Was sind Daten? Ein Erfolgsrezept für Unternehmen

Wir erklären in diesem Beitrag, was Daten sind, worauf Unternehmen bei der Datennutzung achten müssen und wie eine effektive Datenstrategie auf den Unternehmenserfolg einzahlt. Plus: Sie erfahren, wie smarte Tools den Umgang mit Daten erleichtern.

Inhalt:

• Was sind Daten? – Ein Blick in die Theorie
• Von Daten zu aussagekräftigen Informationen: 5 Tipps
• Erfolgsbeispiel aus der Praxis: Formula 1®
• Daten: Meistern Sie die digitale Transformation mit den richtigen Hilfsmitteln

Das Sammeln von Daten ist keineswegs ein neues Phänomen: Schon im Mittelalter dokumentierten Kerbhölzer die Schuldverhältnisse zwischen zwei Geschäftspartnern. Die Inkas nutzten die spezielle Knotenschrift „Quipu“, um Lagerbestände zu erfassen. Eine der ersten Methoden in der modernen Speicherung von Daten stellten Lochstreifen dar. Die Position der eingestanzten Löcher konnte als digitale Information von Computern ausgelesen werden – ein System, das gleichzeitig die Anfänge der elektronischen Datenverarbeitung (EDV) geprägt hat.

Heute sieht die Situation ganz anders aus: Cloud-Technologien, Machine Learning und Co. erlauben es Unternehmen, riesige Datenmengen (Big Data) schnell und effizient zu verarbeiten. Wer bei der rasanten Entwicklung der Digitalisierung mithalten und weiterhin wettbewerbsfähig bleiben will, kommt an einer durchdachten Datenstrategie nicht vorbei. Doch gehen wir zunächst einen Schritt zurück und werfen einen Blick in die Theorie: Was sind Daten überhaupt?

In der IT gelten Daten als elementare Informationseinheiten, die in einem Computersystem elektronisch erfasst werden. Häufig geschieht dies in verschlüsselter Form, zum Beispiel mit Hilfe von Binär-Codes (Zahlen 0 und 1). Die in Unternehmen gesammelten Daten können unterschiedliche Formate haben: Zahlenwerte, Texte, Bilder, Audios, Videos und so weiter. Das Spannende dabei ist, dass Daten in ihrer ursprünglichen Form keinerlei Aussagekraft haben. Diese Rohdaten stellen lediglich eine objektive Abbildung von Tatsachen dar.

Erst durch die Verarbeitung, Analyse und Interpretation der Daten mithilfe von Algorithmen und Software-Programmen entstehen aussagekräftige Informationen. Die Daten werden in eine lesbare, verständliche Form übertragen und in den nötigen Kontext gesetzt. Erst jetzt ist es möglich, aus den Daten nützliches Wissen zu generieren und effiziente Entscheidungen zu treffen.

Ein Beispiel: Mit der Zahlenfolge „05071992“ lässt sich per se wenig anfangen (Rohdaten). Durch die Ergänzung von Kontext entstehen Informationen: Der 05.07.1992 ist das Geburtsdatum von Miriam Müller, einer Kundin unseres fiktiven Unternehmens. Zusammen mit weiteren Informationen erhalten Sie nützliches Wissen über Miriam. Zeigt zum Beispiel das Kaufverhalten, dass Miriam regelmäßig Beauty-Produkte im Online-Shop einkauft, kann ein Newsletter mit entsprechenden Gutscheinen zu ihrem Geburtstag eine sinnvolle Maßnahme zur Kundenbindung sein.

Obwohl Daten ein immaterielles Gut sind, haben sie einen immensen Wert für Unternehmen – allerdings nur unter der Voraussetzung, dass sie richtig verarbeitet und interpretiert werden. Der Mehrwert des Datenschatzes resultiert erst aus dem nützlichen Wissen, das Sie daraus generieren. Es ist also nicht verwunderlich, dass es laut dem State of Data and Analytics von Salesforce für 94 Prozent der Führungskräfte ein großes Anliegen ist, die eigenen Daten besser zu nutzen.

