Leitfaden fuer datengesteuerte Entscheidungsfindung- Prozess, Tipps und Vorteile Die

Big Data ist vielleicht das groesste Schlagwort des letzten Jahrzehnts, und das aus gutem Grund. Daten sind von zentraler Bedeutung fuer die Art und Weise, wie Unternehmen heute operieren, so dass laut International Data Corporation die Ausgaben fuer Daten und Analysen bis 2022 voraussichtlich 274,3 Milliarden US-Dollar erreichen werden.

Vieles davon hat damit zu tun, wie einfach es geworden ist, digitale Informationen zu sammeln und zu verwertbaren Business Intelligence zu nutzen. Dies wiederum hat dazu beigetragen, eine Veraenderung des Denkens unter Fuehrungskraeften zu foerdern, von denen viele von einfach auf Intuition angewiesen sind, bis hin zu datengestuetzten Entscheidungsprozessen.

Datengesteuerte Entscheidungsfindung erklaert

data driven decision making explained 1597347479 9428

Waehrend Intuition in bestimmten Situationen nuetzlich sein kann, waere es toericht, alle Geschaeftsentscheidungen allein auf Instinkt zu stuetzen. Schliesslich kann das Bauchgefuehl nicht aufgezeichnet, verifiziert und quantifiziert werden. Dafuer benoetigen Unternehmen Datenanalysen.

Data Driven Decision Making (DDDM) ist im Wesentlichen der Prozess, Geschaeftsentscheidungen auf der Grundlage tatsaechlich quantifizierbarer Daten zu treffen, anstatt allein auf Ratenraten. Es kommt auf den Fersen der Entstehung von Datenanalysetechnologien, die Business Intelligence fuer Nicht-Datenanalysten zugaenglicher gemacht haben.

Dieser Trend, bekannt als Datendemokratisierung, hat Unternehmen mehr Moeglichkeiten eroeffnet, Informationen aus ihren Aktivitaeten zu sammeln, von Inventar und Beschaffung bis hin zu Kundendienst und Vertrieb unter vielen anderen Abteilungen. Noch wichtiger ist, dass Unternehmen diese Daten nutzen koennen, um Geschaeftsentscheidungen zu treffen, ohne dass umfangreiche IT-Support und Infrastruktur erforderlich sind.

DDDM umfasst in der Regel die folgenden Aktivitaeten-

  • Erfassung von Daten auf Basis von Kennzahlen und Kennzahlen (Key Performance Indicators, KPIs)
  • Identifizieren und Analysieren von Mustern aus den Daten
  • Verwenden der Erkenntnisse zur Entwicklung von Strategien und Aktivitaeten zur Verbesserung des Geschaeftsbetriebs und zur Erreichung von Geschaeftsablaeufen
Ziele
DDDM sieht nicht nur gut aus auf dem Papier, sondern erzeugt auch Ergebnisse. Eine PwC-Umfrage unter mehr als 1.000 leitenden Fuehrungskraeften ergab, dass hochgradig datengetriebene Organisationen bei der Entscheidungsfindung dreimal haeufiger sind als diejenigen, die ihre Daten nicht nutzen wollten.

5 Schritte fuer datengesteuerte Entscheidungen

basic steps for making data driven decisions 1597347479 5681

Obwohl es keine einzige akzeptierte Methodik fuer datenbasierte Entscheidungen gibt, folgen die meisten Unternehmen diese Schritte bei der Nutzung von Business Intelligence.

1. Ziele fuer Datenanalyse festlegen

Ein effektiver Datenanalytiker ist jemand, der das Unternehmen und seine uebergeordneten Geschaeftsziele versteht. Stellen Sie zunaechst Fragen wie-

  • Was sind die dringendsten Probleme, die in der Branche einzigartig sind? Zur Organisation?
  • Welche Herausforderungen stellt sich das Unternehmen regelmaessig?
  • Was sind die wichtigsten Geschaeftsziele des Unternehmens?
  • Wie kann die Datenerfassung und -analyse dem Unternehmen dabei helfen, diese Ziele zu erreichen?
Wenn Sie
die Antworten auf diese Fragen kennen, entsteht ein grundlegendes Wissen, das dem Unternehmen hilft, die Beziehung zwischen Daten und seinen Geschaeftszielen zu verstehen. Darueber hinaus ermoeglicht es der Organisation, ihre Datenerfassungsmethoden zu optimieren und Zeit- und Ressourcenverschwendung zu vermeiden.

