13.01.2020
Von Peter Hecker, Inhaber von HECKER CONSULTINGRelevante Daten finden, mit Werkzeugen bearbeiten, im Kontext analysieren und für Entscheidungen nutzen: Datenkompetenz lernen wie Lesen und Schreiben.
Um lesen und schreiben zu können, haben Sie die Grundbausteine Ihrer Sprache gelernt - die Buchstaben des Alphabets. Diese bilden die atomaren Einheiten der Alphabetisierung. Mit der Datenkompetenz lernen Sie die Daten als atomare Einheit kennen. Als Nächstes haben Sie gelernt, mit verschiedenen Werkzeugen, wie Papier und Bleistift, zu arbeiten, um diese Buchstaben zu schreiben. Dies ähnelt den Werkzeugen, die Sie zum Schreiben und Lesen von Daten verwenden werden, wie z. B. Programmierung oder andere Schnittstellen. Von dort aus haben Sie die Regeln der Grammatik gelernt. Das ist ähnlich wie das Lernen, wie ein Datenelement ein anderes beeinflusst, unter Verwendung von Kontext und Beziehungen. Und schließlich wurden Sie in längere und komplexere Schriftwerke eingeführt, und Sie haben aus Ihrer Lektüre einen Sinn abgeleitet. Dies ist vergleichbar damit, wie Sie Daten interpretieren werden, um intelligente Entscheidungen zu treffen.
Die erste Fähigkeit in der Datenkompetenz ist die Fähigkeit, verlässliche Daten zu finden. Bevor wir das tun, müssen wir definieren, was Daten sind:
Daten sind faktische Informationen (wie Messungen oder Statistiken), die als Grundlage für Überlegungen, Diskussionen oder Berechnungen verwendet werden. Im Wesentlichen sind Daten ein oder mehrere Fakten. Aus Fakten werden also Daten, aus Daten Informationen, aus dem Abrufen dieser Informationen Wissen und aus richtig angewandtem Wissen Weisheit - und der ganze Sinn von Datenkompetenz ist es, Ihnen zu helfen, weise Entscheidungen zu treffen.
Es gibt zwei allgemeine Arten von Daten, mit denen Sie arbeiten werden: Quantitative und Qualitative (manchmal auch kategoriale Daten genannt). Im Allgemeinen sind quantitative Daten numerisch, und qualitative Daten beschreiben ein Attribut, wie z.B.:
Sie werden Formeln, Aggregationen und mehr auf quantitative Daten anwenden und diese Datensätze mit qualitativen Daten beschreiben. Qualitative Daten können Sie auch analysieren oder diese verwenden, um Zahlen zu erhalten - zum Beispiel können Sie die Namen der Personen in einer Gruppe sehen (qualitativ) und dann die Namen zählen (quantitativ). Diese Unterscheidung ist wichtig, weil Sie sicherstellen wollen, dass Sie die richtige Analyse für den richtigen Datentyp durchführen.
Die allererste Fähigkeit, die es zu erlernen gilt, ist das Finden der Daten, die Sie benötigen. Beginnen Sie mit einem grundlegenden Verständnis dafür, wie man eine Recherche durchführt. Erstellen Sie Ihr eigenes Protokoll der Datenquellen, die Sie verwenden. Um Datenquellen zu finden, die Sie nicht selbst gesammelt haben, wird eine schnelle Websuche viele Datenquellen erschließen, aber stellen Sie sicher, dass Sie den Unterschied zwischen primären und sekundären Datenquellen verstehen, wenn Sie sie verwenden.
Verlassen Sie sich nicht auf ein einziges Suchergebnis oder gar eine einzige Suchmaschine. Probieren Sie die erweiterten Suchfunktionen von Google, Bing, Yahoo, DuckDuckGo und anderen aus. Und auch wenn das Web viele Daten enthält, hat es nicht alles. Wenn Sie eine Diskrepanz zwischen einem Datensatz finden, ermitteln Sie den Grund. Um Ihre Analyse vollständig transparent zu machen, stellen Sie sicher, dass Sie Ihre Quellen dokumentieren.
Nachdem Sie wissen, wo Sie Daten finden, müssen Sie sicherstellen, dass diese gültig sind - genau, repräsentativ und ausreichend. Genaue Daten entsprechen am ehesten der tatsächlichen Realität der Beobachtung oder des Ereignisses. Repräsentative Daten bedeuten, dass die Beobachtung und die Erhebungsmethode die meisten Möglichkeiten berücksichtigt haben, die abgedeckt wurden. Ausreichende Daten bedeuten, dass der Datenpunkt (z. B. eine Summe oder ein Durchschnitt) genug Unterstützung hat, um das zu repräsentieren, was er vorgibt.
