Vereinheitlichung von Geschäft, Daten und Code

Kapitel 1. Die Notwendigkeit einer einheitlichen Datenstrategie

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Stell dir vor, du bist Datenstrategieberater/in und unterstützt Führungskräfte mit einem Spektrum von Problemen in verschiedenen Branchen. In manchen Fällen werden Fristen nicht eingehalten und du sollst herausfinden, warum. In anderen Fällen haben die Führungskräfte eine Vision, wie sie die Welt verändern wollen, und möchten, dass du als Denkpartner einen Prototyp entwirfst, testest und baust, um ihn auf einer globalen Konferenz zu präsentieren. Wenn du mit Führungskräften zusammenarbeitest, um verschiedene Probleme zu lösen, erkennst du Muster, was in der Welt der Daten, Innovationen und KI funktioniert und was nicht, und du fragst dich, warum.

Letztlich besteht deine Aufgabe darin, die Ursachen von Innovationsengpässen zu ermitteln und umsetzbare Empfehlungen zu geben, damit Unternehmen diese Hindernisse überwinden und ihre Ziele erreichen können. Wenn es eine Reihe von Grundsätzen und Richtlinien gäbe, um Innovationsergebnisse effektiver und zuverlässiger zu machen, könnten du und deine Kunden erfolgreicher sein.

Eine vereinheitlichende Datenstrategie ist ein Weg, Innovation durch die Brille der Frage zu betrachten, welcher minimale Aufwand für die Zusammenarbeit mit Daten den maximalen Geschäftswert schafft. Sie erfordert oder empfiehlt keine bestimmte Technologie, aber sie verlangt, dass du Daten aus einer ganzheitlichen Perspektive betrachtest, damit du Teams auf eine gemeinsame Sprache, ein gemeinsames Verständnis und eine gemeinsame Arbeitsweise einschwören kannst.

Deine Suche nach datengesteuerten Durchbrüchen beginnt

Du wurdest von John, dem CEO eines innovativen Biopharmaunternehmens, eingestellt, das sich gerade erhebliches Risikokapital gesichert hat, um eine bahnbrechende neue Therapie zu entwickeln, die eine Krankheit heilen könnte, an der jedes Jahr Millionen von Menschen sterben.

"Die Uhr tickt", sagt John. "Mit jedem Tag, der verstreicht, laufen wir Gefahr, im Wettlauf um die Entwicklung einer lebensrettenden Therapie ins Hintertreffen zu geraten, und es stehen Milliarden von Dollar an Verträgen auf dem Spiel. Ich habe unseren Investoren versprochen, dass wir uns bei allem, was wir tun, an Daten orientieren werden. Der Lebensunterhalt von Hunderten von Beschäftigten steht auf dem Spiel, wenn wir nicht liefern, und vor allem warten Millionen von Menschen verzweifelt auf ein Heilmittel."

John möchte eine Bewertung der wichtigsten Datenprobleme des Unternehmens und Empfehlungen für eine schnelle und effektive Lösung. Obwohl das Unternehmen über ein hervorragendes Datenteam verfügt, das über einen Doktortitel in Datenwissenschaften und Biologie von renommierten Universitäten verfügt, kämpft es mit der Entdeckung von Medikamenten, hat ständig mit Datenproblemen zu kämpfen und lässt sich selbst und die F&E-Teams, die von ihnen abhängig sind, mit dem Löschen von Bränden zurück, obwohl es kontinuierlich in die Vergrößerung des Teams investiert.

Der Druck ist spürbar. John soll in ein paar Monaten den Geldgebern und dem Vorstand der Organisation einen Plan vorlegen, wie die Situation angegangen werden kann, um die erhofften Ergebnisse zu erzielen. Riesige Pharmakonzerne drängen darauf, aus neuen Technologien für bisher unheilbare Krankheiten Kapital zu schlagen, und Verträge in Milliardenhöhe hängen davon ab, dass die neue Therapie innerhalb einer bestimmten Frist in die nächste Phase der klinischen Studien übergeht. Jeder Tag, der aufgrund von Datenproblemen verloren geht, gefährdet die finanzielle Zukunft des Unternehmens. Der Lebensunterhalt von Hunderten von Menschen und ihren Familien steht auf dem Spiel. Jeder in der Organisation arbeitet mehr als 12 Stunden am Tag und weiß, dass er Teil des Teams sein wird, das die Welt verändert und Millionen von Leben gerettet hat, wenn er erfolgreich ist.

Du bittest John, die eine Sache zu definieren, die am wichtigsten ist, um zu bestimmen, wie Erfolg aussieht. Du nennst diese eine Sache einen Nordstern, der dir helfen wird zu beurteilen, ob die Mitarbeiter ihre Bemühungen auf die Vision des CEO ausrichten. John spricht selbstbewusst über datengesteuerte Entscheidungsfindung, um die Forschung zu beschleunigen, und sagt, dass maschinelles Lernen das Potenzial hat, Jahre und Millionen von Dollar an F&E-Kosten einzusparen. Der Nordstern lautet: Wir werden über die fortschrittlichsten datengesteuerten Fähigkeiten für die Arzneimittelforschung verfügen. Du hast den Eindruck, dass Daten die Forschung und Entwicklung vorantreiben werden, und du glaubst an die Vision des CEOs.

Die North Star-Definition gerät jedoch ins Wanken, als John sich darüber äußert, dass die Unternehmenskultur auf Forschung und Entwicklung ausgerichtet ist, und es wird deutlich, dass er keine Ahnung davon hat, wie Data Science funktioniert. John fummelt an seinen Worten herum und fühlt sich sichtlich unwohl dabei, dass seine Aussagen einer genaueren Überprüfung nicht standhalten. Keine große Sache, denkst du. Du versicherst dir und dem Geschäftsführer, dass ihr gemeinsam die Definition von North Star klar und deutlich machen könnt.

Normalerweise gibt es mehrere, widersprüchliche Nordsterne

Bei der Befragung von VPs und den ihnen unterstellten Direktoren zum North Star entdeckst du auffällige Diskrepanzen in ihrer Sichtweise der Bedeutung von Data Science für ihre Arbeit. Die Unternehmenskultur ist in der Tat F&E-geleitet, aber der CEO sagt, dass der Nordstern vollständig datengesteuert sein soll. Das F&E-Team konzentriert sich auf die Durchführung von biologischen Experimenten und hat keine Erfahrung im Datenmanagement.

Die Data-Science- und Data-Engineering-Teams sind völlig unterschiedliche Teile des Unternehmens, die in erster Linie die Forschung und Entwicklung unterstützen, indem sie Datenprobleme beheben und Datenanfragen aus dem gesamten Unternehmen bearbeiten. F&E sind die Experten auf ihrem Gebiet, nicht die Datenwissenschaftler. Was bedeutet "datengesteuert" überhaupt, wenn die F&E-Abteilung ihre Entscheidungen auf der Grundlage ihrer Intuition trifft?

Die Art und Weise, wie die Datenteams die Probleme sehen, die mit Data Science gelöst werden sollen, und die Strategie, wie Data Science eingesetzt wird, um datengestützte Entscheidungen in F&E zu treffen, unterscheiden sich erheblich von der Art und Weise, wie der CEO über den Nordstern denkt. Je mehr Leute du fragst, was der Nordstern ist, desto mehr wird er in allen Abteilungen und auf allen Ebenen des Unternehmens nicht mehr erkannt. Wenn du andere Führungskräfte zu diesen unterschiedlichen Auffassungen befragst, tun sie den Nordstern als eine ehrgeizige und unrealistische Phrase ab und nicht als operative Grundlage für ihre Ziele und ihre Arbeit.

