Mit Daten gewinnen: Transformieren Sie Ihre Kultur, stärken Sie Ihre Mitarbeiter und gestalten Sie die Zukunft

vor 4 Jahren

Mit Daten gewinnen: Zusammenfassung und Rückblick

Schlüsselwörter: Analyse, Analytics, Business, Daten, Metriken, Informationen, Infrastruktur, Investoren, Operationalisieren, Start-up

Bitte beachten Sie: Am Ende dieses Beitrags finden Sie Links zu anderen Rezensionen, Zusammenfassungen und Ressourcen.

Buchrezension

In der heutigen Welt verändern Daten jede Branche. Daten sind die Zukunft, und Unternehmen, die wissen, wie man sie nutzt und umsetzt, haben einen großen Vorteil gegenüber denen, die das nicht wissen. Um in diesem sich schnell verändernden Umfeld erfolgreich zu sein, sollte jeder in einem Unternehmen sofortigen Zugriff auf die Informationen haben, die er braucht, um die besten Entscheidungen zu treffen. Mit Daten gewinnen berät, wie Unternehmen durch die strategische Analyse von Daten weiter wachsen und sich weiterentwickeln können.

Mit der Einführung von Mobiltelefonen ist der Bedarf und das Verlangen aller nach Daten exponentiell gestiegen. Die Menschen erwarten Daten. Sie sind es gewohnt, ihre Fragen sofort beantwortet zu bekommen. In dieser datenreichen Umgebung ist es wichtig, gängige Vorurteile und Wahrnehmungsfehler zu vermeiden. Innerhalb eines Unternehmens können Datenteams eine wichtige Kraft sein, um Vorurteile abzubauen und Datenkompetenz zu fördern. Das Team sollte seinen Kollegen beibringen, Daten richtig zu nutzen; es sollte den Leuten auch helfen, klarer über Daten zu kommunizieren.

Kennzahlen können einen tiefgreifenden Einfluss auf Prozesse haben und den Wettbewerbsvorteil eines Unternehmens widerspiegeln, aber das ist nicht alles. Ein Unternehmen ist mehr als seine Kennzahlen. Ein Unternehmen braucht auch klar definierte Werte. Und es braucht die richtigen Leute: Leute mit intellektueller Ehrlichkeit; Leute mit Neugier; Leute, die Kennzahlen verwenden, um Fragen zu beantworten.

Die Co-Autoren von Mit Daten gewinnen beide haben einen Hintergrund in datenintensiven Branchen. Tomasz Tunguz ist Risikokapitalgeber bei Redpoint Ventures und sein Blog bietet datenbasierte Ratschläge für Startups. Frank Bien – ein überzeugter Anhänger von Teamarbeit und einer positiven Unternehmenskultur – ist CEO von Looker, einer Business-Intelligence-Plattform. Wer mehr über die Karrieren der Autoren und die Entstehung dieser Zusammenarbeit erfahren möchte, dem sei die Lektüre der Einleitung empfohlen.

Tunguz und Bien führen zahlreiche Beispiele aus ihren eigenen Erfahrungen und denen anderer namhafter Unternehmen an: Venmos Nutzung von Daten zur Verbesserung seiner Produkte; Warby Parkers Störung eines Multimilliarden-Dollar-Marktes; ThredUps Fähigkeit, Tausende von Artikeln pro Tag zu verarbeiten.

Mit Daten gewinnen bietet Beratung, um Unternehmen zu helfen, sich in einer schönen neuen Welt zurechtzufinden. Die Empfehlungen der Autoren für die Gründung eines datengetriebenen Unternehmens werden Schritt für Schritt aufgeschlüsselt, einschließlich: Schaffung eines universellen Lexikons; Wiederbelebung der Teamkultur; Meetings auf Kurs halten; und hochwertige Präsentationen zu erstellen. Dieser nicht-technische Überblick erklärt hinreichend, wie die strategische Nutzung von Daten jedem Unternehmen einen Wettbewerbsvorteil verschaffen kann.

Zusammenfassung

Kapitel 1

Das Werbegeschäft hat früher die Art von kreativen Ansätzen bevorzugt, die in der TV-Show dargestellt werden Verrückte Männer. Heutzutage treibt die Mathematik die Strategie weit mehr an als die Kreativität. Anstatt von Verrückte Männer, Werbefachleute sind Math Men: Die Informationstechnologie bietet die Werkzeuge für die Entwicklung von Kampagnen; Algorithmen leiten die Entscheidungsfindung; Fast alle Arbeiten werden am Computer ausgeführt. Es hat sich einiges geändert seit dem Verrückte Männer Tage.

