Daten sind nicht das höchste Gut der Digitalisierung. Die Wahrheit ist, Daten sind nichts mehr wert ohne Datenkompetenz

Daten sind nicht das höchste Gut der Digitalisierung. Die Wahrheit ist, Daten sind nichts mehr wert ohne Datenkompetenz

Alle sprechen über Daten. Daten sind die neue Währung, Daten entscheiden über Erfolg oder Misserfolg, wer Daten hat, hat schon gewonnen. Bei Aussagen wie diesen drängt sich mir immer wieder derselbe Gedanke auf: Wie zum Teufel kommt es zu der Vorstellung, dass das Anhäufen von Daten an sich schon eine Leistung wäre? Als würde das irgendwem in unserer durchdigitalisierten Zeit nicht gelingen. Nein, Daten haben wir alle – zuhauf. Und trotzdem kommen die meisten in ihrer Wertschöpfung aus Daten keinen Meter voran. Das liegt daran, dass Daten selbst nicht der Schlüssel sind – Datenkompetenz ist, worum es wirklich geht.

Daten sind natürliches Produkt der Digitalisierung

Digitalisierung bedeutet Aufbauen auf bzw. Umgehen mit Daten. Daten werden durch Systeme geschleust und weiterverarbeitet, es wird gemessen, getrackt, erfasst, gespeichert, Dinge werden berechnet, Ergebnisse produziert. In Form von? Exakt, Daten. Schon ein einziger digitaler Prozess bringt die Datenflut ungefragt mit sich – da könnte man sich krumm machen noch und nöcher, Daten sind nicht mehr wegzukriegen. Andersrum formuliert: Wer keine Daten hat, macht etwas grundsätzlich falsch – oder ist bewusst auf ganz anderem Kurs unterwegs, z.B. mit einem Bauchladen auf dem Wochenmarkt.

Viele Daten = Viele Informationen und kein Durchblick

Es ist eine sehr einfache und sehr logische Gleichung. Klar, viele Daten sind (mindestens) genauso viele Informationen. Aber wer jetzt denkt: “Na super, dann hab ich doch, was ich will!”, der denkt zu kurz. Denn: Viele Daten bringen zunächst mal viele Probleme mit sich.

  • Integration: All die vielen Daten, die wahrscheinlich in vielen verschiedenen Systemen liegen, müssen zusammengeführt werden – d.h.: regelmäßiges Abziehen über eigens entwickelte Schnittstellen sowie Integration in eine gemeinsame Datenbank mittels meist komplexer ETL-Strecken.
  • Modellierung: Um verwertbar zu sein, müssen Daten (vor allem aus unterschiedlichen Systemen zusammengeführte) in ein konsistentes Datenmodell gebracht werden (Kennzahlen, Dimensionen, Logiken). Je mehr Daten, desto komplexer wird diese Aufgabe.
  • Hosting: Je mehr Daten, desto aufwändiger und teurer wird ihr Hosting – einer der kritischsten Punkte in der Skalierbarkeit einer BI-Lösung. Und Skalierbarkeit muss sein, denn Datenmengen wachsen nicht nur mit zusätzlichen Anforderungen und/oder Quellen, sondern auch durch das Wachstum des Unternehmens selbst.
  • Analyse: Viele Daten sind zwar viele Informationen, doch aus Giga- und Tera- und Petabytes von Daten die Informationen heraussuchen, die wirklich gebraucht werden, das will niemand. Wir brauchen also Maschinen, die das für uns tun – und Menschen, die diese Maschinen bedienen können.

Der Schlüssel zur Bewältigung all dieser (und weiterer) Aspekte lässt sich in einem Wort zusammenfassen: Datenkompetenz.

Wertschöpfung aus Daten braucht Datenkompetenz

Doch was ist eigentlich Datenkompetenz? Oder: Wozu befähigt sie uns? Folgendes Bild bringt die Sache meines Erachtens gut auf den Punkt: Daten sind zwar nicht das höchste Gut der Digitalisierung, aber sie sind ihr Rohstoff. Ohne Werkzeug und Veredelung bleibt der Rohstoff jedoch, was er ist: Rohstoff. Und den kann man höchstens verkaufen, um Geld zu machen – oder horten, in der Hoffnung, dass er an Wert gewinnen möge. (Bei Daten aus dem Handelsumfeld scheint das jedoch unwahrscheinlich: “Ich habe noch 3 Terabyte Konsumverhaltensdaten von 2005 – was wäre Ihnen das wert?” Das Geschäftsfeld scheint mir keine Zukunft zu haben.) Echte Wertschöpfung aus Daten gelingt also nur, wenn der Rohstoff weiterverarbeitet wird, wenn Daten zu Erkenntnissen und diese zu guten Entscheidungen oder intelligenten Prozessen werden. Und das ist, woran es bis heute bei noch viel zu vielen Händlern und Herstellern scheitert – es fehlt das Werkzeug, es fehlt die Datenkompetenz; sowohl technisch als auch nutzungsseitig.