Stellen Sie sich immer die folgenden einfachen drei Fragen, wenn Sie auf Informationen stoßen:
Wenn man diese einfachen Fragen stellt, kann man eine Menge Probleme mit einer Datenquelle aufdecken. Wenn Sie einem Verkäufer zuhören, wenn es um den Kauf eines Autos geht, werden Sie feststellen, dass seine Daten die Entscheidung zum Kauf des Autos stark unterstützen. Wenn Sie wissen, dass es sich um einen Verkäufer handelt, der Ihnen die Daten gibt, wenn Sie wissen, dass er seinen Lebensunterhalt damit verdient, Ihnen ein Auto zu verkaufen, und wenn Sie wissen, dass er möchte, dass Sie das teuerste Auto kaufen, können Sie die Daten, die Sie haben, richtig bewerten.
Das gilt eigentlich für fast alle Daten - nicht nur für qualitative Daten, sondern auch für quantitative. Es gibt keine einzige Quelle für "faire und ausgewogene" Informationen - Sie müssen den ganzen Weg bis zur Quelle zurücklegen, um die Wahrheit herauszufinden, oder zumindest die größtmögliche Annäherung an die Wahrheit, die Sie finden können.
Kurz gesagt, es ist das Beste, ein Datenskeptiker zu sein.
Jetzt, wo Sie Ihre Daten definiert haben, müssen Sie sie untersuchen, gruppieren und verändern, damit sie das zeigen, was Sie wissen wollen. Darüber hinaus ist es wichtig, die Grundlagen der Statistik zu verstehen. Dieser Zweig der Mathematik beschäftigt sich speziell mit Daten und deren Analyse.
Sie können natürlich mit Daten arbeiten, indem Sie nur Ihren Verstand benutzen, oder mit Stift und Papier. In der Tat kann es während der Analyse hilfreich sein, grundlegende Hilfsmittel wie diese zu verwenden. Aber bald werden Sie feststellen, dass Sie leistungsfähigere Werkzeuge benötigen.
Sie werden Werkzeuge verwenden, um Daten abzufragen, zu verändern und die Ergebnisse anzuzeigen. Das erste Werkzeug, ist die Verwendung einer elektronischen Tabellenkalkulation, also normalerweise Excel. Leute, die beruflich mit Analysen zu tun haben, sollten außerdem entweder SQL, die R-Plattform oder Python lernen und verwenden. Unabhängig davon, ob Sie SQL lernen oder nicht, wird Ihnen das Verständnis von relationalen Datenbanklayouts immens helfen.
Wenn Sie ein Datenprofi sind, sollten Sie eigentlich alle drei verwenden können. Das Erlernen dieser Tools wird Ihnen helfen, die Daten noch besser zu verstehen, nicht nur die technischen Fähigkeiten zu erlangen, die Sie benötigen.
Beim Reporting geht es weniger um Tools als um das Verständnis, wie man Daten visualisiert, und zwar richtig. Die grafische Darstellung von Daten kann Ihr Verständnis völlig verändern. Excel, die R-Plattform und Python können alle Datenvisualisierungen durchführen. Sie könnten auch ein speziell entwickeltes Tool wie Power BI für die Visualisierung von Daten verwenden. Auch hier ist das Tool weniger wichtig als das Erlernen der grafischen Darstellung von Daten.
Daten zu analysieren bedeutet im einfachsten Fall, die Daten aus mehreren Perspektiven und mit mehreren Werkzeugen im Kontext zu betrachten. Der spezifische Prozess, den Sie bei der Analyse eines bestimmten Datensatzes anwenden, hängt weitgehend vom Ziel der Analyse, der Art der Daten und dem Bereich der Analyse (z. B. Wirtschaft, Wissenschaft usw.) ab. Im Allgemeinen folgt er dieser Gliederung:
Um auf das Beispiel der Alphabetisierung zurückzukommen: Als Sie lesen lernten, stießen Sie oft auf ein Wort, das Sie nicht kannten. Wenn das passiert, können Sie das Wort selbst lernen oder ein ziemlich gutes Verständnis dafür erlangen, indem Sie die anderen Wörter in dem Satz verstehen, in dem es verwendet wird. Dies wird Kontext genannt. Genauso verhält es sich mit Daten.
