Start-ups sind fest verbunden mit Attributen wie Flexibilität, Personaleffizienz und flachen Hierarchien und sind nicht nur Bestandteil der Geschäftswelt, sondern gerade deswegen auch des Öfteren Vorbild. Sie gelten nicht umsonst deshalb als modernes Gegenstück zu globalen Konzernen, weil sie „durchdigitalisiert“ in den Markt eintreten. Die zielgerichtete Datenanalyse erschließt deshalb gerade für Start-ups neue Möglichkeiten – sei es im Performance Marketing oder in der Customer Support Operations. Die alltägliche Geschäftswelt ist schon seit längerem eine Datenwelt.

Nicht umsonst sehen deshalb laut einer Bitkom-Umfrage drei von vier Unternehmen mit mehr als 20 Mitarbeitern den Einsatz von Big Data als eine der wettbewerbsentscheidenden Schlüsseltechnologien, wobei sechs von zehn Unternehmen diese Technologie bereits nutzen oder deren Einsatz planen oder diskutieren. Auch Start-ups tun gut daran, Datenanalyse von Beginn an professionell zu betreiben. Dieser Beitrag zeigt auf, wie erfolgreiche Datenanalyse in Start-ups gelingt.

Data Analytics: Erkenntnisse durch Daten

Daten entstehen von Tag 1 an und geben auch Start-ups alle Möglichkeiten zur Optimierung. Junge Unternehmen sollten deshalb von Beginn an die Datenanalyse im Kopf haben. Konkret bedeutet dies: Sorgt dafür, dass Ihr alle Daten speichert und zwar so, dass sie im Nachhinein auch noch gefunden werden können. Denn Ihr wisst heute noch nicht, welche Analysefragen sich eventuell morgen ergeben. Der Data Scientist David Kriesel, der mit seiner Datenanalyse zu Spiegel-Online nationale Berühmtheit erlangt hat, drückt dies kurz und prägnant aus: „Rohdaten sind geil“.

Damit Daten zielführend gesammelt, strukturiert und analysiert werden können, ist es notwendig, dass jeder Mitarbeiter versteht, warum welche Daten gesammelt und unter welchen Aspekten sie ausgewertet werden müssen. Eine datengetriebene Unternehmenskultur ist im 21. Jahrhundert definitiv State of the Art. Legt deshalb zusätzlich auch Owner fest, die dafür verantwortlich sind, die gesammelten Daten systematisch und strukturiert zu speichern, damit der Nachwelt nichts verloren geht. Beim Speichern der Daten gilt: Je mehr, desto besser. Bei der späteren Auswertung hingehen lautet die Devise: Qualität ist die halbe Miete. Aus Big Data muss hier Smart Data werden.

Datengetriebene Unternehmenskultur: drei entscheidende Faktoren

1. Klare Vision

Im Dunstkreis von Start-ups hat sich der Begriff der DNA eines Unternehmens etabliert: Der Erfolg eines jungen Unternehmens hängt stark davon ab, dass jeder einzelne Mitarbeiter weiß und versteht, welches Ziel ein Unternehmen am Markt verfolgt, was die Merkmale des Unternehmens sind, welche Unternehmenskultur gefordert ist und gefördert wird. Der oder die Gründer und Geschäftsführer eines jungen Unternehmens müssen auch losgelöst, aber besonders in Bezug auf die Datenanalyse eine klare Vision formulieren und diese dann anschaulich und verständlich an alle Mitarbeiter kommunizieren.

2. Ganzheitliche Planung

Aus der Zielformulierungen leiten sich im zweiten Zuge die analytischen Herausforderungen ab. Was ist meine Herausforderung und wie will ich sie analytisch lösen? Eine Fragestellung könnte zum Beispiel heißen: Welche Marketingmessage leite ich an welche (potenzielle) Kunden, um den Absatz zu steigern? Aus den spezifischen analytischen Herausforderungen ergeben sich wiederum die Methoden und Tools, die zur Lösung der analytischen Aufgaben verwendet werden sollten.

Junge Unternehmen sollten aber auch die Planung nicht außer Acht lassen. Um eine erfolgreiche Analysekultur im Unternehmen zu etablieren, ist eine Soll-Ist-Analyse mit klarer Formulierung der Erfolgskriterien sinnvoll. Hierbei leisten zum Beispiel die Experten von The Information Lab wertvolle Schützenhilfe. Die Bestandsaufnahme erfolgt über einen umfänglichen Fragenkatalog mit Eigen- und Fremdeinschätzung der Datennutzung und -analyse, an die sich eine Zielformulierung anschließt. Darauf basierend werden konkrete Maßnahmen festgelegt, die das Unternehmen in die Lage versetzen, schneller und effizienter neue Schlüsse aus vorhandenen Daten zu ziehen. Hierzu gehört auch die Entscheidung über benötigte Software: Reicht Excel langfristig aus oder ist es nicht zielführender, bereits im frühen Stadium in eine umfassende und spezialisierte Software zu investieren? Sollen nur Mitarbeiter mit tiefergehenden Programmierkenntnissen die Software verwenden können oder sollte eine Variante gewählt werden, die keine Programmierkenntnisse erfordert und somit einem sehr viel größeren Nutzerkreis zugänglich ist?

Ein großer Vorteil der sogenannten Self-Service-Software-Lösungen: Sie machen es möglich, dass relevante Daten auch außerhalb der IT-Abteilung – oder sogar komplett ohne sie (!) – von Mitarbeitern per drag-and-drop systematisch und umfassend analysiert werden können. Gerade in jungen Unternehmen verschwindet die Trennung zwischen IT- und anderen Abteilungen, da zum einen mehr IT-Kenntnisse von Mitarbeitern erwartet werden und diese sich auch aktiver miteinbringen wollen. Mitarbeiter der einzelnen Abteilungen (etwa Sales Management, Human Ressources, Logistics, etc.) können so mit den passenden Angeboten wie zum Beispiel Alteryx, Tableau, Qlik oder Power BI innerhalb kürzester Zeit zu sogenannten Citizen Data Scientists werden und eigenständig Daten analysieren und visualisieren. Das Unternehmen profitiert dabei außerdem von dem Fachwissen der Mitarbeiter, weil es in die Analyse der gewonnenen Daten einfließt.

