Data Science Foliensatz 3

Data Science im Unternehmenskontext

• Das Ziel dieses Kapitels ist es, Data Science im Unternehmenskontext einzuordnen, Lag- und Lead-Informationen zu beschreiben, die Integration von Data Science zu erklären und eine Informationsstrategie zu entwickeln.

Umweltveränderungen durch Digitalisierung

• Die Entwicklung zur digitalen Wirtschaft begann in den 1960er Jahren mit EDI, gefolgt von Web 1.0 in den 1990ern, E-Commerce und Web 2.0 um 2000, und schließlich Smart Devices und Apps ab 2010.
• Aktuelle Aspekte der digitalen Wirtschaft sind hybride Wertschöpfung, Kollaboration und Social Media, Marketing und Sales sowie Datenmanagement.

Charakteristika der digitalen Wirtschaft

• Die digitale Wirtschaft wird durch die VUKA-Welt charakterisiert, welche Volatilität, Unsicherheit, Komplexität und Ambiguität umfasst.
• Dies wird durch das Zusammenspiel von physischen Produkten, Daten, Menschen, Dienstleistungen, Algorithmen/künstlicher Intelligenz und Maschinen/Robotern erzeugt.

Definition von Data Science

• Data Science soll die richtigen Entscheidungen zur richtigen Zeit an die richtigen Personen liefern.
• Es unterstützt Entscheidungs- und Handlungsprozesse im Unternehmen.
• Beispiele sind die Auswahl von Personal, Erfolgsmessung von Werbekampagnen, Bedarfsanalyse von Kunden, Vermeidung von Maschinenausfällen und Erhöhung der Mitarbeiterproduktivität.
• Handlungen im Unternehmen können sequentiell (Phasen über die Zeit) oder hierarchisch (organisiert über Zielhierarchien) ablaufen.
• Entscheidend ist, dass Data Science an den richtigen Stellen die nötigen Informationen liefert.

Lead-Information

• Lead-Informationen ermöglichen die Ableitung neuer Ziele, Strategien und Handlungsmaßnahmen und identifizieren Gelegenheiten.
• Sie resultieren aus Umweltanalysen und/oder Lag-Informationen.
• Der Fokus liegt auf der Initiierung neuer Ziele und Geschäftsprozesse sowie der Verbesserung bestehender Prozesse.

Lag-Information

• Lag-Informationen dienen der Evaluation der Zielerreichung und des Ressourcenverbrauchs.
• Es sind vergangenheitsorientierte Daten.
• Beispiele sind individuelle Leistungen der Beschäftigten, Teamleistungen, Projektauswertungen und Prozesseffizienz.
• Aus der Analyse von Lag-Informationen werden Lead-Informationen generiert.

Lead- und Lag-Information in Handlungssequenzen

• In der Handlungssequenz (geplante Handlung, nicht Affekt) fließen Lead-Informationen in Zielbildung und Orientierung ein, während Lag-Informationen Feedback liefern.
• In hierarchischen Zielorganisationen werden Ziele in operative Subziele zerlegt.
• Diese operationalisierung Läuft über Feedback Loops, bis das (Sub-)Ziel erreicht ist.

Lead/Lag Information im Unternehmenskontext

• Prozesse entwickeln sich schrittweise im Laufe der Zeit.
• Horizontale Linien zeigen Verwaltung, vertikale Linien deuten auf Verbesserung hin.
• Der blaue Bereich stellt jeweils einen suboptimalen Zustand dar.

Fallbeispiel: Lead/Lag-Informationen

• Ein Telekommunikationsunternehmen hat Probleme mit Kundenabwanderung und möchte die Kundenbindung durch gezielte Maßnahmen stärken.
• Vorhandene Daten sind Kundencluster, Umsatzbeiträge, Motive für Abwanderung und tatsächliche Abwanderungsraten sowie die Kundenzufriedenheit.
• Lead- und Lag-Informationen müssen identifiziert werden.

Informationsmanagement im Unternehmen

• Das unternehmensorientierte Umfeld umfasst Top-Management, operationale Entscheidungsträger, Analysten/Controller und ETL-Entwickler sowie IT-Fachkräfte.
• Strategieentwicklung, Geschäftsprozesse, Berichterstattung/Analytik, Data Warehouse und IT-Infrastuktur sind wichtig
• Auf der Prozessebene gibt es Informationsanforderungen und -versorgung.

Drei zentrale Rollen

• Drei zentrale Rollen sind Das Business, Die Analysten und Das Data Warehouse
• Das Business mit den Funktionsbereichen (FB), z.B. HR, Marketing, Produktion, Finanzen,... ist auf strategische und operative Prozesse fokussiert.
• Die Analysten integrieren Unternehmens-, Daten- und Analyseorientieung, arbeiten mit Daten und vermitteln Ergebnisse
• Das Data Warehouse kümmert sich um die Datenorientierung, Sammlung und Integration der Daten und um ETL (Extract, Transform, Load): Cleaning, Integration und „Wrangling"

Aktueller Stand der Datenverarbeitung (2021)

• 65% der DACH-Vorstände gibt an, dass ihr Unternehmen keine Datenstrategie hat.
• 75% wertet Daten nicht systematisch aus und kann sie nicht ökonomisch verwerten (z.B. in datenbasierten Produkten).
• Nur 9% der KMU verfügen über eine zentrale Anwendung zur Datenverarbeitung, und 6% beziehen externe Daten in die Analyse ein.

