Datenkompetenz in Organisationen

Menschen und Technologie sind die beiden Schlüssel zur Maximierung der Macht der Daten für das Unternehmen. Dies bedeutet eine Zunahme von Organisationen, die Datenspezialisten einstellen, sowie von Analyse- und Self-Service-Funktionen, um den Einfluss von Daten auf mehrere Abteilungen und Teams auszudehnen.

Die Demokratisierung von Daten im gesamten Unternehmen kann jedem helfen, vom CEO bis zum Frontline-Mitarbeiter, seine Arbeit schneller, besser, effektiver und effizienter zu erledigen. Der Markt für Business Intelligence und Analysen wird voraussichtlich um 18.300 Milliarden US-Dollar wachsen, angetrieben durch den Bedarf an größerer Agilität, Zugänglichkeit und tieferen Einblicken.

Ein klassischer Fehler ist zu glauben, dass Technologie diese Herausforderung ausreichend bewältigen kann, aber dies führt nur zu einer Drift bei Initiativen für technologische Evolution und Effizienz. Es gehört nicht zu seinen Aufgaben, Datenkompetenz und -kultur per se zu fördern.

Einige Advanced-Analytics-Lösungen könnten einer neuen Generation von Datenwissenschaftlern helfen, die weniger technologisch sind, aber diese Leute kommen aus Gruppen, die bereits auf Statistik und Analyse spezialisiert sind, das heißt, es hat keinen Einfluss auf die Gesamtorganisation.

Einige Studien sagen voraus, dass 40 % der datenbezogenen Aufgaben bis 2020 automatisiert sein werden, aber der Großteil dieser Automatisierung wird auf die standardmäßigen Lade-, Reinigungs- und Qualitätsaufgaben angewendet, die derzeit die Arbeit von Datenexperten behindern. Selbst grundlegende deskriptive Analysen sind nicht effizient, da sie keine Entscheidungen auf der Grundlage der Angemessenheit der zugrunde liegenden Daten treffen können.

Das Bildungssystem wird das Problem der Datenkompetenz schrittweise lösen. Während Bildungseinrichtungen die Notwendigkeit verstehen, bleiben sie weiterhin hinter den Anforderungen der modernen Belegschaft an Datenkompetenz zurück. In seinem TED-Vortrag von 2009 argumentierte der Mathematiker Arthur Benjamin, dass es an der Zeit sei, dass der Lehrplan für Mathematik von analog zu digital übergeht und dass Statistik und Wahrscheinlichkeitsrechnung die Analysis an der Spitze der mathematischen Pyramide ersetzen.

Dieser notwendige Wandel ist kurz- und mittelfristig nicht in Sicht.

Es ist dringender, den Talentmangel in der Datenwissenschaft anzugehen. Noch besorgniserregender ist, dass die überwiegende Mehrheit der Arbeitnehmer immer weniger bereit ist, sich diesem neuen Szenario zu stellen. Anstatt darauf zu warten, dass die Technologie oder das Bildungssystem das Problem löst, muss die Organisation analysieren, eine Strategie festlegen, Aufgaben festlegen und aktivieren, was für die Datenkompetenz in allen Bereichen intern getan werden kann.

Beispielsweise hatten Marketingabteilungen vor einigen Jahren fast keine Daten, um konkrete Ergebnisse ihrer Maßnahmen zu messen. Es ist heute eine der datengetriebensten und datenstrategischsten Abteilungen. Dazu müssen wir das hinzufügen Sie haben Ziele Verkaufs- und Handelsabteilungen.

Schlüssel zur Datenkompetenz

Datenkompetenz umfasst ein breites Spektrum an Fähigkeiten, daher ist es wichtig, eine funktionale Basis zu schaffen, von der aus spezifisches Wissen für jedes Profil in jedem Fall entwickelt werden kann, aber mit gemeinsamen Grundlagen.

So wie Menschen keinen fortgeschrittenen Abschluss in Englisch benötigen, um lesen und schreiben zu können, brauchen Menschen keine fortgeschrittenen statistischen Kenntnisse oder Programmierkenntnisse in Python oder R, um Datenkompetenz zu erlangen.

Das Niveau der Lese- und Schreibfähigkeiten wird oft dadurch definiert, was Menschen in ihrem täglichen Leben erreichen können oder nicht; wir müssen dasselbe mit der Datenkompetenz tun.

