Die vier Säulen effektiver Datenanalyse: Ein Rahmenkonzept für moderne Datenwissenschaftler

Einleitung: In einer Zeit, in der Datenanalyse branchenübergreifend an Bedeutung gewinnt, stehen Datenwissenschaftler vor der Herausforderung, nicht nur technische Expertise zu demonstrieren, sondern auch als strategische Partner in Unternehmen zu agieren. Die traditionelle Ausbildung fokussiert sich häufig auf methodische Kompetenzen, während der praktische Unternehmensalltag ein breiteres Skillset erfordert. Dieser Artikel präsentiert ein innovatives Rahmenkonzept, das vier zentrale Kompetenzbereiche identifiziert, die Datenwissenschaftler benötigen, um nachhaltige Wertschöpfung in Unternehmen zu generieren und komplexe Geschäftsprobleme ganzheitlich zu lösen.

Einmal pro Jahr biete ich einen Kurs für angehende Datenwissenschaftler an. Zu Beginn der ersten Unterrichtsstunde frage ich meine Schüler, welche Lernziele sie sich setzen. Oftmals wird seitens der Kursteilnehmer die Intention geäußert, sich im Rahmen des Kurses mit der Analyse von Daten sowie der Erstellung valider Modelle vertraut zu machen. Ein Vergleich dieser Antworten mit den Workshops, die ich mit praktizierenden Datenwissenschaftlern durchführe, zeigt, dass dort anders über die eigene Arbeit gesprochen wird. Die Bezeichnung „Probleme lösen“ ist zwar ein Schritt in die richtige Richtung, allerdings ist diese Definition zu eng gefasst.

Related Post: Die Rolle der Generativen KI in der Produktivitätssteigerung und demografischen Herausforderungen

Die Abhängigkeit von Daten und Analysen nimmt in sämtlichen Branchen – von der Landwirtschaft über die Fertigung und das Gesundheitswesen bis hin zu Finanzdienstleistungen – weiter zu. Dies lässt die Vermutung zu, dass die nächste Generation von Datenexperten mit weitreichenden Aufgaben betraut werden wird, die sich auf Strategie, Entscheidungsfindung, Betrieb und zahlreiche weitere Funktionen auswirken werden. Um diese neuen Talente auf ihre Aufgaben vorzubereiten, wurde ein Rahmenkonzept entwickelt, das aus vier Schlüsselbereichen von Fähigkeiten und Fertigkeiten besteht. Diese unterstützen aktuelle und zukünftige Datenwissenschaftler dabei, ihre Fähigkeiten zu verbessern und den größtmöglichen Mehrwert für ein Unternehmen zu schaffen. Dies wird dadurch gewährleistet, dass die Relevanz der Arbeit von Datenwissenschaftlern für ihre Kolleginnen und Kollegen in den Geschäftsbereichen sichergestellt wird.

Der Rahmen sowie das bessere Verständnis für die Spezifika der einzelnen Geschäftsbereiche ermöglichen es heutigen Datenwissenschaftlern sowie Berufseinsteigern, die Relevanz ihres Wissens und ihrer Erfahrungen zu erkennen und Bereiche zu identifizieren, in denen sie sich weiterentwickeln müssen.

Related Post: Die Demokratisierung des maschinellen Lernens: Chancen und Herausforderungen für die Zukunft

1. Problemerkennung: Identifikation des Kernproblems
Bei einer Analyse sämtlicher Unternehmensprozesse und -funktionen verfügen Datenexperten über eine herausragende Übersicht. Dies ermöglicht ihnen einen einzigartigen Blickwinkel, sowohl zur Lösung als auch zur Erkennung neuer Probleme. Anhand eines Praxisbeispiels soll im Folgenden die Vorgehensweise erläutert werden. Der Leiter der Gästebetreuung einer mittelgroßen Hotelkette wurde seitens des oberen Managements wegen der als schlecht bewerteten Abläufe des Check-in-Prozesses kritisiert. Die Auswertung von Umfragen ergab, dass die Gäste der Meinung waren, der Check-in sei schlecht organisiert, dauere zu lange und liefere nicht die gewünschten Ergebnisse. Insbesondere wurde ein reibungsloses und angenehmes Erlebnis vermisst. Des Weiteren konnte festgestellt werden, dass Personen, welche den Check-in negativ bewerteten, eine geringere Wahrscheinlichkeit aufwiesen, eine Rückkehr in das Hotel zu tätigen.