Daten haben eine Vielzahl unterschiedlicher Bereiche verändert, nicht nur die Werbung. Daten sind die Zukunft, und Unternehmen müssen verstehen, wie sie sie nutzen und sich mit ihnen weiterentwickeln.

In einem Unternehmen mit operationalisierten Daten bestimmen Daten das Verhalten jedes Mitarbeiters. Uber besitzt beispielsweise kein Inventar; das ganze Geschäft basiert auf Daten. Das Unternehmen entsendet Fahrer viel effizienter als altmodische Taxiunternehmen und sorgt durch ein Feedback-System, das problematische Fahrer leicht identifiziert, für eine hohe Zufriedenheit. Daten = operationalisiert.

Sofort verfügbare Daten sind unverzichtbar geworden und die Nachfrage nach sofortigen Informationen wächst. Wir wollen Antworten auf unsere Fragen sofort (!). Da es früher zu lange dauerte, bis die Leute in ihrem Unternehmen an Informationen kamen, wurden Daten in der Vergangenheit als Instrument zur Bewertung der Leistung in der Vergangenheit verwendet. Unternehmen mit einer guten Dateninfrastruktur können jedoch Informationen produzieren und Entscheidungen auf der Grundlage aktueller Kennzahlen treffen. Diese Unternehmen können sicherstellen, dass die Daten sofort dorthin gelangen, wo sie benötigt werden, und zu denen gelangen, die sie brauchen. Ineffiziente Lieferketten (die Leute, Prozesse und Programme, die mit den Daten in Berührung kommen) führen zu langsamen Daten, bei denen mehr Leute sie suchen als liefern. Das war früher ein Problem, aber heute sind wir reich an Daten und es gibt immer mehr zu gewinnen.

Die Datenmenge macht das Sortieren jedoch schwieriger und zeitaufwändiger als früher. Kleine Unternehmen haben möglicherweise keine Mitarbeiter für die Datenanalyse, und das Erstellen und Ausführen von Abfragen und Berichten kann überwältigend sein. Ohne Zugang zu adäquaten Daten gewöhnen sich Unternehmen daran, Entscheidungen auf der Grundlage von Meinungen zu treffen. Dies ist nie der beste Weg, um ein Unternehmen zu führen, und es kann ein Zeichen dafür sein, dass ein Unternehmen eine neue Datenlieferkette aufbauen muss.

Einige Unternehmen haben ganze Teams, die sich der Gewährleistung einer einheitlichen Art und Weise widmen, wie Daten gemessen, beschrieben und verwendet werden. Sie schulen andere im Unternehmen und befähigen sie, Daten kreativ zu nutzen. Datenteams demokratisieren den Datenzugriff, indem sie jedem helfen, besser zu verstehen, wie das Unternehmen mithilfe von Daten anstelle von Meinungen vorangebracht werden kann.

Kapitel 2

Es gibt einige Probleme mit Daten, die für unsere Zeit charakteristisch sind.

Etymologisch Neugierige werden sich für die Fleischmanns interessieren, tschechische Bäcker, die in die USA einwanderten und durch die heute noch in Supermärkten verkaufte Backhefe berühmt wurden. Die Fleischmanns machten jeden Tag Brot, und am Ende des Tages hatten sie immer etwas übrig, das sie an die Armen verschenkten. Die Schlangen von Menschen, die auf dieses kostenlose Brot warteten, wurden bekannt als Brotlinien. Heutzutage gibt es Brotzeiten für die Datenarmen. Die Leute warten auf die Informationen, die sie brauchen, wie ein armer Mensch auf Brot wartet. Einige Datenanfragen werden priorisiert; andere Anfragen warten. Daten-Breadlines verursachen mehrere Probleme:

Die Leute müssen auf Daten warten. Dies verlangsamt den Entscheidungsprozess, was wiederum das Unternehmen verlangsamt.
Die Leute werden ungeduldig und treffen manchmal Entscheidungen, ohne auf Daten zu warten. Uninformierte Vermutungen führen selten zu guten Ergebnissen.
Die Einhaltung der Brotgrenze entzieht dem Datenmanagement-Team Energie, behindert ihr Potenzial und vergeudet ihre Talente.

Auch die Datenunklarheit ist problematisch. Reaktionszeit und Genauigkeit verlangsamen sich, wenn Daten desorganisiert sind. Schließlich kann ein Unternehmen das Vertrauen in seine Daten verlieren.