Das Gute, das Schlechte und das Hässliche von Datenproblemen

Wenn man tiefer gräbt, stellt man fest, dass Unternehmensleiter teure Entscheidungen treffen und in Software und Hardware investieren, die Daten erstellen, aufbereiten und verbreiten, nur um dann festzustellen, dass die Daten größtenteils wertlos sind, weil tiefere und wichtigere Probleme ignoriert werden. Der CEO ist sich der ständigen Datenverfälschung, die das angeblich datengesteuerte Unternehmen plagt, gar nicht bewusst und wiegt sich in einem falschen Gefühl des Wohlbefindens, das durch teure Rechnungen für die Speicherung von Daten in der Cloud und für Rechenleistung hervorgerufen wird. Wie das Sprichwort schon sagt: Garbage in, garbage out (GIGO).

Ein Vizepräsident erzählt dir insgeheim, dass das größte Problem, das es zu lösen gilt, darin besteht, dass alle Wissenschaftler/innen mit Daten arbeiten, die in ihren E-Mails, PowerPoints, Excel-Tabellen und CSV-Dateien (Comma-Separated Values) in SharePoint gespeichert sind. Keiner kann die Arbeit der anderen sehen oder voneinander lernen. Der VP erwägt das Beratungsangebot eines Cloud-Anbieters für eine Enterprise Data Lake-Lösung mit einem Knowledge Graph, einem Datenkatalog und einer Reihe anderer teurer Unternehmens-Tools, die im Rahmen eines digitalen Transformationsprojekts über mehrere Jahre hinweg Millionen von Dollar kosten werden. Der Vizepräsident erfährt von diesen vertrauenswürdigen Experten, dass die Daten des Unternehmens vollständig unter Kontrolle sein werden und dass sie in der Lage sein werden, die von den Führungskräften gewünschten Erkenntnisse zu gewinnen.

Es gibt nur ein Problem: Fast immer funktioniert es nicht so, wie die Datenlösung verkauft wurde. Das hat in der Regel weniger mit den Daten als vielmehr mit der Strategie deines Unternehmens zu tun, oder vielmehr mit dem Fehlen einer wirksamen, einheitlichen Datenstrategie, die sich damit befasst, wie Menschen in sehr unterschiedlichen Bereichen und mit sehr unterschiedlichen Perspektiven sich gegenseitig verstehen und zusammenarbeiten müssen.

Das Problem besteht darin, abstrakte Geschäftsinformationen mit möglichst geringem Fehlerrisiko in konkrete Ergebnisse umzuwandeln. Das Geschäftsteam sagt, was es will, und erwartet eine Top-down-Progression, wie in Abbildung 1-1 dargestellt. Wenn ein Entwicklungs- und Datenteam dies fehlerfrei umsetzt, ist es eine erfolgreiche Daten-/Code-Implementierung, die ein Produkt für die betrieblichen Anforderungen genau darstellt.

In der Welt des Datenmanagements liegt die wahre Herausforderung nicht in der Technologie, sondern im menschlichen Faktor: Die Menschen arbeiten in ihren eigenen Silos, was die Perspektiven verzerrt. Die Überbrückung dieser Lücken ist entscheidend. Führungskräfte denken oft in lösungsorientierten Top-Down-Begriffen und priorisieren unmittelbare Probleme wie "Wir brauchen Technologie X für Problem Y", anstatt sich mit den eigentlichen Ursachen zu befassen, z. B. "Warum sind unsere Kosten in Bereich Z so hoch? Und wie können wir verhindern, dass das Problem überhaupt auftritt? Und welche anderen Bereiche sind von dem Problem betroffen?" Dieser Fokus kann unmittelbare Probleme für eine einzelne Abteilung lösen, vernachlässigt aber die Gesundheit der Organisation insgesamt.

Im Gegensatz dazu bieten Datenteams eine Bottom-up-Sicht, die in den logistischen und technischen Realitäten verankert ist. Wenn Projekte einfach an ein Datenteam zur Ausführung weitergegeben werden, nachdem das Problem und die Lösung bereits feststehen, kommt es zu Konflikten zwischen den Perspektiven, die den Zeitplan und das Budget durcheinander bringen. Die Lösung ist einfach, aber anspruchsvoll: Bringe diese Perspektiven in Einklang, bevor du handelst. Kläre Unklarheiten, überbrücke Wissenslücken und beseitige blinde Flecken. Auf diese Weise entwickelst du eine einheitliche Roadmap, die die Wünsche des Unternehmens mit den tatsächlichen Bedürfnissen in Einklang bringt und letztendlich die beste Lösung findet.

Diese Denkweise erfordert es, die Probleme bei der Übersetzung zwischen der Geschäfts- und der Datenwelt als zwei verschiedene Kategorien zu betrachten:

Top-down-Probleme

Strategien und Instrumente werden in der Methodik in den Kapiteln 4, 6 und 7 behandelt.

Bottom-up-Probleme

Die Instrumente und Strategien der Methodik behandeln Bottom-up-Ansätze in den Kapiteln 9 und 10.

Außerdem wirst du lernen, dass JSON Schema besonders nützlich ist, weil es zwei Kernfunktionen hat: die Validierung, die sich besonders gut für Top-Down-Probleme bei der Übersetzung von Geschäftsdaten eignet, und die Extraktion von Anmerkungen, die auch für die Lösung von Bottom-Up-Problemen bei der Übersetzung äußerst nützlich ist. JSON Schema ist außerdem für Menschen und Maschinen lesbar, was es zur idealen Open-Source-Technologie für deine Organisation macht, um eine einheitliche Strategie umzusetzen.

Abbildung 1-1. Bei der Vereinheitlichung geht es darum, die Konzepte abzustimmen und zu verstehen, wenn sie zwischen Geschäfts- und Datenteams fließen, um unterschiedliche Anforderungen zu erfüllen, indem Unklarheiten, Wissenslücken und blinde Flecken minimiert werden. Während das Beispiel in diesem Abschnitt eine Top-down-Richtung beschreibt, wird im nächsten Abschnitt "Das Problem mit den Problemen" untersucht, wie ein Bottom-up-Ansatz aussieht. Das Ziel der Vereinheitlichung ist die Angleichung in beide Richtungen.

Normalerweise dauert es Jahre, bis diese groß angelegten Unternehmensprojekte erfolgreich umgesetzt sind. Mitarbeiter verlassen das Unternehmen, und es werden Prozesse eingeführt, die die Mitarbeiter entweder umgehen oder nie lernen. Es gibt Widerstände, Dinge auf neue Weise zu tun und neue komplexe Software zu erlernen. Taxonomische Prozesse können zu Engpässen werden, Datenbankarchitekturen werden diskutiert, Geschäftsprioritäten und Wettbewerbsbedrohungen ändern sich, und in der Zwischenzeit sammeln sich Berge neuer, ungeordneter Daten schneller an, als das Datenmanagementprojekt, das sie bändigen soll, bewältigen kann. In fünf Jahren geht das neue Managementteam, das das alte durch eine Reorganisation ersetzt hat, mit einem neuen Budget noch einmal von vorne los, in dem Glauben, dass es aufgrund neuer technologischer Paradigmen und Trends eine bessere Lösung hat, aber sie erreichen nie den Nirwana-ähnlichen Datenzustand, nach dem sich alle sehnen.