Die Abteilung für Gästebetreuung beauftragte das Datenanalyse-Team mit der Ermittlung der Ursache des Problems beim Check-in. Selbst nach einer detaillierten Analyse der demografischen Daten der Kunden, der präferierten Zimmerkategorie sowie der bevorzugten Check-in-Methode – sei es an der Rezeption, an einem Kiosk oder über das Telefon – sowie der Tages- und Jahreszeit und der Teilnahme am Treueprogramm, gelang es dem Datenteam nicht, die zugrunde liegende Ursache zu ermitteln.

Related Post: Bestärkendes Lernen: Wie Künstliche Intelligenz Unternehmen neue Wege zur Optimierung eröffnet

In der Folge wurde seitens eines Mitarbeitenden der Vorschlag unterbreitet, sich die Kundenumfragen anzusehen, welche fortlaufend gesammelt worden waren. Durch eine Analyse der natürlichen Sprache konnten einige Themen identifiziert werden, darunter die suboptimale Hotelinfrastruktur. Die Gäste äußerten Beschwerden bezüglich der Funktionalität des WLAN-Netzwerks, der Funktionsfähigkeit der Zimmerschlüssel sowie des Zustandes der Möbel und der Sauberkeit der Zimmer bei Ankunft. Diese Problematiken standen nicht in direktem Zusammenhang mit dem Check-in, wurden jedoch von den Gästen mit diesem in Verbindung gebracht, da sie sich daran erinnerten. Als Resultat kann festgehalten werden, dass das Problem in der Art und Weise der Führung des Hotels begründet lag und nicht im Check-in-Prozess selbst.

Die Erkenntnis lautet wie folgt: Die Lösung eines Problems, mit dem man konfrontiert ist, kann bedeuten, dass man Chancen verpasst, dem Unternehmen auf andere Weise zu helfen, sich zu verbessern. Die Arbeit mit Daten eröffnet häufig den Zugang zu tiefen und einzigartigen Einblicken in eine Vielzahl von Aspekten des Unternehmens. Um Problemstellungen adäquat identifizieren zu können, ist es erforderlich, dass Datenexperten das große Ganze im Blick behalten und tiefere Einblicke gewinnen. Dadurch wird eine höhere Transparenz darüber geschaffen, welche Aspekte für Führungskräfte von besonderer Relevanz sind. In diesem Kontext können Datenexperten einen Mehrwert generieren, indem sie Probleme identifizieren, die andernfalls unentdeckt bleiben würden.

Related Post: Fan Controlled Football (FCF): Wie Fans den Sport neu definieren

2. Problem Scoping: Klarheit und Spezifität gewinnen
Im Anschluss an die Identifikation eines Problems ist es erforderlich, dessen Umfang zu bestimmen. Dies beinhaltet die Erlangung von Klarheit über die Art des Problems sowie die Ermittlung des Beitrags, den Analysen zur Lösung des Problems leisten können. Dies gilt insbesondere, wenn ein Unternehmensleiter mit einem vagen Anliegen oder einer vagen Herausforderung an das Datenteam herangetreten ist.