Ein weiteres Problem ist die Datenfragmentierung. Wenn die Leute nicht an die Daten kommen, die sie brauchen, finden sie einen Weg, sie abzufangen und ihre eigenen Datenbanken zu erstellen. Betrügerische Analysten und Schattendatenbanken ignorieren oft normale Validierungs- und Aktualisierungsprozesse und halten die Informationen in Silos.

Und schließlich können Datenstreitigkeiten für Unternehmen erhebliche Probleme verursachen. Datensegmentierung kann zu Fehlausrichtungen führen. Wenn es keine Konsistenz in den Informationen gibt, beginnen die Leute, den Standpunkten der anderen zu misstrauen. Sie sind anderer Meinung, sie streiten, sie kämpfen. Die Leute in den Unternehmen müssen alle auf derselben Seite stehen. Sie müssen dieselben Maßstäbe und dasselbe Vokabular verwenden.

Kapitel 3

Business-Intelligence-Systeme bestehen traditionell aus drei Schichten: Eine Datenbank speichert die Daten; ein Data Warehouse sammelt die Daten aus der Datenbank und aggregiert sie; und eine Visualisierungsschicht formatiert und präsentiert Berichte für den Endbenutzer. Dies ist eine Art knarrendes altes System, bei dem jedes Mal neue Abfragen für neue Berichte geschrieben werden müssen, wenn eine andere Frage gestellt wird.

Damals, als Google noch ein kleines Startup war, hatte es riesige Datenmengen, konnte sich aber die Datenbankgebühren von Oracle nicht leisten. Um dieses Problem zu umgehen, kaufte das Unternehmen eigene Server und verteilte die Daten auf diese. Die Strategie funktionierte, und wie Sie sicher wissen, ist Google heute ein Musterbeispiel für Datenmanagement. Das Unternehmen hat enorme Datenmengen generiert, und die Google-Mitarbeiter nutzen diese Daten für alle möglichen Recherchen und Analysen.

Auch bei Facebook wird die Datenanalyse ernst genommen. Das Unternehmen hat eine Reihe verschiedener Technologien entwickelt, um Mitarbeitern den Zugriff auf Daten zu ermöglichen. Eine Schnittstelle namens HiPal erleichtert Analysten die Suche nach Daten. Benutzer, die mit SQL (Structured Query Language (SQL)) nicht vertraut sind, können mit diesen Unternehmenstechnologien dieselben Analysen durchführen wie mit SQL. Andere Unternehmen wie LinkedIn verwenden eine ähnliche Dateninfrastruktur.

Looker ist eine neue Art von Datenschnittstelle. Es erstellt eine einzige Version von allem, die von der gesamten Organisation verwendet werden kann, wodurch die Datenintegrität erheblich verbessert wird.

Extreme Datensammlung ist die neue Normalität; alle großen Unternehmen verfügen über diese leistungsstarken Datenbanken. Sie sind sehr schnell, die Lagerung ist billig und es gibt viel Platz und Möglichkeiten. Angesichts dieser Fortschritte muss der gesamte Analyseansatz aktualisiert werden. Riesige Informationsmengen können angehäuft werden, und versierte Mitarbeiter sind es gewohnt, auf Daten zuzugreifen. Sie benötigen ausgereifte Tools, um anspruchsvolle Informationsbedürfnisse zu erfüllen. Und je einfacher es ist, die Tools zu verwenden, desto mehr Menschen werden sie verwenden.

Heutzutage gibt es viele Daten zu erforschen und die Menschen haben die Freiheit, sie zu erkunden. Dies ist die Datenstruktur der modernen Welt.

Eine kurze Lektion zur Geschichte der Datentechnologie: Die Datenbank wurde 1970 von einem IBM-Mitarbeiter namens Edgar Cook erfunden. Oracle Systems wurde zum dominierenden Entwickler von Datenbanken und verdiente viel Geld mit der Speicherung von Daten in ihren Datenbanken. In den 1990er Jahren führten andere Unternehmen Software ein, die die Nutzung von Datenbanken vereinfachte und die Datenbankkosten minimierte.

Kapitel 4

In der Regel verwenden Unternehmen Daten, um zu untersuchen, was in der Vergangenheit passiert ist. Der neue Weg besteht darin, Daten zu operationalisieren und sie zu verwenden, um Ereignisse zu verstehen, sobald sie auftreten.

