Erstellen Sie mit ROOTS ihre Marketing-Datenstrategie auf der Grundlage des innovativen Data Thinking Ansatzes, um den größtmöglichen Nutzen aus der Datennutzung und -analyse für ihren Geschäftserfolg zu generieren.
Was ist eine Datenstrategie?
Datenstrategien werden gemeinhin als ein strukturierter Plan oder Rahmenwerk definiert, mit dem festgelegt wird, wie Daten gesammelt, gespeichert, verwaltet und genutzt werden, um deren Wert optimal zu nutzen.
Tatsächlich basieren wirkungsvolle Datenstrategien auf einem hochdynamischen kreativen Data- Thinking-Prozess, der die Erfassung, Organisation, Analyse und Bereitstellung von Daten zur Erreichung der Geschäftsziele supportet. Dabei werden die bewährten Ansätze aus dem Design Thinking mit zahlreichen Data Science Techniken verknüpft und auch für Mitarbeiter ohne tiefgreifende Datenkenntnisse greifbar gemacht. Der Umgang mit Daten wird auf diese Weise nicht pauschal der IT zugeteilt, sondern ist prinzipiell in allen Unternehmensbereichen fest verankert, um die Entwicklung von Use-Cases und Prototypen zu ermöglichen, die echte Mehrwerte für das Unternehmen, seine Mitarbeiter und Kunden generieren.
Ziel der Datenstrategie ist der schrittweise Wandel des Unternehmens in Richtung kundenzentrierter Geschäftsmodelle und datengetriebener Prozesse, um im digitalen Zeitalter relevante Wettbewerbsvorteile zu schaffen.
Warum ist eine Datenstrategie wichtig?
Eine Datenstrategie liefert einen Fahrplan, um Daten als strategische Ressource effektiv zu nutzen und die Risiken im Umgang mit den Daten nachhaltig zu minimieren.
- Durch Implementierung einer Datenstrategie entstehen einzigartige strategische Wettbewerbsvorteile. Unternehmen werden u.a. dazu befähigt, informierte Entscheidungen im Voraus, statt im Nachgang zu treffen und Zusammenhänge, Trends und Anomalien frühzeitig zu identifizieren und strategisch einzuordnen. Darüber hinaus schaffen Datenstrategien die Grundlagen für die Einsetzung künstlicher Intelligenz (KI) und Machine Learning (ML).
- Data Thinking kann als zugrunde liegende Entwicklungsmethode die „Pain Points“ herkömmlicher Big Data-Ansätze adressieren, die nicht den Stakeholder, sondern die Technologie in den Vordergrund stellen. In solchen Umfeldern koexistieren ausgeprägte Datensilos und riesige Datenmengen, die ohne erkennbares Ziel „gesammelt“ werden, gepaart mit fehlender Datenexpertise in den allermeisten Unternehmenseinheiten, die der effektiven Nutzung von Daten am häufigsten entgegenwirken.
Data Thinking durchbricht diese Strukturen und stiftet eine „Datenkultur“, die auf einem gemeinsam getragenen unternehmensweiten Datenverständnis auf der Basis von fünf grundlegenden Prinzipien basiert.
Mit diesem Grundverständnis werden Daten aktiv zur Problemlösung, z.B. für Prozessoptimierungen in der Produktion oder das Customer Experience Design im Marketing eingesetzt, ohne das hierfür tiefergehende Datenkenntnisse von Nöten sind. Data Thinking stellt die wirklich geschäftsrelevanten Use Cases an den Anfang jeder Datenstrategie (Impact first, Data second) – und definiert erst dann, welche Daten in welcher Form und Qualität benötigt werden.
Wie gehen wir beim Aufsetzen einer Datenstrategie vor?
Im Rahmen eines Workshops gehen wir zunächst den zentralen WKW-Fragen auf den Grund: Wie könnten wir die Probleme lösen, Herausforderungen meistern, Bedürfnisse befriedigen oder Ziele erreichen, wenn ein besserer Zugang zu qualitativ hochwertigen Daten gegeben wäre?