In meinen Kursen und Workshops wird das Scoping anhand einer Übung erprobt. Die Rolle des Produkt-, Strategie- oder Marketingleiters wird eingenommen, wobei das Problem bereits klar definiert ist. Anhand eines fiktiven Beispiels soll die Vorgehensweise erläutert werden. Nehmen wir an, ein Unternehmen betreut Kunden und möchte herausfinden, welche Kunden Gefahr laufen, einen niedrigen Net Promoter Score (NPS) zu erzielen. Das Ziel ist es, durch geeignete Maßnahmen die Erfahrung dieser Kunden zu verbessern. Einem jeden vernünftigen Datenwissenschaftler sollte die Auswahl der adäquaten Daten und datenwissenschaftlichen Techniken zur Lösung des vorliegenden Problems geläufig sein. Die Ausdrucksweise von Unternehmensleitern entspricht jedoch selten dieser Form. In der Folge erfolgt eine Umschreibung des Problems unter Zuhilfenahme übertriebenen Jargons sowie übermäßig allgemeiner Begriffe. Diesbezüglich sei Folgendes ausgeführt: Die Erreichung der Kundenzufriedenheitsziele gestaltet sich als herausfordernd, sodass ein Fokus auf die Markteinführungsstrategien als erforderlich erachtet wird. Es besteht die Möglichkeit, dass es sich um ein Problem im Zusammenhang mit der Pipeline handelt, jedoch fehlt es uns an einer klaren Ausrichtung. Ich bin der Auffassung, dass wir uns in der richtigen Problemstellung befinden. Nun gilt es, die relevanten Akteure und die zugrundeliegenden Motive zu identifizieren. „Ist diese Formulierung adäquat?“

Ein Student in der Rolle des Datenwissenschaftlers übt sich darin, klärende Fragen zu stellen, um die Problemstellung besser zu verstehen. Mögliche Fragen könnten dabei sein: „Was genau ist mit dem Begriff ‚Ausrichtung‘ gemeint?“, „Wie können die Kundenzufriedenheitsziele gemessen werden?“ und „Welche Maßnahmen zeigen an, dass die Ziele erfolgreich erreicht wurden (oder nicht)?“. Der nachfolgende Prozess ist durch eine Iteration gekennzeichnet, welche die Gewinnung von Informationen zum Ziel hat. Diese dienen der Erstellung eines klar definierten Problems, welches mit datenanalytischen Werkzeugen und Konzepten gelöst werden kann.

Die Umwandlung der Gedanken eines Unternehmensleiters in ein klar umrissenes Geschäftsproblem stellt einen der wichtigsten, zugleich aber auch anspruchsvollsten Teile meiner Arbeit als Chief Analytics Officer mit Kunden dar. Im Rahmen der Sondierung wird eine Checkliste mit verschiedenen Fragen eingesetzt, beispielsweise:

Welcher Sachverhalt ist Gegenstand der Untersuchung?
Welche Resultate würden bei einer Optimierung darauf hindeuten, dass das Problem tatsächlich gelöst wurde?
Es gilt zu ermitteln, welche Daten idealerweise verfügbar wären, um das Problem zu lösen, und welche Daten tatsächlich verfügbar sind.
Inwiefern führt die Analyse zu einer Lösung?
Die Beantwortung der letzten Frage ist von entscheidender Bedeutung, da sie die geeignete Analysetechnik bestimmt. Dies kann beispielsweise die Anwendung einfacher Erkenntnisse oder ein formelleres prädiktives oder kausales Inferenzmodell sein. In diesem Kontext werden mit dem Geschäftsteam diverse „Was wäre wenn“-Szenarien durchgespielt, beispielsweise: „Was wäre, wenn die Ergebnisse dies oder das zeigen würden?“ „Inwiefern unterstützt Sie dies bei der Entscheidungsfindung?“ Oftmals wird seitens der Führungskräfte versucht, diese Fragestellung zu verdrängen, wobei stattdessen empfohlen wird, Maßnahmen in Erwägung zu ziehen, sobald die Ergebnisse der Analyse vorliegen. Diesbezüglich ist festzuhalten, dass die Kenntnis darüber, wie die Analyse in eine Lösung überführt wird, ein essenzieller Bestandteil bei der Erstellung des Analyseplans ist.