Damals waren Kleidung und Stoffe so teuer, dass sogar Aristokraten gebrauchte Kleidung kauften. Die Strazzaroli handelten mit hochwertiger gebrauchter Kleidung. Doch mit der industriellen Revolution wurde die Kleidung billiger und die Strazzaroli verloren ihre Lebensgrundlage. Springen wir vor zu einem modernen Kommissionsunternehmen, The RealReal. Sie nutzen Echtzeitberichte, um zu sehen, was sich in ihrem Lager befindet und wie sich alles in der Wertschöpfungskette bewegt. Jeder im Unternehmen hat Zugriff auf dieselben Informationen; jeder kann in Echtzeit auf die Daten reagieren. Design, Marketing, Finanzen, Betrieb – jeder kann sofortige Informationen zum Vorteil des Unternehmens nutzen.

ThredUp ist ein weiterer Händler für gebrauchte Kleidung. Neben der Verfolgung und Verarbeitung von Waren verwendet ThredUp Daten, um vorherzusagen, welche Arten von Kleidung zu einem bestimmten Zeitpunkt nachgefragt werden. Die Verwaltung ihrer Daten half ihnen, nach der Einführung schnell zu skalieren.

Unternehmen verbringen zu viel Zeit mit Nebensächlichkeiten. Besprechungen fressen die Zeit aller Beteiligten. Das geht an der Produktivität vorbei. Die richtigen Daten hingegen verkürzen die Besprechungszeit, weil sie den Leuten helfen, sich auf die richtigen Fragen zu konzentrieren.

HubSpot, Anbieter von Marketing-Automatisierungssoftware, verfolgt fünf Metriken, um die Leistung seiner Vertriebsmitarbeiter zu bewerten. Vertriebsmitarbeiter können auf ihr eigenes Dashboard zugreifen, um zu sehen, wie sie ihre Ziele erreichen. Looker, wie bereits erwähnt, hat auch ein Tool entwickelt, um die Verkaufsleistung zu verfolgen. Vertriebsmitarbeiter können sehen, wie nahe sie ihrem Kontingent sind und was sie in der Pipeline haben. Zendesk, Anbieter von Kundenservicelösungen, nutzt NPS-Kundenumfragen, um Daten zu generieren, die ihnen zu einem beeindruckenden Wachstum verholfen haben.

Daten sind ein wichtiger Bestandteil jedes erfolgreichen modernen Unternehmens. Es spielt eine wichtige Rolle bei der Vermarktung von Lagerbeständen, der Reaktion auf Kundenanfragen, dem rechtzeitigen Aufbau von Vertriebsmitarbeitern und der Erhöhung der Reaktionsgeschwindigkeit.

Dieses Kapitel ist reich an Ratschlägen der Autoren:

Es ist wichtig, dass im gesamten Unternehmen dieselben Kennzahlen verwendet werden. Erwägen Sie eine Formalisierung und Standardisierung mithilfe eines Datenwörterbuchs. Sie benötigen ein gemeinsames Lexikon.
Seien Sie schonungslos ehrlich – oder streben Sie zumindest dieses Ideal an. Die Leute sollten nicht empfindlich sein. Lassen Sie Ihr Ego los und akzeptieren Sie Kritik.

Entscheidungen können sehr willkürlich sein, wenn sie nicht durch Daten untermauert sind. Je mehr Informationen wir haben, desto bessere Entscheidungen treffen wir.

Kapitel 5

Neugier ist eine grundlegende menschliche Emotion und laut den Autoren der beste Weg, die Unternehmenskultur in eine datengesteuerte zu verwandeln. Mitarbeiter sollten neugierig sein. Sie sollten die Möglichkeit haben, die Informationen nachzuschlagen, die sie interessieren, und sie sollten in der Lage sein, ihre Hypothesen zu testen.

Wenn ein Unternehmen von Daten angetrieben wird, sind einige kulturelle Veränderungen zu erwarten:

Das Unternehmen beginnt, Daten zu verwenden, um Entscheidungen zu treffen.
Die besten Ideen bekommt das Unternehmen von allen, nicht nur von den Führungskräften.
Das Unternehmen fördert Experimente und Überraschungen.

Experimentieren ist wichtig. Die Autoren demonstrieren den Wert des Experimentierens und diskutieren das Gehaltsabrechnungsprodukt Paycycle von Intuit. Die Produktmanager dachten darüber nach, eine Funktion einzubauen, mit der Arbeitgeber Schecks sofort ausstellen können, aber Untersuchungen zeigten, dass die Kunden an einer solchen Funktion nicht interessiert wären. Sie beschlossen, die Funktion trotzdem zu testen, und sie erfreute sich überraschend großer Beliebtheit. Die richtige Kultur beginnt mit neugierigen Mitarbeitern; sie beginnt mit Menschen, die Fragen stellen.