Hinweis

Im Kontext des JSON-Schemas erfüllen die Validierung und die Extraktion von Anmerkungen unterschiedliche, aber sich ergänzende Aufgaben. Bei der Validierung wird sichergestellt, dass ein bestimmtes JSON-Dokument den im Schema definierten Regeln und Einschränkungen entspricht, z. B. den Datentypen oder erforderlichen Eigenschaften. Dies trägt dazu bei, die Integrität und Konsistenz der Daten zu gewährleisten. Bei der Annotationsextraktion hingegen werden zusätzliche Metadaten oder beschreibende Informationen aus dem JSON-Dokument herausgezogen, z. B. Feldbeschreibungen oder Standardwerte. Diese Anmerkungen haben zwar keinen Einfluss auf den Validierungsprozess, liefern aber zusätzlichen Kontext, der für die Erstellung von Dokumentationen, Tooltipps in einer Benutzeroberfläche oder andere zusätzliche Funktionen genutzt werden kann. Die Validierung und die Extraktion von Anmerkungen tragen gemeinsam zur Robustheit und Benutzerfreundlichkeit JSON-basierter Datenstrukturen bei. In den Kapiteln 2 und 5 erfährst du mehr über JSON und JSON Schema aus technischer Sicht, und in Kapitel 8 geht es um Validierung und Anmerkungen.

Wenn Teams nicht gut zusammenarbeiten und wenn Führungskräfte und Mitarbeiter in ihrer Datenstrategie nicht übereinstimmen, warum sollte dann die Implementierung einer extrem komplizierten Unternehmenslösung reibungslos, schnell und erfolgreich verlaufen? Genau darum geht es bei der Vereinheitlichung - daher auch der Titel dieses Buches. Es ist eine Datenstrategie, die sich auf die effektivste und einfachste Art und Weise konzentriert, datenzentrierte Projekte zu beginnen: die Menschen in Einklang zu bringen , bevor das Gaspedal durchgetreten wird.

Tipp

Schneller in die falsche Richtung zu gehen, ist kein Fortschritt. Deine Teams müssen wissen, wo sie hinwollen, warum ihre Bemühungen wichtig für das Ziel sind und wie sie gut zusammenarbeiten können.

Das Problem mit den Problemen

Du bist begeistert, dass deine Arbeit helfen kann, Leben zu retten, du bist inspiriert von der Leidenschaft der Menschen und du glaubst an das Verständnis des Unternehmens für den Wert von Daten. Du hörst dir an, was die Stakeholder über die größten Probleme sagen und beginnst, deine Kreativität und deinen Einfallsreichtum in die Suche nach einer Lösung zu stecken. Du führst Interviews, erstellst Roadmaps und beginnst mit dem Bau eines Prototyps, weil du denkst, dass du etwas wirklich Tolles geschaffen hast, das das Unternehmen feiern wird.

Aber wenn du nach Monaten der Entwicklung deiner Alphaversion herausfindest, dass die Stakeholder dich nicht über ein anderes Problem informiert haben, das erst aufgetaucht ist, als Mitarbeiter auf niedrigerer Ebene (die nicht an deinen Interviews teilgenommen haben) die Anwendung zu nutzen begannen, dann ist der Ansatz deiner Lösung völlig hinfällig. Plötzlich musst du alles von Grund auf neu überdenken, und deine ganze bisherige Arbeit war umsonst. Willkommen bei der Innovation.

Agile ist eine beliebte Methode, die flexible und iterative Ansätze für die Produktentwicklung und das Projektmanagement betont. Agil zu sein bedeutet, so schnell wie möglich Rückmeldung darüber zu bekommen, was fehlschlägt und warum - das ist das wichtigste Feedback, das man bekommen kann. Agilität bedeutet, schnell über Misserfolge und deren Ursachen zu lernen, was die wichtigste Information ist, die man bekommen kann. Indem du weniger erfolgreiche Ideen schneller identifizierst, kannst du Zeit und Mühe sparen und so die Suche nach effektiven Lösungen beschleunigen.

Um so schnell wie möglich Feedback zu bekommen, beschließt du, statt eines neuen, codierten Prototyps einen Papierprototyp zu entwerfen, indem du die Lösung mit einem Marker auf ein großes Stück Papier zeichnest und die Leute bittest, auf die Papierknöpfe zu klicken, die verschiedene Bildschirme darstellen. Alle lieben es und du fühlst dich wie ein Held. Hurra! Du baust einen weiteren Prototyp, da du nun etwas Bestätigendes hast - du hast es geschafft!

Dann, während du die letzten Phasen der Validierung durchläufst, schlägt ein Interessenvertreter vor, dass du deine Lösung dem medizinischen Beirat vorstellst. Du erfährst von einer gesetzlichen Vorschrift zu einem häufig verwendeten Wort, die eine wichtige Funktion deiner früheren Arbeit, auf die du viel Zeit verwendet hast, völlig ungültig macht.

Alle noch so großen Bemühungen um Agilität werden dir nicht das bringen, was du brauchst, wenn du dich auf das falsche Problem konzentrierst - oder gar nicht weißt, welches Problem du lösen willst.

Genau das ist das Problem mit den Problemen: Woher weißt du, welche Probleme die richtigen sind, um sie zu lösen? Das gilt vor allem, wenn du es mit Organisationen zu tun hast, die isolierte Sichtweisen und nicht-holistische Interessen haben. Führungskräfte haben Budgets, Mitarbeiterzahlen und einen guten Ruf zu schützen. Ihre Probleme sind für sie am wichtigsten.

Ein entscheidender Fehler, den Führungskräfte in Organisationen oft machen, ist, dass sie nicht wissen, welche Art von Problem sie zu lösen versuchen. Wenn sie versuchen, ein Problem von oben nach unten zu lösen, und sich in Lösungen stürzen, ohne das Problem wirklich zu verstehen, können ihre Bemühungen fehlgeleitet sein. Sich in Lösungen zu stürzen, ohne das Problem richtig zu verstehen, und einfach nur agil zu sein und schnell zu iterieren, garantiert wenig bis gar keinen Erfolg.

Abbildung 1-2 zeigt, wo Vereinheitlichung bei der Problemlösung zu einer Angleichung führen kann. Die Tiefe des Verständnisses und die Wahl der "richtigen" Probleme und des richtigen "Weges", sie zu lösen, machen den Unterschied aus. Um herauszufinden, welche Probleme die richtigen sind, müssen diese Probleme im Zusammenhang mit der Überbrückung der Welten der konzeptionellen (geschäftlichen) und technischen (Daten) Sprache und ihrer operativen Ergebnisse (Symptome) verstanden werden.

Abbildung 1-2. Bei der Vereinheitlichung geht es darum, Datenchampions in die Lage zu versetzen, Probleme zu verstehen und sie zwischen den Perspektiven des Unternehmens und des Datenteams zu übersetzen, unabhängig davon, ob sie Top-Down-Problemlösungsansätze oder Bottom-Up-Problemlösungsansätze erfordern. Die Redewendung "das Problem mit den Problemen" erinnert an dieses Prinzip und verdeutlicht die Fallstricke eines übereilten Ansatzes und die Vorteile eines gründlichen Verständnisses.

Effektive Problemlösung beginnt mit einem tiefen Verständnis. Dazu gehört es, zu erkennen, wie Probleme über organisatorische Netzwerke und über konzeptionelle, technische oder betriebliche Bereiche hinweg miteinander verbunden sind. Führungskräfte müssen verstehen, was es mit den Problemen auf sich hat, denn wenn sie versuchen, die Probleme von oben nach unten anzugehen, obwohl ein Ansatz von unten nach oben erforderlich ist, reagieren sie nur auf die Symptome und gehen nicht auf die eigentlichen Ursachen ein.

