Warum Daten nicht das neue Öl sind und wie Sie wirklich den Datenschatz heben
„Daten sind das neue Öl!“ *gähn*
Häufig zu lesen, selten reflektiert und schlichtweg falsch. Um das zu verdeutlichen, blicken wir zunächst in die Geschichte des Öls und „bohren dann tiefer“.
Rockefeller schafft seinem Öl einen Markt
Das Öl begann seinen Siegeszug am 28. August 1859, als Edwin L. Drake, der Generalagent der Seneca Oil Company, nach Monaten des Hoffens seine Ölquelle in Titusville, Pennsylvania mit in den Boden getriebenen Rohren erschloss. Zum wirklichen Durchbruch verhalf dem Öl jedoch John D. Rockefeller, dessen Vater William Avery Rockefeller schon auf Erdöl basierendes „Steinöl“ als Krebsheilmittel verkaufte…
John D. Rockefeller schuf sich mit – teils auch sehr fragwürdigen – Methoden einen immer größeren Markt für das Öl seines Unternehmens Standard Oil Company. Ein interessantes Beispiel: Um den chinesischen Markt zu erobern, hatte der Unternehmer die geniale Idee, eine Million einfache Petroleumlampen fertigen zu lassen und zu verschenken. Das Petroleum für die „Mei-Foo-Lampen“, chinesisch für „die Leuchte Asiens“, mussten die Menschen aber von Standard Oil kaufen. Dass Rockefeller später auch die Weiterentwicklung des Elektroautos „Model T“ von Henry Ford zugunsten von ölbasierten Autos verhinderte, gilt als eher unwahrscheinlich, jedoch war es unzweifelhaft so, dass Rockefeller den Markt für Öl prägte, dominierte und entwickelte.
Ohne eine Strategie sind Sie auch nur eine andere Person mit Daten
Anders als das Öl werden viele Daten nicht „gewonnen“. Teils sind sie ein Ergebnis bzw. Nebenprodukt aus einer vollkommen anderen Aktivität. Und die Wege, auf denen Daten entstehen, sind – anders als beim Bohren nach Öl – äußerst vielfältig. „Daten sind nur Darstellungen/Angaben über Sachverhalte und Vorgänge, die in der Form bestimmter Zeichen/Symbole auf bestimmten Datenträgern existieren“ erfahren wir bei Wikipedia. Ein „Rockefeller der IT“ könnte also nicht „einfach so“ aus Daten Wert schaffen, denn Daten haben keinen Wert per se.
In Umkehrung des viel zitierten US-Statistikers sowie Pioniers im Bereich des Qualitätsmanagements W. Edwards Deming („Without data, you’re just another person with an opinion“) gilt: Ohne eine Strategie, eine definierte Fragestellung, eine Vorstellung davon, wozu Daten dienen sollen, sind Daten wertlos – wenn nicht gar eine Last. Denn anders als Öl, das naturbedingt über eine hohe Energiedichte und weitere nützliche Eigenschaften verfügt, sind Daten kein homogenes Gut und können nicht sofort für irgendetwas genutzt werden. Nochmals Wikipedia: „In der Informatik und Datenverarbeitung versteht man Daten gemeinhin als (maschinen-)lesbare und -bearbeitbare, in der Regel digitale Repräsentation von Information.“ Information – aha.
Informationen sind keine Erkenntnisse
In seinem Kommentar „Das Paradoxon der Daten: So viele Informationen, so wenig Erkenntnisse“ bei Barron’s schrieb Edward Price: „In den letzten Jahrzehnten haben wir immer mehr Informationen über die Gesellschaft gesammelt. Diese Informationen, die digital gesammelt und gespeichert werden, werden oft als „Daten“ bezeichnet. In der Zwischenzeit ist die Gesellschaft offenbar weit weniger vorhersehbar geworden. In dem Moment, in dem wir ex post mehr über die Gesellschaft wissen (viele von uns haben Zugang zu diesen Informationen), scheint es ex ante weniger Einblicke zu geben (diese Informationen sind überwältigend).“ Das gleiche Phänomen wurde übrigens schon in einer Studie von Roberta Wohlstetter Anfang der 1960er Jahre zum Angriff auf Pearl Harbour festgestellt: Die Probleme entstanden nicht durch zu wenig, sondern durch zu viele Informationen und durch die Unfähigkeit, aus bloßen „Daten“ nützliche „Informationen“ zu gewinnen.
Im Rekurs auf das Intro: Öl wird nicht mehr, es wird weniger, es wird verbraucht. Und damit wird es – solange keine adäquaten Alternativen vorliegen – wertvoller. Die Menge an Daten wächst hingegen immer schneller und immer weiter – ein Data bzw. Information Overload. Somit liegt die eigentliche Kunst darin, nach Definition der Fragestellung(en) bzw. Hypothesen, die „richtigen“ Daten auszuwählen, aufzubereiten und zu nutzen.