Es ist wichtig, neugierige Menschen zu finden, und das beginnt mit dem Einstellungsverfahren. Einstellungsgespräche sind jedoch normalerweise nicht sehr aufschlussreich. Sie können eher planlos ablaufen. Stattdessen schlagen die Autoren vor, dass es einen systematischen Prozess geben sollte, der die Bestimmung der wünschenswerten Eigenschaften eines Kandidaten, die Formulierung von Interviewfragen, die diese Eigenschaften ansprechen, und die Bewertung der Kandidaten nach den gewünschten Eigenschaften umfassen könnte. Der Kandidat mit der besten Bewertung gewinnt.

Rekrutierungskennzahlen sind nützlich, um Einstellungspraktiken zu bewerten – beispielsweise die Anzahl qualifizierter Kandidaten, die ein Telefoninterview bestehen, die Zeit vom ersten Kontakt mit einem Kandidaten bis zur Unterzeichnung des Angebots usw. Um die Zufriedenheit zu überwachen, können Sie Kandidaten nach den Interviews befragen, um zu erfahren, was sie von der Erfahrung hielten. Eine weitere wichtige Kennzahl ist die Angebotsannahmequote (der Prozentsatz der Personen, die Stellenangebote annehmen). Berechnen Sie Ihre Einstellungszielquote, indem Sie die Anzahl der Einstellungen durch das Einstellungsziel teilen.

Letztendlich möchten Sie Mitarbeiter, die zur Unternehmenskultur passen. Aber wie messen Sie die Kultur? Nutzen Sie Umfragen und andere Tools, um einen Dialog zwischen Management und Mitarbeitern über das Unternehmen herzustellen. Was sind die Ziele der Mitarbeiter? Was gefällt ihnen am Unternehmen? Welches Feedback können sie geben? Dieser Prozess wird fortgesetzt, bis die Unternehmenswerte herausgearbeitet sind und aufgezeichnet werden können.

Durch die Klärung dieser Punkte kann der Interviewer leichter beurteilen, inwieweit die Werte eines Kandidaten zu ihm passen. Wenn Ihr Unternehmen beispielsweise Wert auf einen hochwertigen Kundenservice legt, könnten Sie einen Mitarbeiter nach einem Beispiel für eine Situation fragen, in der er einem Kunden geholfen hat.

Google geht mit Metriken einen Schritt weiter als alle anderen. Sie messen absolut alles über den Einstellungsprozess und geben ihren HR-Mitarbeitern viel Feedback. Interviewer erhalten routinemäßig Informationen, um ihre Leistung zu verbessern.

Kapitel 6

Sobald Sie neugierige Mitarbeiter haben, rechnen Sie damit, dass diese Fragen stellen. Damit beginnt der typische Prozess in datengesteuerten Unternehmen:

Schritt eins: Personen, die Informationen benötigen, fragen einen der Ingenieure, die bei der Erstellung und Erstellung der Datensysteme mitgewirkt haben. Wenn das Unternehmen wächst, wird dies zu einer Belastung für die Ingenieure.
Schritt zwei: Das Team leiht sich eine Lösung von woanders. Die Leute verwenden Software oder andere Tools aus einer anderen Abteilung oder einem anderen Unternehmen. Auf die Daten von jemand anderem zugeschnitten, ist das möglicherweise nicht die richtige Lösung.
Schritt drei: Das Team erhält die Rohdaten und schreibt eigene Abfragen.

Twilio hatte zwei Arten von Datensuchern. Einerseits wusste das Datenteam alles über die Dateninfrastruktur und deren Nutzung. Sie wünschten sich Berichte, die mehrfach ausgeführt und an das entsprechende Publikum geliefert werden konnten. Auf der anderen Seite wollte der Rest des Unternehmens eine einfache Schnittstelle, die es ihnen ermöglicht, durch die Daten zu blättern. Die Befriedigung dieser beiden sehr unterschiedlichen Zielgruppen ist eine kritische Aufgabe der Dateninfrastruktur.

Problematisch ist auch die Dezentralisierung der IT-Einkaufskompetenz. Teamleiter und Abteilungen kaufen zunehmend Software, wodurch das Datenteam aus der Schleife herausgeschnitten wird. (Diese fehlende Rechenschaftspflicht gegenüber der technischen Abteilung wird Schatten-IT genannt.) Anbieter sind gerne bereit, ihren leitenden Kunden maßgeschneiderte Lösungen anzubieten, aber dies führt zu einer Datenfragmentierung, bei der verschiedene Abteilungen und Einheiten unterschiedliche Versionen der Wahrheit haben.