Daten können in vielerlei Hinsicht auf den Erfolg Ihres Unternehmens einzahlen:

• Sie treffen schnellere, genauere und bessere Entscheidungen auf Datenbasis. Dadurch verschaffen Sie sich Wettbewerbsvorteile und erreichen nachhaltige Umsatzsteigerungen.
• Sie decken Verbesserungspotenziale auf, um Ihre Prozesse und Produkte zu optimieren.
• Sie verbessern die Customer Experience, was positive Effekte auf die Neukundengewinnung und die Kundenbindung hat.
• Sie machen Erfolge messbar und können schnell reagieren, wenn etwas nicht nach Plan läuft.

Sie treffen zuverlässige Prognosen, decken Trends auf und passen Ihre Strategien darauf an.

Transaktionen, Telefonate, Ladengespräche – in einem Unternehmen fallen jeden Tag Unmengen von Daten an. Eine Clusterung ist zunächst anhand der Art der Datenquelle möglich: Interne Daten werden direkt im Unternehmen generiert. Sie betreffen zum Beispiel Wartung, Finanzen oder Personal. Externe Daten stammen aus Quellen außerhalb des Unternehmens – Informationen aus dem Markt, den sozialen Medien, von Kund:innen oder sogar Wettervorhersagen. Darüber hinaus gibt es verschiedene Datenarten in einem Unternehmen: Angefangen bei Kundendaten und Lieferantendaten bis hin zu Produkt- und Materialdaten.

Eine weitere Abgrenzung unterteilt Daten in strukturiert, semi-strukturiert und unstrukturiert:

• Strukturierte Daten liegen bereits in einem vorgegebenen Format vor, wie einer Tabelle oder einer Datenbank.
• Bei semi-strukturierten Daten ist ein gewisses Maß an Strukturiertheit gegeben, zum Beispiel in Form von Tags oder Metadaten. Dennoch sind die Informationen in ihrer ursprünglichen Form schwer zu verarbeiten, denn sie liegen nicht in einem festen Schema vor, wie es für relationale Datenbanken notwendig ist. Beispiele für semi-strukturierte Daten sind HTML-Code oder XML-Dokumente.
• Unstrukturierte Daten haben keine Struktur und es sind spezielle Tools erforderlich, um Informationen aus ihnen zu gewinnen. In Unternehmen kommen unstrukturierte Daten am häufigsten vor: Social-Media-Posts, E-Mails, Kundenbewertungen, Videoaufnahmen und so weiter.

Tipp: Weitere wichtige Begriffserklärungen erhalten Sie in unserem Beitrag „Das ultimative Datenglossar: 23 Definitionen rund ums Thema Daten“.

Die größte Menge an Daten bringt Ihnen nichts, wenn Sie sie nicht in den richtigen Kontext setzen und sinnvolle Schlussfolgerungen daraus ziehen. Wichtige Erfolgsfaktoren sind eine gut durchdachte Datenstrategie und die technische Implementierung in Form eines Datenmanagementsystems. Die folgenden fünf Tipps helfen Ihnen dabei, Daten einheitlich und effektiv im gesamten Unternehmen zu integrieren.

Am Anfang steht die Datensammlung: Für Unternehmen gilt es, relevante Quellen zu identifizieren und die Daten mithilfe von APIs (Programmierschnittstellen), Extraktions-Tools oder anderen Mitteln zusammenzutragen. Anschließend stellt sich die Frage, wie Sie Ihre Daten am besten speichern. Hier ist es entscheidend, dass Sie separate Datensilos vermeiden und alle erfassten Datensätze an einem zentralen Ort und in standardisierten Strukturen hinterlegen – das gilt auch für die Daten aus Offline-Kanälen. Dieses Vorgehen ermöglicht nicht nur den schnellen Zugriff, sondern auch eine einheitliche und ganzheitliche Sicht auf Ihr Daten-Portfolio.

Die Datenanalyse schafft im nächsten Schritt die Grundlagen, um wertvolle Erkenntnisse aus den gesammelten Datensätzen zu ziehen. Mithilfe verschiedener Analysemethoden lassen sich Trends oder Muster identifizieren, Verbesserungspotenziale aufdecken und fundierte Entscheidungen treffen. Data Analytics im Gesamten beschreibt den kontinuierlichen Prozess aus Datenerfassung, -auswertung und -interpretation. Eine smarte Analytics Software, die künstliche Intelligenz (KI) und Automatisierungsfunktionen integriert, kann Sie bei all diesen Schritten effektiv unterstützen. Zudem bieten fortschrittliche Tools vielfältige Möglichkeiten zur Visualisierung Ihrer Daten.

