Datenanalyse 101: Grundlagen für den Einsatz von Daten in Deinem Unternehmen

Datenanalyse 101: Grundlagen für den Einsatz von Daten in Deinem Unternehmen

Einleitung 

In der heutigen globalen Wirtschaft erleben wir einen schnellen Vorstoß in Richtung Digitalisierung. Unternehmen sehen sich mit stetig wachsenden Datenmengen konfrontiert, die täglich durch digitale Prozesse generiert werden. Die vierte industrielle Revolution, auch als Industrie 4.0 bekannt, sowie das Internet der Dinge (IoT) beschleunigen diesen Trend noch weiter. In dieser Ära ist es von entscheidender Bedeutung, umfassende Einblicke in die vielfältigen betrieblichen Abläufe zu gewinnen, um erfolgreich zu agieren und fundierte Entscheidungen zu treffen.  

Das Hauptanliegen für Unternehmen besteht darin, diese enorme Menge an Daten zu sammeln, zu organisieren und auszuwerten. Moderne Business Intelligence-Tools spielen hierbei eine Schlüsselrolle, da sie es ermöglichen, Muster und Trends in den Daten zu identifizieren und wertvolle Erkenntnisse zu gewinnen. Diese gewonnenen Erkenntnisse bilden die Grundlage für strategische Entscheidungen und die effiziente Steuerung des Unternehmens. Führungskräfte und andere Interessengruppen können auf diese Weise gut informierte, datengestützte Entscheidungen treffen. Eine Studie von Deloitte hat dafür 70 mittelständige Unternehmen sowie Experten in persönlichen Interviews befragt, ob sie veränderte Rahmenbedingungen in der Entscheidungsfindung durch die großen Datenmengen wahrnehmen. Dabei sehen sich 87% der Unternehmen mit einer stark ansteigenden Datenmenge in den letzten Jahren konfrontiert und etwas mehr als die Hälfte gab an, Entscheidungen ohne vollständige Information treffen zu müssen (Reker & Andersen, o. D.). 

In diesem Beitrag möchten wir Ihnen eine Einführung in das Thema Datenanalyse geben, um Ihrem Unternehmen den Einstieg in das Thema zu erleichtern. Dabei werden wir Ihnen detailliert erläutern, was unter Datenanalyse zu verstehen ist. Zudem werden wir Ihnen relevante Methoden und Verfahren für die statistische Analyse vorstellen, den praktischen Ablauf des Analyseprozesses beleuchten und Ihnen dabei helfen, eine datenzentrierte Kultur zu etablieren. 

Was ist Datenanalyse? 

Die Datenanalyse oder Datenauswertung ist der Vorgang, bei dem wertvolle Informationen aus Rohdaten gewonnen werden. Diese Rohdaten stammen oft aus einem Data Warehouse, in dem bereits eine Vorverarbeitung stattgefunden hat, bei der die Daten logisch miteinander verknüpft wurden (Datenanalyse: Was ist das? | Academy FH Technikum Wien, 2023). Dies ermöglicht ihre Nutzung für statistische Analysen. Die Resultate dieser Analyse werden dann in unterschiedlichen Formen präsentiert, darunter Zahlen, Fakten, Metriken und Datendarstellungen wie Diagramme und Tabellen.  

Man hat die Möglichkeit, diese Daten zu erfassen, umzugestalten und zu zentralisieren, um Muster, Zusammenhänge, Trends, Verknüpfungen und ungewöhnliche Entwicklungen aufzudecken und zu untersuchen. Außerdem können damit Theorien oder Hypothesen validiert werden. Früher wurde die Datenanalyse genutzt, um künftige Entscheidungen vorzubereiten. Heutzutage ermöglicht sie Ihnen jedoch, Entscheidungen in Echtzeit zu treffen. Darüber hinaus haben Sie die Chance, neue Trends zu identifizieren und Einblicke zu erhalten, die mithilfe herkömmlicher Datenverarbeitungsverfahren schwer zu erreichen wären. Um die einzelnen Anwendungsmöglichkeiten darstellen zu können, wurden verschiedene Methoden zu Datenanalyse von Gartner entwickelt.   

