{"id":9205,"date":"2021-05-17T12:12:15","date_gmt":"2021-05-17T10:12:15","guid":{"rendered":"https:\/\/www.sage.com\/de-de\/blog\/?p=9205"},"modified":"2026-01-22T14:59:31","modified_gmt":"2026-01-22T13:59:31","slug":"interview-mit-dr-kerstin-schaefer-von-adobe-ueber-datenaufbereitung","status":"publish","type":"post","link":"https:\/\/www.sage.com\/de-de\/blog\/interview-mit-dr-kerstin-schaefer-von-adobe-ueber-datenaufbereitung\/","title":{"rendered":"Interview mit Dr. Kerstin Sch\u00e4fer von Adobe \u00fcber Datenaufbereitung"},"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\tInterview mit Dr. Kerstin Sch\u00e4fer von Adobe \u00fcber Datenaufbereitung\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<\/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 Dold<\/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\n\n

Datenaufbereitung ist ein anspruchsvoller Prozess, der Unternehmen vor neue Herausforderungen stellt, wie wir im Interview mit Hartmut K\u00f6nig<\/a> von Adobe schon beleuchtet haben.<\/p>\n\n\n\n

\u201eBusiness drives IT \u2013 ich empfehle, in Tandem-Teams zu arbeiten.\u201c<\/strong><\/h3>\n\n\n\n

Im einem weiteren Experteninterview blicken wir tiefer in den Prozess der Datenaufbereitung und sprechen dazu mit Dr. Kerstin Sch\u00e4fer, die seit f\u00fcnf Jahren bei Adobe als Digital Strategist t\u00e4tig ist und Kunden bei Fragestellungen rund um den Einsatz der Software Adobe Experience Platform ber\u00e4t.<\/p>\n\n\n\n

Frau Dr. Sch\u00e4fer, welche unterschiedlichen T\u00e4tigkeiten gibt es innerhalb der Datenaufbereitung?<\/strong><\/h3>\n\n\n\n

Eigentlich gibt es drei gro\u00dfe Bereiche: Die Business-Stakeholder definieren zun\u00e4chst eine Notwendigkeit. Das schr\u00e4nkt schon ein, welche Daten verwendet werden. Die zweite Position ist der klassische Data Engineer, der die Daten sammelt und aufbereitet.  Hieran tr\u00e4gt auch der Data Analyst seinen Anteil. Bei uns hei\u00dfen die Rollen etwas anders. Ich bin als Data Strategist vorgelagert und entscheide zusammen mit dem Data-Architekten auf Basis der Daten, die von Kunden kommen, welche Daten wir f\u00fcr die entsprechenden Use Cases und die zugeh\u00f6rigen Analysen brauchen. Dann erst setzt der Data Engineer an, um die Daten in ein Format zu bringen.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

<\/p>\n\n\n\n

Vorab gibt es immer ein Screening. Dabei wird gekl\u00e4rt, welche Daten wir ben\u00f6tigen. Im Marketing sind das klassisch CRM-Daten und Transaktionsdaten \u2013 das ist die alte Welt. Dazu kommt die neue Welt mit Verhaltens- und Einstellungsdaten \u2013 zum Beispiel wie stehe ich einer Brand gegen\u00fcber? Die Kombination dieser Welten ist sehr komplex. Vor allem, wenn es nicht nur um Bestandskunden, sondern um Prospects, also k\u00fcnftige Neukunden, geht. Eine der Hauptaufgaben ist es f\u00fcr uns, ein Datenhaus aufzubereiten. Dazu geh\u00f6rt ein Verst\u00e4ndnis f\u00fcr die Grundlagen: Was ist die Foundation, wo kommen wir her und wo wollen wir hin? Welche Daten brauchen wir, um Erfolge messen zu k\u00f6nnen?<\/p>\n\n\n\n

Sollte man auf eine T\u00e4tigkeit mehr Fokus legen wie auf eine andere?<\/strong><\/h3>\n\n\n\n

