data > opinion

Tom Alby

2 Das Business-Problem verstehen

2020-05-01


Sie sind hier: start / lehrveranstaltungen / digital analytics / 02 business problem /

Die größte Aufgabe ist häufig nicht die Analyse selbst, sondern das Problem zu verstehen, das gelöst werden soll. In der Geschäftswelt geht es fast ausschließlich um Geld, auch wenn das hart klingen mag, und wenn nicht direkt, dann zumindest indirekt:

Bei beiden Punkten stellt sich aber die Frage, bis wohin die Zufriedenheit gesteigert werden soll, damit das Problem gelöst ist? Ist Unzufriedenheit heute tatsächlich ein Problem? Wenn ja, wie ist es gemessen worden? Nicht alle Kunden oder Mitarbeiter werden jemals komplett zufrieden sein, was wäre also ein guter Wert?

Weiterhin könnte hinterfragt werden, was es kostet, die Zufriedenheit zu steigern und was es kostet, sie nicht zu steigern? Am Ende des Tages ist das Ziel eines Unternehmens (oder zumindest der meisten Unternehmen) die Gewinnmaximierung, und so hart es auch klingen mag, so kann die Kundenzufriedenheit depriorisiert werden, wenn es sich rechnerisch nicht lohnt, diese zu steigern.

An diesem Beispiel wird deutlich, dass es zum einen ein Ziel gibt (Gewinnmaximierung), zum anderen Probleme, deren Ausmaß wie auch deren Minimierung quantifiziert werden muss.

Ziele sollten immer SMART sein. SMART steht für:

Das Problem kann nur verstanden werden, wenn auch die Ziele komplett verstanden wurden. Interessanterweise kann nicht jedes Unternehmen genau besagen, was das Ziel eines Projekts, zum Beispiel einer Webseite ist. Oder es gibt Unstimmigkeiten zwischen den Stakeholdern, weil unterschiedliche Anforderungen an das Projekt gestellt werden. Sind die Ziele aber nicht klar, so kann auch ein Problem nicht klar definiert werden.

Beispiel: Im Rahmen des Kurses soll sich jeder Teilnehmer vorstellen, dass sie oder er der CEO des Google Merchandising Online Stores ist. Das Geschäftsziel ist offensichtlich, vereinfacht gesagt: Jeden Monat genug Geld aus der Kasse nehmen zu können, um gut davon leben zu können. Den meisten Teilnehmern ist aber in der Regel vor dem Kurs gar nicht klar gewesen, dass es diesen Shop überhaupt gibt. Es fehlt „Awareness“, wie es im Marketing heißt. Das Geschäftsproblem ist also, dass die meisten Menschen gar nicht wissen, dass dieser Shop existiert, und diese fehlende Awareness limitiert den Betrag, der jeden Monat aus der Kasse genommen werden kann.

Weiteres Beispiel: Das Webangebot eines Unternehmens soll die Nutzer personalisiert ansprechen. Die Webseite soll natürlich dem Unternehmensziel, Gewinne zu maximieren, zum Vorteil gereichen. Durch die Personalisierung wird erhofft, dass die Nutzer relevantere Angebote sehen, die sie eher zum Kauf animieren. Das Problem ist demnach, dass die Angebote auf der Webseite momentan nicht relevant genug sind. Wenn klar ist, wie viel Umsatz und Gewinn der Shop erreichen muss und wie viel momentan erreicht wird, dann kann auch berechnet werden, wie viel eine Personalisierung zu der Verbesserung der Ergebnisse beitragen kann. Dazu eingerechnet werden müssen aber auch die Kosten für eine Personalisierung, die eventuell nicht nur einmalig, sondern kontinuierlich anfallen. Es würde gleichzeitig nicht die Relevanz gemessen werden, sondern lediglich der Umsatz pro Nutzer, um einen Unterschied festzustellen, ausgehend von der Annahme, dass sich eine verbesserte Relevanz in einem höheren Umsatz ausdrückt.

Wichtig ist, dass zu diesem Zeitpunkt noch nicht über Daten gesprochen wird. Erst müssen die Ziele und das Problem klar definiert werden, bevor überhaupt darüber nachgedacht werden sollte, welche Daten dafür benötigt werden. Natürlich kann es auch eine Option sein, sich zu überlegen, welche Daten man hat und wie man damit Geld verdienen kann. Aber auch hier könnte die erste Frage sein, welche Probleme man mit den Daten lösen könnte.

Von Zielen zu KPIs

KPIs (Key Performance Indicators) sind keine Ziele. Oft werden KPIs berichtet, doch ohne Bezug zu einem Ziel sind KPIs wertlos. Dies ist auch ein häufiger Grund dafür, dass Berichte nicht gelesen werden, denn was soll damit anfangen, dass zum Beispiel die Anzahl der Besucher einer Webseite von 30.000 auf 29.500 pro Monat gefallen sind?

Erst nach der Klärung der Ziele können KPIs definiert werden. Dies wird an einem Beispiel erläutert. Die im Kurs ernannten CEOs des Google Merchandising Stores haben das Ziel der Gewinnmaximierung und definieren als Business-Ziel eine Summe x als Umsatz oder Gewinn. Eine Möglichkeit (und wahrscheinlich auch die sinnvollste), dieses Ziel zu erreichen, ist das Herunterbrechen des Ziels in Unterziele. Ein Unternehmen hat viele Dimensionen, Personalkosten, Einkauf, Marketing, Betriebskosten etc. Aus Gründen der Vereinfachung fokussieren wir uns auf das Marketing.