4 Methoden zur Datenanalyse 

Aus der Vielzahl an Möglichkeiten ergeben sich auch verschiedene Methoden der Datenanalyse, je nachdem, ob man Vergangenheitsbezogene Fragen, Gründe für Ereignisse, Ist-Situationen oder zukünftige Prognosen erstellen möchte. Dabei unterscheidet man zwischen 4 Methoden, welche unterschiedliche Mehrwerte und Komplexitäten für das Unternehmen aufweisen (Bekker, 2022): 

Analytics-Reifegradmodell von Gartner 

Abbildung 1: Analytics-Reifegradmodell von Gartner  

Deskriptive Analyse 

Die deskriptive Datenanalyse trägt dazu bei, Fragen zur Vergangenheit zu klären, indem sie das „Was ist passiert“ ermittelt. Zum Beispiel, wie hoch war der Umsatz eines bestimmten Produkts in der Vergangenheit? Ist es sinnvoll, weiterhin in dieses Produkt zu investieren? Diese Art der Analyse konzentriert sich auf die Feststellung dessen, was geschehen ist, ohne jedoch zu erklären, warum es geschehen ist. Um diese „Warum“-Fragen zu beantworten, sind zusätzliche Analysemethoden erforderlich. 

Diagnostische Analyse 

In der diagnostischen Datenanalyse tauchen wir tiefer in das Geschehene ein, indem wir historische Daten mit anderen Datensätzen vergleichen. Der Fokus liegt hierbei darauf, die Gründe für vergangene Ereignisse, also „warum ist etwas passiert“ zu ergründen. Diese Art der Analyse eröffnet uns die Möglichkeit, durch das Zusammenführen von normalerweise separaten Datensätzen detaillierte Einblicke in spezifische Herausforderungen zu gewinnen, die das Unternehmen daran hindern, seine Umsätze zu steigern. 

Vorausschauende Analyse 

Die vorausschauende Analyse eröffnet Unternehmen einen Blick in die Zukunft, indem sie sich mit der Frage „was könnte bzw. wird in Zukunft passieren“ beschäftigt, wie sich Kunden zukünftig verhalten werden, welche Entscheidungen sie treffen und welche Produkte sie zu welchem Preis erwerben möchten. Diese Form der Analyse ermöglicht es, kommende Trends, Tendenzen und Abweichungen von den üblichen Mustern frühzeitig zu erkennen, basierend auf den Erkenntnissen aus der deskriptiven und diagnostischen Analyse. Dabei spielen leistungsfähige Algorithmen und die Qualität der zugrunde liegenden Daten eine erhebliche Rolle. 

Präskriptive Analyse 

Die präskriptive Analyse, auch als verordnende Analyse bezeichnet, geht über die reine Vorhersage hinaus und gibt konkrete Empfehlungen für Maßnahmen, die ein Unternehmen ergreifen sollte, also dem „Welche Maßnahmen sind zu treffen“ um ein Problem zu verhindern oder das Potenzial voll auszuschöpfen. Ihr Hauptziel besteht darin, die zukünftigen Trends optimal zu nutzen, potenzielle künftige Probleme zu vermeiden und klare Handlungsempfehlungen für das Unternehmen zu liefern. Dies stellt die modernste Form der Datenanalyse dar und stützt sich sowohl auf historische Daten als auch auf externe Datenquellen. 

Dabei kommen verschiedene Techniken wie Maschinelles Lernen, neuronale Netze, Simulationsmodelle und Geschäftsregeln sowie Szenarien zusammen. Ein typisches Beispiel für ihre Anwendung ist die Identifizierung von Gelegenheiten für wiederholte Käufe mithilfe von Kundendatenanalyse und Verkaufshistorien. 

Der Analyseprozess 

Analyseprozess (Datenanalyse - moderne Datenauswertung verständlich erklärt, o. D.) 

Abbildung 2: Analyseprozess (Datenanalyse – moderne Datenauswertung verständlich erklärt, o. D.) 

Phase 1 Fragestellung & Planung: Um einen Mehrwert der Datenanalyse zu erwirtschaften, muss zunächst eine Fragestellung im Unternehmen bestehen, welches durch die Analyse von Daten beantwortet wird. Dabei ist die Klärung mit den Stakeholdern essenziell, da verschiedene Abteilungen auch verschiedene Ziele & Anforderungen besitzen. Dort helfen wie auch im Anfangsprozess des Projektmanagements, Brainstorming Sessions um die Fragestellungen einzugrenzen und so bessere Ergebnisse zu erzielen. Je spezifischer die Fragestellungen formuliert wurden, desto bessere Ergebnisse werden im späteren Verlauf erzielt. Ein gutes Beispiel dafür ist, „Welche Marketing-Kampgane des letzten Jahres hatte den besten Return of Investment und wie kann ich diesen Erfolg wiederholen?“. Zur weiteren Planung können bereits die in Frage kommenden Daten und Fakten identifiziert werden, um die Fragen beantworten zu können. Sind die Fragestellungen und Daten erörtert, kann man mit der Aufbereitung der Datengrundlage beginnen. 