Die Erkenntnis, dass Datenexperten über ausgeprägte Kommunikationsfähigkeiten verfügen müssen, um bei der Problemdefinition zu glänzen, ist von entscheidender Bedeutung. Dies ist notwendig, um das Problem mit dem Unternehmensleiter zu besprechen und die erforderliche Spezifität zu erreichen. Nur so ist es möglich, dass Datenanalysetools und -konzepte einen sinnvollen Beitrag zum Unternehmen leisten. Erst nach dieser Vorgehensweise kann das Problem dem Datenteam zur Analyse übergeben werden.

3. Problem Shepherding: Updates einholen, Feedback sammeln
Nach der Identifikation und Eingrenzung des Problems ziehen sich viele Datenanalysten zurück und kommen erst wieder heraus, wenn sie eine Lösung gefunden haben. Dieser Ansatz ist höchst problematisch. Um den Prozess möglichst effektiv zu gestalten, ist ein reger Informationsaustausch sowie die Festlegung von Erwartungen erforderlich, wobei in diesem Kontext auch von „Problem Shepherding“ gesprochen werden kann.

Für Datenexperten bedeutet dies, ihr Team zu ermutigen, sich mit der Bereitstellung vorläufiger Ergebnisse für das Geschäftsteam wohler zu fühlen. Jeder Austausch bietet die Möglichkeit, Feedback zu sammeln. Als Beispiel können folgende Fragen dienen: „Sind diese ersten Ergebnisse für das Geschäftsteam von Interesse?“ sowie „Definieren wir die Begriffe richtig?“ Im Anschluss an jedes Update werden die Ergebnisse mit den nachfolgenden Updates zusammengeführt, bis das Projekt abgeschlossen ist.

Diese Vorgehensweise steht im Widerspruch zu der von einigen Datenwissenschaftlern bevorzugten Arbeitsweise. Manchmal sind sie von ihren Modellen und den kreativen Problemlösungstechniken, die sie anwenden, so begeistert, dass sie es kaum erwarten können, das Ergebnis zu präsentieren. Allerdings kann die Praxis der „großen Enthüllungen“ nach hinten losgehen und ist daher als schlechte Vorgehensweise zu betrachten. Eine zu hohe Anzahl an überraschenden Elementen in einer Abschlusspräsentation kann dazu führen, dass das Publikum in eine defensive Position gedrängt wird. Der Grund hierfür ist folgender: Überraschende Ergebnisse führen in der Regel dazu, dass die zugrunde liegenden Daten und Methoden einer kritischen Prüfung unterzogen werden.

Jedwedes Datenmodell basiert auf Annahmen, beispielsweise hinsichtlich der Behandlung fehlender Daten oder der Handhabung von Ausreißern. Eine Offenlegung und Diskussion der Annahmen seitens der Datenteams, welche aktiv an den Analysen arbeiten, im Vorfeld ist essenziell, um eine Überflutung des Geschäftsteams mit Fragen und Kritik zu vermeiden. Eine Einbeziehung des Geschäftsteams in den Entscheidungsprozess hingegen führt zu einer Identifikation mit den Ergebnissen sowie zu einer Stärkung des Vertrauens in diese.

In zahlreichen Gesprächen mit Führungskräften wurde mir bestätigt, dass die besten finalen Datenlieferungen diejenigen sind, bei denen es keine Überraschungen gibt. Die Zusammenarbeit mit dem Datenteam erstreckte sich über einen längeren Zeitraum, sodass das Endergebnis bzw. die Präsentation den bisherigen Arbeitsoutput krönt. Durch die Zusammenarbeit wird ein Verständnis für die Notwendigkeit von Problem-Shepherding geschaffen, indem die anspruchsvollen Entscheidungen offengelegt werden, die von Datenwissenschaftlern getroffen werden müssen.

