{"id":11651,"date":"2022-11-10T08:00:00","date_gmt":"2022-11-10T07:00:00","guid":{"rendered":"https:\/\/www.sage.com\/de-de\/blog\/?p=11651"},"modified":"2025-04-24T16:33:42","modified_gmt":"2025-04-24T14:33:42","slug":"6-tipps-wie-entscheider-und-datenwissenschaftler-besser-zusammenarbeiten","status":"publish","type":"post","link":"https:\/\/www.sage.com\/de-de\/blog\/6-tipps-wie-entscheider-und-datenwissenschaftler-besser-zusammenarbeiten\/","title":{"rendered":"6 Tipps: Wie Entscheider und Datenwissenschaftler besser zusammenarbeiten"},"content":{"rendered":"
\n\t
\n\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\tDatenbasiert entscheiden<\/a>\t\t\t\t\t\t<\/div>\n\t\t\t\t\n\t\t\t\t
\n\t\t\t\t\t

\n\t\t\t\t\t\t6 Tipps: Wie Entscheider und Datenwissenschaftler besser zusammenarbeiten\t\t\t\t\t<\/h1>\n\t\t\t\t<\/div>\n\n\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t\t\t\t\t\t<\/p>\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t<\/div>\n\n\t\t\t\t\t<\/div>\n\t\t\t\t\t

\n\t\t\t
\n\t\t\t\t\"\"\t\t\t<\/figure>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t<\/div>\n\t\t
\n\t\t
\n\t\t\tver\u00f6ffentlicht am
\n\t
\n\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t
\n\t\t\t\n\t\t\t\t\"Stefan\t\t\t\tStefan von Gagern<\/span>\n\t\t\t<\/a>\n\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t<\/div>\n<\/div>\n\n\n\n

Datenanalyse ist und darf kein Selbstzweck im Unternehmen sein, sondern soll das Gesch\u00e4ft verbessern und so zum Umsatzmotor werden. Langfristig leisten sich Unternehmen nur dann eine Datenanalyse, wenn der ROI (Return on Investment) stimmt. Tats\u00e4chlich sind Algorithmen und Software oft nicht das Problem, wenn die Ergebnisse nicht stimmen. F\u00fcr den Erfolg einer Datenanalyse ist die Umsetzung im Unternehmen entscheidend. Diese ben\u00f6tigt eine enge Zusammenarbeit zwischen Business-Entscheidern und Datenwissenschaftlern. Mit den folgenden Tipps l\u00e4sst sich die Teamarbeit deutlich verbessern.<\/p>\n\n\n\n

Tipp #1. Gegenseitiges Verst\u00e4ndnis f\u00f6rdern und vermitteln<\/strong><\/h3>\n\n\n\n

Der Wert von Datenanalyse ist heute in vielen Unternehmen angekommen. Die Datenanalyse ist ein hervorragender Wegweiser, der Unternehmen ein tieferes Verst\u00e4ndnis geben kann, was sie exakt tun m\u00fcssen, um Ziele \u2013 unter anderem eine h\u00f6here Kundenzufriedenheit \u2013 zu erreichen. Die Technologie ebnet den Weg dorthin: Mehr Daten, M\u00f6glichkeiten zur Datenspeicherung, Rechenleistung, komplexe Algorithmen, fortgeschrittene Analysesoftware, kombiniert mit K\u00fcnstlicher Intelligenz und Machine Learning er\u00f6ffnet eine F\u00fclle neuer Chancen f\u00fcr jedes Unternehmen.<\/p>\n\n\n\n

Auf dem Weg dorthin zeigt sich aber oft eine H\u00fcrde, die auftritt, wenn zwei unterschiedliche Welten aufeinanderprallen.\u00a0 Sowohl bei Business-Entscheidern als auch Datenwissenschaftlern gibt es Wissensl\u00fccken im Hinblick auf die jeweils andere Seite. \u201eWas oft vergessen wird, ist: \u201eBusiness drives IT\u201c. Datenwissenschaftler bringen naturgem\u00e4\u00df einen starken Fokus auf Algorithmen. Wenn der Bezug vernachl\u00e4ssigt wird, endet das oft in `Feature-itis`, der Bezug zum `Why` geht verloren\u201c, erkl\u00e4rt Dr. Kerstin Sch\u00e4fer, Digital Strategist bei Adobe in unserem Interview<\/a>.<\/p>\n\n\n\n

Die Wissensl\u00fccke zu schlie\u00dfen, ist beim Zusammenr\u00fccken weder Ziel noch realistisch, aber schon einige Grundlagen k\u00f6nnen das Verst\u00e4ndnis f\u00fcr die \u201eandere Seite\u201c enorm f\u00f6rdern. Datenwissenschaftler k\u00f6nnen zum Beispiel mehr Verst\u00e4ndnis daf\u00fcr 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 verst\u00e4ndlicher zu vermitteln. Umgekehrt helfen Grundlagen der Datenanalyse bei einem Verst\u00e4ndnis f\u00fcr Daten allgemein und um Methoden, Aufwand und Ergebnisse zu verstehen \u2013 genauer gesagt sich daran zu gew\u00f6hnen, Entscheidungen mit oder auf der Basis von Daten zu f\u00e4llen.<\/p>\n\n\n\n

Tipp #2. Kollaboration f\u00f6rdern<\/strong><\/h3>\n\n\n\n

In der Praxis hilft es, sofort mit gemischten Teams zu starten und zu arbeiten, statt die Teams in ihren Disziplinen zu trennen und dann sp\u00e4ter zusammenzubringen. Ziel ist eher die Zusammenarbeit ab Tag 1 des Projekts oder am Anfang eines agilen Sprints. \u201eAm besten bildet man daher Tandem-Teams aus IT und Business-Stakeholdern. Wie beim Programmieren empfehle ich das Vier-Augen-Prinzip\u201c, so Sch\u00e4fer.<\/p>\n\n\n\n

