In jedem Unternehmen gibt es Möglichkeiten zur schnellen Optimierung. Auch mit Blick auf Daten lassen sich „Quick Wins“ ohne aufwändige Strategien erzielen. Wer aber eine Transformation mit tiefgreifenden Verbesserungen herbeiführen will, kommt an einer dedizierten Datenstrategie kaum vorbei. Ein solcher Fahrplan bestimmt, wie Informationen in eine nutzbare Form gebracht und im Unternehmen geteilt werden können. Und er gibt vor, wie sich daraus Wissen und Entscheidungen ableiten lassen. Damit ist die Datenstrategie der Weg vom reinen Sammeln von Informationen und hin zu einer gezielten Arbeit mit und auf Basis von Daten.
Die Datenstrategie sollte aber nicht mit der Digitalstrategie verwechselt werden. Letztere bringt neue digitale Möglichkeiten wie zum Beispiel effizientere Zusammenarbeit per Cloud, schlankere Prozesse und neue digitale Geschäftsmodelle im Rahmen der Digitalisierung ins Unternehmen. Das Ziel der Datenstrategie hingegen ist: Das Schaffen von Entscheidungsgrundlagen, die das bestehende Geschäft verbessern und neue Potenziale erschließen. KI unterstützt dabei, Unregelmäßigkeiten aufzuzeigen und Prozesse zu automatisieren.
Schritt 1: Ziele definieren
Einige Grundüberlegungen helfen bei der Arbeit mit Daten. Wo könnten Daten etwas verändern und verbessern? Die gesetzten Ziele sollten mit der Unternehmensstrategie im Zusammenhang stehen. In welchem Bereich will das Unternehmen wachsen? Wo können Prozesse optimiert und so Einsparungen erzielt werden? Wie lassen sich Kundenzufriedenheit und Produkte verbessern? Gleichzeitig setzen Meilensteine einen zeitlichen Rahmen, wann der Erfolg der Strategie überprüft wird – ähnlich wie bei jedem anderen herkömmlichen Projekt auch.
Schritt 2: Datenquellen bestimmen und zusammenführen
Die Vorüberlegungen und erste Analysen aus Schritt 1 helfen bei der Entscheidung, welche Daten für das Erreichen der Ziele benötigt werden. Unternehmensdaten kommen oft aus verschiedenen Quellen, wie zum Beispiel Kundenstammdaten aus einem CRM-System (Customer Relationship Management), Transaktionsdaten aus einem Onlineshop oder Daten aus verschiedenen Kommunikationskanälen – etwa soziale Medien wie LinkedIn, Twitter und Facebook. Für manche Ziele müssen in einigen Fällen auch neue Systeme eingeführt und Datenquellen erschlossen werden.
Datenaufbereitung sieht zwar je nach Anforderung etwas unterschiedlich aus, läuft aber grundsätzlich nach folgendem Schema ab: Nach der Datenbeschaffung aus internen und externen Quellen werden die Daten in das verarbeitende System oder die Business-Intelligence-Architektur eingespeist. Bei der Aufbereitung werden zum Beispiel fehlerhafte oder irrelevante Daten entfernt. Bei der Transformation geht es darum, die Rohdaten in das Format der Zieldatenbank zu aktualisieren. Ziel dabei: Die Daten werden so für eine größere Zielgruppe verständlicher. Beim Zusammenführen wird aus den bereinigten Rohdaten ein aus den Zielen abgeleitetes Datenmodell aufgebaut und dann zur Verfügung gestellt.
Kunden mit verschiedenen Datenquellen getrennt zu betrachten, wäre demnach ein Fehler. Diese so genannten Datensilos führen zu schlechten Kundenerlebnissen. Beispielsweise ist ein Kunde im Vertrieb bekannt, beim After-Sales muss er aber seine Daten neu eingeben.
Schritt 3: Daten visualisieren
Es gibt heute nicht nur viele Daten aus unterschiedlichen Quellen, sie sind auch nicht einfach zu verstehen – vor allem wenn man kein Datenwissenschaftler ist. Lange Excel-Tabellen bringen hier wenig Einblick, besser sind Diagramme, die Analyse-Software aus Daten erzeugen können. Sie ermöglichen ein schnelles Verständnis, was die Daten bedeuten und zeigen beispielsweise, wo Potenziale, Probleme oder Handlungsbedarf liegen. Spitzen beim Traffic im Onlineshop könnten etwa ein guter Zeitpunkt für den Versand eines Newsletters mit Angeboten sein – oder umgekehrt könnte ein Newsletter helfen, Flauten zu beleben. Diagramme können helfen, das Kundenverhalten besser zu verstehen, Markt- und Verkaufspotenziale zu erkennen, um passende neue Produkte oder Dienstleistungen anzubieten. Produkte können mit Daten verbessert und Preise zielgenauer an die Nachfrage angepasst werden.