Datenteams müssen die Datenarchitektur transformieren, um den Benutzern mehr Macht zu geben. Endbenutzer sollten entscheiden, welche Berichtstools sie verwenden möchten. Die Rolle des Datenteams besteht darin, die Infrastruktur zu unterstützen, damit Benutzer die Daten analysieren können. Cloud-Datenbanken sollten mit lokalen Unternehmensdatenbanken funktionieren.

Das Data Fabric – die Informationsmatrix innerhalb des Unternehmens – muss für jeden zugänglich sein. Eine Möglichkeit, es zu standardisieren, ist die Datenmodellierung. Jeder im Unternehmen sollte dieselben Zahlen verwenden und dieselbe Sprache sprechen. Konsistenz ist so wichtig. Wissenschaftler und Ingenieure verstehen vielleicht die Datenarchitektur eines Unternehmens, aber nicht jeder andere. Das Data Fabric macht die Informationen für alle verfügbar.

Kapitel 7

Während des Zweiten Weltkriegs traf sich eine Gruppe von Mathematikern und Statistikern in New York zu geheimen Treffen, bei denen sie militärische Daten analysierten und Empfehlungen an Washington gaben (die häufig befolgt wurden). Einer der Männer im Team, Abraham Wald, war von der Air Force beauftragt worden, Panzerungen für Flugzeuge zu entwerfen. Daten von zurückkehrenden Flugzeugen zeigten, dass sich die meisten Einschusslöcher um das Heckgewehr und die Flügel herum befanden, daher dachte man, dass diese Bereiche gepanzert werden sollten. (Die Panzerung war schwer, also konnte man sie nicht einfach auf das ganze Flugzeug auftragen. Man musste selektiv vorgehen.) Aber Abraham Wald wies darauf hin, dass die Flugzeuge, die in die Flügel geschossen worden waren, überlebten. Die Autoren erzählen diese Geschichte, um zu verdeutlichen, wie wichtig es ist, Datenverzerrungen zu vermeiden.

Es gibt viele potenzielle Fallstricke, viele Arten von Datenverzerrungen, die Sie daran hindern können, Daten zu verstehen:

Survivorship Bias – Immer wenn Sie Daten aus Ihrer Analyse ausschließen, riskieren Sie verzerrte Ergebnisse. Korrelation ist nicht gleich Kausalität; nur weil zwei Dinge scheinbar zusammenzugehören, heißt das nicht, dass das eine das andere verursacht hat.
Ankereffekt – Dieser tritt auf, wenn Ihnen jemand einen Wert vorschlägt und dieser Ihre eigene Schätzung beeinflusst. Wenn ich Sie beispielsweise frage, ob Gandhi bei seinem Tod über 114 Jahre alt war, wäre Ihre Antwort wahrscheinlich anders, als wenn ich Sie frage, ob er über 35 Jahre alt war.
Verfügbarkeitsverzerrung – Wenn Sie etwas geschehen sehen oder von jemandem, den Sie kennen, erfahren, wie es geschehen ist, wird es Ihnen so vorkommen, als ob es viel häufiger vorkommt.

Sie können sich Illusionen der Validität machen und glauben, dass das Sammeln von mehr Daten dazu beiträgt, die Zukunft vorherzusagen, aber es gibt viele Möglichkeiten, wie Sie die Daten nicht richtig interpretieren können. Vorsichtig sein.

Neue Facebook-Mitarbeiter nehmen an einem zweiwöchigen Datencamp teil, um mehr Datenkompetenz zu erlangen. Dies gibt allen einen gemeinsamen Hintergrund, um Probleme und Chancen zu diskutieren. Sie lernen verfügbare Tools und Datensätze kennen. Außerdem haben sie die Möglichkeit, an Projekten mitzuarbeiten, um ihr Wissen zu erweitern. Datenteams können viel tun, um sich mit Mitarbeitern zu treffen und die Datenkompetenz im gesamten Unternehmen zu verbessern. Eine solche Auseinandersetzung mit der Unternehmenskultur ist ein wichtiger Bestandteil ihrer Arbeit.

Kapitel 8

Deskriptive Analysen fragen, was passiert ist; Die diagnostische Analytik fragt nach dem Warum. (Dashboards, die in diesem Buch irgendwie verleumdet werden, sind die Schnittstellen der deskriptiven Analyse.)

Deskriptive und diagnostische Analysen befassen sich mit der Vergangenheit, während prädiktive und präskriptive Analysen sich mit der Zukunft befassen. Prädiktive Analysen verwenden historische Daten, um zukünftige Ergebnisse vorherzusagen. Analysten können hypothetische „Was wäre wenn“-Fragen stellen, um zu entscheiden, welchen Weg sie einschlagen sollen. Präskriptive Analysen empfehlen die Vorgehensweise auf Grundlage der Daten. Dies erfordert große Datenmengen und ausgefeilte Analysen.