In vielen Fällen beginnen die Leute mit den Werkzeugen. Sie verbringen so viel Zeit damit, das Tool zu lernen, dass sie nicht genug Zeit darauf verwenden, die Daten zu finden und zu verifizieren oder den Kontext sicherzustellen, in dem sie verwendet werden. Daten sind selten atomar - sie stehen oft nicht für sich allein. Wenn Sie zum Beispiel lesen, dass die Zustimmungsrate eines Politikers um 10% gestiegen ist, könnten Sie denken, dass das eine gute Sache ist. Natürlich zeigt diese eine Zahl nicht, wo die Zustimmungsrate vorher stand, wie sie jetzt ist, wie lange das gedauert hat oder - vielleicht am wichtigsten - warum.
Oft wird der Durchschnitt einer Zahl als einziges Maß für etwas angepriesen - aber das Verständnis der Standardabweichung und anderer deskriptiver Statistiken zeigt Ihnen schnell, dass einer einzelnen Zahl nicht zu trauen ist - Sie brauchen andere Messungen, um sicherzustellen, dass Sie das vollständige Bild haben.
Aber es geht um mehr als numerische Daten. Wie bereits erwähnt, liefert die Situation um die Messgröße herum einen Kontext, ebenso wie die Umgebung, der Zeitpunkt, der Ort und mehr. Der allgemeine Ratschlag ist, sich bei jedem Schritt des Analyseprozesses das gesamte Bild anzusehen. Halten Sie ständig Ausschau nach etwas, das Ihrer Analyse widerspricht oder sie verstärkt.
Der erste Schritt bei der Datenanalyse besteht darin, sich selbst in die Lage zu versetzen, skeptisch gegenüber den Daten, Methoden, Werkzeugen und Ergebnissen zu sein, die Sie verwenden. Seien Sie Ihr eigener Kritiker. Bei jedem Schritt stellen Sie sich vor, dass jemand sagt: "Ich glaube dir nicht - beweise es!" Diese Stimme in Ihrem Kopf zu haben, wird Ihnen helfen, von Anfang an sicherzustellen, dass Sie in Ihrem Datenanalyseprozess vorsichtig sind.
Und eine der besten Methoden, um das zu tun, ist, die Fehler zu verstehen, die man bei der Analyse machen kann. Sie sind alle logische Fehler und fallen in zwei Lager: Kognitive Verzerrungen und logische Irrtümer.
Ein militärischer Oberst namens John Boyd wurde gebeten, ein Problem im Zusammenhang mit Kampfsituationen zu untersuchen. Trotz guter Ausbildung und Fähigkeiten waren die Opferzahlen zu hoch. Oberst Boyd untersuchte die Ursachen und stellte fest, dass es keine strukturierte Methode gab, mit der ein Soldat im Feld eine Entscheidung darüber treffen konnte, was zu tun war - wenn er angegriffen wurde, begann er sofort, sich zu verteidigen, was zu schlechten Entscheidungen führte.
Oberst Boyd entwickelte eine Methode, um sich für eine Aktion zu entscheiden, die einfach war, leicht erlernt und gespeichert werden konnte und für Aufgaben verwendet wurde, die viel Zeit in Anspruch nahmen oder wenn jemand in Sekundenschnelle reagieren musste. Sie wird "OODA-Schleife" genannt, was für "Observe, Orient, Decide, Act" (Beobachten, Orientieren, Entscheiden, Handeln) steht. Es ist ein systematischer Prozess, den Sie für fast alles verwenden können.
Diese Art der Struktur ist auch auf die Datenkompetenz anwendbar. Sie haben die Grundlagen des Recherchierens und Auffindens von Daten gelernt, wie Sie die Daten verifizieren können, welche Werkzeuge Sie zum Sammeln und Bearbeiten der Daten verwenden können und welche Prozesse und Verfahren es für die Analyse von Daten gibt. In gewisser Weise haben Sie die zwei "O's" in der OODA-Schleife gemacht. Jetzt sind Sie bereit, die Analyse anzuwenden, um eine Entscheidung zu treffen. Der Sinn von OODA ist es, sich Zeit zu nehmen und einen Prozess auf eine Entscheidung anzuwenden, das Gleiche, was Sie mit der Verwendung von Daten für intelligente Entscheidungen tun müssen.
Der erste Punkt, mit dem man beginnen sollte, ist das Problem selbst. Oft - aber nicht immer - ist ein Problem der Ausgangspunkt für die Datenrecherche. Der wichtigere Punkt ist, dass Sie sicherstellen, dass Sie die richtige Frage gestellt haben. Oft kann man die richtige Frage herausfinden, indem man eine andere Frage stellt: "Wenn wir die Antwort aus den Daten erhalten, was werden wir dann tun?"