2. Datenquellen auflisten

Als Naechstes geben Sie die Quellen an, aus denen das Unternehmen Daten sammelt. Dies kann alles von bestehenden Datenbanken (z.B. Inventar, Lieferanten, Newsletter-Abonnenten) bis hin zu Feedback-Formularen von Verbrauchern umfassen.

Unternehmen muessen ihre Datenquellen koordinieren, indem sie Gemeinsamkeiten zwischen Variablen verschiedener Datasets finden. Natuerlich ist dies einfacher gesagt als getan, da es viel zweckmaessiger ist, Daten fuer ihre aktuellen Zwecke zu verwenden. Derselbe Datensatz koennte in Zukunft jedoch fuer andere Projekte verwendet werden.

Beispielsweise kann ein Unternehmen mit einer ungewoehnlich hohen Rate von Mitarbeitern, die innerhalb eines Jahres nach dem Onboarding zuruecktreten, daraus schliessen, dass etwas in seinen Management- und Supervisor-Teams nicht stimmt. Derselbe Datensatz kann aber auch verwendet werden, um die Rekrutierungspraktiken des Unternehmens zu verbessern, vielleicht durch Verbesserung der Stellenbeschreibungen, um Erwartungen besser zu verwalten.

3. Bereinigen der Daten

Das Aufkommen von Datenanalysen hat es einfacher denn je gemacht, riesige Datenmengen zu sammeln. Aber das ist nur der erste Schritt. Die naechste Huerde besteht darin, diese Daten fuer die Analyse zu bereinigen und zu organisieren.

Laut IBM kann die Organisation von Daten leicht 80% der Zeit eines Datenanalysten in Anspruch nehmen, wobei nur 20% fuer die tatsaechliche Analyse aufgewendet werden - ein Problem, das als 80/20-Regel bezeichnet wird. Dies unterstreicht die Bedeutung sauberer und organisierter Daten, bevor versucht wird, ihre Bedeutung fuer das Unternehmen zu interpretieren.

Eine zuverlaessige Datenanalyseplattform wird daran kurz arbeiten. Aber die Datenreinigung kann auch manuell in einem Tabellenkalkulationsprogramm durchgefuehrt werden. Sobald Datensaetze in Tabellen organisiert und katalogisiert wurden, erstellen Sie einfach ein Datenwoerterbuch - ein Repository von Informationen wie die Bedeutung von Daten, die Beziehung zwischen Datensaetzen, den Ursprung von Zahlen und Datenformaten.

basic steps for making data driven decisions 1597347480 7166

4.

Nach der Bereinigung und Organisation der Daten koennen die Datenanalysten des Unternehmens mit der Erstellung statistischer Modelle beginnen, um die Genauigkeit der Daten zu testen und Hypothesen zu bestaetigen, die in den frueheren Phasen des Datenerfassungsprozesses identifiziert wurden. Beispiele fuer statistische Modelle sind Entscheidungsbaeume, Regressionen und zufaellige Waldmodellierung.

Unabhaengig davon, welches Modell verwendet wird, muessen die Datenanalysten entscheiden, wie die Informationen den wichtigsten Stakeholdern der Organisation am besten praesentiert werden. Dies kann auf eine oder mehrere der folgenden Arten erfolgen-

  • Beschreibende Praesentation, die quantifizierbare Fakten bietet
  • Inferentielle Praesentation, die eine kontextbezogene Interpretation der Fakten innerhalb eines bestimmten Projekts bietet
  • Vorhersagepraesentation, wo weitere Massnahmen empfohlen werden auf der Grundlage der Interpretation der Ergebnisse

5. Schlussfolgerungen

Abschliessend endet der DDDM-Prozess mit einer Schlussfolgerung, die auf der Analyse der Daten basiert. Um es einfach auszudruecken, geht es darum, die Frage zu stellen- Was haben wir aus der Sammlung und Analyse von Daten gelernt?