Sie möchten eine leistungsfähige und intelligente Technologie einsetzen, die Sie auf dem Weg zu einem erfolgreichen Datenmanagement begleitet? Von der Datenerfassung und -zusammenführung bis hin zu wertvollen Ergebnissen – die Salesforce Data Cloud unterstützt Sie mit künstlicher Intelligenz und zahlreichen hilfreichen Features.

Fehlerhafte Daten erschweren nicht nur die Datenanalyse, sondern können für Unternehmen auch zum Kostenfaktor werden. Denn schnell sind schlechte Entscheidungen auf der Basis von falschen, fehlenden oder doppelten Daten getroffen. Aus diesem Grund sollten Sie die Qualität Ihrer Daten stets im Blick behalten und sie in einem kontinuierlichen Prozess prüfen und optimieren. Der State of Data and Analytics bestätigt die Relevanz, denn für Führungskräfte aus dem IT- und Analytics-Bereich ist die Verbesserung der Datenqualität von höchster Priorität.

Eine hochwertige Datenbasis ist ausschlaggebend für erfolgreiche Analysen und Entscheidungen. Diese zeichnet sich durch mehrere Dimensionen aus:

• Aktualität
• Einheitlichkeit
• Genauigkeit
• Konsistenz
• Korrektheit
• Redundanzfreiheit
• Verständlichkeit
• Vollständigkeit
• etc.

Doch welche Maßnahmen sind nötig, um die Datenqualität auf einem hohen Niveau zu halten? Kurz gesagt benötigen Sie Prozesse, mit denen Sie Ihre Daten validieren und Fehler bereinigen können. Das umfasst unter anderem das Erstellen von Regeln zur Messung der Datenqualität sowie die Bereinigung, Standardisierung und Überprüfung der Daten – idealerweise mit Hilfe von intelligenten Tools. Bei der Datenbereinigung geht es darum, inkonsistente, fehlerhafte oder doppelte Daten zu identifizieren und auszubessern. Die Datenstandardisierung wiederum dient dazu, die Datensätze in einheitliche Strukturen und Formate zu überführen. Im Rahmen von regelmäßigen Überprüfungen wird die Datenqualität überprüft, um Unstimmigkeiten zu erkennen.

Beim Umgang mit Daten sind Sicherheitsaspekte ein entscheidender Faktor. Die Aufgabe besteht darin, die Daten des Unternehmens gegen unbefugte Zugriffe, Diebstähle oder Beschädigungen zu schützen. Sowohl cyberkriminelle Aktivitäten als auch Fehler durch die Mitarbeitenden können ein Sicherheitsrisiko darstellen. Ein Datenverlust bedeutet für Unternehmen ein erhebliches Risiko, sowohl aus finanzieller Sicht als auch in Bezug auf das Vertrauen von Kund:innen und anderen Stakeholdern sowie Haftungsfragen.

Typische Ursachen für Datenverluste sind Cyberangriffe, Malware, fehlerhafte Hard- und Software, unsachgemäße Bedienung, Diebstahl oder einfach nur der Verlust von mobilen Geräten. Doch wie können Sie Ihre Daten effektiv schützen? Hier sind zehn Tipps für eine höhere Datensicherheit:

1. Sichern Sie sich mit einer durchdachten Backup-Strategie ab.
2. Verlagern Sie Ihren Datenschatz (zusätzlich) in eine vertrauenswürdige Cloud.
3. Legen Sie Wert auf ein adäquates Zugriffs- und Identitätsmanagement.
4. Tauschen Sie Speichermedien regelmäßig aus.
5. Betreiben Sie ein proaktives Patch-Management in Bezug auf Ihre Software.
6. Wehren Sie Cyberangriffe durch einen passenden Security-Mix ab.
7. Schützen Sie Ihre Systeme gegen Stromausfälle und Überspannungen.
8. Definieren Sie klare Richtlinien zur Einführung neuer IT-Dienste und Software.
9. Schulen Sie Ihre Mitarbeitenden in punkto Datensicherheit und -nutzung.
10. Stellen Sie einen Notfallplan zusammen.