Die Erkenntnis lautet wie folgt: Beim Problem-Shepherding werden in regelmäßigen Abständen Updates bereitgestellt und Feedback vom Geschäftsteam eingeholt. Datenwissenschaftler und Teamleiter, die in diesem Bereich über besondere Kompetenzen verfügen, können offene Diskussionen fördern und erleichtern, wodurch sichergestellt wird, dass das Endergebnis beim Geschäftsteam die gewünschte Akzeptanz findet und keine Überraschungen birgt.

4. Lösungsumsetzung: In der Sprache des Publikums sprechen
An dieser Stelle erfolgt ein Wechsel vom Problem zur Lösung, deren Erfolg maßgeblich von der Umsetzung der ersten drei Schritte durch die Datenexperten und ihre Teams abhängt. Die Verantwortung des Datenteams erstreckt sich nicht nur auf die Präsentation einer abschließenden Lösung, sondern auch auf die Lieferung einer umsetzbaren, verständlichen Lösung.

Diesbezüglich ist festzuhalten, dass die bloße Darstellung der Daten in einem Diagramm oder einer anderen visuellen Darstellung nicht ausreichend ist. Die Vermittlung der Lösung, sei es in Form von Dateneinblicken oder einer neuen Vorgehensweise, die vom Modell empfohlen wird, muss in einer Sprache erfolgen, die das Geschäftsteam versteht. In diesem Kontext sei auf ein Tool verwiesen, das sich in der Praxis bewährt hat: das zweiseitige Datenanalyse-Memo, welches die wichtigsten Elemente des zu lösenden Problems hervorhebt. Obgleich zwei Seiten im Vergleich zu den umfangreichen Berichten, welche Datenteams häufig erstellen, relativ komprimiert erscheinen, liegt in der Kürze die Kraft dieser Geheimwaffe.

Die Begrenzung auf zwei Seiten kann dazu beitragen, die Versuchung zu vermeiden, sich ausführlich mit Details der Datenanalyse zu befassen, und stattdessen die Konzentration auf die ausgesprochenen Empfehlungen und die Belege dafür zu fördern. Es ist anzunehmen, dass diese Forderung nicht nur von mir, sondern auch von zahlreichen anderen Akteuren erhoben wird. Amazon-Gründer Jeff Bezos forderte Führungskräfte dazu auf, ihre Ideen in sechsseitigen Memos (anstelle einer PowerPoint-Präsentation) zu präsentieren, die eine leichte Verdauung und Besprechung ermöglichen sollten.

Die Erkenntnis, die sich aus der vorliegenden Untersuchung ableitet, besagt, dass Datenexperten, um Lösungen zu finden, einen Schritt zurücktreten und überlegen müssen, wie sie mit ihren Analysen und Empfehlungen die größte Wirkung erzielen können. Die Verwendung einer einfachen Sprache, ohne dabei die Komplexität zu beeinträchtigen, ermöglicht es Datenexperten, die sich in diesem Bereich auszeichnen, eine Art Kurzpräsentation zu halten, um Führungskräfte mit überzeugenden und verständlichen Lösungen zu überzeugen.

In Anbetracht der zunehmenden Bedeutung von Daten und Analysen für die Entscheidungsfindung und Lösungsfindung in Unternehmen ist es für Datenteams unerlässlich, über die reine Lösung der ihnen zugewiesenen Probleme hinauszudenken. Anstelle der individuellen Problemlösung muss die Zusammenarbeit und Kommunikation im Team im Vordergrund stehen. Dies impliziert, dass sie sich in breiter gefächerten Rollen besser zurechtfinden müssen, um das eigentliche Problem zu erkennen, seine Art und Bedeutung zu erfassen, den Prozess mit regelmäßigen Updates zu begleiten und Lösungen zu liefern und zu übersetzen, die tatsächlich eine Wirkung entfalten.