Wert von Informationen

• Der Wert von Informationen ist nicht für jedes Unternehmen gleich.
• Die strategische Ausrichtung des Unternehmens beeinflusst die Wichtigkeit von Informationen.
• Informationen für die praktische Anwendung und Umsetzung sind operational.
• Informationen für die langfristige Planung und Ausrichtung sind strategisch.

Vier Typen der Integration von Data Science

• Separierte, Koordiniert, Dialogbasiert und Holistisch sind die vier Typen.
• Separiert: Data Science wird ad-hoc mit operativem Fokus genutzt, ohne Verbindung zur Strategie.
• Koordiniert: Reaktive/einseitige Verbindung, Data Science wird auf Basis der Unternehmensstrategie gestaltet.
• Dialogbasiert: Wechselseitiger Einfluss, Lag-Informationen können Strategieänderung bewirken. Es ist ein Grundlage für organisationales Lernen
• Holistisch: Data Science ist Teil des Business Models; Informationen werden als strategische Ressource genutzt (z.B. Facebook).

Fallbeispiel: HHU-Retail

• HHU-Retail, eine Online-Buchhandlung, nutzt Analysetools zur Beobachtung des Kaufverhaltens und stellt relevante Produktempfehlungen bereit.
• Dies führt zu höherem Absatz und Expansion in neue Bereiche.

Vier Dimensionen der Informationsstrategie

• Ziel: Was soll gelernt werden (z.B. über Kunden)?
• Inhalt: Welche Phänomene sind relevant (z.B. Kundenzufriedenheit)?
• Zugangsweg: Welche Daten kommen in Frage (z.B. Survey vs. Social Media)?
• Analyseform: Wie werden die Daten genutzt (z.B. deskriptive Analyse)?

Strategische Ausrichtungen nach Treacy und Wiersema (1993)

• Die Strategie-Taxonomie von Treacy und Wiersema (1993) ordnet Informationsbedarfe (Ziel der Informationsstrategie): Produktorientierung, Kundenorientierung, Prozessorientierung
• Verschiedene Unternehmen fokussieren sich auf unterschiedliche Orientierungen (Apple, Disney)
• Die Ausrichtung bestimmt die strategische Position des Unternehmens.
• Nicht jede Orientierung kann gleichzeitig verfolgt werden, und Informationen haben je nach Orientierung unterschiedliche Bedeutungen.

Ziele der Analysen abhängig von der Orientierung

• Prozessorientierung: z.B. Prozesse optimierenAnalysen von Bestellungen und Lieferzeiten
• Produktorientierung: Produkte verbessern oder neue IdeenAnalysen von Unzulänglichkeiten oder Beschwerden über Funktionsaspekte des Produkts
• Kundenorientierung: Etwas über die Kund:innen lerndemografische-, psychografische- und Verhaltensdaten

Fragestellungen beim Entwickeln der Informationsstrategie

• Analytisches Design:
• Hypothesenbasiert oder explorativ?
• Welche Ziele werden verfolgt (deskriptiv, kausal, prädiktiv)?
• Verfügbarkeit:
• Sind die benötigten Daten vorhanden oder müssen sie generiert werden?
• Gibt es einen Konflikt zwischen Verfügbarkeit und Validität/Nützlichkeit?
• Nutzung:
• Wie sollen die Informationen präsentiert oder genutzt werden?

(1) Analytisches Design: Deskriptive Ziele

• Es werden Business Intelligence-Tools und deskriptive KPIs verwendet.
• Es geht um Momentaufnahmen der Leistung, das Darstellen von Trends und das Entdecken von Mustern.
• Ansätze sind univariate/multivariate Statistiken, Visualisierungen, Zeitreihenanalysen und Clusteranalysen

(1) Analytisches Design: Kausale Ziele

• Es werden Vermutungen über die Rolle bestimmter Variablen aus bestehender Theorie
• Ziel ist die Schätzung des kausalen Effekts (als Lag oder Lead Information)
• Ansätze sind Experimente (z.B. A/B Testing), Längsschnitt- und Zeitreihenanalysen und Regressionsanalysen mit Kontroll- oder Instrumentalvariablen

(1) Analytisches Design: Prädiktive Ziele

• Es werden rein prädiktive Ziele verfolgt (nicht-kausal).
• Typische Anwendungen sind Klassische KI, Machine Learning. Was weiß ich über Y, wenn ich nur X kenne?
• Beispiele sind Forecasting, Vorhersage der Job Performance und Market Segmentation mittels Clusteranalyse

(2) Informationsstrategie: Verfügbarkeit

• Sind die benötigten Daten bereits vorhanden oder müssen sie neu generiert werden?
• Wie lange dauert die Übersetzung der Rohdaten in Arbeitsdaten und die Analyse?
• Sind die Daten fehlerhaft oder valide?
• Beispiel: Kundenzufriedenheit prüfen, verfügbare, aber weniger nützliche Daten sind Beschwerdehotlines und Social Media
• Nicht-verfügbare, aber validere Daten ist Survey.

(3) Informationsstrategie: Nutzung

• Sollen Berichte, Präsentationen oder Dashboards erstellt werden?
• Dashboards ermöglichen Model Deployment.