Tipp

Mach dir klar, welche Art von Problem du lösen willst, konkret oder abstrakt, bevor du eine Entscheidung darüber triffst, wie du es lösen willst.

Wenn eine Organisation agil arbeitet, um die Entwicklung zu beschleunigen, bevor sie das Problem, an dessen Lösung sie arbeitet, verstanden hat, welche Prioritäten sie setzt und warum, dann bauen die Teams die falschen Dinge schneller. Das Problem mit den Problemen ist das grundlegende Problem, das es zu lösen gilt. Lass uns untersuchen, was du tun kannst, um es zu lösen.

Einheitliche Konzepte: Der Schlüssel zur Innovation

Concept-first design bittet die Menschen, in einfacher Sprache zu erklären, welche Geschäftslogik sie verwenden, um ihre Ziele zu erreichen, welche Probleme sie haben und mit wem und wie sie zusammenarbeiten. Diese Geschäftslogik wird in eine einfache Pseudocode-Struktur übersetzt - so einfach, dass jeder sie lesen kann, aber so strukturiert, dass sie als grober Leitfaden für den Aufbau von Systemen verwendet werden kann. Kurz gesagt: Bevor du mit dem Entwerfen oder Bauen beginnst, bittest du die Leute zu beschreiben, welche Schlüsselkonzepte für die Aufgaben, die sie bei der Arbeit erledigen, wichtig sind und warum.

Wichtiges Wissen ist oft nur in den Köpfen der Menschen vorhanden, ohne eine gemeinsame Landkarte, die dabei hilft, das Verständnis und die Entscheidungsfindung abzustimmen. Der einzige Weg, um zu erkennen, dass Unterschiede im Verständnis von Konzepten und Sprache die Fähigkeit zur effektiven Zusammenarbeit gefährden können, besteht darin, die unscharfe, implizite Landkarte in den Köpfen der Menschen, von der die Teams glauben, dass sie mit ihr übereinstimmt, in eine fokussierte, externe konzeptionelle Landkarte zu verwandeln.

Bei diesem Prozess werden drei wichtige Aspekte der Informationsverwaltung und -nutzung in deinem Unternehmen bewertet und verglichen:

1. Zweck und Gestaltung von Betriebskonzepten, die in Geschäftsprozessen verwendet werden

2. Datenstrukturen und wie sie Konzepte in Geschäftsprozessen darstellen

3. Methoden der Kommunikation, um ein umfassendes Verständnis dafür zu erlangen, wie Konzepte vermittelt und Entscheidungen getroffen werden

Indem du diese drei Aspekte in eine einzige Karte integrierst, kannst du die Verbindungen zwischen Menschen, Problemen, Zielen und Ergebnissen visualisieren. Diese Karte hilft dabei, Wissenslücken frühzeitig zu erkennen und zu schließen. Ohne diese Landkarte kann es passieren, dass Einzelne kostspielige und wichtige Entscheidungen treffen, ohne ein gemeinsames Verständnis der aktuellen Situation ihres Teams, des angestrebten Ziels oder der Strategien, um dorthin zu gelangen. Wenn du Entscheidungen triffst, etwas zu bauen, ohne eine zusammenhängende und umfassende Landkarte zu haben, kannst du leicht in die Falle tappen, schneller das Falsche zu bauen.

Die Erstellung einer einheitlichen Strukturkarte mit Logik, Zielen, Problemen und Erfolgsmetriken vor dem Entwurf, der Erstellung und dem Testen von Software kann viel Zeit und Geld sparen und deine Softwareentwicklung effizienter und kostengünstiger machen.

Tipp

Erinnere dich daran, dass das Ziel ist, Fehler so schnell wie möglich zu finden. Wenn du auf der konzeptionellen Ebene bleibst, kannst du schneller vorankommen.

Dein Schwerpunkt liegt auf der Erfassung und Definition der grundlegenden Ideen, der Geschäftslogik und der Ziele, die dem zu entwickelnden System oder der Anwendung zugrunde liegen. Das Ziel ist es, sicherzustellen, dass alle Beteiligten ein gemeinsames Verständnis der Kernkonzepte haben und dass das Design auf den beabsichtigten Zweck und die gewünschten Ergebnisse abgestimmt ist.

Die Vorteile des Concept-First-Designs sind:

Konzeptionelle Klarheit

Die wichtigsten Konzepte, Ideen und Prinzipien werden definiert, einschließlich der Geschäftslogik, der Ziele und der Probleme, die das System lösen soll.

Frühe Ausrichtung

Die Definition und Klärung von Konzepten in einem frühen Stadium des Entwicklungsprozesses verhindert Missverständnisse, die später im Entwicklungsprozess kostspielige Nacharbeiten erforderlich gemacht hätten.

Ganzheitliche Perspektive

Der Schwerpunkt liegt darauf, wie Informationen miteinander verbunden sind, fließen und außerhalb der betrieblichen Silos genutzt werden.

Nutzerzentrierter Fokus

Wir legen großen Wert darauf, die Bedürfnisse und Ziele der Endnutzer zu verstehen. Der Designprozess konzentriert sich auf die Erfahrungen der Nutzer, um Lösungen zu schaffen, die intuitiv, effektiv und zufriedenstellend für die Nutzer sind.

Tipp

Entwickle gut durchdachte und zielgerichtete Lösungen, indem du mit einem klaren Verständnis der grundlegenden Konzepte und Ziele beginnst, die das System oder die Anwendung antreiben. Beginne damit, die Konzepte zu testen, von denen du und andere Interessengruppen überzeugt sind, und hole dir auf agile und iterative Weise Feedback. Je komplexer ein Projekt ist, desto mehr ist ein tiefes Verständnis der zugrunde liegenden Konzepte für den Erfolg des Projekts entscheidend.

Als einer der Autoren dieses Buches, Ron Itelman, auf das Concept-First-Design stieß und es erfolgreich einsetzte, waren die Ergebnisse schockierend. Alle konzeptionellen Konfliktpunkte wurden zuerst identifiziert und die Führungskräfte waren in der Lage, die Teams auf ein einziges Betriebsmodell einzuschwören. Nichts wurde entworfen oder gebaut, bis sich die Teams über alle Silos hinweg darauf einigen konnten, was die Konzepte bedeuteten, wie sie abliefen und welche Geschäftslogik sie unterstützten. Der Fokus lag einfach darauf, dass wir uns auf eine Reihe von Konzepten einigen können, wie sie verwendet werden, wer sie verwendet und warum? Das unterscheidet sich von der Wasserfallmethode, bei der alles minutiös geplant wird, um nach einem bestimmten Zeitplan umgesetzt zu werden.

Der Aufbau und die Implementierung des neuen Systems verliefen reibungslos; es gab keine Reibungspunkte, und es wurde innerhalb von drei Monaten entwickelt, aufgebaut und getestet. Das System war so effizient bei der Erstellung großer Mengen hochwertiger, umfangreicher und aussagekräftiger Daten, dass die Private-Equity-Firma, die das Unternehmen kaufte, allein für die Daten eine Prämie zahlte. Diese Erfahrung brachte Ron dazu, weiter zu forschen und eine Innovationsstrategie zu entwickeln, die auf der Grundlage von vereinheitlichenden Konzepten über organisatorische Netzwerke hinweg basiert.