Die richtigen Fragen stellen
Noch vor den „richtigen Daten“ kommen die richtigen Ziel- bzw. Fragestellungen. Wenn eine Frage mehrdeutig ist, woher wissen Sie dann, ob die aus den Daten extrahierten Informationen aussagekräftig sind oder nicht? Die Operationalisierung, d.h. die Übersetzung zwischen einem Konzept bzw. einer zu beantwortenden Fragestellung und den Maßnahmen zur Messung hat immer eine Lücke und sich dieser Lücke bewusst zu sein, ist äußerst wichtig. Peter F. Drucker, der Pionierdenker des modernen Managements, sagte bereits: „Es ist unmöglich, zuerst die Fakten zu ermitteln. Es gibt keine Fakten, wenn man nicht über ein Relevanzkriterium verfügt.“
Die richtigen Fragen stellen (Effektivität) heißt also auch, die Fragen richtig zu stellen (Effizienz). Und um dies zu tun ist es immens wichtig, dass die Personen mit strategischen Fragestellungen bzw. Zielen intensiv und fokussiert mit den Menschen sprechen, die Daten gewinnen und besorgen, aufbereiten und analysieren – Data Engineers und Data Scientists. Das ist keineswegs trivial, sondern ein elementarer Prozess für jedwede datenbasierte Entscheidungen. Wenn dieser Prozess optimal aufgesetzt ist, kommt die Datenvisualisierung bzw. Erkenntnisgewinnung und -Verwertung ins Spiel:
Erkenntnisse effektiv teilen und kommunizieren
Gemäß einer Studie von Exasol sind die häufigste Form der Weitergabe von Daten an Mitarbeiter Dashboards und Berichte. Indes gab mehr als die Hälfte (53%) auch an, dass Dashboards aufgrund des Zeitaufwands für ihre Interpretation oft nicht beachtet werden. In den Unternehmen, die Probleme mit der effektiven Nutzung von Dashboards hatten, gaben die Befragten an, dass die größten Nachteile von Dashboards der unzureichende Kontext (61%), die Informationsüberlastung (54%) und die mangelnde Anpassung an die individuellen Bedürfnisse der Benutzer (46%) sind. Diese Probleme lassen sich nicht einfach durch eine bessere Technologie oder ein besseres Design beheben – die Lösung liegt in Data Storytelling.
Unternehmen können heute mittels etlicher Tools eine noch nie dagewesene Anzahl von Erkenntnissen gewinnen. Wenn es jedoch nicht gelingt, die Kommunikation dieser Erkenntnisse zu verbessern, zeigt sich eine zunehmend schlechtere Conversion Rate von Erkenntnissen in echten Nutzen und Wert. Wenn eine Erkenntnis nicht verstanden wird und nicht überzeugend ist, wird niemand danach handeln und es wird keine Veränderung eintreten.
Data Storytelling als zentrale Fähigkeit
Schon 2009 (!) sagte der Google Chefökonom Dr. Hal R. Varian: „Die Fähigkeit, Daten zu verstehen, sie zu verarbeiten, aus ihnen einen Wert zu schöpfen, sie zu visualisieren und zu kommunizieren – das wird in den nächsten Jahrzehnten eine enorm wichtige Fähigkeit sein.“ Daran hat sich nichts geändert – im Gegenteil.
Allzu oft wird Data Storytelling indes als bloße Visualisierung von Daten verstanden, dabei ist es viel mehr als nur die Erstellung visuell ansprechender Grafiken. Data Storytelling ist ein strukturierter Ansatz für die Kommunikation von Erkenntnissen aus Daten, der eine Kombination aus drei Schlüsselelementen beinhaltet: Daten, visuelle Darstellungen und narrative Elemente:
Und dies ist der Hauptgrund, warum wir bei CURE Intelligence größten Wert auf das gesamte Repertoire an Fähigkeiten und Kompetenzen legen. Dort liegt der Wert. Das „neue Öl“ sind nicht die Daten an sich, es sind die Mitarbeiter, die den „Datenschatz heben“ (und die Strukturen und Prozesse, die das ermöglichen). Leider sprudeln diese nicht aus dem Boden. Aber genau darum steht Ihnen CURE Intelligence gerne beiseite und unterstützt Unternehmen wirksam dabei, datenbasiert bessere Entscheidungen zu treffen und besser zu kommunizieren. Genau das ist unsere Mission.
Sie interessieren sich für Themen des datengetriebenen Marketings? Bleiben Sie immer up-to-date mit unserem monatlichen D²M-Newsletter.