Kommentar von Martin Brunthaler, Adverity Warum Datenanalysten oft nicht tun können, was sie tun sollen

Von Martin Brunthaler

In allen Bereichen eines Unternehmens geht es um den bestmöglichen Einsatz gesammelter Daten. In noch erstaunlich vielen Abteilungen herrscht diesbezüglich eine hemdsärmelige Herangehensweise vor – doch selbst Datenanalysten, die sich eigentlich mit der Materie auskennen sollten und Informationen ebenso nutzen und interpretieren müssen, verfügen über eine schlechte Datengrundlage. Das führt dazu, dass die Resultate ihrer Arbeit auch weit weniger an Wert bieten, als sie eigentlich sollten.

Anbieter zum Thema

Der Autor: Martin Brunthaler ist Co-Founder und CTO bei Adverity
Der Autor: Martin Brunthaler ist Co-Founder und CTO bei Adverity
(Bild: Carina Brunthaler)

Das ist eines der Ergebnisse des zweiten Teils der Studie „Marketing Analytics 2022: State of Play“ von Adverity. Dass sich Datenanalysten zudem selbst als kompetenter sehen, als sie es tatsächlich sind, macht die Situation nicht besser. In Zeiten, in denen über den Einsatz von Predictive Analytics diskutiert wird, muss also ein deutlicher Paradigmenwechsel stattfinden.

Was Datenanalysten brauchen

Auf dem Markt scheint allerdings wenig Verständnis für diese so grundlegende Problematik vorhanden zu sein. Die Realität sieht in vielen Unternehmen in dieser Hinsicht düster aus: Noch immer kommt für die Datenbereinigung und das Harmonisieren von Daten aus verschiedenen Quellen einiges an Zeitaufwand auf. Nicht selten verbringen gut bezahlte Fachkräfte einen großen Teil ihrer Zeit mit der manuellen Datenintegration anstatt damit, Analysen durchzuführen – also damit, wofür sie eigentlich eingestellt wurden. Bislang können nur 41 Prozent aller Analysten überhaupt auf eine „Single Source of Truth“ zugreifen, also eine unternehmensweite, zentrale Datenquelle. Und unter diesen 41 Prozent wiederum nutzen ganze 69 Prozent der Befragten Predictive Analytics, bei Nutzern ohne ein entsprechendes zentrales Datendepot sind es lediglich 27 Prozent.

Unternehmen müssen eine gewisse Datenreife anstreben, die es ihnen erlaubt, auf ihre Daten auch vertrauen zu können. Denn die Menge an gesammelten Daten wird in der Zukunft weiter zunehmen, und mit ihnen Datenquellen: Selbst Wetter- und Verkehrsinformationen bis hin zu demografischen Informationen über ganze Volkswirtschaften können künftig eine Rolle spielen. Allerdings haben mehr als drei Viertel der Analysten, die laut der Studie von sich sagen, dass sie „datenreif“ sind, noch nicht einmal den ersten Schritt in diese Richtung getan. Bevor sie fortschrittliche Technologien wie Predictive Analytics in Betracht ziehen können, müssen sie also schleunigst die Lücken auf der grundlegendsten Ebene schließen – denn deren Einsatz haben die meisten Befragten noch in diesem Jahr geplant, ebenso wie den von KI und Machine Learning.

Was Datenanalysten können (müssen)

Mit diesem Wissen im Hinterkopf ist es umso erstaunlicher, dass laut der Studie 38 Prozent der Befragten, die Predictive Analytics einsetzen wollen, von sich behaupten, dass sie immer noch mit der manuellen Integration von Daten zu kämpfen haben. Stolze 67 Prozent greifen obendrein noch immer auf Tabellenkalkulationen zurück, um ihre Marketingreports zu erstellen. Speziell dieser letzte Punkt ist von großer Bedeutung, denn die Studie zeigt auch, dass vor allem Unternehmen, die bereits über ein starkes Kampagnenreporting verfügen, auch über die im Vergleich besten Voraussetzungen verfügen, um Predictive Analytics auszurollen.

Idealerweise gestaltet sich der Arbeitsprozess von Datenanalysten, kurz zusammengefasst, wie folgt: Informationen sollten systematisch und immer auf dem neuesten Stand erhoben und dann auf einem Dashboard visualisiert werden, damit sich eine möglichst gute Entscheidungsgrundlage ergibt und Ergebnisse evaluieren lassen. Die Grundlage hierfür liegt in einer guten Datenkultur sowie automatisiert laufenden Werkzeugen für einen analytisch ausgereiften Umgang mit Daten. Das schließt nicht zuletzt die Single Source of Truth ein – Grundbaustein für eine vollautomatisierte Datenintegration. Für analytisch gereifte Teams sind eine automatisierte Datenintegration und eine einheitliche Sicht auf Daten eine Selbstverständlichkeit. Denn sie wissen, dass eine nachhaltige proaktive Modellierung nur mit einer soliden Dateninfrastruktur erreicht werden kann.

Ausblick

Anders gesagt: Für die notwendigen Schritte, die zum erfolgreichen Einsatz proaktiver Modellierungen führen, ist in Unternehmen bei weitem noch nicht ausreichend Bewusstsein vorhanden. So müssen wir also annehmen, dass sich in den nächsten Jahren auch in Sachen Data Maturity die Spreu vom Weizen trennt und sich zeigt, wer wettbewerbsfähig bleiben wird. Denn erst der richtige Einsatz von hochwertigen Analytics- und BI-Tools öffnet die Tür zu aussagekräftigen Erkenntnissen und folglich auch zum geschäftlichen Erfolg. Mit der Weiterentwicklung der Tools werden die Fähigkeiten auch für kleinere Unternehmen zugänglich.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Artikelfiles und Artikellinks

(ID:48183095)