Was eine einheitliche Datenstrategie für Agilität bedeutet

Die Ursache für jedes Problem, das ein Unternehmen hat, ist nicht die Technologie. Es ist das Problem mit den Problemen - dass Führungskräfte und Teams keine einheitliche Sprache, kein einheitliches Verständnis und keine einheitlichen Bemühungen haben, die Probleme zu priorisieren und zu lösen, die sie daran hindern, ihre Ziele zu erreichen, die den Umsatz steigern, die Kosten senken und Werte schaffen.

Hinweis

Historisch gesehen war Agile eine Reihe von Prinzipien, die aus der Frustration über die stark strukturierte Art und Weise entstanden, in der Softwareentwicklungsverträge geschrieben wurden; es gab keinen Spielraum, von der vereinbarten Arbeit abzuweichen. Das war fast unmöglich, denn mit Beginn der Softwareentwicklung tauchten unerwartete Probleme, Bedürfnisse und Perspektiven auf. Wenn sich die Entwickler nur auf die Anforderungen konzentrierten, würden sie etwas abliefern, das langwierige Vertragsverhandlungen erforderte. Die Entwickler und die Stakeholder waren oft voneinander getrennt. Bei den ursprünglichen Agile-Prinzipien ging es darum, Kommunikation zu schaffen, zu iterieren und sich schnell anzupassen, um zu lernen, was funktioniert und was nicht, und etwas Wertvolles in modularer statt monolithischer Form zu liefern.

Viele andere Bücher, Strategien und Rahmenwerke wurden entwickelt, um Agile auf ihre eigene Art und Weise zu formalisieren, die in diesem Buch nicht behandelt wird. Dieses Buch ist das Ergebnis jahrelanger Forschung über die größten Probleme bei der Zusammenarbeit mit Daten und schlägt eine Datenmanagementstrategie vor, die mit den ursprünglichen Agile-Prinzipien übereinstimmt.

Traditionell arbeiten Teams in ihren Funktionsbereichen, aber Daten sind ganzheitlich und gehören zum gesamten Unternehmen. Das ist einer der Hauptgründe, warum Datenteams oft Probleme mit der traditionellen Art und Weise haben, wie Agile-Strategien in Organisationen umgesetzt werden. Eine vereinheitlichte Datenstrategie ermöglicht es, aus dem Unternehmen herauszuzoomen, um unternehmensweite Herausforderungen zu identifizieren und zu lösen und gleichzeitig wie ein traditionelles Agile-Team zu arbeiten, das eine datenzentrierte Sichtweise nutzt, um den Geschäftswert zu steigern.

Agil sein definieren

Kein Mechanismus in der Natur oder Technik ist so allgegenwärtig wie der Mechanismus der Rückkopplung.

Bernard Friedland(Control System Design, Prentice Hall, 2005)

Wenn du 1.000 Leute fragst, was Agile ist oder wie es funktioniert, bekommst du 1.000 Sichtweisen. Die Bandbreite reicht von lockeren Interpretationen wie "Agile bedeutet, dass man keine Anforderungen braucht und jeden Tag 15 Minuten lang ein kurzes Meeting abhält, um zu besprechen, wo man blockiert ist" und "Agile bedeutet nur, dass man herausfindet, was funktioniert, und verwirft, was nicht funktioniert" bis hin zu hochstrukturierten Interpretationen wie "man muss alles in Story Points messen und die Geschwindigkeit in Tabellen messen und die Produktivität alle zwei Wochen analysieren" und "man muss das Team zertifizieren lassen und spezielle Agile Management-Experten haben".

Für die Zwecke dieses Buches werden wir vereinfachen, was Agile bedeutet und was eine Agile Datenstrategie bedeutet. In diesem Buch werden die drei wichtigsten Arten, agil zu sein, wie folgt definiert:

Zweideutigkeit beseitigen

Verstehe die Probleme, Ziele und Menschen genau und finde heraus, was du weißt und was du nicht weißt. Dieses Wissen stammt in der Regel aus Gesprächen mit Kunden, Stakeholdern, den Kunden deiner Konkurrenten und aus der UX-Forschung.

Rasch iterieren

Teste, was du kannst, um Annahmen zu bestätigen oder zu entkräften. Das kann ein A/B-Test sein, ein Prototyping mit Styropor oder mit Code. Das Ziel der Iteration ist es, so schnell und so direkt wie möglich Feedback zu bekommen - sei es qualitativ (Umfragen und Gespräche, die helfen zu erklären, was Daten nicht erklären können) oder quantitativ (numerische Daten aus Beobachtungen) - um Unklarheiten zu beseitigen.

Aufmerksamkeit auf den Wert richten

Versuche, Fortschritte zu machen, anstatt zu viel Zeit damit zu verbringen, Prioritäten zu setzen und in Debatten stecken zu bleiben. Anpassungsfähige Aufmerksamkeit bedeutet, Ablenkungen zu beseitigen und bereit zu sein, den Fokus zu wechseln. Die Aufmerksamkeit sollte immer auf die Maßnahmen ausgerichtet sein, die den größten geschäftlichen Nutzen und die besten Ergebnisse bringen.

Agiles Theater

Wenn du die Richtung nicht änderst, wirst du vielleicht dort landen, wo du hin willst.

Lao Tzu, chinesischer taoistischer Philosoph, 5. Jahrhundert v. Chr.

Wenn wir Produktmanager, Ingenieure, Designer und Manager zu den Herausforderungen der agilen Arbeitsweise befragen, drehen sich die Gespräche fast immer um die Messung der Geschwindigkeit, das Überschreiten von Fristen und das Verschieben von Anforderungen, wenn neue Informationen gewonnen werden. Schnelligkeit als Produktivität zu betrachten, kann eine Falle sein; die falschen Dinge schneller zu bauen, bedeutet nicht gleich Erfolg. Produktivität um der Produktivität willen schafft keinen Wert. Stand-ups um der Stand-ups willen zu haben, ist kein Fortschritt. Wenn deine agilen Teams Unklarheiten nicht beseitigen, schnell iterieren und die Aufmerksamkeit auf das richten, was den Geschäftserfolg und den Wert steigert, besteht die Gefahr, dass deine agilen Prozesse nur noch rituelles Theater sind.

In Organisationen ist die Verantwortung auf verschiedene Akteure verteilt. Agile Akteure arbeiten zusammen, um sicherzustellen, dass Produkte, Prozesse und Dienstleistungen nicht nur zuverlässig und funktional sind, sondern auch einen nachhaltigen Wert schaffen. Wenn der Erfolg jedoch ausschließlich anhand von Geschwindigkeitspunkten gemessen wird - einer agilen Kennzahl, die angibt, wie viel Arbeit ein Team in einem einzigen Sprint bewältigen kann - kann dies unbeabsichtigte Folgen haben. Dieser Ansatz kann Ingenieure dazu verleiten, die Vergabe und Erledigung von Punkten zu manipulieren, was zu einer defensiven, selbstschützenden Kultur führt, die als "cover your ass" (CYA) bekannt ist und keinen Geschäftswert schafft.

Die Überbetonung von Geschwindigkeitsmetriken kann dazu führen, dass Einzelne das System ausnutzen und sich mehr darauf konzentrieren, ihre Statistiken aufzublähen - z. B. wie viele Story Points sie abgeschlossen haben - als auf echte Innovation. Aber das wahre Ziel der Innovation besteht nicht darin, die meisten Story Points abzuschließen. Es geht darum, einen geschäftlichen Mehrwert zu schaffen, Kollegen positiv zu beeinflussen und Kunden effektiv zu bedienen.