Schritt 4: Data Governance im Unternehmen verankern
Data Governance ist ein wichtiger unternehmensweiter Prozess und muss im Unternehmen verankert werden, sobald man intensiv mit Daten arbeitet. Dabei gibt es mehrere Beteiligte und Verantwortliche, deren Arbeit koordiniert und zusammengeführt werden muss. So stellt etwa der Datenschutzbeauftragte sicher, dass rechtliche Vorgaben eingehalten werden. Wichtig ist auch, den sicheren Zugriff auf die Daten zu ermöglichen, um Risiken wie Sicherheitslücken zu erkennen und zu vermeiden.
Auch der „sparsame“ Umgang mit Daten ist relevant. Informationen sollen nicht nur gesammelt werden, sondern helfen, die Ziele zu erreichen. Datenverantwortliche kümmern sich vor diesem Hintergrund darum, dass nur Daten gesammelt werden, die man auch wirklich benötigt. Beispielsweise sollten nicht mehr persönliche Daten von Kunden abgefragt werden, als zum Erreichen der Ziele notwendig wären. Die Verantwortung über Richtigkeit und Aktualität der Daten ist ebenfalls hier aufgehängt.
Schritt 5: Transparenz schaffen
Entscheidend ist auch, den auf diese Weise gepflegten und bereinigten Datenbestand für alle im Unternehmen verfügbar zu machen. Es arbeiten zwar immer nur die Mitarbeiter mit den Daten, die sie benötigen – beispielsweise der Vertrieb mit seinen relevanten Datensätzen. Aber der CEO und einzelne Abteilungen könnten sich Einblicke aus einem „Single Point of Truth“ holen, also dem gleichen Datensatz. Über die Cloud wird er zentral und immer aktuell transparent verfügbar. Damit gibt es nicht mehr nur die gleiche Excel-Tabelle offline und in verschiedenen Zuständen in verschiedenen Abteilungen. Und so treffen alle Mitarbeiter Entscheidungen basierend auf den gleichen Daten.
Schritt 6: Datennutzung in Prozessen verankern
Die Entscheidungen in bestehenden und neuen Prozessen sollten wo möglich auf dem zentral verfügbaren Datenbestand basieren. Richtig umgesetzt, sparen Daten auf diese Weise Zeit und Ressourcen, verhindern Fehler und optimieren Abläufe.
Schritt 7: Erfolg messen
Kein Plan ist perfekt und der Weg zum datengetriebenen Handeln ist voller Stolpersteine wie unvollständige Datenmengen, Problemen mit Soft- und Hardware und damit verschobener Meilensteine. Die Erfolgsmessung hilft, die Strategie immer wieder anzupassen. Zum Beispiel, ob die Daten im Fokus auch den gewünschten Erfolg bringen oder ausreichend für die Ziele sind. Neben den Schwächen zeigen sich durch die Messung aber auch die Erfolge. Wo haben Daten wieviel mehr Umsatz, Einsparungen oder andere Verbesserungen gebracht?
Fazit
Die Arbeit mit Daten ist zunächst eine Anfangsinvestition, zum Beispiel in einen kompetenten Datenverantwortlichen, in Analysesoftware, Cloud-Speicherplatz und in die Schulung von Mitarbeitern. Aber mit der richtigen Strategie ist die Datenarbeit kein Experiment, sondern hochwirksam. Sie bringt in allen Abteilungen Verbesserungen, die insgesamt und langfristig Erfolg und Zukunft des Unternehmens sichern.
Laut CAM-Studie sehen 40 Prozent der Autofahrer vernetzte Fahrzeuge mit Software-Updates als Bedrohung an.
Wahlen in mehr als 60 Ländern und rund 2 Milliarden potenziellen Wählern, ist ein gefundenes…
Sie verfallen spätestens nach einer Stunde. Firefox 131 enthält zudem Fixes für 13 Anfälligkeiten, die…
Mobile Malware-Kampagne richtet sich gezielt gegen Banking-Apps.
Betroffen ist das Update KB5043145 für Windows 11 23H2 und 22H2. Es löst unter Umständen…
Sie erlaubt eine nicht autorisierte Ausweitung von Benutzerrechten. Microsoft stuft die Anfälligkeit bisher nicht als…