Fünf Vorurteile über Data Analytics

Illustration: Geralt Absmeier

Die Entwicklungen von Big Data, Machine Learning und künstlicher Intelligenz werden 2019 wieder zu einem spannenden Jahr machen. Dank der Zukunftstechnologien gewinnt vor allem die Datenanalyse an Fahrt und Unternehmen werden noch weniger um die effektive Auswertung ihrer Informationen herumkommen. Manch einer tut sich aber schwer mit dieser neuen, tragenden Säule im Geschäftsalltag. IT-Experten sehen sich deshalb intern oft mit Vorurteilen konfrontiert. Da hilft dann eine Pause auf bonus code um mit den Vorurteilen aufzuräumen.

 

Vorurteil eins: »Ich brauche keine Datenanalyse«

Wenn das Thema Data Analytics auf den Tisch kommt, wird nicht selten direkt zu Beginn abgeblockt. »Wir brauchen keine Datenanalyse; bisher hat es ja auch ohne ganz gut geklappt«, ist dabei die Devise, die dem ein oder anderen IT-Experten aus internen Diskussionen bekannt vorkommen könnte. Was bei dieser Argumentation außer Acht gelassen wird, ist die simple Tatsache, dass sich eben auch das Umfeld, in dem das eigene Unternehmen agiert, beträchtlich geändert hat – smarte Unternehmen, die Datenanalyse in ihren Geschäftsalltag integrieren, haben heute einen entscheidenden Vorteil gegenüber ihren Wettbewerbern.

Die Abwehrhaltung gegenüber Data Analytics ist dabei teilweise auch in der Angst vor dem Unbekannten oder zu viel Aufwand begründet. Deshalb hilft es oft, darauf zu verweisen, dass in den verschiedenen Unternehmensabteilungen zum Teil bereits seit Langem die eine oder andere Form der Datenanalyse betrieben wird – denn, wenn man es genau nimmt, ist bereits die Auswertung von Excel-Tabellen eine Form der Datenanalyse. Damit können die internen Skeptiker schnell eingefangen werden und es kann dazu übergegangen werden die bereits vorhandenen Fähigkeiten einfach nur auszubauen und zu verbessern. Als Lohn winken eine bessere sowie validere Grundlage für geschäftsrelevante Entscheidungen.

 

Vorurteil zwei: »Ich muss Statistikgenie und Programmier-Nerd sein, um Data Analytics durchführen zu können«

Ein weiterer Irrglaube ist, dass jeder der Data Analytics beherrscht, ein Statistikgenie oder Programmier-Nerd sein muss. Bei den ersten Generationen der professionellen Datenanalysten war dies zwar noch der Fall, mittlerweile gibt es allerdings viele neue Tools, die die Datenanalyse vereinfachen. Sogenannte Self-Service-Software wie Tableau oder Alteryx richtet sich eben gerade an Mitarbeiter, die keine professionellen Datenexperten sind und ermöglicht ihnen verständliche und vorkonfigurierte Analyse-Workflows für ihre Datenuntersuchungen.

Die Internetgemeinde hat für sie auch schon eine Bezeichnung gefunden: Citizen Data Scientists. Sie unterstützen mit ihrer Arbeit die hochqualifizierten Data Scientists und Data Analysts. Nicht zuletzt deshalb, weil sie durch Self-Service-Software viele Aufgaben jetzt eigenständig bearbeiten können. Hinzu kommt, dass Citizen Data Scientists aus der Perspektive der jeweiligen Fachabteilungen auf die Analyseergebnisse schauen und sie somit gleich angemessen interpretieren sowie umsetzen können – eine Fähigkeit, die den Datenexperten wie Data Scientists und Data Analysts oftmals fehlt, da sie eben nicht den spezifischen fachlichen Hintergrund besitzen.

 

Vorurteil drei: »Ich muss an Elite-Universitäten ausgebildet sein, um Datenanalyse betreiben zu können«

Die Citizen Data Scientists entkräften auch das Vorurteil, dass ein aufwändiges Studium an einer Elite-Universität eine Voraussetzung ist, um Datenexperte zu werden. Denn Citizen Data Scientists sind eben qualifizierte Quereinsteiger – wie übrigens auch die Mehrzahl der Menschen in dieser Berufsgruppe. In Deutschland gab es bis vor kurzem noch keinen gesonderten Studiengang für Data Science. Die Fachexperten hatten sich bislang hauptsächlich durch Fortbildungen und Learning on the job weiterentwickelt. Mittlerweile gibt es zwar eigene Studiengänge an verschiedenen Universitäten in Deutschland, ein Quereinstieg ist aber weiterhin möglich – zum Beispiel durch E-Learning-Plattformen wie Udacity, die eigene Nanodegrees anbieten.

Für Unternehmen zahlt sich die Investition in ihre Mitarbeiter auch langfristig aus, weil sie so nicht extern nach Dienstleistern oder neuen Mitarbeitern schauen müssen, sondern das bereits vorhandene Personal neue Fähigkeiten erlernen lassen. Schon allein deswegen ist es sinnvoll, dass beide hier auch an einem Strang ziehen und Unternehmen ihre Mitarbeiter bei der Fortbildung unterstützen.