„Wenn Sie sich mit Stakeholdern treffen, sollten Sie den Datenbedarf für mehrere Geschäftsziele innerhalb oder über die Geschäftsbereiche hinweg ermitteln, um den Wert von Daten als strategisches Gut zu verdeutlichen“, sagt Jo Ramos, der sich auf die Entwicklung und Umsetzung von Datenstrategien für IBM-Kunden spezialisiert hat.
Die Data Vision sollte unbedingt auf dem zentralen Wertangebot basieren und die verschiedenen Bedürfnisse der bereichsübergreifenden Stakeholder in einem gemeinsamen Statement vereinen. Über gezielte WKW-Fragen werden Anwendungsfälle erarbeitet und als Hypothesen formuliert, die letztlich in der Festlegung gemeinsamer Ziele münden.
Auf Basis der Zielstellung und eines gemeinsamen Commitments der Stakeholder zu den erarbeiteten Hypothesen, geht es im nächsten Schritt um die Analyse der vorhandenen Datenstrukturen.
Das Angebot existierender Datenquellen steht bei dieser Analyse im Vordergrund:
- Welche Daten stehen uns für die identifizierten Anwendungsfälle zur Verfügung, die wir selber erstellt haben bzw. erfassen können? (Owned Data)
- Welche Daten werden von unseren Kunden bereitgestellt? (Earned Data)
- Welche Daten können wir hinzukaufen? (Paid Data)
- Welche Daten stehen öffentlich zur Verfügung? (Public Data)
Mit der Datenlandschaft Canvas erkunden wir Ihre Datenquellen und identifizieren gleichzeitig das GAP an Daten, die für konkrete Anwendungsfälle benötigt werden.
Wurden die ersten Phasen des Design Thinking Prozesses erfolgreich abgeschlossen, kann der Ideation-Prozess beginnen, um die hypothetischen Anwendungsfälle in umsetzbare Use-Cases zu übersetzen. Durch Verwendung der Data Thinking Canvas wird sichergestellt, dass beim Konzipieren der Use-Cases immer der Abgleich zu den vorhandenen Datenquellen stattfindet. So fließen nur die wirklich relevanten Datenquellen in die Konzeption ein und unnötige Daten werden von Anfang an ausgeschlossen, um einen späteren Daten-Overload zu vermeiden.
Die Use-Cases werden abschließend nach ihrer Wirtschaftlichkeit und Komplexität priorisiert, um sicherzustellen, dass nur die vielversprechendsten Anwendungsfälle weiter ausgearbeitet werden.
Nach dem Prinzip „Start small, test early, iterate fast“, sollten die Use-Case so schnell wie möglich als Prototyp weiterentwickelt werden. In dieser Phase übernehmen die „Datenprofis“, die geeignete Methoden und Technologien einsetzen, um bei minimalem Aufwand einen funktionierenden Prototypen (MVP) zu erstellen. Der erste Prototyp muss nicht perfekt aber geeignet sein, um die Hypothesen zu validieren und die UX mit den Daten zu testen.
Folgt man dieser Methodik konsequent dann entstehen immer neue Anwendungsfälle und Prototypen, von denen am Ende nur die besten dauerhaft integriert werden. Gleichzeitig steigt auch die Kompetenz des Unternehmens im Umgang mit Daten, der so genannte „analytische Reifegrad“ sukzessive an, so dass immer komplexere Anwendungsfälle konzipiert werden können.
Mit dem Analytik-Reifegrad Canvas kann der analytische Reifegrad eines Unternehmens sehr einfach bestimmt werden und so auch eine Roadmap entwickelt werden, wie der Reifegrad schrittweise erhöht werden kann. Das hilft wiederum bei der Priorisierung der Use-Cases, die als nächstes angegangen werden sollten, weil die entsprechenden Voraussetzungen für eine wirtschaftliche Umsetzung bereits durch Realisierung früherer Use-Cases geschaffen wurden.
Abb.: Analytics Maturity Model by Gartner
Profitieren Sie bei der Entwicklung ihrer Datenstrategie von unserer langjährigen Erfahrung in der Durchführung von Design Thinking Workshops und vereinbaren Sie noch heute einen Termin für ein unverbindliches Beratungsgespräch.
