Menschen können nicht an einfachen Zahlen gemessen werden: So trennen Sie die Daten von echten umsetzbaren Erkenntnissen

Unternehmen und Vermarkter haben Zugriff auf mehr Daten als je zuvor, sowie Daten, um die Daten zu unterstützen, und Daten, um die Genauigkeit der ersten Daten zu beweisen … und so weiter.

Wenn Sie datengetriebene Entscheidungen für Ihr Unternehmen treffen wollen, ist der Rohstoff da. Ohne das menschliche Element haben Daten jedoch keine Bedeutung.

Daten vs. Erkenntnisse: Was ist der Unterschied?

Es ist wichtig, die Rolle von Daten und Erkenntnissen im Forschungsprozess zu verstehen und wie sie das Endergebnis beeinflussen können.

Daten sind rohe, unverarbeitete Informationen, die gemäß bestehenden Standards erfasst werden. Es kann in Form von Zahlen, Bildern, Transkriptionen oder anderen Formaten vorliegen. Verarbeitete, aggregierte und organisierte Daten werden als Informationen in Datenvisualisierungen, Berichte und Dashboards eingefügt, die von Menschen leichter interpretiert werden können.

Erkenntnisse werden aus der Analyse der Informationen gewonnen, um Umstände zu kontextualisieren und Schlussfolgerungen zu ziehen. Diese Schlussfolgerungen können dann für umsetzbare Entscheidungen zur Unterstützung eines Unternehmens verwendet werden.

„Datengesteuert“ wird oft in Unternehmen, Marketing usw. herumgeworfen, aber es geht wirklich um die Erkenntnisse, die Sie aus Daten gewinnen können. Moderne Unternehmen haben praktisch endlose Datenströme, aber ohne Analysen und Erkenntnisse sind sie im Grunde nutzlos.

Prinzipien der Gewinnung von Erkenntnissen aus Daten

Die Entscheidungsträger eines Unternehmens sind möglicherweise nicht datenaffin – der klare Kontext und die Verbindung zum Unternehmen gehen zwischen den Zahlen und Statistiken verloren. Wenn die Erkenntnisse fehlen, gibt es eine Lücke im Fluss der Entscheidungsfindung.

Mit zunehmender Fülle – und Komplexität – von Daten kann sich diese Lücke vergrößern.

Hier sind die Prinzipien, um Erkenntnisse aus Daten zu gewinnen:

Zusammenarbeit

Etablierte Unternehmen haben oft mehrere Abteilungen oder Teams, die jeden Schritt des Datenprozesses handhaben. Dennoch können dadurch Informationssilos entstehen, die Lücken hinterlassen, es sei denn, alle sind auf derselben Seite.

Für eine umfassende Sicht auf Daten, Sachverhalte und Ziele ist die Zusammenarbeit aller Abteilungen notwendig. Kommunikation und Unterstützung ermöglichen es wichtigen Entscheidungsträgern, wertvolle Erkenntnisse aus den Daten zu gewinnen und das „große Ganze“ zu sehen. Alle arbeiten auf das gleiche Ziel hin und helfen sich daher gegenseitig.

Transparenz

Da mehrere Abteilungen die Datenanalyse und Entscheidungsprozesse abwickeln, ist jede von ihnen mit unterschiedlichen Aspekten vertraut. Der Analyst kennt die Datenquellen, Prozesse, Typen und Metriken, während die Entscheidungsträger die Fragen kennen, die sie zu beantworten versuchen, und die Ziele, die sie zu erreichen versuchen.

Alle Abteilungen müssen offen und transparent kommunizieren, um die Bedürfnisse der anderen zu verstehen und sicherzustellen, dass ihr Teil der Aufgabe vollständig erfüllt wird.

Spezifität

Wie bei der Transparenz müssen alle am Datenprozess beteiligten Abteilungen das Endziel und die übergeordneten Geschäftsziele verstehen. Daten, Management, Entscheidungsträger und alle anderen Beteiligten müssen die Anforderungen, Absichten und Ziele definieren.

