Wie kann ein Unternehmen Daten als strategisches Kapital nutzen? Daten sind teuer. Sie müssen in Datenerfassung und -bereinigung, Hosting und Wartung, Dateningenieure, Datenanalysten, Risiken, Datenqualität, Informationspräsentation usw. investieren.
Bei guter und ordnungsgemäßer Durchführung kann ein Unternehmen Informationen nutzen, um in seinem Geschäft erfolgreich zu sein. Erik Brynjolfsson vom MIT kommentiert, dass Organisationen auf der Grundlage von Daten eine um 5 % bis 6 % höhere Produktivität erzielen als die Konkurrenz. Sie haben auch ihr Vermögen, ihre Kapitalrendite und ihren Marktwert effizienter gemacht.
Um wirksam zu werden, bedarf es einer globalen Datenkultur, die Qualität, Zugriff, Wissen und angemessene Entscheidungsprozesse vereint.
einzige Datenquelle
Eine einzelne, zentralisierte, qualitätskontrollierte Datenquelle sollte der einzige Punkt für die Extraktion von Unternehmensdaten sein. Wenn Métrixas aus verschiedenen Systemen extrahiert werden, werden zwangsläufig unterschiedliche Ergebnisse generiert.
Dies führt zu Diskrepanzen, die die Entscheidungsfindung verlangsamen, und zu gegensätzlichen Visionen in den Szenarien, zusätzlich zum Fehlen einer einzigen und zuverlässigen Gewissheit über die Realität.
Darüber hinaus können Ergebnisse auf der Grundlage veralteter, ungenauer oder allgemein unangemessener Daten erscheinen, die von guten Fachleuten verwendet werden, aber falsche Ergebnisse liefern.
Wenn diese einzige Quelle existiert, bietet sie der Organisation einen Mehrwert: den Entscheidungsträgern. Datensuchzeiten werden im gesamten Unternehmen optimiert und es wird in ihre Verwendung investiert.
Darüber hinaus werden die Datenquellen besser organisiert, dokumentiert, verknüpft und angereichert. Daher sind Benutzer besser in der Lage, die Daten zu nutzen und die Informationen zu finden.
Zu wissen, woher man die Daten bekommt, und qualitativ hochwertige Ergebnisse zu liefern, ist für die endgültige Entscheidungsfindung von entscheidender Bedeutung
Auch für den Datenmanager ist eine Single Source vorzuziehen. Es erleichtert die Dokumentation, vermeidet Nomenklaturkonflikte in der Struktur (Tabellen, Felder), Lade- und Datenqualitätskontrollen und stellt sicher, dass Identifikatoren in allen Tabellen konsistent sind. Es ist auch einfacher, flache, einfach zu bearbeitende Ansichten wichtiger Beziehungen und Entitäten bereitzustellen, die möglicherweise aus verschiedenen Quellen stammen.
In großen Organisationen gibt es oft historische Gründe, warum Daten in Silos gespeichert werden.
Zum Beispiel ist es wahrscheinlicher, dass große Organisationen Datensysteme durch unternehmensübergreifende Akquisitionen oder durch den Kauf ergänzender Datenanbieter oder aus regulatorischen Gründen erwerben, die zu eigenständigen Systemen zusätzlich zum Kernbetriebssystem führen.
Eine einzelne Quelle ist zwar eine große und komplexe Investition, ermöglicht es dem zentralen Datenteam jedoch, offizielle Leitlinien bereitzustellen und aufzulisten, was verfügbar ist, wo es sich befindet, wo es mehrere Quellen gibt, wo es am besten erhältlich ist, und andere Ergebnisse, die produziert werden Ein großer Vorteil für die Organisation.
Datenwörterbuch
Ein gutes Datenwörterbuch macht es Benutzern leicht zu verstehen, was Datenfelder und Metriken bedeuten.
Dieser Aspekt ist für viele Organisationen oft ein unüberwindbares Hindernis. Wenn Sie keine klare Liste von Metriken und ihren Definitionen haben, treffen die Leute Annahmen, die sich von denen aller anderen unterscheiden und zu abweichenden Ergebnissen und Meinungen führen können.
Ein Unternehmen muss ein Glossar mit klaren, eindeutigen und vereinbarten Definitionen erstellen. Dies erfordert die Zusammenarbeit mit allen wichtigen Interessengruppen und Geschäftsexperten.
