Interpretation von Datensätzen Situationen heraus, die Sie bereits kennen und in denen Sie bereits Erfahrungen gesammelt haben. Dann ist es gut möglich, dass Ihr Bauchgefühl Sie in eine andere Richtung dirigiert. Hören Sie darauf und untermauern sie es mit weiteren Daten. Denn nicht immer bedeutet eine reine Korrelation aus Daten einen kausalen Zusammenhang.
Wie in der Einführung bereits erwähnt, dreht sich beim Data Driven Decision Making alles um Entscheidungen, die hauptsächlich auf Daten basieren. Da es sich um Unternehmensentscheidungen handelt, umfasst DDDM die Daten von Unternehmen und dessen Umfeld.
Damit Daten für Entscheidungen nutzbar sind, durchlaufen sie drei Phasen. Sie müssen
werden. Nur dann können Informationen zu Erkenntnissen werden. Dabei ist es wichtig, dass für diese Systeme das Informationslogistische Prinzip eingehalten wird.
Informationslogistik ist die Basis für effiziente Datenbereitstellung. Das bedeutet, es müssen
sein. Nur dann kann Data Driven Decision Making seinen vollen Nutzen entfalten. Informationen lassen sich heutzutage fast in Echtzeit aufarbeiten und darstellen - und das in großen Mengen.
Beim Data Driven Decision Making geht es allerdings nicht nur um Informationen, sondern vor allem um Erkenntnisse. Um aus den Informationen Erkenntnisse zu gewinnen, müssen diese im richtigen Kontext und in Beziehung zu den Zielen und Strategien stehen. Nur dann kommen die ganzen Daten auch auf die richtige Art und Weise für das DDDM zum Tragen.
Daraus ergibt sich, dass DDDM mehr efordert als einteilige Prozesse wie Datenmanagement und Data Governance allein. Die beiden Abläufe bilden zwar die Grundlage fürs DDDM - dank ihnen wissen wir, welche Daten überhaupt vorhanden sind und wo sie zu finden sind. Darauf aufbauend folgen allerdings weitere Prozesse wie die Aufarbeitung und die Darstellung der Daten.
Damit die vielen Daten in einem Unternehmen also nutzbar werden, müssen sie zwei Prozesse durchlaufen.
Beim Data Driven Decision Making ist es essentiell, dass jeder Benutzer selbst die Darstellungen der Daten vornehmen kann. Viele Jahre war das ausschließlich Spezialisten vorbehalten. Dank neuer Tools wie z.B. Power BI ist mittlerweile jeder Anwender selbst in der Lage, die entsprechenden Daten so darzustellen, wie der aktuelle Kontext es erfordert.
Wer DDDM anwendet, rückt nicht nur Vorurteile und persönliche Tendenzen in den Hintergrund, sondern findet einfacher neue Lösungswege. Darüber hinaus lassen sich schnellere und qualitativ bessere Entscheidungen treffen.
Weitere Vorteile von datengetriebenen Entscheidungen
Eine Studie der Sloan School of Management von Andrew McAfee und Erik Brynjolfsson belegt, dass Unternehmen, die DDDM einsetzen, 4 % produktiver sind und 6 % mehr Gewinn machen als andere.
Auch das populäre Thema Change Management basiert immer mehr auf der Analyse komplexer Datensets. Das rührt vor allem daher, dass Change Management verstärkt inkrementell erfolgt. Das macht die Überwachung von Fortschritten - und somit die Datenanalyse - wesentlich.
Unternehmen mit jeder Größe und Ausrichtung profitieren von DDDM. Die wesentliche Voraussetzung ist das Commitment für den datengesteuerten Ansatz. Und längerfristig, dieses Commitment auch aufrechtzuerhalten.
Große Tech-Firmen haben als erste damit begonnen, DDDM einzuführen. Sie waren es auch, die es perfektioniert haben. Sie hatten als erste die analytischen Fähigkeiten, die technische Expertise und die entsprechend offene Firmenkultur, die DDDM ermöglicht. Heute können alle Unternehmen von DDDM profitieren, da die technischen Systeme für die Analyse mittlerweile standardisiert sind.
Sie sind neugierig geworden und möchten noch tiefer in die Welt der Daten eintauchen? Mit diesem Glossar tun Sie sich leichter.
DataOps: Eine Methode, um Daten zu managen und zu analysieren. Das Verfahren fasst Qualität, Integrität, Sicherheit und Data Engineering zusammen.
Data Cleaning oder Data Cleansing: Der Prozess, um Daten zu säubern. Entweder durch Beheben eines Fehlers oder durch Löschen solcher Daten, die ungenau, unvollständig oder fehlerhaft sind.
Data Governance: Überwachung der Integrität und Sicherheit von Daten, die einer Organisation gehören und von ihr verwendet werden, sowie Verwaltung der Verfügbarkeit und Art der Verwendung dieser Daten.
Data Warehouse: Ein integrierter, zentralisierter Speicher aller Daten, die ein Unternehmen sammelt und verwendet, um Aufzeichnungen zu führen, Berichte zu erstellen und Analysen durchzuführen.
Data Mart: Eine Untereinheit des Data Warehouse, die sich mit einer einzelnen Abteilung in einer Organisation befasst.
Descriptive Analytics: Die Vorstufe der Datenverarbeitung, in der historische Erkenntnisse aus Daten extrahiert und für fortgeschrittenere Analyseformen aufbereitet werden.
Diagnostic Analytics: Der Zweig der Datenanalyse, der sich auf die Bestimmung der Ursachen von Phänomenen konzentriert.
Predictive Analytics: Der Zweig der Datenanalyse, der sich darauf konzentriert, Muster aus historischen Daten zu extrahieren, um zukünftige Ereignisse vorherzusagen.
Prescriptive Analytics: Der Zweig der Datenanalyse, der sich auf die Verwendung von Daten konzentriert, um die am besten geeignete Vorgehensweise zu bestimmen, wenn eine Entscheidung getroffen werden muss.
4 Vs of Big Data: Die vier Vs sind die vier kritischen Merkmale von Big Data.
Sie wünschen sich mehr datengetriebene Entscheidungen für Ihr Unternehmen? Der nächste Blogartikel gibt Ihnen wichtige Einblicke in die Grundlage für DDDM: etwaige Änderungen der Firmenkultur. Eine weitere Grundlage ist das passende Analysetool. Sie haben noch keines oder sind sich unsicher, ob das derzeitige für Data Driven Decision Making geeignet ist? Kontaktieren Sie uns gern, wir helfen Ihnen weiter.