6 Tipps: Wie Entscheider und Datenwissenschaftler besser zusammenarbeiten

Datenanalyse ist und darf kein Selbstzweck im Unternehmen sein, sondern soll das Geschäft verbessern und so zum Umsatzmotor werden. Langfristig leisten sich Unternehmen nur dann eine Datenanalyse, wenn der ROI (Return on Investment) stimmt. Tatsächlich sind Algorithmen und Software oft nicht das Problem, wenn die Ergebnisse nicht stimmen. Für den Erfolg einer Datenanalyse ist die Umsetzung im Unternehmen entscheidend. Diese benötigt eine enge Zusammenarbeit zwischen Business-Entscheidern und Datenwissenschaftlern. Mit den folgenden Tipps lässt sich die Teamarbeit deutlich verbessern.

Tipp #1. Gegenseitiges Verständnis fördern und vermitteln

Der Wert von Datenanalyse ist heute in vielen Unternehmen angekommen. Die Datenanalyse ist ein hervorragender Wegweiser, der Unternehmen ein tieferes Verständnis geben kann, was sie exakt tun müssen, um Ziele – unter anderem eine höhere Kundenzufriedenheit – zu erreichen. Die Technologie ebnet den Weg dorthin: Mehr Daten, Möglichkeiten zur Datenspeicherung, Rechenleistung, komplexe Algorithmen, fortgeschrittene Analysesoftware, kombiniert mit Künstlicher Intelligenz und Machine Learning eröffnet eine Fülle neuer Chancen für jedes Unternehmen.

Auf dem Weg dorthin zeigt sich aber oft eine Hürde, die auftritt, wenn zwei unterschiedliche Welten aufeinanderprallen.  Sowohl bei Business-Entscheidern als auch Datenwissenschaftlern gibt es Wissenslücken im Hinblick auf die jeweils andere Seite. „Was oft vergessen wird, ist: „Business drives IT“. Datenwissenschaftler bringen naturgemäß einen starken Fokus auf Algorithmen. Wenn der Bezug vernachlässigt wird, endet das oft in `Feature-itis`, der Bezug zum `Why` geht verloren“, erklärt Dr. Kerstin Schäfer, Digital Strategist bei Adobe in unserem Interview.

Die Wissenslücke zu schließen, ist beim Zusammenrücken weder Ziel noch realistisch, aber schon einige Grundlagen können das Verständnis für die „andere Seite“ enorm fördern. Datenwissenschaftler können zum Beispiel mehr Verständnis dafür entwickeln, welche Auswirkungen die Analysen und die Empfehlungen auf das Unternehmen haben werden. Grundwissen in Marketingkonzepten wie Personalisierung oder Storytelling kann helfen, die Ergebnisse der Analysen den Entscheidern verständlicher zu vermitteln. Umgekehrt helfen Grundlagen der Datenanalyse bei einem Verständnis für Daten allgemein und um Methoden, Aufwand und Ergebnisse zu verstehen – genauer gesagt sich daran zu gewöhnen, Entscheidungen mit oder auf der Basis von Daten zu fällen.

Tipp #2. Kollaboration fördern

In der Praxis hilft es, sofort mit gemischten Teams zu starten und zu arbeiten, statt die Teams in ihren Disziplinen zu trennen und dann später zusammenzubringen. Ziel ist eher die Zusammenarbeit ab Tag 1 des Projekts oder am Anfang eines agilen Sprints. „Am besten bildet man daher Tandem-Teams aus IT und Business-Stakeholdern. Wie beim Programmieren empfehle ich das Vier-Augen-Prinzip“, so Schäfer.

Digitale Tools wie Dokumente in der Cloud wie Google Docs, Zugriff auf visualisierte Ergebnisse aus der Datenanalyse, etwa Torten- und Balkendiagramme und Kommunikationstools wie Slack fördern die Kommunikation. Definierte Prozesse für Abstimmungen, zum Beispiel wann ein Review-Prozess stattfinden soll, fördern den Austausch. „Ein falsch gesetztes Komma kann bei Daten große Auswirkungen haben, viel Wirbel verursachen und zum Beispiel falsche Prognosen nach sich ziehen. Daher ist der ständige Review-Prozess wichtig“, empfiehlt Schäfer.