Zunächst müssen Sie diese offiziellen Definitionen akzeptieren; verhindern, dass Teams mit ihrer eigenen, separaten Version einer Metrik abtrünnig werden.
Zweitens ist es oft nicht die Kerndefinition, in der sich das Verständnis der Menschen unterscheidet, sondern der Umgang mit Grenzfällen. Während beispielsweise alle ein gemeinsames Verständnis davon haben, was eine Metrik „Aufgegebene Bestellungen“ bedeutet, können sie sich darin unterscheiden, wie sie mit Stornierungen, Teilbestellungen oder Betrug umgehen wollen oder erwarten.
Diese Szenarien müssen präsentiert, diskutiert und gelöst werden. Das Ziel hier ist es, auf zwei mögliche Arten einen Konsens zu erreichen: entweder mehrere ähnliche Metriken zu einer einzigen gemeinsamen Metrik zu kombinieren oder die Situationen zu identifizieren, in denen es wirklich notwendig ist, eine Metrik in zwei oder mehr separate Metriken zu unterteilen, um unterschiedliche Perspektiven zu erhalten.
Hochwertige, zentralisierte Daten sind nicht effektiv, wenn sie für die Organisation nicht verständlich sind
Spezifität in gut gewählten Tabellen- und Feldnamen und eindeutige Definitionen mit Beispielen sind hier entscheidend. Es ist besser, zu langen, aber aussagekräftigen Namen wie „Bestellungen_nicht_storniert“ oder „% Conversion von erstellten Reisen zu abgeschlossenen Reisen“ zu tendieren, als zu kürzeren Namen, von denen die Benutzer glauben, dass sie sie verstehen, und die zu persönlichen Interpretationen führen, die nicht allgemein oder von allen akzeptiert werden.
Der Zugang zu Informationen
Zentralisierte und qualitativ hochwertige Daten mit einer klaren und einheitlichen Beschreibung zu haben, nützt der Organisation nichts, wenn die Leute nicht darauf zugreifen können. Organisationen müssen den Zugriff auf Daten sicherstellen, wo immer sie nützlich sein können.
Dies bedeutet nicht, allen Mitarbeitern Zugang zu gewähren oder keine Richtlinien zu haben, die den Vorschriften und Kontrollen entsprechen. Es bedeutet, Sicherheit aus ganzheitlicher Sicht mit den Bedürfnissen der Organisation in Einklang zu bringen.
Fördern Sie eine Kultur, damit die Menschen wissen, welche Daten verfügbar sind und welche Sicherheits-, Compliance- und regulatorischen Kriterien sich darauf auswirken
Es sind die Mitarbeiter an vorderster Front (z. B. der Kundendienst, der sich um einen unzufriedenen Kunden kümmert, oder ein Lagerarbeiter, der beschädigte Lagerbestände findet), die die Daten sofort nutzen, um zu bestimmen, welche Maßnahmen als nächstes zu ergreifen sind. Mit der richtigen Schulung sind sie am besten in der Lage, eine Situation zu lösen, Änderungen im Arbeitsablauf zu bestimmen oder eine Kundenbeschwerde zu bearbeiten.
Die Förderung der Kultur unter den Menschen umfasst Schulungen, ein Datenwörterbuch, Zugang zu und Verständnis von KPIs, einheitliche Kriterien für das Verständnis von Daten, Verfügbarkeit, echte und greifbare interne Anwendungsfälle sowie das Gefühl, dass sie sich wohl fühlen, wenn sie sowohl Schulungen als auch interne Zugriffsprozesse anfordern.
Bürokratische Verfahren müssen gestrafft werden, damit die Menschen mit einem angemessenen Genehmigungs- und Überwachungsprozess ohne zu viele Verzögerungen oder Hindernisse Zugang haben. Natürlich werden auch Widerrufssysteme benötigt, wenn es notwendig ist, sie anzuwenden.
Datenkultur
Da die Organisation datengesteuert ist und einen breiten Zugriff auf Daten hat, werden die Mitarbeiter mit wichtigen Berichten, Dashboards, Analysen und Metriken konfrontiert, die sie möglicherweise selbst verstehen und analysieren können.