Phase 2 Schaffung & Aufbereitung der Datengrundlage: Nachdem die zu beantwortenden Fragen sowie die Daten und Fakten identifiziert wurden, müssen diese Daten zur Nutzung aufbereitet werden. Dafür werden aus den Datenquellen relevante KPIs erstellt, um die Ergebnisse anhand dieser bewerten zu können. Ein Beispiel für KPIs einer Marketingkampagne sind Konversionrate, Return of Investment, Anzahl neuer Kunden usw. Um Daten aufzubereiten, muss man diese in das richtige Format bringen und nutzlose Daten, welche nichts zu den Businesszielen & KPIs beitragen, entfernen. Ein weiterer Erfolgsfaktor ist die Qualität der Daten, also die Genauigkeit, Vollständigkeit, Konsistenz und der zeitliche Faktor. Dafür ist es sinnvoll, ein sogenanntes Data Quality Management (DQM) einzurichten, welches die organisatorischen Maßnahmen und Strukturen zur Sicherstellung der Datenqualität beinhaltet. 

Phase 3 Durchführung der Datenanalyse: In dieser Phase werden durch statistische Analyseverfahren wie Regressionsanalysen, Clusteranalysen, Faktorenanalysen, Neuronalen Netzwerke oder Data Mining angewandt. Die Anwendung dieser Analysen wird je nach Analysemethode (deskriptiv, diagnostisch, vorausschauend oder präskriptiv) und dessen zugrundeliegender Fragestellung ausgewählt. Hier gruppiert und vergleicht man Daten anhand von statistischen Kennzahlen wie Mittelwert, Varianz und Standardfehler. 

Phase 4 Datenvisualisierung/Datenpräsentation: Um die Beantwortung der Businessziele und -fragen verständlich aufzubereiten, werden die Ergebnisse der Datenauswertung visualisiert. Dadurch lassen sich die Informationen kontextabhängig darstellen, lenken den Betrachter auf wichtige Punkte und mögliche zu realisierende Maßnahmen. Dafür werden von modernen Business Intelligence (BI) Tools interaktive und dynamische Dashboards bereitgestellt, um zielgruppenspezifische Darstellungsmöglichkeiten zu erreichen. 

Beispiel eines Dashboards (Datenanalyse - moderne Datenauswertung verständlich erklärt, o. D.) 

Abbildung 3: Beispiel eines Dashboards (Datenanalyse – moderne Datenauswertung verständlich erklärt, o. D.) 

Phase 5 Dateninterpretation und Implikationen: Im letzten Schritt geht es darum, aus den gewonnen Informationen Schlussfolgerungen und Konsequenzen zu ziehen. Ziel ist es dabei, ein allgemeingültiges Fazit aus den Ergebnissen abzuleiten. Daher ist es essenziell, die visuellen Ergebnisse richtig zu interpretieren und sorgfältig zu analysieren. Dabei können allerdings Probleme wie die falsche Unterscheidung zwischen Korrelation und Kausalität, confirmation bias und unzureichende Signifikanz zustande kommen.  

Beispielsweise ist eine starke Korrelation zwischen zwei Variablen allein keine Garantie dafür, dass eine Ursache-Wirkungs-Beziehung zwischen ihnen besteht. Es ist durchaus möglich, dass eine versteckte dritte Variable tatsächlich die eigentliche Ursache für die Beziehung ist. Confirmation bias besteht dann, wenn man ein gewisses Ergebnis erreichen möchte und dadurch nur Daten und Fakten berücksichtigt, um dieses Ergebnis zu erreichen (Confirmation Bias. Online Lexikon für Psychologie & Pädagogik, o. D.). Unter Signifikanz versteht man, dass ein gemessener Zusammenhang zwischen zwei Variablen nicht nur zufällig in einer Stichprobe, sondern auch in der Grundgesamtheit gilt (Statista, o. D.). 

Allerdings benötigt es mehr als die Einführung neuer Datentools und Technologien, um nachhaltig von den Vorteilen eines datenzentrierten Unternehmens zu profitieren. Was man beachten sollte, erklären wir im nächsten Absatz. 

Wie etabliert man eine datenzentralisierte Kultur? 

Eine datenzentrierte Kultur benötigt, wie andere grundlegende Änderungen im Unternehmen, neue Prozesse sowie Denk- & Verhaltensweisen, beginnend von der höheren Management Ebene, bis hin zum Angestellten (Daten & Change-Management – Wie man eine datenzentrierte Kultur etabliert, o. D.). Durch das Umdenken können die Strategie, klare Regeln, Transparenz zur Nutzung & Beschaffung der Daten und Verantwortlichkeiten definiert werden. Man beginnt mit der Erstellung der Datenstrategie und dem Mehrwert für das Unternehmen, das die Daten bieten. Im nächsten Schritt müssen die technische Infrastruktur sowie Richtlinien, Verfahren und Standards zur Nutzung & Verwaltung der Daten festgelegt werden. Das Resultat sind klare Datensicherheits- Datenschutz- und Compliance Konzepte mit definierten Verantwortlichkeiten, mit denen Transparenz geschaffen und den Mitarbeitern der Zugriff auf die nötigen Daten erleichtert wird. 