Die Datenqualität ist enorm wichtig und es muss sichergestellt werden, dass die richtigen Vergleiche gemacht werden. So ist es z. B. entscheidend, sicherzustellen, dass die gleichen Datentypen (Zentimeter, Datum, Volumen usw.) auf die Transformationen angewendet werden. Ebenso wichtig ist es, sicherzustellen, dass die verwendeten Daten die Analyse für die Lösung des Problems, das Sie lösen wollen, unterstützen. Kognitive Verzerrungen führen oft dazu, dass ein Datensatz für ein Problem verwendet wird, das er nicht abdeckt.
Was für Daten gilt, gilt auch für den analytischen Prozess. Eine wissenschaftliche Methode beinhaltet Schritte, die in anderen Arten der Analyse nicht enthalten sind, wie z. B. das Erstellen einer Anfangshypothese, das Erstellen von Kontrollgruppen usw. Stellen Sie sicher, dass der analytische Prozess für den Problembereich, in dem Sie arbeiten, geeignet ist.
Vielleicht mehr als jeder andere Fehler bei der Anwendung von Analysen, um zu einer Schlussfolgerung zu gelangen, ist die Nichtberücksichtigung anderer Alternativen bei Ihren Entscheidungen. Auch hier kommen wieder die kognitiven Verzerrungen ins Spiel. Es ist üblich, eine Lösung zu finden, die wir für perfekt halten, und dann die Daten und Analysen auf diese Lösung abzustimmen. Indem Sie andere Alternativen in Betracht ziehen, eine Kosten-Nutzen-Analyse durchführen und Prozesse vom Typ Risiko/Ertrag abwägen, können Sie entweder Ihre Schlussfolgerung als die richtige unterstützen, oder Sie können Ihre Schlussfolgerung ändern, bevor Sie eine Entscheidung treffen.
Beachten Sie, dass manchmal einschränkende Faktoren die Qualität der Entscheidung beeinflussen. Wenn Sie nur ein paar Sekunden Zeit haben, um eine Entscheidung zu treffen, ist eine umfassende Recherche nicht möglich. Wenn Sie nur begrenzte Mittel und Zeit haben, wird die Entscheidung durch diese Einschränkungen beeinflusst. Es ist jedoch wichtig, diese Zwänge so weit wie möglich zurückzudrängen. Es gibt nie genug Zeit, um alle Daten zu analysieren und alle Analysen durchzuführen, aber Sie sollten das Beste tun, um so viele Daten und Analysen wie möglich zu erhalten.
Auch wenn Sie Daten und Analysen nutzen, um eine Entscheidung für sich selbst zu treffen, sollten Sie bereit sein, sie jemand anderem zu erklären. Dies ist die letzte Prüfung, die Sie vornehmen sollten, bevor Sie handeln. Wenn die Entscheidung andere betrifft, ist es wichtig, eine Art Präsentation zu erstellen, um sie mit anderen zu besprechen und zwar mit möglichst vielen Personen, die von der Entscheidung betroffen sind.
Das Dokumentieren Ihrer Quellen und Methoden ermöglicht eine gute Kommunikation, Verständnis, Diskussion und Einbeziehung. Es erlaubt auch anderen, Ihre Arbeit zu reproduzieren und zu überprüfen, etwas, das Sie anstreben sollten.
Egal wie viel Zeit Sie in Ihre Daten und Analysen investieren, Sie werden einen Fehler machen. Das ist in Ordnung, denn jeder macht Fehler, besonders wenn er häufig mit großen Entscheidungen betraut ist. Wichtig ist nicht der Fehler, sondern wichtig ist, dass Sie aus dem Fehler lernen und die Daten wieder in Ihre nächste Analyse einbeziehen.
Die Welt braucht kluge Entscheidungen. Datenkompetenz ist ein Weg, genau das zu erreichen.
Wir erweitern ständig unser Beratungsportfolio. Über 600 Beratungsleistungen haben wir für Sie im Programm. Selbstverständlich lassen sich die einzelnen Themen kombinieren. So erhalten Sie genau die Beratung, die Sie wünschen und brauchen.
Mehr IT-, Online-, Digital-Beratungsleistungen anzeigen >>Sie lernen Power BI als Ganzes kennen – vom Datenimport in Power BI Desktop über Bericht und Dashboard bis zur App im Arbeitsbereich – und wissen danach, welche Lizenz Sie für welchen Schritt brauchen.