Um dies effektiv tun zu können, müssen ausreichende Kenntnisse über die Informationen, ihre Herkunft, ihre Bedeutung und die Auswirkungen auf das Unternehmen und seine Funktion vorhanden sein.
Datenkultur ist ein vielschichtiges Unterfangen. Es fördert auch die Einbindung von Kunden und Mitarbeitern auf verschiedenen Qualifikationsniveaus und Funktionen, die einen personalisierten Ansatz für jeden Fall erfordern.
Der am weitesten verbreitete Bereich ist die Ausbildung in Data Science. Dies umfasst eine Einführung in die fortschrittlichsten und rechnerischsten maschinellen Lern- und Data-Mining-Ansätze zum Extrahieren von Erkenntnissen aus Daten sowie zum Erstellen von Datenprodukten wie Empfehlungsmaschinen und anderen Vorhersagemodellen. Dies beinhaltet die Konzentration auf die Spitze der Kompetenzpyramide für technologisch fortgeschrittenere Benutzer.
Einer der effektivsten Aspekte für das Unternehmen und die Kunden besteht darin, Personen mit Standardkenntnissen in der Benutzertechnologie zu Data Scientists auszubilden.
Beispielsweise gibt es in der Pharma- und Finanzbranche Wirtschaftsanalysten, die sich mit Statistiken auskennen, aber schwächer in Berechnungen sind. Technologische Profile verfügen über talentierte Programmierprofile, denen es an statistischer Strenge für Unternehmen mangelt. Die Ausbildung von Statistikern in Programmieren und Programmierern in Unternehmensstatistiken bringt schnelle Vorteile für die Organisation.
Die Daten sind nicht dazu da, bestehende Entscheidungen zu untermauern oder zu untergraben, sondern um zukünftige zu informieren.
Oft ist es am einfachsten und effektivsten, mit der Verbesserung der Grundkenntnisse in deskriptiver Statistik zu beginnen. Das heißt, die grundlegenden Formen der Erstellung von Datenzusammenfassungen: Mittelwert, Perzentile, Bereich, Standardabweichung usw. und die Erkennung, wann diese Ergebnisse angemessen sind oder nicht, geben den Daten, aus denen sie bestehen, eine Bedeutung .
Wenn sich beispielsweise herausstellt, dass Daten stark verzerrt sind, wie z. B. Immobilienpreise oder Einkommen, ist der Median die geeignete Metrik, um die Daten zusammenzufassen, nicht der Mittelwert.
Die Befähigung der Mitarbeiter, sich weniger auf Annahmen zu verlassen und sich auf die Darstellung und Untersuchung der Daten und die ordnungsgemäße Verwendung geeigneter zusammenfassender Metriken zu konzentrieren, zahlt sich in Bezug auf Zeit und richtige Entscheidungsfindung erheblich aus.
Ein weiterer Wirkungsbereich sind Fähigkeiten zur Datenvisualisierung. Diagramme sind oft voller nicht relevanter Informationen, unnötiger Unordnung und Anmerkungen, die vom Hauptziel ablenken. Entweder verwenden Sie ungeeignete Diagrammtypen, wie z. B. mehrere Tortendiagramme mit jeweils einer großen Anzahl von Segmenten, oder Sie wählen ein Farbschema, das die Interpretation sehr schwierig oder unmöglich macht.
Es erzeugt großen Verschleiß auf persönlicher und organisatorischer Ebene, sich Mühe in die Sammlung und Analyse zu stecken, zu scheitern und die Wirkung am Ende der Präsentation zu reduzieren. Ein wenig Datenvisualisierungstraining reicht weit aus und macht Daten klarer, besser verdaulich und letztendlich wahrscheinlicher, dass sie angemessen verwendet werden.
Eine nächste Ebene der Komplexität in der Kultur ist die Inferenzstatistik. Dies sind die standardmäßigen, objektiven statistischen Tests, die verwendet werden, um beispielsweise festzustellen, ob ein Trend oder ein Unterschied im Website-Verkehr von Woche zu Woche wahrscheinlich echt oder nur eine zufällige Variation ist.