Fazit: Das vorgestellte Rahmenkonzept verdeutlicht, dass erfolgreiche Datenanalyse weit über technische Fertigkeiten hinausgeht. Moderne Datenwissenschaftler müssen als Vermittler zwischen Daten und Geschäftsentscheidungen agieren, wobei Kommunikation und strategisches Denken elementare Fähigkeiten darstellen. Die vier beschriebenen Kompetenzbereiche – Problemerkennung, Problem Scoping, Problem Shepherding und Lösungsumsetzung – bilden das Fundament für eine effektive Zusammenarbeit zwischen Datenteams und Geschäftsbereichen. Nur durch die Integration dieser Fähigkeiten können Datenwissenschaftler ihr volles Potenzial ausschöpfen und einen messbaren Mehrwert für Unternehmen schaffen.

FAQs (Häufig gestellte Fragen):

1. Warum reicht technische Expertise allein nicht aus, um als Datenwissenschaftler erfolgreich zu sein? Die technische Expertise bildet zwar das Fundament, aber der Erfolg eines Datenwissenschaftlers hängt maßgeblich von seiner Fähigkeit ab, Geschäftsprobleme zu identifizieren, zu verstehen und Lösungen effektiv zu kommunizieren. Die Verbindung von analytischen Fähigkeiten mit geschäftlichem Verständnis ist entscheidend.
2. Wie kann man als Datenwissenschaftler die Balance zwischen detaillierter Analyse und verständlicher Kommunikation finden? Dies gelingt durch regelmäßige Updates (Problem Shepherding) und die Nutzung geeigneter Kommunikationsformate wie das zweiseitige Datenanalyse-Memo. Wichtig ist, komplexe Sachverhalte in einer für das Geschäftsteam verständlichen Sprache zu präsentieren, ohne dabei die fachliche Tiefe zu verlieren.
3. Welche Rolle spielt die kontinuierliche Kommunikation mit dem Geschäftsteam im Analyseprozess? Sie ist essentiell, um Missverständnisse zu vermeiden und sicherzustellen, dass die Analyse in die richtige Richtung geht. Regelmäßige Updates ermöglichen es, frühzeitig Feedback einzuholen und die Analyse bei Bedarf anzupassen, was die Akzeptanz der finalen Lösung erhöht.
4. Was sind die häufigsten Fehler bei der Präsentation von Analyseergebnissen? Ein häufiger Fehler ist die „große Enthüllung“ am Ende des Projekts, die zu Überraschungen und Abwehrreaktionen führen kann. Stattdessen sollten Annahmen und Zwischenergebnisse kontinuierlich mit dem Geschäftsteam diskutiert werden.
5. Wie kann man sicherstellen, dass die identifizierten Probleme tatsächlich die relevanten Geschäftsprobleme sind? Dies erfordert einen ganzheitlichen Blick auf das Unternehmen und seine Prozesse. Wie im Hotelbeispiel gezeigt, ist es wichtig, über die offensichtlichen Symptome hinauszuschauen und die zugrundeliegenden Ursachen zu identifizieren.
6. Weshalb ist das Problem Scoping so wichtig für den Erfolg einer Datenanalyse? Ein präzises Problem Scoping stellt sicher, dass die richtigen Analysetools eingesetzt werden und die Ergebnisse tatsächlich zur Lösung des Geschäftsproblems beitragen. Es hilft dabei, vage Anfragen in konkrete, analysierbare Fragestellungen zu übersetzen.

Quellenangaben:

1. Forbes: The Top 5 Skills Every Data Scientist Needs
2. Towards Data Science: What It Means to Be a Data Scientist
3. KDnuggets: Essential Data Science Skills and Courses
4. DataCamp: Key Skills for Data Scientists
5. Springboard: Essential Data Science Skills
6. Harvard Business Review: How to Become a Data Scientist
7. Analytics Vidhya: Top 10 Skills Every Data Scientist Must Have in 2021