Wenn es beispielsweise um grundlegende Datenkompetenz geht, sollte ein Mitarbeiter in der Lage sein, ein Standarddatendiagramm oder eine Grafik richtig zu analysieren und zu interpretieren. Sie sollten mit allen gängigen Diagrammen wie Liniendiagrammen, Balkendiagrammen, Flächendiagrammen, Tortendiagrammen und Streudiagrammen vertraut sein, die heute in den meisten Handelsanwendungen, Dashboards und Nachrichtenberichten zu finden sind.

Im Idealfall wäre es toll, wenn jeder wüsste, wie man seine eigenen Diagramme erstellt und seine eigenen Analysen durchführt, aber meiner Meinung nach ist das nicht der Mindeststandard, den wir anstreben. Zumindest brauchen wir Menschen, die in der Lage sind, Daten effektiv zu konsumieren und zu interpretieren. Dazu benötigen sie Kenntnisse in den folgenden vier Bereichen von Daten oder Grafiken:

1. Wissen
2. Assimilation
3. Interpretation
4. Prozessüberprüfung

1.- Kenntnis der Daten

Jeder Geschäftsbereich, jede Organisation und jede Abteilung hat ihre eigenen einzigartigen Begriffe und Daten. Je mehr Mitarbeiter aus betriebswirtschaftlicher Sicht verstehen, desto besser sind sie in der Lage, diese anzuwenden.

Bei Online-Verkäufen sollten Sie beispielsweise mit grundlegenden Kennzahlen wie Seitenaufrufen, Sitzungen, eindeutigen Besuchern und Absprungrate vertraut sein. Neben der Kenntnis der Fakten benötigen Sie Kenntnisse im Umgang mit Zahlen und Rechnen.

Es ist überraschend, dass sich Datenwissenschaftler größtenteils nur auf Arithmetik konzentrieren, während sich die überwiegende Mehrheit der Analysen (80 %) auf Summen und Mittelwerte konzentriert. Darüber hinaus ist ein grundlegendes Verständnis statistischer Konzepte und Begriffe hilfreich, z. B. zu wissen, was Korrelation ist und was der Unterschied zwischen quantitativen und qualitativen Daten ist.

2.- Datenassimilation

Wenn neue Daten präsentiert werden, die interpretiert werden müssen, müssen Sie damit beginnen, unbekannte Daten zu verstehen, bevor Sie sie verwenden. Er analysiert oder urteilt noch nicht, er nimmt nur die Informationen auf.

Dazu sind folgende Elemente der Tabellen oder Grafiken zu prüfen und bei Unklarheiten bzw. bei sicherem Unverständnis um Klarstellung zu bitten:

• Titel und Beschriftungen: Ist die Tabelle oder Grafik auf aussagekräftige und klare Weise betitelt und beschriftet?
• Zeitrahmen: Was sind die Datumsbereiche für die präsentierten Daten?
  Datenquelle: Woher stammen die Daten?
• Maßeinheit(en): Ist klar ersichtlich, was die Metriken in den Diagrammen oder Grafiken darstellen?
• Skalen: Sind die Skalen der Diagrammachsen klar und effektiv?
• Berechnete Metrik(en): Gibt es für Verhältnisse, Kurse und andere Formeln ein klares Verständnis dafür, wie sie berechnet werden?
• Dimensionen: Sind die Dimensionen oder Kategorien, die zum Organisieren oder Segmentieren der Daten verwendet werden, klar und aussagekräftig?
• Filter: Ist klar, ob bestimmte Filter auf den Datensatz angewendet wurden (z. B. alle Kunden vs. neue Kunden)?
• Rangfolge: Wenn Wertpapiere eingestuft oder in Tranchen eingeteilt wurden, ist klar, welche Kriterien verwendet wurden?
• Ziele – Wenn den Diagrammen Ziele oder Zielsetzungen hinzugefügt wurden, ist klar, was sie darstellen?