Sie erstellen mit Report Builder paginierte SSRS-Berichte, die auf jeder Seite stimmen – mit Parametern, Gruppen, Diagrammen und Indikatoren – und verteilen sie über Webportal, Abonnements und Momentaufnahmen.
Mit SSAS Tabular in Microsoft SQL Server bauen Sie ein zentrales Datenmodell mit Beziehungen, DAX-Measures und Zeitintelligenz, sichern es auf Zeilenebene ab, stellen es bereit und vergleichen es mit semantischen Modellen in Power BI.
Sie entwerfen ein Data Warehouse in SQL Server mit Dimensionen, Faktentabellen und Columnstore-Indizes, sichern Datenqualität und Stammdaten ab und beurteilen, wann Azure Synapse oder ein Fabric Warehouse der bessere Ort ist.
Sie verstehen, wie Daten aus Quellsystemen verlässlich in Auswertungen gelangen, und bauen selbst eine geplante ETL/ELT-Pipeline mit Python, SQL, Spark und Airflow – inklusive Datenqualitätsprüfungen.
Sie entwickeln SSIS-Pakete mit Ablaufsteuerung, Datenfluss und Fehlerbehandlung, stellen sie im SSIS-Katalog bereit und planen sie mit dem SQL Server Agent – und wissen, wie es mit Azure Data Factory und Fabric weitergeht.
Aktuelle und interessante Themen und Beiträge für Sie zusammengetragen und aufbereitet.
Datenkompetenz ist heute so wichtig wie nie zuvor, besonders im Zeitalter von generativer KI wie ChatGPT, Copilot und Gemini. Unternehmen, die ihre Mitarbeitenden im Umgang mit Daten schulen, sichern sich entscheidende Wettbewerbsvorteile. Der Artikel zeigt, warum Daten die Grundlage für intelligente Entscheidungen und Innovation sind und wie du Datenkompetenz in deinem Team gezielt aufbaust. Erfahre, wie KI und Datenkompetenz zusammen ein unschlagbares Duo für die Zukunft bilden.
Die Menge an Daten, die Unternehmen produzieren, wächst jährlich um 40 bis 60 %. Viele Unternehmen stehen vor der Herausforderung, all diese Daten zu verwalten, zu analysieren und zu interpretieren, um Lösungen zu ermöglichen, ihre datenorientierten Teams zu unterstützen und wertvolle Geschäftserkenntnisse zu gewinnen. Hier kommen DataOps (Data Operations)-Methoden ins Spiel.
Ein KPI-Dashboard zeigt auf einen Blick, wo Ihr Unternehmen steht. Wie Sie die richtigen Kennzahlen auswählen, das Dashboard übersichtlich aufbauen und welche Fehler Sie vermeiden sollten – mit Beispielen je Abteilung.
Was bringt Business Intelligence wirklich? Beispiele aus Vertrieb, Controlling, Einkauf, Produktion und Personal, dazu Kosten, Voraussetzungen und typische Fehler – damit Sie den Business Case für Ihr Unternehmen einschätzen können.
Unternehmen waren schon immer auf der Suche nach Tools und Technologien, von denen sie insgesamt profitieren können. Ein wichtiger Schritt in Richtung Digitalisierung ihrer durchgängigen Geschäftsprozesse war die Migration auf ein ERP-System. Um die Einschränkungen der Altsysteme zu umgehen, investieren Unternehmen heute in ERP-Systeme, die ihre Aktivitäten rationalisieren.
Business Intelligence (BI) führt Unternehmensdaten zusammen und macht sie als Kennzahlen, Berichte und Dashboards nutzbar. Was dazugehört, welche Werkzeuge es gibt und wie Sie Schritt für Schritt einsteigen.
Business Intelligence ist schon seit einigen Jahren ein Modewort. Es wurde meist in Verbindung mit Entscheidungsunterstützungssystemen, Data Warehouse, Data Mining, Berichten, Abfragen und OLAP genannt. Die meisten von uns haben Business Intelligence (BI) mit einem Entscheidungsunterstützungssystem verwechselt, da BI zwar eine breite Kategorie von Anwendungen und Technologien zum Sammeln, Speichern, Analysieren und Bereitstellen des Zugriffs auf Daten ist, aber hauptsächlich von Unternehmen für die Analyse von Geschäftsdaten und deren Präsentation für das Management zur Entscheidungsfindung verwendet wurde. In letzter Zeit haben sich die Dinge geändert. Jetzt hat jede Anwendung oder Lösung, die wir betrachten, Business Intelligence-Funktionen, ein Dashboard, Analysen, Berichte und manchmal sogar Abfragen eingebaut.