Digitale Tools wie Dokumente in der Cloud wie Google Docs, Zugriff auf visualisierte Ergebnisse aus der Datenanalyse<\/a>, etwa Torten- und Balkendiagramme und Kommunikationstools wie Slack f\u00f6rdern die Kommunikation. Definierte Prozesse f\u00fcr Abstimmungen, zum Beispiel wann ein Review-Prozess stattfinden soll, f\u00f6rdern den Austausch. \u201eEin falsch gesetztes Komma kann bei Daten gro\u00dfe Auswirkungen haben, viel Wirbel verursachen und zum Beispiel falsche Prognosen nach sich ziehen. Daher ist der st\u00e4ndige Review-Prozess wichtig\u201c, empfiehlt Sch\u00e4fer.<\/p>\n\n\n\n

Tipp #3. Fehler erlauben und lernen<\/strong><\/h3>\n\n\n\n

Die Arbeit mit Daten geht mit einem gewissen Umdenken bis zu einem Kulturwandel im Unternehmen einher, der wichtig f\u00fcr 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. \u201eIn Deutschland werden Fehler oft nur negativ gesehen \u2013 tats\u00e4chlich muss es Raum daf\u00fcr 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-Aktivit\u00e4ten\u201c, erkl\u00e4rt die Datenwissenschaftlerin. Datenbasiert arbeiten bedeutet also auch eine gesunde Fehlerkultur im Unternehmen zu etablieren.<\/p>\n\n\n\n

Tipp #4. Die Grundlagen schaffen<\/strong><\/h3>\n\n\n\n

Zu den eher ungeliebten Aufgaben der Datenwissenschaftler geh\u00f6rt, es sich mit Problemen wie Datensilos oder unsauberen Daten<\/a> besch\u00e4ftigen zu m\u00fcssen. Daher ist es nicht nur f\u00fcr die Business-Entscheider, sondern viele Abteilungen im Unternehmen wichtig, m\u00f6glichst saubere Daten<\/a> zu liefern und sie zu pflegen. Hohe Datenqualit\u00e4t f\u00f6rdert die Arbeit<\/a> der Datenwissenschaftler. Dazu geh\u00f6ren Aufgaben, wie Daten aktuell zu halten, von Redundanzen zu befreien und nicht mehr ben\u00f6tigte Daten regelm\u00e4\u00dfig zu l\u00f6schen. Diese m\u00f6gen im Alltag l\u00e4stig sein, etwa dem Vertrieb wie ein Mehraufwand erscheinen, aber es ist wichtig solche Prozesse zu verankern, um sich sp\u00e4ter die Arbeit zu erleichtern.<\/p>\n\n\n\n

Auch der Umstieg von veralteten Systemen, die problematische Daten erzeugen, ist oft ein wichtiger Schritt hin zu mehr Datenqualit\u00e4t. Der Umstieg bedeutet ebenfalls etwas Mehraufwand, der sich aber sp\u00e4ter auszahlen wird.<\/p>\n\n\n\n

Tipp #5. Den Kunden in den Mittelpunkt stellen<\/strong><\/h3>\n\n\n\n

Bei Analysen und Businessentscheidungen ist es n\u00fctzlich, immer wieder zu erinnern, worum es eigentlich geht: den Kunden<\/a>. 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. \u201eWenn wir Marketing-Ma\u00dfnahmen planen, m\u00fcssen wir auch testen, ob die Kunden sie \u00fcberhaupt ben\u00f6tigen,\u201c empfiehlt Kerstin Sch\u00e4fer und in der Umsetzung einen tiefen Blick in die KPIs (Key Performance Indicators) zu werfen, sowie das Verst\u00e4ndnis f\u00fcr die Customer Journey zu f\u00f6rdern.<\/p>\n\n\n\n

Tipp #6. Datenzentriertes Denken schrittweise f\u00f6rdern<\/strong><\/h3>\n\n\n\n

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 f\u00f6rdern. Das f\u00e4llt oft gerade dann schwer, wenn Daten ungeliebte Wahrheiten zutage bringen \u2013 etwa was in einer Abteilung nicht funktioniert. Dann wird der \u00dcberbringer der schlechten Nachrichten oft mit dem \u00dcbelt\u00e4ter verwechselt. Und auch die F\u00fchrungsebene hat ihre Probleme: \u201eSchwierig ist nicht zuletzt folgender Schritt: Wenn ich anfange, datengetrieben zu arbeiten, ist die \u201eHIPPO\u201c, also Highest Paid Person Opinion, weniger wert als die Daten. Ich muss der Meinung der am besten bezahltesten Leute im Unternehmen Grenzen setzen\u201c, erl\u00e4utert Hartmut K\u00f6nig, CTO Central Europe bei Adobe das Problem in unserem Interview<\/a>. Erfolge mit datengetriebener Arbeit gibt es aber ebenfalls, die wiederum die Akzeptanz f\u00f6rdern. So ist ein schrittweises Vorgehen die beste Erfolgsstrategie.<\/p>\n\n\n

\n\t
\n\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t\t

Interesse an weiteren Tipps & Insights zum Thema Datenbasiert entscheiden?<\/h2>\n\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\t

<\/p>\n

\u2026mit unserem Newsletter 1x im Monat<\/p>\n

<\/p>\n

<\/p>\n