 

Vorurteil vier: »Ich muss riesige Datenmengen haben, um sie zu analysieren«

Ein weiteres Vorurteil ist, dass riesige Datenmengen vorhanden sein müssen, um überhaupt Datenanalyse zu betreiben. Diese nicht zur Verfügung zu haben, heißt nicht automatisch, dass keine Analysen durchgeführt werden können. Denn selbst bei großen Datenmengen ist es ratsam, besondere Aufmerksamkeit auf die Qualität der Datensätze zu richten. Für spezielle Analysen sind bestimmte Daten notwendig und diese können Unternehmen auch gezielt sammeln.

Wir sehen häufig, dass Unternehmen schon bei mittlerem Aufkommen von Datenmassen Probleme haben, diese ordentlich zu kategorisieren und zu nutzen. Was passiert, ist, dass sie mehr und mehr Speicherplatz für Daten benötigen, die sie vermutlich nie brauchen. Deswegen sollte von Anfang an ein passender Prozess aufgesetzt und schon bei »Small Data« effektiv gearbeitet werden.

Stefan Jähnichen, Leiter der Smart-Data-Begleitforschung am Forschungszentrum für Informatik am Karlsruher Institut für Technologie, definiert Smart Data in diesem Zusammenhang als Zusammenwirken von »Big Data + Nutzen + Semantik + Datenqualität + Sicherheit + Datenschutz = nutzbringende hochwertige und abgesicherte Daten«. Deshalb muss die Devise eigentlich heißen: »Klasse statt Masse«.

 

Vorurteil fünf: »Ich verschwende zu viel Zeit mit Analysen, weil sie aufwändig sind«

Da Zeit bekanntlich Geld ist, schrecken einige Entscheider im Unternehmen vor der Einführung systematischer Datenanalyse mit dem Argument zurück, dass zu viel Zeit hierbei verschwendet werden würde. Natürlich muss – besonders zu Beginn – Zeit in die Integration und die ersten Schritte investiert werden. Aber es ist eben ein Investment, was sich zeitnah auszahlt und gleichzeitig auch die Zukunftsfähigkeit des Unternehmens unterstützt.

Bereits ein einzelner Mitarbeiter, der Datenanalyse betreibt, kann einem Unternehmen so dabei helfen, Zeit und Geld zu sparen. Denn die vielfältigen Softwareanwendungen ermöglichen es bereits heute, viele Untersuchungen relativ unkompliziert zu automatisieren. Unternehmen können so bei zu großer Skepsis zunächst mit einem einzigen Experten beginnen, der passende Tools zum Auswerten von Daten bereitgestellt bekommt. Langsam und stetig kann so eine Datenanalyseabteilung aufgebaut und Prozesse effizient aufgesetzt werden. Ganz davon abgesehen helfen die Erkenntnisse der Datenanalyse dabei, im Geschäftsfeld weitere Optimierungspotenziale zu erkennen und anzugehen.

 

Wie man es auch dreht und wendet: An Datenanalyse führt kein Weg mehr vorbei. Egal ob es um die Optimierung von Warenströmen, um die Verbesserung der Beziehung zu Kunden und Partnern oder um die perfekte Ressourcenverteilung geht: Daten helfen die richtige Entscheidung zu treffen. Andernfalls bleiben Vorhaben immer eine recht vage Bauchentscheidung. Oder um es in den Worten des bekannten Physikers und Statistikers William Edwards Deming zu sagen: »Ohne Daten sind Sie nur eine weitere Person mit einer Meinung.«

 

Tom Becker, General Manager Central and Eastern Europe bei Alteryx

 

Tom Becker ist General Manager Central & Eastern Europe bei Alteryx und für den Aufbau der Organisation verantwortlich. Er verfügt über eine langjährige Erfahrung im Softwaregeschäft, u.a. bei der Seeburger AG und QlikTech GmbH. Vor seiner Tätigkeit bei Alteryx war er für den Auf- und Ausbau des Deutschlandgeschäfts bei QlikTech verantwortlich. Als Autor und Redner beschäftigt er sich mit der Analyse von Daten und den Auswirkungen der Digitalisierung. Neben seiner Haupttätigkeit hält er Vorträge und Workshops u.a. an den Universitäten von Bremen, Nürnberg und Berlin.
Becker schloss sein Studium an der Universität Nürnberg-Erlangen mit einem Master of Business Administration (MBA) ab. Er lebt und arbeitet in München.

 

»Data Analytics«-Markt: Machine Learning – Preise sinken, die Produktreife steigt

Data Analytics in der Praxis – 7 Beispiele für erfolgreiche BI- und Big-Data-Projekte

Big Data Analytics – Aus Rohdaten wird Gewinn

Big Data und Data Analytics: Schritt für Schritt zur eigenen Infrastruktur

Data Analytics wird in den kommenden fünf Jahren zum kritischen Faktor für die Industrie

Weitere Artikel zu