Gut zu wissen: Während sich die Datensicherheit auf sämtliche Daten im Unternehmen bezieht, liegt der Fokus beim Datenschutz primär auf personenbezogenen Daten. Beim Datenschutz geht es um rechtliche Aspekte, die vorschreiben, wie die Erhebung, Verarbeitung, Speicherung und Nutzung von personenbezogenen Daten erfolgen darf. Hierbei müssen Unternehmen unter anderem die Vorgaben aus der Datenschutz-Grundverordnung (DSGVO) einhalten.

Durch künstliche Intelligenz eröffnen sich zahlreiche Möglichkeiten für den Umgang mit Daten. Doch die Beziehung zwischen AI und Daten ist eine wechselseitige, das heißt: Nur mit genügend Daten in hoher Qualität kann die KI lernen und zuverlässige Ergebnisse liefern bzw. diese verbessern. Dem stimmen auch IT- und Analytics-Führungskräfte zu, die Salesforce im Rahmen des State of Data and Analytics befragt hat:

Auf der anderen Seite lassen sich mit Hilfe von KI und maschinellem Lernen riesige Datenmengen effektiv auswerten. Die künstliche Intelligenz automatisiert Datenanalyseprozesse, erkennt Zusammenhänge, Trends, Muster oder Anomalien und trifft datenbasierte Vorhersagen. In diesen Aufgaben ist die Maschine dem Menschen überlegen, denn manuell würden diese einen enormen Zeitaufwand und eine hohe Fehleranfälligkeit bedeuten.

Viele Mitarbeiter:innen eines Unternehmens müssen früher oder später mit den gesammelten Daten arbeiten. Daher ist der Aufbau von Datenkompetenz (englisch: Data Literacy) ebenso wichtig wie technische Faktoren. Der Begriff Datenkompetenz beschreibt die Fähigkeit, Daten zu verstehen und basierend darauf datenbasierte Entscheidungen zu treffen.

Hiermit sind insbesondere grundlegende Qualifikationen gemeint, zum Beispiel das Erstellen von Kalkulationstabellen oder datengesteuerten Berichten für die Entscheidungsfindung der Führungsebene. Alle Mitarbeitenden sollten zumindest ein Grundverständnis für den Umgang mit Daten haben, um auf demselben fachlichen Niveau zu sein – das gelingt beispielsweise mit Hilfe von Schulungen.

Darüber hinaus gibt es Personen im Unternehmen, die sich intensiv mit Daten auseinandersetzen und somit über eine hohe Datenkompetenz verfügen. Ihre Verantwortlichkeiten (Data Roles) gilt es richtig zu verteilen. Zu diesen Rollen gehören beispielsweise der Data Analyst (interpretiert Daten), der Data Scientist (entwickelt komplexe Algorithmen und Modelle) oder der Data Governance Manager (erarbeitet Datenrichtlinien und setzt sie um).

Die Formula 1® stand nach einem rasanten Popularitätsaufschwung vor der Herausforderung, die neu gewonnenen Fans zu einem dauerhaften Engagement zu bewegen. Schlüsselfaktoren sollten hierbei personalisierte und erstklassige Kundenerlebnisse sein. Um eine solche Kundenbindung zu erreichen, war eine enge Verzahnung zwischen Vertrieb, Service und Marketing notwendig.

Mit Hilfe von Salesforce gelang es der Formula 1®, die Daten aus allen Bereichen – ob digital oder analog – auf einer zentralen Plattform zusammenzuführen. Dank dieser gemeinsamen Sicht auf sämtliche Kundendaten und Echtzeit-Einblicken aus der Salesforce Data Cloud kann die Formula 1® ihre Fans nun besser verstehen, sie zielgerichtet ansprechen und hochpersonalisierte Erlebnisse bieten.

Lesen Sie hier die gesamte Erfolgsgeschichte der Formula 1®!

Die Digitalisierung rückt den richtigen Umgang mit Daten immer weiter in den Fokus. Unternehmen, die langfristig im Wettbewerb bestehen wollen, kommen an einer digitalen Transformation und der effektiven Nutzung von Daten kaum mehr vorbei. Smarte Tools bilden eine wichtige Basis, um die technischen Herausforderungen in diesem komplexen Prozess zu meistern. Sie unterstützen Ihr Unternehmen in den verschiedenen Phasen des Datenmanagements und helfen Ihnen dabei, aus einer Masse an Rohdaten hochwertige Erkenntnisse zu generieren.