Die Data Sophistication Journey ist ein Modell, das von der Marktforschungsagentur Gartner entwickelt wurde. Data Sophistication bildet die Entwicklung eines Teams von deskriptiver zu diagnostischer Analytik und von prädiktiver zu präskriptiver Analytik ab. Doch Gartner übersieht etwas zwischen diagnostischer und prädiktiver Analytik: explorative Analytik. Diese hilft uns, eine Hypothese zu finden; sie fragt „warum?“. Konfirmative Analytik wird verwendet, um festzustellen, ob eine Hypothese wahr ist.

Daten sind nur dann nützlich, wenn Sie darauf reagieren können. Das Sammeln von Daten ohne wirklichen Grund dient keinem wirklichen Zweck. Andererseits wissen Sie erst nach der Analyse, welche Kennzahlen umsetzbar sind. Es ist gut, ein Gleichgewicht zu haben.

Bestimmte Kennzahlen haben sich bewährt. Der Lebenszeitwert eines Kunden (LTV) ist eine Schätzung des gesamten Bruttogewinns, der im Laufe der Zeit mit einem Kunden erzielt werden kann. Die Kosten der Kundenakquise (CAC) sind die Summe aller durchschnittlichen Vertriebs- und Marketingkosten für einen Kunden. Das LTV/CAC-Verhältnis gibt an, wie effizient ein Unternehmen Umsatz erzielt. Manchmal können neue Kennzahlen jedoch an eine Situation angepasst werden, und die Erstellung neuer Kennzahlen kann neue Möglichkeiten aufdecken. Die mMedia-Site Upworthy verfolgt verschiedene Kennzahlen, um zu ermitteln, welche Faktoren ihre Inhalte beliebter machen, aber sie benötigten mehr Informationen und erfanden daher eine ganz neue Kennzahl, um die tatsächliche Aufmerksamkeit der Benutzer zu messen (d. h. ohne die Momente zu berücksichtigen, in denen eine Webseite geöffnet wird, der Leser aber die Katze füttern geht).

Entwerfen Sie ein Experiment. Bestimmen Sie die Umsetzbarkeit. Die Daten sollten sich auf tatsächliche Entscheidungen beziehen, die getroffen werden können. Umreißen Sie die erwarteten Ergebnisse. Bestimmen Sie im Voraus die Parameter des Experiments. Entwerfen Sie das Experiment. Entwickeln Sie eine Hypothese. Entscheiden Sie sich für mehrere verschiedene Datenpunkte. Berechnen Sie den p-Wert. Der p-Wert ist die Wahrscheinlichkeit, dass die Hypothese falsch ist. Anweisungen für diese Berechnung werden bereitgestellt. Planen Sie die Durchführung des Experiments. Finden Sie heraus, wie lange es dauern wird. Wie viele Proben Sie benötigen. Wer wird die Arbeit machen und wie wird sie strukturiert sein. Vergessen Sie nicht, eine Kontrollgruppe einzubeziehen, mit der Sie die Ergebnisse vergleichen können. Führen Sie das Experiment durch. Analysieren Sie die Ergebnisse. Vergleichen Sie sie mit der Kontrollgruppe.

Kapitel 9

New York City hat der Öffentlichkeit eine Reihe von Daten zur Verfügung gestellt. Ein Stipendiat, Ben Wellington, begann mit der Analyse der Daten und berichtete in seinem Blog darüber, unter anderem über die Kartierung von Fahrradunfällen in der Stadt. Er wurde sehr populär und schreibt seinen Erfolg seinen Fähigkeiten im Geschichtenerzählen zu.

Wellingtons Lektionen beinhalten, wie wichtig es ist, Daten greifbar zu machen. Machen Sie Geschichten daraus. (Das sage ich meinem Team ständig!) Manche Leute denken, Daten seien langweilig und allein nicht inspirierend. Indem Sie eine Geschichte daraus machen, verleihen Sie ihnen eine emotionale Anziehungskraft. Besonders wichtig ist es, Ihre Geschichte erzählen zu können, wenn Sie Investoren umwerben. Unternehmer, die Investoren Startups vorstellen, müssen zeigen, dass sie eine neue Chance erkannt haben – sie müssen Dringlichkeit demonstrieren.