3. Transparenz und Sicherheit

Für Unternehmen entsteht durch die Erkenntnisse aus der Datenanalyse greifbarer Mehrwert. Die verwendeten Daten sollten dabei möglich genau und ihre Sicherheit garantiert sein, sonst ergibt sich für Unternehmen zum Beispiel das Risiko, dass Daten eingesehen werden. Standardisierte Mechanismen erlauben es, eingehende Daten zentralisiert zu speichern und zu kategorisieren. So können Daten bei Bedarf leicht zu Analysezwecken integriert und regelmäßig aktualisiert werden.
Hilfreich für junge Unternehmen sind hierbei auch Softwarelösungen, die auch Datenkataloge anbieten, die zusätzlich auch die Metadaten durchsuchbar machen.

Praktische Datenanalyse in drei Schritten

Daten sammeln, strukturieren, analysieren, bewerten und visualisieren und schließlich zusammenfassen – so funktioniert praktische Datenanalyse.

1. Sammeln und strukturieren

Daten sind überall, jeder Klick eines Kunden auf einer Website lässt sich nachweisen. Solche internen und externen Daten werden in vorhandene Datenbanken und Software eingefügt. Werden verschiedene Datenquellen genutzt, so ist es wichtig sie zu einem einheitlichen Format miteinander zu verknüpfen und integriert auszuwerten. Auch die Überprüfung der Daten auf Eingabefehler, Lücken, etc. erfolgt in diesem Schritt.

2. Analysieren, bewerten und visualisieren

Die folgende Analyse kann aus zwei Schlagrichtungen angegangen werden: Beim unsupervised learning versuchen Algorithmen in den bestehenden Daten Muster zu erkennen und daraus Rückschlüsse zu ziehen. Beim supervised learning hingegen wird versucht, eine Hypothese zu formulieren, die möglichst zielsichere Voraussagen trifft. Es können also bei den Analysen Daten auf Hypothesen geprüft werden – wie z. B. „Steigt der Verkauf meines Produktes, wenn mein Unternehmen mehr Geld für Social-Media-Kampagnen einsetzt?“. Dabei wird eine Formel gesucht, welche die Daten erklärt und insoweit valide ist, als sie auch neue Daten erklären kann (Validierungsstichprobe).

Start-ups die sich an Analysen herantasten wollen, können erst einmal mit A/B-Testverfahren beginnen. Mit diesem Verfahren wird beispielsweise im Marketing ermittelt, wie gut Kunden auf bestimmte Muster oder Designs ansprechen und bei welchem es mehr Interaktion gibt. Hierzu erstellt man zum Beispiel zwei unterschiedliche Emails, die zwar den gleichen Inhalt aufweisen, jedoch mit anderen Texten, Designs oder Call-to-Actions-Buttons versehen sind. Die Analyse der unterschiedlichen Reaktionen auf diese Emails liefert Hinweise auf produktive Optimierungspotenziale.

Übrigens ist die visuelle Aufbereitung der Daten sehr gut geeignet, Trends, Muster und Beziehungen großer Datenmengen zu veranschaulichen. Die Daten werden als „Story“ sichtbar gemacht, können vom Gehirn schnell verarbeitet werden und lassen neue Ideen entstehen.

3. Zusammenfassen

Im letzten Schritt werden die aus den Daten gewonnenen Erkenntnisse bestenfalls schriftlich und grafisch zusammengefasst und kommuniziert. Auch hier gilt wieder, dass die Präsentation anschaulich und verständlich sein muss, damit die Empfänger aus den präsentierten Ergebnissen den bestmöglichen Nutzen ziehen können. Den Entscheidungsträgern obliegt es dann, die durch die Datenanalyse gewonnen Kenntnisse in die Tat umzusetzen und ihr Unternehmen mit datenbasierten Entscheidungen zum Erfolg zu führen.

Außerdem geht es hierbei auch darum, analytische Modelle eventuell bereits direkt in Geschäftsprozesse einzubetten, sodass in Echtzeit Analysen durchgeführt werden und zielführende Ergebnisse liefern. Besonders Start-ups, die im Vergleich zu gestandenen Unternehmen auf der grünen Wiese mit Technologien beginnen, können diese so bereits von Beginn an zum Erfolg ihres Unternehmens integrieren.

Fazit

Die Technologieentwicklungen der letzten Jahre haben sehr nutzerfreundliche Tools hervorgebracht, mit denen auch Programmierlaien mittlerweile Daten einfach und schnell analysieren können. Gleichzeitig können hierdurch größere und komplexere Datenmengen zuverlässig untersucht und repetitive Aufgaben automatisiert werden. Für Unternehmen, die Datenanalyse gezielt und strukturiert einsetzen, bedeutet dies einen entscheidenden Vorteil, der im härter gewordenen, globalen Wettbewerb kriegsentscheidend sein kann. Auch und besonders junge Unternehmen sind deshalb gut beraten, wenn sie von Anfang an in zielführende Datenanalyse investieren.

Der Autor Tom Becker ist General Manager Central & Eastern Europe bei Alteryx, einem der führenden Anbieter von Datenanalysesoftware. Becker ist verantwortlich für die Marktpositionierung des Unternehmens, die Lokalisierung der Produkte sowie den Aufbau der Community im DACH-Raum