Um ein datengetriebenes Mindset der Mitarbeiter zu erreichen, müssen diese an das richtige Skillset herangeführt werden und Rückhalt durch das höhere Management erhalten. Dafür ist es essenziell, die Wichtigkeit von Daten in der Entscheidungsfindung zu erkennen und diese als ein fundamentales Werkzeug in der Unternehmensstrategie identifizieren. Im weiteren Verlauf müssen Mitarbeiter bereit sein, Daten zu teilen, verwenden und hinterfragen zu können, was eine Vertrauenskultur im Unternehmen voraussetzt. Um mit den Daten zu arbeiten (5 Phasen), sollte das Unternehmen Trainings und Weiterbildungsmaßnahmen anbieten, um das Verständnis der Mitarbeiter stetig zu verbessern. 

Fazit  

Die Transformation hin zu einem datenzentrierten Unternehmen ist in der heutigen digitalen Wirtschaft von entscheidender Bedeutung. Die steigende Menge an generierten Daten durch digitale Prozesse, die Industrie 4.0 und das IoT erfordert umfassende Einblicke in betriebliche Abläufe, um fundierte Entscheidungen zu treffen. Moderne Business Intelligence-Tools spielen dabei eine Schlüsselrolle, indem sie Muster und Trends in den Daten identifizieren und wertvolle Erkenntnisse liefern. 

Die Datenanalyse durchläuft verschiedene Phasen, von der Fragestellung und Planung über die Aufbereitung der Datengrundlage bis zur Dateninterpretation und Ableitung von Implikationen. Dabei ist es wichtig, die Datenqualität zu gewährleisten und vorsichtig mit Interpretationen umzugehen. 

Die Einführung einer datenzentrierten Kultur erfordert jedoch mehr als nur technologische Werkzeuge. Sie erfordert ein Umdenken in Bezug auf Prozesse, Denk- und Verhaltensweisen, beginnend von der Führungsebene bis zu den Mitarbeitern. Eine klare Datenstrategie, Richtlinien und Schulungen sind entscheidend, um eine solche Kultur zu etablieren. 

Insgesamt bietet die Datenanalyse Unternehmen die Möglichkeit, datengestützte Entscheidungen zu treffen und ihre Leistung zu optimieren. Es ist jedoch wichtig, die Herausforderungen zu erkennen und eine datenzentrierte Kultur aktiv zu fördern, um nachhaltigen Erfolg zu gewährleisten. 

Literaturverzeichnis 

Datenanalyse: Was ist das? | Academy FH Technikum Wien. (2023, 22. März). Technikum Wien Academy. https://academy.technikum-wien.at/ratgeber/datenanalyse-was-ist-das/ 

datasolut GmbH. (2023, 6. September). Datenanalyse: Definition, Methoden und Anwendungen – Datasolut Wiki. https://datasolut.com/wiki/datenanalyse/ 

Datenanalyse – moderne Datenauswertung verständlich erklärt. (o. D.). https://www.datapine.com/de/artikel/datenanalyse-verfahren-methoden 

Statista. (o. D.). Grundgesamtheit – statista Definition. Statista Lexikon. https://de.statista.com/statistik/lexikon/definition/60/grundgesamtheit/ 

Confirmation Bias. Online Lexikon für Psychologie & Pädagogik. (o. D.). https://lexikon.stangl.eu/10640/confirmation-bias-bestaetigungsfehler-bestaetigungstendenz 

Reker, J. & Andersen, N. (o. D.). Data Analytics im Mittelstand Die Evolution der Entscheidungsfindung. www.deloitte.com. https://www2.deloitte.com/content/dam/Deloitte/de/Documents/Mittelstand/studie-data-analytics-im-mittelstand-deloitte-juni-2014.pdf 

Bekker, A. (2022, 19. Juli). 4 Methoden der Datenanalyse: ein Überblick für tiefere Einblicke. ScienceSoft. https://www.scnsoft.de/blog/4-methoden-der-datenanalyse 

Daten & Change-Management – Wie man eine datenzentrierte Kultur etabliert. (o. D.). https://www.detecon.com/de/journal/daten-change-management-wie-man-eine-datenzentrierte-kultur-etabliert 

Share this post

Wir stehen für Verlässlichkeit & Vertrauen

Unverbindliche Anfrage

Wir haben Ihr Interesse geweckt? Füllen Sie einfach das folgende Formular aus und wir werden uns so schnell wie möglich mit Ihnen in Verbindung setzen.