3.- Interpretation der Daten

Sobald Sie mit den Daten vertraut sind, können Sie sie analysieren und interpretieren. Je nach Art der Daten und ihrer Darstellungsform können sie auf vielfältige Weise untersucht werden. Im Allgemeinen sollten Sie es gewohnt sein, die folgenden Arten von Beobachtungen auf Diagrammen zu machen:

• Trend: In welche Richtung geht die Metrik des Trends (aufwärts, abwärts, flach)?
• Muster: Welche Muster oder wiederholbaren Zyklen werden in den Daten wahrgenommen (z. B. Saisonalität)?
• Lücken: Gibt es offensichtliche Lücken oder Auslassungen im Datensatz?
• Gruppierungen: Sind einige Werte in bestimmten Bereichen verwandt?
• Asymmetrie: Sind die Werte auffällig konzentriert oder mehr zu einer Seite als zur anderen verzerrt?
• Ausreißer: Gibt es einen Datenpunkt, der von den übrigen Datenpunkten getrennt oder weit entfernt ist?
• Fokus: Wurde in der Grafik oder Tabelle etwas hervorgehoben, um die Aufmerksamkeit darauf zu lenken? Ist es offensichtlich, warum einige der Daten hervorgehoben wurden?
• Rauschen: Sind irrelevante Daten enthalten, die die Hauptaussage des Diagramms verzerren?
• Logisch: Helfen die Daten bei der Beantwortung einer bestimmten Geschäftsfrage? Stützen die Daten eine Schlussfolgerung oder ein vorgeschlagenes Argument?

4.- Überprüfung des Prozesses

Neben der Analyse und Interpretation der Daten müssen Sie auch ein kritisches und konstruktives Denken darüber entwickeln. Die Daten werden in der Regel so akzeptiert, wie sie präsentiert werden. Es ist jedoch wichtig, einen Überblick zu haben, um weniger offensichtliche Faktoren zu bewerten, die die Ergebnisse und ihre anschließende Interpretation beeinflussen können.

• Erhebungsmethode: Könnte die Methode oder die Art und Weise, wie die Daten erhoben wurden, die Ergebnisse beeinflussen?
• Glaubwürdigkeit: Wie glaubwürdig oder vertrauenswürdig ist die Quelle der Daten?
• Voreingenommenheit: Gibt es eine mögliche Voreingenommenheit des Datenproduzenten oder -konsumenten (einschließlich seiner selbst)?
• Wahrhaftig: Werden Daten absichtlich oder versehentlich so manipuliert, dass ihre wahre Bedeutung falsch dargestellt wird?
• Annahmen: Gibt es implizite Annahmen, die die Interpretation der Zahlen beeinflussen könnten?
• Kontext: Gibt es zusätzliche Kontext- oder Hintergrundinformationen, die fehlen und notwendig sind, um die Daten richtig zu verstehen?
• Vergleiche: Wenn zusätzliche Daten zu Vergleichszwecken einbezogen werden (z. B. Daten von Periode zu Periode), bieten sie einen fairen und relevanten Vergleich? Fehlt alternativ ein offensichtlicher Vergleich?
• Kausalität: Verwechseln Sie möglicherweise Korrelation mit Kausalität, die ein direktes Muster von Ursache und Wirkung darstellt?
• Signifikanz: Wenn die Daten statistisch signifikant sind, sind sie dann auch praktisch signifikant?
• Ausreißer: Handelt es sich um einen wichtigen Ausreißer oder verzerrt er unnötigerweise die Gesamtergebnisse?
• Qualität: Können Sie zwischen Daten unterscheiden, die unbrauchbar sind, oder Daten, die für die Führung oder das Management noch nützlich sind?

Schlussfolgerungen

So wie die Alphabetisierung Zivilisationen weg von Ignoranz und Armut entwickelt, bereichert die Datenkompetenz die Organisation gleichermaßen.

Leider denken viele Benutzer immer noch, dass die Daten in erster Linie das Werk einer anderen Person oder einer eher analytischen Abteilung sind. In den heutigen datenreichen Umgebungen liegt es in der Verantwortung aller, nicht nur der Datenexperten, Daten effektiv zu verstehen, zu nutzen und zu kommunizieren.

Die Überbrückung der Datenkompetenzlücke im Unternehmen beschleunigt die Fähigkeit der Mitarbeiter, die zunehmenden verfügbaren Datenmengen zu nutzen.

Darüber hinaus muss berücksichtigt werden, dass die Auswirkungen des Daten-Analphabetismus die gesamte Gesellschaft und alle Menschen betreffen, nicht nur Organisationen. Inmitten der alarmierenden Schreie, gefälschten Nachrichten und der Behauptung unbegründeter alternativer Fakten ist es von entscheidender Bedeutung, eine größere Datenkompetenz zu fördern, damit die Menschen besser zwischen Fakten und Fiktionen unterscheiden können.

Der beste Schutz vor irreführenden Daten besteht darin, sich durch gesteigerte Datenkompetenz gegen deren negativen Einfluss zu immunisieren.