Entgegen der landlaeufigen Meinung muss die Schlussfolgerung nicht die Entdeckung von etwas Neues sein. Es kann auch bestaetigen, was das Unternehmen bereits kennt oder vermutet hat. Zum Beispiel bemerkt ein Einzelhandelsgeschaeft, dass sein Bestand in den Ferien - November und Dezember - tendenziell auslaeuft. Bevor jedoch Aenderungen am Bestand vorgenommen werden, entscheidet es sich, historische Bestandsdaten zu betrachten, um festzustellen, ob diese Hypothese wahr ist oder nicht.

Es ist auch wichtig, sich daran zu erinnern, dass Ergebnisse und Schlussfolgerungen nur dann nuetzlich sind, wenn sie effektiv praesentiert werden. Dies bedeutet, dass Datenanalysten auch in der Erstellung von Narrativen durch Techniken wie Datenvisualisierung qualifiziert sein muessen.

Allgemeine Richtlinien fuer datengesteuerte Entscheidungsfindung

general guidelines for data driven decision making 1597347480 2735

Trotz des hohen Interesses an Technologie und Services fuer Datenanalysen besteht eine Trennung zwischen der Menge, die Unternehmen fuer ihre Datenanalysefunktionen ausgeben und wie effektiv sie Daten in ihrem Unternehmen nutzen. Laut einer Umfrage von 64 Fuehrungskraeften der C-Ebene gaben nur 72% an, dass sie in der Lage sind, eine datengesteuerte Kultur in ihren jeweiligen Organisationen zu pflegen.

Diese Trennung ergibt sich oft aus einem grundlegenden Missverstaendnis dessen, was es bedeutet, eine datengetriebene Organisation zu sein. Es geht nicht nur um Technologie und Qualitaetsdaten, sondern auch darum, die richtige Kultur und interne Prozesse zu haben, um datengestuetzte Entscheidungen zu treffen.

Die folgenden Richtlinien sollen Unternehmen dabei helfen, bei DDDM effektiver zu werden.

1. Check Persoenliche Vorurteile

Jeder hat seine Vorurteile, die es schwierig machen koennen, vollstaendig objektiv zu sein, wenn datengetriebene Entscheidungen getroffen werden. Wie das Swort sagt, Menschen sehen, was sie sehen wollen. Gluecklicherweise gibt es Moeglichkeiten, um zu verhindern, dass Bias Datenanalyse und DDDM kontaminieren.

  • Erkennen Sie die Herausforderung der Voreingenommenheit. Nur bewusst zu sein, dass Vorspannung existiert, ist ein langer Weg, um seine Auswirkungen zu reduzieren.
  • Arbeiten in Teams. Dadurch wird sichergestellt, dass sich Datenanalysten gegenseitig im Schach halten koennen.
  • Suchen Sie nach widerspruechlichen Daten und stellen Sie die richtigen Fragen, um Annahmen und erste Ergebnisse zu testen.

2. Beginnen Sie das Sammeln von Daten so bald wie moeglichDie

Datenerfassung muss an dem Tag stattfinden, an dem sich das Unternehmen entscheidet, datenorientierter zu sein. Es muss eine bewusste Anstrengung geben, nicht nur Informationen zu sammeln und zu protokollieren, sondern auch ein System zur Reinigung und Organisation der Datenmengen zu schaffen, die das Unternehmen sammeln wird.

3. Stellen Sie die richtigen

Fragen, um die richtigen Fragen zur Datenanalyse zu stellen, hilft dem Team, sich auf relevante Daten zu konzentrieren, um zu verhindern, dass sie Kaninchenloecher hinuntergehen und Leads verfolgen, die nirgendwo hingehen.

Dies geht auf die Ziele des Datenanalyse-Teams zurueck. Was genau will das Team aus den Daten lernen? Welche KPIs werden verwendet, um Variablen zu messen? Woher kommen die Daten? Dies sind nur einige der vielen Fragen, die Datenanalysten stellen sollten.

general guidelines for data driven decision making 1597347480 5971

4. Suchen Sie nach Daten, um diese Fragen zu beantworten

Als naechstes finden Sie die Daten, um die in der vorherigen Phase identifizierten Fragen zu beantworten. Bestimmen Sie, ob diese Daten bereits zuvor erfasst wurden oder ob neue Mechanismen eingerichtet werden muessen, um sie zu erfassen (intern und extern).