Ein einfacher Ansatz im Marketing ist das AIDA-Modell, wobei AIDA für

steht. Jedes dieser Marketing-Ziele muss auch SMART sein, z.B. 1.000.000 Menschen in einem Jahr erreichen, die den Shop noch nicht kennen und für die deren Produkte relevant sind. Dieses Marketing-Ziel kann und sollte weiter heruntergebrochen werden. Die Unterziele sollten dann die Frage beantworten, wie diese Marketing-Ziele erreicht werden, zum Beispiel mit einer Display-Kampagne, die 500.o00 Menschen erreichen soll, und Affiliate-Partnerschaften, die wiederum 500.000 Menschen erreichen.

KPIs sind keine Metriken. Aber KPIs können mit Metriken gemessen werden. Dies soll an einem Beispiel verdeutlicht werden: Ein Segler möchte von Hamburg nach Helgoland segeln, um dort ein Fischbrötchen zu essen. Er weiß, dass die Fischbrötchenbuden nur bis 16 Uhr geöffnet haben. Sein Ziel ist SMART, denn es ist spezifisch (Fischbrötchen auf Helgoland), es ist messbar (Fischbrötchen im Magen), es ist immens attraktiv (Fischbrötchen!!!), es ist realistisch (man kann von Hamburg nach Helgoland segeln) und es ist terminiert (bis 16 Uhr). Auf See wird sich unser Segler immer wieder KPIs ansehen, die ihm helfen zu verstehen, ob er auf dem richtigen Kurs ist, sein Ziel zu erreichen, oder ob er korrigierende Maßnahmen einleiten muss. Die Geschwindigkeit ist ein KPI, die in der Metrik Knoten gemessen wird. Weitere KPIs sind Wind, Koordinaten, etc.

Von Daten zur Handlungsrelevanz

Wir kennen die Historie des Begriffs „Daten“, aber genau definiert haben wir den Begriff bis jetzt noch nicht. Die Begriffe „Daten“ und „Information“ werden nicht selten synonym verwendet, aber es gibt einen wichtigen Unterschied: Aus Daten werden Informationen gewonnen, ein Datenwert allein ist wertlos. Buchstabenfolgen könnte man zum Beispiel als Daten verstehen, aber nur wer sie lesen und in Bezug zueinander setzen kann, wird auch Informationen aus den Buchstabenfolgen gewinnen können. Daten sind das Rohmaterial, aus denen Informationen gewonnen werden. Die Wissenspyramide sieht Daten und Informationen als Basis dafür, dass Wissen generiert werden kann. So wie aus der Verbindung von verschiedenen Daten Informationen entstehen, kann aus der Verbindung von verschiedenen Informationen Wissen erzeugt werden, und aus dem Wissen Weisheit. Diese DIKW-Pyramide, deren Herkunft unbekannt ist, ist ein weithin bekanntes Modell der Beziehungen zwischen Daten, Informationen, Wissen und Weisheit. Der letzte Punkt, Weisheit, wird manchmal auch weggelassen.

Für die Datenanalyse wird eine modifizierte Version der Pyramide vorgeschlagen:

Es ist zwar schön, etwas zu wissen, aber vom Wissen allein verändern sich in der Regel keine Zahlen. Wenn wir wissen, was unser Ziel ist, und die Daten darauf hinweisen, dass wir unser Ziel nicht erreichen werden, dann werden wir korrigierende Maßnahmen einleiten, um das Ziel doch noch zu erreichen. Wenn wir sehen, dass wir es erreichen, dann werden wir nichts tun (was wir auch als Aktion betrachten).

Viele Reportings werden so erstellt, dass sie diesem Ansatz nicht entsprechen. Es werden Zahlen aufgelistet, die keinerlei Handlungsrelevanz besitzen, oder die Zahlen sind noch nicht so aufbereitet, dass die Handlungsempfehlung unmittelbar abgeleitet werden kann. Manchmal werden auch einfach nur Daten berichtet, weil es sie gibt, nicht weil sie einen Sinn ergeben. Allein ihre Existenz wird als Anlass genommen, sie als wichtig zu interpretieren. Die Dreifaltigkeit der Daten sieht jedoch vor, dass jedes Datum und jede Information auf ihre Handlungsrelevanz überprüft wird und nicht-handlungsrelevante Daten nicht aufgenommen werden.

Der Datenanalyse-Prozess

Wie im Abschnitt Das Business Problem verstehen beschrieben, beginnt alles mit der Frage, welches Problem eigentlich gelöst werden soll. Diese Probleme sollten immer auf das Business-Ziel einzahlen, also den Gewinn zu erhöhen. Erst danach wird überlegt, welche Daten überhaupt benötigt werden. Der Vorteil dieses Ansatzes ist, dass dann nicht einfach von dem ausgegangen wird, was man bereits hat, sondern sich keine Grenzen setzt („Die Daten habe ich nicht in dem Tool, also überlege ich auch nicht, woher ich sie ansonsten herbekommen kann.“)

Die Phasen einer Daten-Analyse oder eines Data Science-Projekts werden häufig in 5 Teilen unterschieden. Der Kurs ist genau nach diesen 5 Teilen aufgebaut:

  • Das Problem verstehen
  • Die Daten akquirieren
  • Die Daten analysieren
  • Modellieren und Testen
  • Kommunizieren

Auch wenn dies nach einem Wasserfallprozess aussieht, so kann es in der Realität häufig ein iterativer Prozess sein. So kann bei der Analyse festgestellt werden, dass ein Teil der akquirierten Daten nicht für die Analyse geeignet ist und damit wieder ein Schritt zurück gegangen werden muss.