Um das volle Potenzial von Daten effektiv auszuschöpfen, benötigen Unternehmen nicht nur die passenden Technologien und Prozesse, sondern auch Fachkräfte mit den passenden Fähigkeiten. Skillsoft hat fünf Schritte zusammengefasst, mit denen sie ihre Datenstrategie weiterentwickeln können.

Welche Umsatz- und Gewinnpotenziale Unternehmen sich durch die mangelhafte Datennutzung entgehen lassen, zeigen Studien von Datenanalyse-Spezialisten und Marktanalyse-Unternehmen wie IDC. So gaben rund drei Viertel der Befragten einer aktuellen Erhebung an, dass sich ihre betriebliche Effizienz dank Data Science um durchschnittlich 17 Prozent verbessert hat. Mit Blick auf den Umsatz und Gewinn berichten sie von einer Steigerung um durchschnittlich ebenfalls 17 Prozent. Deutsche Unternehmen sehen laut der Studienergebnisse außerdem besonders die Steigerung der Kundenzufriedenheit als wichtiges Argument für die Investition in Datenanalysen. Allerdings verfügen laut einer anderen Erhebung aktuell nur fünf Prozent der deutschen Firmen über eine ausreichende Datenkompetenz.

Laut Definition bezeichnet der Begriff "Datenkompetenz" die Fähigkeit, Daten zu lesen, mit ihnen zu arbeiten, sie zu analysieren und mit ihnen zu argumentieren. Im Idealfall sollten Mitarbeiter aller Ebenen mithilfe dieser Befähigung in der Lage sein, zielführende Fragen zu Daten und deren Bedeutung zu stellen, analytisch mit Daten umzugehen, Wissen aufzubauen, datenbasierte Entscheidungen zu treffen und mit anderen Personen zu kommunizieren.

Mit den folgenden fünf Schritten können Unternehmen den internen Umgang mit Daten verbessern, um das Potenzial der Datenwissenschaft zu erschließen:

1. Datenkontaminierung reduzieren

Heute trägt fast jeder Mitarbeiter Daten zu den großen Datenströmen bei. Um Datenkontamination zu minieren, müssen Mitarbeiter besser über nachgelagerte Datenprozesse informiert werden. Einige Informationen sind geschäftskritisch, aber viele Daten entstehen auch unstrukturiert und undefiniert als Nebenprodukt täglicher Büroarbeiten als sogenannte "Dark Data". Dazu gehören beispielsweise Daten aus Tabellenkalkulationen, eMail-Archiven und Anhängen, unterschiedliche Versionen von Dokumenten, Daten zu ehemaligen Mitarbeitern sowie Berichte oder Umfragedaten, die keinen bestimmten Prozessen und Strukturen zugeordnet sind. Um den Nutzen zu erhöhen, müssen Daten besser bereinigt, relevante Daten definiert sowie aus ihren Silos befreit und für Analysen zugängig gemacht werden. Ohne qualifizierte Mitarbeiter und das Schaffen der passenden Rollen, ist dies aber eine recht aussichtslose Aufgabe.

2. Transformative Technologie nutzen

Erkenntnisse aus vergangenen Geschäftsprozessen und -entscheidungen können eine wertvolle Grundlage für zukünftige Geschäftsentscheidungen liefern, wenn man die entsprechenden Daten nutzbar macht. Auf diese Weise können Unternehmen ihre Kunden besser verstehen, aussagekräftige Produkte entwickeln, innovative Dienstleistungen anbieten und Abläufe optimieren, um den ROI zu verbessern. Ein wichtiger Schritt dazu ist es, Technologien wie maschinelles Lernen und künstliche Intelligenz für die Datenanalyse zu nutzen. Algorithmen und Plattformen für "Machine Learning" und "Deep Learning" helfen dabei, die riesigen Datenmengen – Stichwort "Big Data" – auszuwerten. Die Investition in entsprechende Werkzeuge, Technologien und Mitarbeiterfähigkeiten ist daher eine wichtige strategische Entscheidung.

3. Anreize für Data Science Rollen setzen

Der Fachkräftemangel in vielen Bereichen hat Unternehmen laut Gartner dazu ermutigt, Mitarbeiter als interne Kunden zu betrachten. Top-Arbeitgeber formulieren spezifische Angebote mit klaren Wertversprechen ("Employer Value Proposition") und Karriereperspektiven anstelle von "Jobs", um Datenprofis anzuziehen und zu halten.

4. Datenrollen diversifizieren

Laut Prognosen von McKinsey wird bis 2024 allein in den USA ein Fachkräftemangel von 250.000 Datenwissenschaftlern zu erwarten sein. Aufgrund der rasanten technologischen Entwicklung und der Mischung aus technischen Fähigkeiten, Geschäftssinn und Kommunikationsfähigkeit, die von Datenfachleuten verlangt wird, ist es eine große Herausforderung, alle benötigten Rollen zu besetzen. Da aber nicht für jede Aufgabe Spezialisten mit einer langjährigen Ausbildung benötigt werden, ist es sinnvoll, die Aufgaben und Rollen frühzeitig zu spezifizieren, um auch intern entsprechende Fähigkeiten aufbauen zu können. Eine vorausschauende Strategie ist es daher, vielversprechende Mitarbeiter oder Kandidaten frühzeitig zu identifizieren und sie mithilfe von Schulungen für die Weiterentwicklung ihrer Karriere im Bereich Data Science zu qualifizieren.

5. Karrierechancen aufzeigen

Die erwähnten Anreize können nicht nur zur externen Rekrutierung genutzt werden, sondern auch, um intern die Karriere- und Aufstiegschancen zu kommunizieren, die der Aufbau von Fähigkeiten und das Fachwissen im Bereich Data Science bieten. Durch Angebote für Qualifizierung, Vorqualifizierung und Umschulung von Mitarbeitern entwickeln Organisationen auch intern Fähigkeiten, die aktuell oder in Zukunft benötigt werden. Mit der internen Förderung von Mitarbeitern bleibt außerdem wertvolles institutionelles Wissen erhalten, statt karriereorientierte Mitarbeiter an andere Arbeitgeber zu verlieren.

"Zwar birgt die Datenwissenschaft große Erkenntnis- und Effizienzpotenziale, aber ohne qualifizierte Mitarbeiter, Methoden und Prozesse ist der Umgang mit Daten in vielen Organisationen nicht wirklich zielführend", erklärt Andreas Rothkamp, VP DACH-Region bei Skillsoft. "Unternehmen, die mit- und vorausdenken, sollten sich daher die Zeit nehmen ihre Strategie für den Umgang mit Daten zu überprüfen damit sie dieses Potenzial nicht auf Spiel setzen."