5. Zoegern Sie nicht,

Datenanalyse-Teams erneut zu besuchen und neu zu analysieren, sollten keine Angst haben, zurueckzutreten und ihre Interpretation der Daten zu ueberdenken. Aenderungen sind gebunden, aber Analysten sollten sie als Fehler sehen. Vielmehr sollten diese Momente als Moeglichkeiten genutzt werden, ihre Datenanalysepraktiken zu lernen und zu verbessern. Wenn Sie verstehen, wo die Analyse schief gelaufen ist und Dinge sofort korrigieren, werden genauere Ergebnisse liefern.

6. Daten aussagekraeftig praesentieren

Die Ergebnisse aus der Analyse von Geschaeftsdaten koennen nur dann nuetzlich sein, wenn sie sinnvoll dargestellt werden. Mithilfe von Softwaretools koennen Datenanalyseteams ein benutzerdefiniertes Dashboard erstellen, das eine aktuelle Datengeschichte erzaehlt und das Unternehmen dabei unterstuetzt, effektive datengestuetzte Entscheidungen zu treffen.

Ein Dashboard zur Umsatzprognose bietet beispielsweise einen uebersichtlichen Ueberblick ueber die wichtigsten Finanzkennzahlen des Unternehmens, wie Umsatz, Betriebskosten, Nettogewinnmarge und erwartete Gewinne.

7. Messbare Entscheidungsziele festlegen

In diesem Stadium ist es an der Zeit, Geschaeftsentscheidungen zu treffen. Es ist jedoch wichtig, sich daran zu erinnern, dass alle datengestuetzten Entscheidungen aus der Analyse mit der allgemeinen Geschaeftsstrategie und den Zielen des Unternehmens abgestimmt werden sollten. Es ist unerlaesslich, dass Datenanalysten messbare Ziele setzen, um sicherzustellen, dass sie auf dem richtigen Weg sind.

Vorteile eines datengesteuerten Unternehmens

benefits of being a data driven business 1597347480 2710

Obwohl datengesteuerte Entscheidungsfindung eine komplexe Disziplin mit mehreren Vorteilen ist, sind die drei ueberzeugendsten Vorteile-

  • Zuversichtlich Entscheidungsfindung - Die Verwendung von Daten zur Fuehrung der Entscheidungsprozesse des Unternehmens fuehrt zu objektivere Entscheidungen, die unter bestimmten Bedingungen ueberprueft, getestet und sogar repliziert werden koennen.
  • Kosteneinsparungen - Laut einer Umfrage von Harvard Business Review konnten 49% der Organisationen , die Datenprojekte eingeleitet haben, um die Betriebskosten zu senken, positive Ergebnisse erzielen.
  • Proaktive Entscheidungsfindung - Mit genuegend Zeit und Praxis lernen Unternehmen, die datengetriebene Entscheidungen treffen, ihre Analyse proaktiver zu nutzen, z. B. indem sie die Nachfrage prognostizieren oder die Produktmarktanpassung von Produkten bestimmen, die sich noch in der Entwicklung befinden.

Natuerlich beruht die Faehigkeit eines Unternehmens, datengesteuerte Geschaeftsentscheidungen zu treffen, auf der Annahme, dass es mit genauen Daten arbeitet.

Datenverwaltungsmethoden wie Datenintegration (DI) bewaeltigen diese Herausforderung, indem quantifizierbare Informationen, die sich in mehreren Quellen befinden, in einem Dataset konsolidiert werden, das eine Echtzeitansicht der Geschaeftsleistung bietet. Die Integration von kuenstlicher Intelligenz und maschinellem Lernen in DI-Systeme verbessert ihre Faehigkeit, genaue und vollstaendige Datenwerte und Metadaten zu speichern.

Schliesslich muss eine datengetriebene Organisation ihre datengesteuerten Entscheidungen staendig ueberpruefen, hinterfragen und neu analysieren. Unternehmen muessen moeglicherweise auch ihre Geschaeftsziele in Abhaengigkeit von ihren Umstaenden und ihrer Landschaft aendern, was wiederum bedeutet, einen neuen Ansatz fuer die Datenanalyse zu verwenden.

SCHEDULE A DEMO