Trenne dich von diesem Gedanken; dass ist (derzeit) schlicht und einfach falsch. Sogar ein lernender Algorithmus braucht einen Menschen, der die gelieferten Ergebnisse bewertet. Es kann sich also niemand nur auf das bloße Anwenden eines Algorithmus verlassen. Vielmehr sollten Datenanalysen jeder Art zur Unterstützung und Validierung der eigentlichen Arbeit genutzt werden. – Hä? Okay, in anderen Worten: Nur wenn ich vorne was Vernünftiges reinstecke, bekomme ich hinten was Gutes raus. Und nur wenn ich damit umgehen kann, kann ich Nutzen erzielen.

Istsituation (in vielen kleinen und mittelständisch geprägten Unternehmen)

Wir sammeln einfach jede Menge Daten, werten sie aus und schon haben wir neue Erkenntnisse gewonnen. So – oder so ähnlich – ist (wohl) die verbreitetste Vorstellung beim Thema Datenanalysen und Big Data in deutschen Unternehmen. Warum das so nicht funktionieren kann und dass Fallen im Umgang mit Big Data lauern, dafür gibt es einige gute Gründe:

Es ist nicht von der Hand zu weisen, dass das Analysieren von Daten, und das, was als Big Data verstanden wird, immer stärker Teil des täglichen Wirtschaftslebens, der täglichen Arbeit des Einzelnen sein wird. Es wird aber nicht nur Analysten geben, die mit dieser Tatsache konfrontiert werden. Genauso müssen auch Geschäftsführer, Führungskräfte, das mittlere Management, aber auch „Maria Mustermann“ und „Karl Kleinlich“ mit Daten umgehen können. Sie müssen in Zukunft datengestützte Studien durchführen oder Analysen „anstoßen“ und auf Basis dieser Ergebnisse Produkte und Dienstleistungen entwickeln, Entscheidungen treffen – oder eben nicht.

Warum?

Das Problem: Da solche Anforderungen bislang noch nicht oder kaum an die Mitarbeiter gestellt wurden, ist es für sie eine große Herausforderung zu lernen, wie sie mit Daten umgehen. Und genau bei diesem Punkt fangen auch die Probleme an, die beim Umgang mit Daten, Analysen und der Interpretation entstehen können.

Die Herausforderung für Unternehmen – und damit meine ich schon kleine Unternehmen mit 10, 20 oder 50 Mitarbeitern – besteht darin, neben den „Analysten“ deutlich mehr Mitarbeiter für das Thema zu qualifizieren, wenn sie einen sinn- und mehrwertstiftenden Nutzen für das Unternehmen erzielen wollen. Oder sie müssen sich gewahr sein, dass sie diese Kompetenzen einkaufen müssen.

Wie?

Zunächst muss dazu einmal die Bereitschaft zum Erlernen dieser Fähigkeiten existieren. Aus eigener Erfahrung kann ich berichten, dass das verdammt schwer ist. So haben wir zum Beispiel bei uns in der Firma eine Datenanalystin, eine studierte Mathematikerin, die über 12 Monate gebraucht hat, um zu verstehen, dass es für manche Menschen – nein, dass es für die VIELZAHL der Menschen – einfacher ist, große Mengen an Daten oder Zeitreihen in Form von Grafiken zu verstehen und zu interpretieren. Auf der anderen Seite der Skala gibt es dann studierte Betriebswirte, die weder Zahlen noch Grafiken verstehen, interpretieren oder erklären können.

Ist dies der Fall, so werden auch die aufwändigsten Verfahren zur Datenanalyse keinen Nutzen bringen. Es werden vor dem Start der Analysen die „falschen“ Fragen gestellt und nach Durchführung wird falsch interpretiert.

In einem weiteren Schritt gilt es, ein Qualifizierungsprogramm aufzulegen und jede Mitarbeiterrolle entsprechend zu entwickeln. Verstehe mich nicht falsch: Es geht nicht darum, aus der Sekretärin eine Datenanalystin zu machen; es geht auch nicht darum, aus dem Feldtechniker einen Experten für angewandte Mathematik zu machen. Es geht darum, diese Mitarbeiter in die Lage zu versetzen, Informationen in Einsichten zu übertragen und diese Einsichten in Erkenntnisse. Und auf dieser Basis dann bessere Ergebnisse abzuliefern. Hierfür wird ein grundlegendes Verständnis benötigt, bzw. es muss in Zukunft ein grundlegendes Verständnis gefordert werden.

War‘s das?

Okay: Qualifizierte Mitarbeiter sind wichtig. Bekomme ich das in meinem Unternehmen nicht auf die Kette, so muss ich die Kompetenzen halt extern einkaufen.

Neben qualifizierten Ressourcen kommt es aber auch vor allem auch auf die Qualität von Daten an. Es bringt nichts, wie wild Daten zu sammeln, irgendwelche vermeintlichen Zusammenhänge darzustellen oder mal einige Ableitungen zu treffen. Letztlich bringen unüberlegt gesammelte Daten keine verwertbaren Ergebnisse. Das kann daran liegen, dass Daten mehrfach, unvollständig oder sogar falsch erhoben werden.

Ausgangslage aller Aktivitäten sollte sein: Was ist das Ziel und in welcher Verbindung können Daten und Algorithmen hilfreich sein, dieses Ziel zu erreichen?

Du bist nicht der Meinung? Gerne laden wir dich hier auf Denkhandwerker zum Diskutieren ein. Steig mit uns in Diskussion ein – oder, noch besser: Schreibe in einem kurzen Artikel deine Meinung, erstelle ein kurzes Video und schicke es uns. denkhandwerker@avispador.de

Mabelle Franke
Themen die sich mit Datenanalyse und Computerverfahren aller Art beschäftigen, sind Mabelle's Steckenpferd. Fundierte Kenntnisse in diesem Bereich gewinnt Mabelle überwiegend im Studium der Mathematik. Den Bachelorabschluss hat sie seit Mitte 2015 in der Tasche und arbeitet nun am Masterabschluss.