Agil, Wasserfall und Vereinheitlichung

Unifying hebt sich von anderen Methoden ab. Anstatt es als eine weitere Methode zu betrachten, solltest du Unifying als die "Stimmgabel" des Projektmanagements sehen. Indem es eingeführt wird, bevor mit der Planung oder dem Bau begonnen wird, stellt es sicher, dass dein Ansatz, egal ob du dich für die agile oder die Wasserfall-Methode entscheidest, auf größtmögliche Effizienz und Abstimmung abgestimmt ist. Stell dir vor, dass du ein Musikinstrument immer wieder neu stimmst, um die richtigen Töne zu treffen. Das Unifying kalibriert kontinuierlich Richtung und Ziel, um eine harmonische Ausführung zu gewährleisten, wie in Tabelle 1-1 dargestellt.

Die Vereinheitlichung findet auf der konzeptionellen Ebene statt, um die kostspieligen Risiken von Missverständnissen und Fehlern zu minimieren. Sie fördert Zusammenarbeit und Innovation und dient als Werkzeug, um die optimale Methodik - ob Agile oder Wasserfall - zu bestimmen, die die größten Chancen auf Projekterfolg bietet.

Tabelle 1-1. Die Vorteile von Agile- und Wasserfall-Methoden und wie die Vereinheitlichung sie ergänzt

Wasserfall	Agile	Mit vereinheitlichenden
Definierte Meilensteine und Messgrößen für den Fortschritt aus einer Makroperspektive.	Flexibel auf Veränderungen reagieren und die Zielsetzung aus der Mikro-Perspektive verbessern.	Kalibriert kontinuierlich die Perspektiven, mit dem Fokus darauf, die richtige Richtung quantitativ zu kennen, bevor er handelt.
Segmente der Lieferung, wie Fabrik- oder Lieferkettenprozesse, können unabhängig voneinander optimiert werden.	Schnellere Lieferung, inkrementelle Entwicklung und regelmäßige Releases.	Konzentriert sich darauf, unnötigen Aufwand zu beseitigen und zu reduzieren, indem Unklarheiten, Wissenslücken und blinde Flecken minimiert werden.
Ermöglicht es den Segmenten, sich selbstständig zu bewegen, und schafft so Unabhängigkeit und Integrität für die Aufgaben der einzelnen Einheiten.	Durch regelmäßiges Feedback von Stakeholdern und Endnutzern während des gesamten Entwicklungsprozesses stellt Agile sicher, dass das Produkt auf der Grundlage der tatsächlichen Nutzerbedürfnisse weiterentwickelt wird.	Dient als Übersetzer zwischen technischen Teams und Geschäftsinteressenten unter Verwendung des JSON-Schemas und sorgt für eine einheitliche Sichtweise auf beiden Seiten, um kostspielige Fehlanpassungen zu vermeiden.

Festlegung eines einheitlichen Ansatzes für die Datenstrategie

Damit Analytik, Data Science und maschinelles Lernen eine bessere Entscheidungsfindung ermöglichen, benötigen sie qualitativ hochwertige Daten, die Geschäftssituationen und -ergebnisse genau darstellen. Allzu oft wird von Datenwissenschaftlern erwartet, dass sie Berge von Daten schlechter Qualität durchkämmen und auf wundersame Weise Erkenntnisse gewinnen, obwohl sie eigentlich in den Entscheidungsfindungsprozess eingebunden sein sollten.

Führungskräfte wissen nicht, was sie nicht wissen und nehmen sich nur ungern die Zeit, die sie nicht haben, um Data Science-Konzepte zu verstehen. Gleichzeitig fehlt Datenwissenschaftlern häufig das Verständnis für die Zusammenarbeit und die Geschäftsdynamik in den Bereichen Finanzen, Design, Produktmanagement und Softwareentwicklung, da sie sich in einer rätselhaften Welt aus mathematischem Jargon und Datentools befinden.

In diesem Buch werden wir die Innovationsherausforderungen untersuchen, mit denen Unternehmen konfrontiert sind, und die Bedeutung einer datenzentrierten Innovationsstrategie aufzeigen. Das Fehlen eines gemeinsamen Zielverständnisses und die Kommunikationslücken zwischen Unternehmensleitern und Datenwissenschaftlern tragen zu Schwierigkeiten bei und können zu Investitionen in unangemessene Technologien führen.

Die Überwindung von Hindernissen im Zusammenhang mit Daten erfordert die Förderung einer datenzentrierten Kultur, die den Schwerpunkt auf Zusammenarbeit, das Sammeln hochwertiger Daten und die strategische Einbindung von Daten- und Data Science-Teams legt. Wenn du die Probleme im Zusammenhang mit Daten verstehst, kannst du dich in ein wirklich datengesteuertes Unternehmen verwandeln und sicherstellen, dass du das volle Potenzial deiner Daten ausschöpfen und die gewünschten Ergebnisse erzielen kannst.

Ein einheitlicher Ansatz für die Datenstrategie nutzt die drei Merkmale von Agile - Beseitigung von Unklarheiten, schnelle Iteration und Anpassung der Aufmerksamkeit an den Wert - und fügt einige Schlüsselfaktoren hinzu:

Ganzheitliche, vernetzte Perspektive

Damit Daten wertvoll sind, müssen sie in der gesamten Organisation vernetzt sein. Daten gehören nicht einem bestimmten Team; Menschen kommen und gehen, Teams werden umstrukturiert und verlagert, aber die Daten gehören dem Unternehmen. Eine einheitliche Datenstrategie stellt die verschiedenen funktionalen Geschäftseinheiten, die von ihnen gesammelten Daten und die Gründe für die Wichtigkeit der Daten zusammen.

Informationsflüsse

Damit Daten genutzt werden können, müssen sie fließen, kombiniert und umgewandelt werden können. Es ist wichtig zu verstehen, wie Daten zwischen Teams mit unterschiedlichen Sprachen, mentalen Modellen und Problemen fließen.

Minimale lebensfähige Daten (MVD)

Datengestützte Entscheidungsfindung erfordert die richtige Qualität und Quantität von Daten. Die Minimal Viable Data (MVD) ist die kleinstmögliche Menge an qualitativ hochwertigen Daten, die notwendig ist, um zuverlässige Vorhersagen zu treffen und einen Mehrwert zu schaffen. Eine große Menge an Daten reicht nicht aus, wenn die Qualität schlecht ist - wie bei GIGO.

Die Phrase "datengesteuert sein" verstehen

Fast alle Unternehmen sagen, dass sie datengesteuert sein wollen, um die Effizienz zu maximieren und die Entscheidungsfindung zu optimieren. Aber was bedeutet das eigentlich?

Effizienz ist die Fähigkeit, ein gewünschtes Ergebnis mit minimaler Verschwendung von Zeit, Ressourcen oder Aufwand zu erreichen. Wenn eine Organisation aufeinander abgestimmt ist, werden Prozesse gestrafft und überflüssige Arbeiten vermieden. Die Teams können nahtlos zusammenarbeiten, wodurch das Risiko von Fehlkommunikation, Fehlern und Missverständnissen verringert wird. Dies führt zu einem schnelleren Projektabschluss und einer effizienteren Nutzung der Ressourcen.

Effektivität ist die Fähigkeit, die gewünschten Ergebnisse mit einem hohen Maß an Genauigkeit oder Qualität zu erreichen. Die Ausrichtung kann die Effektivität verbessern, indem sie sicherstellt, dass alle Beteiligten harmonisch und zielgerichtet auf die Ziele hinarbeiten.