Dadurch wird sichergestellt, dass die richtigen Fragen gestellt und die richtigen Datensätze verwendet werden, anstatt das Problem weiter zu verschleiern.

Anwendung der Prinzipien auf Data Insights

Fragen definieren

Wie bereits erwähnt, kommt es auf die Spezifität an. Vage, breite Fragen erschweren es, umsetzbare Antworten zu erhalten.

Beispielsweise könnte die Frage, wie man mehr Einnahmen erzielen kann, zu einer Fülle von Hypothesen führen. Fragen Sie stattdessen, auf welche Kanäle Sie sich konzentrieren sollten, um den Umsatz zu steigern, ohne die Kosten zu erhöhen, was zu einer größeren Gewinnspanne führt. Oder fragen Sie, welche Marketingkampagne im letzten Quartal den besten ROI erzielt hat und was Sie tun können, um die Ergebnisse zu replizieren.

Und denken Sie daran, wenn Ihnen die Antwort nicht gefällt, stellen Sie eine andere Frage.

Kontext klären

Wenn Sie den Kontext der Analyse, die Motivationen, eingeschränkten und gewünschten Ergebnisse verstehen, können Sie – oder Ihre Data Scientists – die besten zu überwachenden Metriken bestimmen. Wenn Sie möchten, dass die Daten kontextualisiert werden, muss jeder Schritt mit Ihren allgemeinen Geschäftszielen verbunden sein.

Setzen Sie klare Erwartungen

Verschiedene Datensätze können verwendet werden, um verschiedene Fragen zu beantworten. Es ist wichtig zu verstehen, welche Art von Erkenntnissen aus dem spezifischen Datensatz gewonnen werden können, den Sie sammeln.

Suchen Sie zum Beispiel nach einem Durchschnitt? Eine Änderungsrate? Insgesamt? Diese Besonderheiten sind wichtig und informieren Ihren Prozess.

Definieren Sie messbare KPIs

Ihre Metriken und KPIs sollten immer messbar und mit SMART-Zielen (spezifisch, messbar, erreichbar, relevant, zeitgebunden) verbunden sein.

Daten sind nicht immer Zahlen, es können Wörter, Messungen, Beobachtungen, Beschreibungen oder einfache Fakten sein, aber Ihre KPIs müssen messbar sein, um zu sehen, ob Sie auf dem richtigen Weg sind, Ihre Ziele zu erreichen.

Formulieren Sie eine Hypothese

Data Science ist eine Wissenschaft, und eine Hypothese ist eine Schlüsselkomponente des wissenschaftlichen Prozesses. Eine Hypothese ist die vorgeschlagene Erklärung oder Vermutung, die auf der Grundlage begrenzter Beweise als Ausgangspunkt für eine Untersuchung gemacht wird.

Eine Hypothese könnte beispielsweise lauten, dass die Verbesserung der Klarheit Ihrer Zielseite Verwirrung verringert und Ihre Conversions verbessert. Wenn die Ergebnisse negativ sind, können Sie sich die anderen Hindernisse ansehen, die das Kundenverhalten beeinflussen können. Wenn die Ergebnisse positiv sind, können Sie daran arbeiten, die Übersichtlichkeit der Seite zu verfeinern und zu testen, was am effektivsten ist.

Sammeln Sie die richtigen Daten

Wie bereits erwähnt, ist es wichtig, sich bei Fragen die richtigen Datensätze anzusehen. Wählen Sie die Daten und Metriken aus, die Ihnen wahrscheinlich die gewünschten Informationen zeigen und das gewünschte Ergebnis beeinflussen.

Möglicherweise müssen Sie mehrere Maßnahmen untersuchen und einen Plan formulieren, um zu bestimmen, wie Sie die Ergebnisse erzielen, die zu den gesuchten Antworten führen.