Der Punkt ist nicht, dass ein Geschäftsführer oder Kundendienstmitarbeiter diese Tests durchführen kann, sondern ihnen bewusst zu machen, wie nützlich Statistiken sein können: Korrelation und Kausalität zu verstehen und zu verstehen, dass Prognosen immer mit Unsicherheiten verbunden sind. Entscheidungsträger und Manager erhalten dadurch auch die Möglichkeit, die Qualität der Arbeit zu korrigieren oder die Motivation zu erkennen, wenn die Daten ihre Schlussfolgerungen nicht stützen.
unter Decisiones
Vor allem haben Daten einen echten Einfluss auf den Entscheidungsprozess. An diesem Punkt kann die Organisation über hochwertige, relevante Daten, geschulte Analysten und sorgfältig erstellte und präsentierte Berichte verfügen. Wenn die Berichte nicht verwendet oder Entscheidungen ohne Rücksprache mit ihnen getroffen werden, ist die gesamte Investition verschwendet, unabhängig davon, was die Daten zeigen.
HiPPOs, „Highest Payed Person Opinion“, sind die Antithese zum Datenmanagement. Es ist ihnen egal, was die Daten sagen, besonders wenn sie nicht mit ihren vorgefassten Meinungen übereinstimmen, und sie werden an ihrem Plan festhalten, weil sie wissen, was am besten ist. Darüber hinaus haben sie normalerweise eine hohe Kommandoposition.
HiPPOs sind schädlich für Unternehmen, da sie ihre Entscheidungen bestenfalls auf schlecht verstandene Metriken oder bloße Vermutungen stützen. Keine intelligenten Tools, um aus dem gesamten Spektrum der Kundeninteraktionen Bedeutung abzuleiten und das Wie, Wann, Wo und Warum hinter den Aktionen zu bewerten. Der HiPPO-Ansatz kann für Unternehmen lähmend sein.
Financial Times
HiPPO ist das Akronym für „Highest Paid Person’s Opinion“, ein Begriff, der von Avinash geprägt wurde Kauschik. Es wird verwendet, um die Tendenz von gering bezahlten Arbeitnehmern zu beschreiben, Arbeitnehmern mit höheren Gehältern und langjähriger Erfahrung nachzugeben, wenn eine Entscheidung getroffen werden muss. Der Begriff wird auch oft verwendet, um zu beschreiben, dass sich eine Organisation bei der Entscheidungsfindung eher auf menschliche Instinkte als auf Daten verlässt.
Mit einiger Häufigkeit haben Organisationen eine Kultur, in der Intuition, freie Kommentare geschätzt werden oder es an Verantwortung mangelt. In einer Umfrage gaben nur 19 Prozent der Befragten an, dass Entscheidungsträger für Maßnahmen zu diesen Entscheidungen verantwortlich sind. In diesen Umgebungen gedeihen HiPPOs.
Eine Möglichkeit, HiPPOs entgegenzuwirken, besteht darin, eine Kultur des objektiven Experimentierens wie A/B-Tests zu pflegen.In diesen Szenarien, ob es sich um eine Änderung des Website-Designs oder der Marketingbotschaft handelt, können Erfolgsmetriken und die Mindeststichprobengrößen visualisiert werden. Der Schlüssel ist, einen klaren Analyseplan zu haben und die Erfolgsmetriken und alle Vorhersagen festzulegen, bevor die Tests durchgeführt werden. Mit anderen Worten, verhindern Sie, dass HiPPOs die Ergebnisse im Nachhinein auswählen. Dasselbe gilt für jedes Pilotprojekt oder Proof of Concept.
Fazit
Die datengetriebene Kultur ist Teil eines mehrstufigen Prozesses, um sich sowohl formal als auch im Laufe der Zeit in den Denkweisen der Menschen zu festigen:
- Eine einzige, hochwertige Datenquelle, aus der Analysen fließen können.
- Ein von der gesamten Organisation vereinbartes und angenommenes Datenwörterbuch über die Bedeutung der Daten.
- Breiter Zugriff auf Daten, um die Anwendung von kollektivem Geschäftswissen in der Datenanalyse zu ermöglichen.
- Gutes Training, das hilft, Datenkompetenz zu fördern und zu stärken.
- Die resultierenden Berichte müssen in den Händen von Entscheidungsträgern sein, die den Daten vertrauen und die Entscheidungsfindung beeinflussen.