Tipp #3. Fehler erlauben und lernen

Die Arbeit mit Daten geht mit einem gewissen Umdenken bis zu einem Kulturwandel im Unternehmen einher, der wichtig für den Erfolg, aber in der Umsetzung schwierig ist. Die Arbeit mit Daten bedeutet oft Neues auszuprobieren. Und umgekehrt, aus dem, was nicht funktioniert zu lernen und den Kurs mit diesem Wissen zu korrigieren. „In Deutschland werden Fehler oft nur negativ gesehen – tatsächlich muss es Raum dafür geben. Fehler sind dabei nichts Negatives, sondern die Grundlage zum Lernen. Wir arbeiten dann im Tandem-Team eng zusammen und erstellen zum Beispiel Reportings zu Marketing-Aktivitäten“, erklärt die Datenwissenschaftlerin. Datenbasiert arbeiten bedeutet also auch eine gesunde Fehlerkultur im Unternehmen zu etablieren.

Tipp #4. Die Grundlagen schaffen

Zu den eher ungeliebten Aufgaben der Datenwissenschaftler gehört, es sich mit Problemen wie Datensilos oder unsauberen Daten beschäftigen zu müssen. Daher ist es nicht nur für die Business-Entscheider, sondern viele Abteilungen im Unternehmen wichtig, möglichst saubere Daten zu liefern und sie zu pflegen. Hohe Datenqualität fördert die Arbeit der Datenwissenschaftler. Dazu gehören Aufgaben, wie Daten aktuell zu halten, von Redundanzen zu befreien und nicht mehr benötigte Daten regelmäßig zu löschen. Diese mögen im Alltag lästig sein, etwa dem Vertrieb wie ein Mehraufwand erscheinen, aber es ist wichtig solche Prozesse zu verankern, um sich später die Arbeit zu erleichtern.

Auch der Umstieg von veralteten Systemen, die problematische Daten erzeugen, ist oft ein wichtiger Schritt hin zu mehr Datenqualität. Der Umstieg bedeutet ebenfalls etwas Mehraufwand, der sich aber später auszahlen wird.

Tipp #5. Den Kunden in den Mittelpunkt stellen

Bei Analysen und Businessentscheidungen ist es nützlich, immer wieder zu erinnern, worum es eigentlich geht: den Kunden. Datenanalyse und die Arbeit mit Daten darf nie zum Selbstzweck werden, sondern soll am Ende immer das Kundenerlebnis insgesamt, also etwa einen bestimmten Abschnitt vor oder beim Kauf verbessern. „Wenn wir Marketing-Maßnahmen planen, müssen wir auch testen, ob die Kunden sie überhaupt benötigen,“ empfiehlt Kerstin Schäfer und in der Umsetzung einen tiefen Blick in die KPIs (Key Performance Indicators) zu werfen, sowie das Verständnis für die Customer Journey zu fördern.

Tipp #6. Datenzentriertes Denken schrittweise fördern

Der Weg von den Arbeit mit Daten hin zum datenzentrierten Unternehmen ist lang und die Transformation geschieht nicht von heute auf morgen. Ein wichtiger Helfer auf dem Weg zum Ziel ist es die Akzeptanz von Daten im Unternehmen in allen Abteilungen zu fördern. Das fällt oft gerade dann schwer, wenn Daten ungeliebte Wahrheiten zutage bringen – etwa was in einer Abteilung nicht funktioniert. Dann wird der Überbringer der schlechten Nachrichten oft mit dem Übeltäter verwechselt. Und auch die Führungsebene hat ihre Probleme: „Schwierig ist nicht zuletzt folgender Schritt: Wenn ich anfange, datengetrieben zu arbeiten, ist die „HIPPO“, also Highest Paid Person Opinion, weniger wert als die Daten. Ich muss der Meinung der am besten bezahltesten Leute im Unternehmen Grenzen setzen“, erläutert Hartmut König, CTO Central Europe bei Adobe das Problem in unserem Interview. Erfolge mit datengetriebener Arbeit gibt es aber ebenfalls, die wiederum die Akzeptanz fördern. So ist ein schrittweises Vorgehen die beste Erfolgsstrategie.