Ein Unternehmen ist datengesteuert, wenn es die Produktion und Analyse von Daten beherrscht, so dass die Entscheidungsträger/innen schneller lernen, qualitativ bessere Vorhersagen treffen und Probleme und Chancen früher erkennen können. Mit anderen Worten: Sie treffen immer noch Entscheidungen und gleichen Informationen mit Erfahrungen ab, aber die Entscheidungen werden mit den hochwertigsten Daten getroffen, die sie verwenden können.

Das ist das Gegenteil von HIPPO, was für " highest paid person's opinion" steht. HIPPO-Entscheidungen werden getroffen, wenn die Meinung einer Person aufgrund ihres Dienstalters bevorzugt wird und nicht, weil Daten gesammelt wurden, um zu prüfen, ob die Meinungen und Annahmen ungültig sind. Da HIPPO-Entscheidungen nur ungern in Frage gestellt werden, werden sie oft erst dann überprüft, wenn bereits Zeit und Geld ausgegeben wurden und die Dinge schief gelaufen sind. Noch schlimmer ist, dass schlechte HIPPO-Entscheidungen oft den Teams angelastet werden, die eigentlich den leitenden Angestellten unterstellt sind.

Um datengesteuert zu sein, musst du datenzentriert sein

Paradoxerweise sind Daten der am meisten unterschätzte und entglamourisierte Aspekt der KI... Wir definieren, identifizieren und präsentieren empirische Belege für Daten Kaskaden - sich verstärkende Ereignisse, die negative, nachgelagerte Auswirkungen von Datenproblemen verursachen - ausgelöst durch konventionelle KI/ML-Praktiken, die die Datenqualität unterbewerten. Datenkaskaden sind allgegenwärtig (92% Prävalenz), unsichtbar, verzögert, aber oft vermeidbar.

Google Research, "'Everyone Wants to Do the Model Work, Not the Data Work': Data Cascades in High-Stakes AI", 2021.

Qualitativ hochwertigere Daten können einen deutlich größeren Einfluss auf den Wert der Daten haben als größere Mengen von Daten geringerer Qualität. Gute Daten sind in der Regel besser als Big Data, denn ihre Qualität, Relevanz und Genauigkeit minimiert irrelevante, falsche oder irreführende Informationen und erfordert weniger Ressourcen für die Verarbeitung.

Gute Daten erleichtern die Vermittlung von Erkenntnissen an die Stakeholder und erleichtern die datengestützte Entscheidungsfindung, wodurch Risiken reduziert und ein echter Wert geschaffen wird, der im gesamten Unternehmen wiederverwendet werden kann. Wenn ein Unternehmen Daten als kritische Ressource wertschätzt und in die kontinuierliche Produktion und Pflege hochwertiger, funktionsreicher Daten investiert, um die betriebliche Effizienz und Effektivität zu maximieren, kann es von sich behaupten, datengesteuert zu sein.

Natürlich ist es nicht datenorientiert, Daten von schlechter Qualität zu verwenden und Datenteams zu bitten, Werte zu finden, ohne sie in Geschäftsentscheidungen und Innovationsbemühungen einzubeziehen. Leider ist es für viele Teams die Norm, Daten von schlechter Qualität zu verwenden und Datenteams nicht in die Entscheidungsfindung einzubeziehen. Viele Unternehmen gehen von der falschen Annahme aus, dass sie datengesteuert sind, obwohl dies nicht der Fall ist. Hier ist ein Beispiel aus der Praxis. Ein globales Multimilliarden-Dollar-Unternehmen investierte eine beträchtliche Summe in sein Salesforce-System. Die Vertriebsteams mussten das Interesse potenzieller Kunden an einer Dienstleistung erfassen. Die Analysen zeigten, dass die Vertriebsteams eine Abschlussquote von 30 % hatten, d. h., dass eines von drei Gesprächen zu einem Verkauf führte. Bei näherer Betrachtung stellte sich jedoch heraus, dass diese Zahl völlig bedeutungslos war!

Die Verkäufer wollen nicht jedes Mal dokumentieren, wenn sie einen Verkauf verlieren, also gaben sie nur dann Verkaufsdaten ein, wenn sie sicher waren, dass sie einen Verkauf abschließen konnten. Einige Verkäufer/innen gaben die Daten nur ein, wenn sie sicher waren, dass sie einen Verkauf abschließen konnten, und einige vermieden diese Aufgabe ganz. Wenn Verkäufe gewonnen oder verloren wurden, protokollierten nur wenige Vertriebsmitarbeiter/innen die Gründe dafür, abgesehen davon, dass sie ein allgemeines Kontrollkästchen ankreuzten, das die Standardauswahl war. Aus Sicht der Unternehmensleitung hatte das Unternehmen viel Geld in Salesforce investiert und verfügte über eine Menge Daten, aber als sie nach mehreren Jahren der Datensammlung versuchten, vorherzusagen, wer welche Dienstleistung kaufen würde, um zu wissen, auf wen sie sich konzentrieren oder welche Produkte sie entwickeln sollten, hatten sie am Ende absolut nichts Brauchbares aus ihren hohen Investitionen.

Um datenorientiert zu sein, müssen Unternehmen damit beginnen, datenzentriert zu sein: Sie müssen alle ihre operativen Geschäftsprozesse überprüfen, um sicherzustellen, dass die Daten wirklich im Mittelpunkt ihrer Aktivitäten stehen. Im vorherigen Beispiel würde dies bedeuten, dass ein Designer die Salesforce-Benutzeroberfläche intuitiv gestaltet und sicherstellt, dass die Informationen effektiv genutzt werden können. Um sicherzustellen, dass die Datenerfassung akkurat ist, müssen die Manager geschult werden, damit sie die Teams zur Datenerfassung motivieren und wissen, wie sie aus akkuraten Daten einen unmittelbaren Nutzen ziehen können.

Tipp

Daten müssen immer als das Zentrum des Universums betrachtet werden.

Hier ist eine Checkliste, mit der du bewerten kannst, wie datenzentriert dein Unternehmen ist:

• Wie wird die Datenerhebung bei den Beschäftigten gehandhabt?

• Gibt es jemanden, der für die Datenqualität und eine datenzentrierte Strategie verantwortlich ist?

• Welche Investitionen wurden in die Schulung von Managern und Teams zum Thema Daten getätigt?

• Werden Experimente und Innovationsbemühungen finanziert, um zu lernen, wie man im Austausch für die Datenerhebung einen Mehrwert schafft?

• Wie detailliert werden die Daten erfasst und wie wird die Datenqualität gemessen?

Engpässe, die verhindern, dass Teams datengesteuert arbeiten

100% der Kunden sind Menschen. 100 % der Mitarbeiter sind Menschen. Wenn du die Menschen nicht verstehst, verstehst du auch das Geschäft nicht.

Simon Sinek, Start with Why (Portfolio, 2009)

Im Laufe der Jahre haben die Autoren dieses Buches die größten Probleme und Engpässe erforscht, mit denen Datenteams konfrontiert sind. Die harte Wahrheit ist, dass Führungskräfte in der Regel wenig Verständnis für die Komplexität der Datenverwaltung haben, sich nicht als Experten fühlen wollen und die Technologie nicht wirklich zu schätzen wissen. Was Führungskräfte interessiert, ist, den Gewinn zu steigern, die Kosten zu senken und so schnell wie möglich zu wachsen. Danach kümmern sie sich um die Reduzierung von Risiken. Wenn du Glück hast, hat dein Unternehmen eine philanthropische Kultur oder eine Kultur der Mitarbeiterentwicklung.

