Tipps von Adobe und Sage Datenaufbereitung ist die Achillesferse vieler Unternehmen

Autor / Redakteur: Martin Hensel / Ulrike Ostler

Der Weg zum datengetriebenen Unternehmen ist lang und steinig. Im Gespräch mit Sage hat Dr. Kerstin Schäfer von Adobe deshalb Empfehlungen gegeben, wie sich der Datenaufbereitungsprozess effektiv und zukunftssicher gestalten lässt.

Firmen zum Thema

Datenaufbereitung ist ein komplexes Thema, für das in Unternehmen häufig das nötige Fachwissen fehlt.
Datenaufbereitung ist ein komplexes Thema, für das in Unternehmen häufig das nötige Fachwissen fehlt.
(Bild: Buffik / Pixabay )

Immer komplexere und zunehmend volatilere Märkte machen verlässliche Business-Entscheidungen schwierig. Statt Bauchgefühl sind firmeneigene Daten als Grundlage immens wichtig. Deren Aufbereitung und somit der Aufbau eines datenbasierten Fundaments für unternehmerisches Handeln sind die Achillesferse vieler Betriebe.

Anforderungen klar definieren

Wie eine Studie des Business Application Research Centers (BARC) zeigt, ist vor allem mangelndes Know-how das wesentliche Hindernis. 53 Prozent der Teilnehmer gaben an, dass auf Seiten der unternehmerischen Entscheidungsträger zu wenig Wissen rund um Datenbasis und -aufbereitung vorhanden ist.

Laut Dr. Schäfer müssen Business-Stakeholder klar definieren, welche Daten sie konkret benötigen. Dies sollte im Rahmen der Definition eines entsprechenden Prozesses als eigener Workflow abgebildet werden. Data Analyst und Data Engineer erhalten damit eine solide Arbeitsgrundlage und wissen genau, welche Daten sie sammeln und aufbereiten müssen. Bei besonders umfangreichen Datensätzen empfiehlt sich die Einbindung eines Data Strategists und eines Data Architects, um den Sammlungs- und Aufbereitungsprozess zu planen und vorzustrukturieren.

Komplexe Ausgangslage

Die Anreicherung der bestehenden Daten mit weiteren Informationen ist schwierig. So müssen beispielsweise im Marketing CRM- und Transaktionsdaten mit Informationen zu Verhaltensweisen, Einstellungen und Vorlieben der Kunden kombiniert werden. Dies ist schon bei Bestandskunden komplex und wird bei Neukunden noch komplizierter. Es empfiehlt sich, schon im Vorfeld Grundsatzfragen zu klären: Was ist der Status Quo? Welche Zielsetzungen gibt es? Welche Daten sind nötig, um Erfolge messen zu können?

Ein KPI-Framework ist der erste Schritt zur Erfolgsmessung. Es bricht Kennzahlen auf einzelne Abteilungen herunter und ermöglicht die Erfolgsmessung von Kampagnen. Ein Beispiel dafür ist der Versand einer E-Mail an Kunden, die ein Produkt im Warenkorb vergessen haben. Anhand ihrer Reaktion lässt sich der Output der Aktion ermitteln und in Relation zu den Kosten setzen.

Silo-Denken abschaffen

„Business drives IT“ sollte in allen Phasen das Motto sein. Es empfiehlt sich, Daten mit Blick auf konkrete Fragestellungen aufzubereiten. Bei der Analyse sollte nicht in Silos gedacht, sondern auf den Bezug der Daten zueinander geachtet werden. Per Korrelationsanalyse lassen sich solche Zusammenhänge aus großen Datenmengen ableiten. Dies setzt aber Engineering-Erfahrung und fundiertes Verständnis des Business-Kontexts voraus. Data Scientists und Business-Stakeholder sollten daher nicht voneinander losgelöst agieren.

Zudem sollte das Business frühzeitig in den Datenaufbereitungsprozess eingebunden werden. Regelmäßige Reviews und das Vier-Augen-Prinzip sind dabei wichtig. Das Prinzip „Test & Learn“ hilft ebenfalls weiter – Fehler sollten nicht negativ gesehen, sondern als Lerngrundlage verstanden werden. Datenverantwortliche sollten über ein fundiertes Verständnis der Kunden und der Customer Journey verfügen. Ein kundenzentriertes Vorgehen hilft dabei, indem etwa bei jeder Marketingmaßnahme per Mapping der Datenquellen vorab getestet wird, ob die geplante Aktion bei den Kunden überhaupt erwünscht ist. Erst danach ist es sinnvoll, sich mit den entsprechenden Daten zu befassen.

(ID:47696641)