Nutzen Sie die Segmentierung

Durch die Segmentierung Ihrer Daten erhalten Sie mehr Spezifität und eine granulare Ansicht der Informationen. Abhängig von der Frage möchten Sie sich vielleicht auf eine ausgewählte Teilmenge eines größeren Datensatzes konzentrieren, z. B. die Branche, das Publikum oder das Website-Segment, und dann eine detailliertere Ansicht des Verhaltens erhalten.

Integrieren und korrelieren Sie Daten

Mehrere Datenquellen bieten eine umfassendere Ansicht Ihrer Geschäftsinformationen. Integrieren Sie Ihre Datenquellen und wählen Sie die qualitativ hochwertigsten Daten aus, um die von Ihnen gestellte Frage zu unterstützen.

Daten sollten auch korreliert werden. Berücksichtigen Sie die Metriken, die sich gegenseitig beeinflussen können, wie z. B. die Betrachtung der Absprungrate, um die richtige Perspektive auf die Traffic-Metriken zu erhalten.

Kontext entdecken

Manchmal müssen bestimmte Datenpunkte in einen Kontext gestellt werden, um zu sehen, wie sie in die Gesamtansicht passen.

Ein Benchmark ist ein Standard, an dem alle anderen gemessen werden, wie zum Beispiel ein Roman, der der erste seines Genres ist. Ebenso sollten Ihre Daten relativ zu anderen Daten wie dem Industriestandard, Ihrem Ziel oder Ihren Konkurrenten sein.

Benchmarks wie diese helfen Ihnen dabei, Muster, Verhalten und Wachstumsraten sowie Trends, Anomalien und Inkonsistenzen zu erkennen. Dies zeigt Ihnen auch, wo Sie in der Wettbewerbslandschaft stehen.

Muster erkennen

Alle Metriken haben Muster, anhand derer Sie die Relevanz eines Datenpunkts bestimmen können. Es ist entscheidend, Muster zu erkennen und wie sie das Nutzerverhalten veranschaulichen, wie beispielsweise saisonale Schwankungen im Kaufverhalten oder Online-Suchen.

Wir haben zum Beispiel festgestellt, dass unsere Studioseite zur Inhaltserstellung kurz vor der Weihnachtszeit einen Anstieg des Online-Verkehrs erfahren würde. Unser Team begann sofort mit der Ausarbeitung von Strategien, wie diese Art von erhöhtem Traffic genutzt werden kann.

Wenn Sie die Muster sehen können, können Sie ungewöhnliches Verhalten schnell erkennen und effektiver bewerten.

Entwickeln Sie einen wiederholbaren Prozess

Die Datenanalyse ist keine „set-it-and-forget-it“-Situation. Sie werden während der gesamten Lebensdauer Ihres Unternehmens kontinuierlich Daten sammeln und analysieren, und es ist am besten, dafür einen standardisierten, wiederholbaren Prozess zu haben.

Daten in Erkenntnisse umzuwandeln ist ein wissenschaftlicher Prozess, und genau so sollten Sie ihn angehen. Richten Sie basierend auf den von Ihnen durchlaufenen Schritten einen strukturierten Workflow für die Datenanalyse ein und verwandeln Sie die Datenanalyse in einen wiederholbaren, von Menschen gesteuerten Prozess.

Setzen Sie auf menschengesteuerte Datenanalyse

Daten sind für ein Unternehmen unglaublich wertvoll, aber sie können nicht alleine bestehen. Die Daten können Sie nur so weit bringen – umsetzbare Erkenntnisse stammen aus menschlicher Untersuchung und Interpretation.

Autor Bio

Kyle Johnston ist Gründungspartner und Präsident der preisgekrönten Marke, Content-Erstellungs- und Kreativagentur Gigasavvy. Nachdem er die letzten über 20 Jahre in Südkalifornien verbracht hat, zog Kyle kürzlich mit seiner Familie nach Boise, ID, wo er die Agentur weiterhin durch ihre nächste Wachstumsphase führt