Führungskräfte wollen ihre Berichte, Dashboards und Einblicke, aber sie haben keine Ahnung, dass die Person, die sie um die Erstellung eines Berichts bittet, oft durch Datensümpfe wühlen muss, um tausend CSV-Dateien zu finden, ohne zu wissen, wer sie erstellt hat oder warum, oder was die Tabellenüberschriften bedeuten.

Stellen wir uns vor, ein Business-Intelligence-Analyst erhält den Auftrag, einen vierteljährlichen Bericht zur Umsatzprognose zu erstellen. Anhand dieses Berichts kann das Finanzteam sicherstellen, dass es betriebswirtschaftlich gesund ist, Gehälter und andere Ausgaben bezahlen kann und Berichte für die SEC erstellen kann. Ungenaue Prognosen können rechtliche Folgen haben und den Aktienkurs stark beeinflussen.

Zunächst muss sich der Business Intelligence-Analyst mit den Stakeholdern treffen, die fast nie wissen, welche Daten existieren oder wie sie generiert werden. Der Analyst erhält Zugang zu sensiblen Finanzdaten, die in CSV-, Excel-, JSON- und anderen Formaten gespeichert sind, und wühlt sich durch Datensätze mit häufig verwendeten Begriffen wie " Umsatz", ohne zu wissen, dass verschiedene Teams leicht unterschiedliche Bedeutungen für die Berechnung des Umsatzes haben können. Ein Verkaufsteam könnte den Umsatz zum Beispiel als den Gesamtverkauf an einen Kunden definieren, während ein Buchhalter ihn als den Verkauf abzüglich der Provision des Verkäufers definiert.

Nachdem er sich durch den Datensumpf gewühlt hat, muss der Analyst weitere Treffen einberufen, um diese Bedeutungen zu überprüfen und zu fragen, welcher Datensatz die Quelle der Wahrheit ist. Wenn der Analyst Pech hat, wird er die verschiedenen Bedeutungen nicht aufdecken - nur damit das Finanzteam Monate später feststellen kann, dass etwas schief gelaufen ist und dass wichtige und teure Finanzentscheidungen auf der Grundlage des fehlerhaften Berichts des Analysten getroffen wurden. Das Finanzteam gibt nun dem Analysten die Schuld. Willkommen zu den Erfahrungen von Menschen in Daten.

Das Projekt in diesem Buch: Intelligence.AI Kaffeebohnen

Um die Anwendung einer vereinheitlichenden Datenstrategie zu demonstrieren, werden wir mit einem Beispielproblem und Datensätzen arbeiten und Strategien für die effektive Arbeit mit Daten aus technischer und geschäftlicher Sicht untersuchen. Intelligence.AI ist das Unternehmen, das die Autoren dieses Buches gegründet haben. Wir stellen es als fiktives Unternehmen vor, das Premium-Kaffeebohnen aus der ganzen Welt mit einem humorvollen Flair und inspirierenden Motiven auf den Kaffeetüten verkauft (siehe Abbildung 1-3). Das Unternehmen ist klein, aber es baut eine Online-Präsenz auf und will datengesteuert sein.

Du bist der CEO von Intelligence.AI. Du musst entscheiden, welche Marketingkanäle am effektivsten sind, um den Umsatz zu steigern und neue Kunden zu gewinnen. Dein Marketingleiter hat Budgets für soziale Medien, E-Mail-Kampagnen und In-Store-Promotions zugewiesen, hat aber keinen Einblick in den Return on Investment (ROI) der einzelnen Kanäle. Du möchtest die Faktoren verstehen, die die Kundenakquise beeinflussen, um deine Budgetausgaben zu optimieren und fundierte Entscheidungen über Bestandsmanagement und Preisgestaltung zu treffen. Um diese Herausforderungen zu bewältigen, beschließt Intelligence.AI, einen einheitlichen Datenstrategieansatz zu verfolgen, um die verfügbaren Daten zu analysieren und umsetzbare Erkenntnisse zu gewinnen.

Abbildung 1-3. Produkte aus dem fiktiven virtuellen Intelligence.AI-Laden. Dieser Laden liefert Beispiele für die Anwendung einer einheitlichen Datenstrategie auf ein kleines E-Commerce-Startup, einschließlich Bestandsmanagement, Preisgestaltung, Kundenakquise, Design und Texterstellung. Eingabeaufforderung für die Bilder: Midjourney (5/11/2023). Linkes Bild: "Ein Teddybär, der leidenschaftlich in ein Mikrofon singt, hyperrealistische Präzision 8K, und 8K hyperrealistisch." Rechtes Bild: "ein Hund und eine Katze, die miteinander kuscheln, niedlich, hinreißend, liebenswert".

Die dir zur Verfügung stehenden Datensätze umfassen die Bereiche Vertrieb, Marketing und Kundenservice. Du willst die Designs von Kaffeetüten einem A/B-Test unterziehen und beschreibst dabei die Konzepte, die in den Designs enthalten sind (z. B. Teddybär, Hund, Katze), mit Hilfe von Beschriftungen. Eine effektive Möglichkeit, mit Daten zu arbeiten, ist die Verwendung von JSON, dem beliebtesten Datenformat, das heute verwendet wird. JSON ist eine universelle Sprache, die sowohl einfach zu lesen als auch unglaublich leistungsstark für datengesteuerte Anwendungen ist. In Kapitel 2 erfährst du mehr über JSON, und im Laufe des Buches wirst du die Datensätze deines Kaffeegeschäfts vereinheitlichen.

Zusammenfassung

In den meisten Organisationen gibt es widersprüchliche Ansichten über den Nordstern oder das Leitprinzip, insbesondere wenn es darum geht, wirklich datenzentriert zu sein. Auch wenn die Führungskräfte einen datenorientierten Ansatz betonen, gibt es viele Datenprobleme, die oft zu kostspieligen Investitionen führen, ohne dass die grundlegenden Probleme angegangen werden: Wie kann man Daten aus einer ganzheitlichen Perspektive betrachten und die richtigen Probleme identifizieren, die gelöst werden müssen? Datenorientierung erfordert ein echtes Engagement für die Erstellung, Pflege und Verbreitung hochwertiger Daten und die Förderung einer datenzentrierten Kultur.

Beim Concept-First-Design wird die Geschäftslogik in einfache Pseudocode-Strukturen übersetzt, die die wichtigsten Konzepte verdeutlichen und die Beteiligten aufeinander abstimmen, um Missverständnisse und kostspielige Nacharbeiten zu vermeiden.

Eine einheitliche Datenstrategie ermöglicht es dir, Misserfolge schnell zu erkennen, anzugehen und daraus zu lernen. Um eine einheitliche Datenstrategie zu implementieren, musst du dich darauf konzentrieren, Unklarheiten zu beseitigen, schnell zu iterieren und die Aufmerksamkeit auf die Wertschöpfung zu lenken. Die Kosten für eine fehlende einheitliche Datenstrategie sind Engpässe, Datensümpfe und ein uneinheitlicher Sprachgebrauch, der die datengestützte Entscheidungsfindung behindert.

In Kapitel 2 werden wir in die Welt von JSON eintauchen, einem beliebten Datenformat, das einfach zu lesen und leistungsstark für datengesteuerte Anwendungen ist. JSON zu verstehen ist entscheidend für die Umsetzung einer einheitlichen Datenstrategie, da es eine universelle Sprache für die Strukturierung und den Austausch von Daten bietet. In den Kapiteln 3 und 4 werden wir untersuchen, wie du deine einheitliche Datenstrategie mit deinem Code verbinden kannst.