Eine Standardmethode zur Übermittlung von Daten sind Präsentationen. Definieren Sie zunächst das Ziel der Präsentation. Was möchten Sie erklären? Möchten Sie jemanden von etwas überzeugen? Möchten Sie etwas verkaufen? Bewerten Sie das Zielpublikum. Investoren sind besonders an Risiken interessiert. Wenn Sie diese Punkte also diskutieren, zeigen Sie, dass Sie die Perspektive des Investors verstehen. (Es gibt viele Arten von Risiken, siehe Seitenleiste.) Es ist wichtig, den Handlungsbogen zu entwickeln. Erstellen Sie mit Ihrem Wissen über die Hoffnungen und Sorgen der Investoren eine Storyline, die diese Bedenken anspricht. Beschränken Sie sich auf zehn Folien oder weniger.

Die Präsentation könnte mit dem Unternehmenszweck oder der Mission beginnen. Beschreiben Sie das Problem. Welches Problem wird Ihr Produkt lösen? Bieten Sie dann eine Lösung für das Problem an. Erklären Sie, warum dies gerade jetzt eine gute Idee ist und warum es noch niemand zuvor getan hat. Eine Demonstration Ihres Produkts wäre nett, aber auch Bilder sind gut. Weitere wichtige Informationen, die Sie in Ihre Präsentation aufnehmen sollten: Marktgröße, Ihr Team, Geschäftsmodell, Konkurrenz und Finanzen.

Kommunizieren Sie Ihre Vision der Gelegenheit und untermauern Sie diese Vision mit Daten. Stellen Sie eine Lösung bereit. Erklären Sie den Ansatz des Unternehmens. Zeigen Sie, wie der Markt reagiert hat. Engagement- und Akquisitionskennzahlen werden hier hilfreich sein. Es ist wichtig, eine gute Schätzung der Marktgröße abzugeben. Risikokapitalgeber wollen das unbedingt wissen. Wie groß ist der potenzielle Markt, von dem wir hier sprechen? Eine Diskussion der Finanzdaten sollte mindestens Umsatz, Bruttomarge und Cashflow umfassen.

Wenn Sie die Präsentation halten, werden die Leute Fragen haben. Je mehr Daten Sie haben, desto besser sind Sie auf die Beantwortung dieser Fragen vorbereitet.

Einige verschiedene Arten von Risiken:
Market-Timing-Risiko – Ist dies der richtige Zeitpunkt für dieses Unternehmen?
Geschäftsmodellrisiko – Haben Sie das richtige Modell für Ihr Produkt?
Risiko der Marktakzeptanz – Werden die Leute Ihr neues Produkt verwenden?
Marktgrößenrisiko – Ist Ihre Lösung groß genug, um einen Risikokapitalgeber glücklich zu machen?
Ausführungsrisiko – Verfügt Ihr Team über die richtigen Fähigkeiten für die Aufgabe?
Technologierisiko – Wenn eine neue Technologie entwickelt wird, wird sie rechtzeitig fertiggestellt?
Kapitalisierungsrisiko: Ist genügend Kapital vorhanden, um die gesamte Strecke zu bewältigen?
Plattformrisiko – Gibt es externe Partner außerhalb Ihrer Kontrolle?
Risiko des Venture-Managements – Ist das Unternehmen offen für Feedback?
Finanzielles Risiko – Kann das Unternehmen seine Rechnungen weiterhin bezahlen?
Rechtliches Risiko – Drohen Klagen oder andere rechtliche Probleme?

Kapitel 10: Alles zusammenfügen
Alles zusammenfügen

In einem Unternehmen kann es viele Reibungen geben. Daten können helfen, diese Reibung zu verringern.

Menschen müssen Daten verstehen und erwarten können. Menschen müssen intellektuell ehrlich sein; im Entscheidungsprozess geht es nicht um das Ego. Lassen Sie die besten Ideen gewinnen und lassen Sie nicht zu, dass die Politik die Entscheidung beeinflusst. Ein Unternehmen braucht klar definierte Werte. Es braucht die richtigen Leute, es braucht neugierige Leute.
Der beste Weg, ein Unternehmen für diese schöne neue Welt zu wappnen, sind Daten, und der Durst nach Daten ist zunehmend global. Es verändert wirklich jede Branche. In Zukunft wird die Operationalisierung von Daten Unternehmen den Wettbewerbsvorteil verschaffen, den sie für ihren Erfolg benötigen. Die Menschen haben sofort die Informationen, die sie benötigen, um die besten Entscheidungen zu treffen.

Metriken können einen tiefgreifenden Einfluss auf den Prozess haben. Sie können die Arbeitsweise eines Unternehmens verbessern, was ihm einen Wettbewerbsvorteil verschaffen kann. Mit einer einheitlichen Datenstruktur und guten Teams transformieren Unternehmen ihre Branchen.