Viele Wege führen nach Rom…

Die offensichtliche Frage, die nun im Raum steht (woher nun nehmen, diese Datenkompetenz?), ist so pauschal leider kaum zu beantworten, denn vom Lösungskauf bis zum Lösungsbau, vom Einstellen von Leuten bis zum Bezahlen von Beratern, vom Alles-auf-einmal-Prinzip bis zum agilen Vortasten von Case zu Case gibt es viele Varianten, Datenkompetenz aufzubauen. Empfehlungen zum Thema habe ich durch meine langjährige Erfahrung an der Schnittstelle von Business Intelligence und Handel natürlich trotzdem – hier ein paar Lektüretipps:

…aber gibt’s nicht vielleicht trotzdem ein paar schnelle Tipps?

Auch wenn das Aufbauen von Datenkompetenz wahrhaftig kein Thema ist, dass sich mit ein paar schnellen Tipps lösen lässt, können ein paar grundsätzliche Ratschläge zum Einstieg (unabhängig von der “Make or Buy”-Frage) vielleicht trotzdem eine Hilfe sein. Hier deshalb meine persönlichen Top 3:

  • Langwierige Trial-and-Error-Prozesse vermeiden. Wertschöpfung aus Daten (z.B. mittels einer BI-Lösung) ist ein komplexes Thema, das Newbies auf allen Ebenen (Konzept, Datenmodell, Tech…) zu ausgiebigen Trial-and-Error-Strecken einlädt. Meine klare Meinung an dieser Stelle ist deshalb: Es geht nicht ohne Experten. Jedenfalls nicht, wenn man nicht eine gehörige Menge Zeit und Geld aus dem Fenster zu werfen hat. Als engagierter Vertreter der Buy-Devise im Kontext von BI & Co plädiere ich natürlich auch hier für diesen Ansatz, doch auch gegenüber gegenteiligen Meinungen kann ich nur unterstreichen: Wenn schon kein Lösungskauf, dann zumindest eingekaufte Expertise bzw. Hilfestellung, wo nur möglich (zum Thema Datenmodell und Best Practices z.B. auch hier: commerce-reporting.com). Ihr werdet schneller sein. Und billiger dabei wegkommen.
  • Anforderungen verstehen und Use Cases definieren. Es beginnt und endet mit Use Cases. Möchte ich Datenkompetenz aufbauen, muss ich zuerst verstehen, wo ich damit eigentlich hin will – und welche Anforderungen und konkreten Use Cases sich aus diesen Zielen ableiten. Erst, wenn ich diese Fragen inhaltlich wirklich durchdrungen habe, kann ich beginnen, über Datenintegration und -modellierung bzw. Ziel-Szenarien meiner künftigen Systemlandschaft nachzudenken – und über die Frage, wie ich dort hinkomme. Und genau wie meine Use Cases den Auftakt des Prozesses bilden müssen, ist entscheidend, dass jene Cases auch die Zielfolie bleiben: Das entstehende System darf unterwegs nicht zu einer Pie-Chart-Produktionsmaschine verkommen, weil das nun mal am einfachsten umzusetzen ist, sondern muss am Ende tatsächlich meinen skizzierten (vor allem auch operativen) Use Cases dienen. Ob eingekauft oder selbstgebaut.
  • Das datengetriebene Mindset kulturell verankern. Weil Wertschöpfung aus Daten nicht nur ein Systemthema ist, sondern genauso ein Menschenthema, ist es entscheidend, dass ich über dem Aufbau und/oder Einkauf meiner datenkompetenzherstellenden Systemlandschaft nicht die Menschen vergesse, die diese letztlich nutzen sollen. Nur, wenn ich das Mindset einer datengetriebenen Arbeitskultur in den Köpfen meiner Mitarbeiter fest verankere, kann nachhaltig Datenkompetenz aufgebaut werden – allein schon, weil nur dann die Motivation zur Aneignung des erforderlichen Knowhows vorhanden ist. Um das zu erreichen, muss ich nicht nur Nutzerfreundlichkeit der bereitgestellten Tools gewährleisten, sondern auch für ein sorgfältiges Change Management sorgen, das bereits mit der Konzeptionsphase der Lösung beginnt. Je besser meine Mitarbeiter sich abgeholt fühlen, desto mehr Bereitschaft werden sie zeigen, sich auf Neues einzulassen.
Wie immer freue ich mich über ein persönliches Gespräch zum Thema – kontaktiere mich ganz einfach unter lennard@minubo.com und ich melde mich schnellstmöglich bei Dir zurück.