Was oft vergessen wird, ist: \u201eBusiness drives IT\u201c. Data Scientists haben oft einen sehr starken Fokus auf Algorithmen. Wenn der Bezug vernachl\u00e4ssigt wird, endet das oft in \u201eFeature-itis\u201c, der Bezug zum \u201eWhy\u201c geht verloren. Schon in den 80ern gab es den Ansatz, im Data Mining ein m\u00f6glichst simples Modell zu schaffen \u2013 und das ist eigentlich das Gegenteil. Wenn man im Marketing mit sehr vielen Kundendaten arbeitet, kann man mit einem ganz einfachen Modell \u2013 einer Korrelationsanalyse \u2013 wahnsinnig gro\u00dfen Impact erzeugen, etwa f\u00fcr zusammen besuchte Seiten und Produkte. Dahinter steckt eine simple statistische Analyse.<\/p>\n\n\n\n

Daher w\u00e4re meine Empfehlung an Unternehmen, Personen zu finden, die Engineering-Erfahrung haben und den Business-Kontext verstehen. Die Welt der Data Scientists darf nicht losgel\u00f6st von den Business-Stakeholdern in der IT sitzen. Die Marketing-, HR- und Logistik-Abteilungen sprechen eine andere Sprache und haben andere Probleme. Dazwischen muss jemand \u00fcbersetzen.<\/p>\n\n\n\n

Wie sieht ein effektiver Datenaufbereitungsprozess aus? Zu welchem Zeitpunkt muss das Business eingebunden werden?<\/strong><\/h3>\n\n\n\n

Wir betreiben agiles, datengetriebenes Marketing. Es gibt keine Wasserfall-Projekte mehr, sondern viel Kommunikation und schnelle 2-Wochen-Sprints. Am besten bildet man daher Tandem-Teams aus IT und Business-Stakeholdern. Wie beim Programmieren empfehle ich das Vier-Augen-Prinzip. Ein 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\u00e4ndiger Review-Prozess wichtig.<\/p>\n\n\n\n

So geht es im Team iterativ nach dem Prinzip \u201eTest & Learn\u201c voran. In 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.<\/p>\n\n\n\n

Angenommen man startet bei null: was w\u00e4ren die einzelnen Schritte, um einen Datenaufbereitungsprozess im Unternehmen zu etablieren?<\/strong><\/h3>\n\n\n\n

Der erste Schritt ist, eine datengetriebene Erfolgsmessung aufzusetzen. Ein KPI-Framework liefert eine Dreiecksstruktur. Dabei werden die Top-KPIs wie \u201egrow revenue\u201c und \u201ereduce cost\u201c auf die einzelnen Abteilungen heruntergebrochen. Nachher kann man den Erfolg messen, indem man zum Beispiel eine E-Mail-Kampagne an alle abschickt, die ein Produkt im Warenkorb vergessen haben. Damit wei\u00df ich: Was hat das gebracht? Was hat es gekostet, diese Kampagne zu bauen? Und auch: Wann ist der beste Zeitpunkt, eine solche E-Mail abzuschicken? Hilft dabei eine Personalisierung? Die KPI-Erfolgsmessung liefert gute Erkenntnisse dar\u00fcber, welche Daten ich \u00fcberhaupt ben\u00f6tige.<\/p>\n\n\n\n

Zweitens ist das Verst\u00e4ndnis f\u00fcr die Kunden wichtig \u2013 und ihre Customer Journey. Dabei geht es um Kundenzentrierung. Wenn wir Marketing-Ma\u00dfnahmen planen, m\u00fcssen wir auch testen, ob die Kunden sie \u00fcberhaupt ben\u00f6tigen. Nach einem Mapping der n\u00f6tigen Datenquellen kommt dann eigentlich erst der Schritt, in dem wir uns mit den Daten besch\u00e4ftigen. Dabei stellt sich immer die Frage: Wie reif sind wir in diesem Kontext? Der Weg zum datengetriebenen Unternehmen geht nicht von null auf hundert. Wichtig ist zu wissen, wen man daf\u00fcr braucht, welche Skills n\u00f6tig sind und ob das Unternehmen dabei mitziehen kann. Der Schritt zur datengest\u00fctzten Entscheidungsfindung<\/a> muss auch im Unternehmen etabliert sein. Da ich immer zwischen allen St\u00fchlen sitze, sehe ich den Prozess eher ganzheitlich.<\/p>\n\n\n\n

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

#STAYFORACOFFEE: Die Experten-Talks von Sage<\/h2>\n\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\t

<\/p>\n

Erfahren Sie in nur 45 Minuten<\/span> alles \u00fcber Themen die Unternehmer bewegen.
Nehmen sie an unseren kostenfreien <\/em>Webinaren<\/span> teil:<\/p>\n

<\/p>\n

<\/p>\n