Der Einfluss von Daten auf Erfolg und Misserfolg der Automatisierung

Dayle Hall:  

Hallo und herzlich willkommen zu unserem Podcast "Automating the Enterprise". Ich bin Ihr Gastgeber, Dayle Hall. Dieser Podcast soll Unternehmen Einblicke und Best Practices vermitteln, wie sie ihr Unternehmen integrieren, automatisieren und transformieren können. 

Unser heutiger Gast ist Praktiker und Wissenschaftler auf dem Gebiet der Big-Data-Analytik, der Datenkultur und der Datenstrategie, also der drei großen Ds der Daten. Sein Fachwissen bezieht sich auf den Einfluss der Persönlichkeitstypen von Analytikern auf die Art und Weise, wie Daten in Unternehmen analysiert werden. Er hat einen Rahmen geschaffen, auf den wir sicher noch zu sprechen kommen werden, der Unternehmen einen Fahrplan für die Nutzung von Daten für den Geschäftserfolg bietet. Bitte begrüßen Sie in unserem Podcast den Gründer und CEO von Logicle Analytics, Dr. Jonathan Fowler. Jonathan, herzlich willkommen.

Dr. Jonathan Fowler:

Vielen Dank, Dayle.

Dayle Hall:

Nun, es ist wirklich aufregend, Sie bei diesen Podcasts dabei zu haben. Wir haben mit verschiedenen Typen gearbeitet. Wir haben mit einigen gemeinnützigen Organisationen gesprochen, wir haben mit einigen Organisationen gesprochen, mit großen Unternehmen, die verschiedene Dinge rund um Integration und Automatisierung machen. Und wir haben mit einigen Leuten gesprochen, die mir definitiv das Gefühl gegeben haben, dass mein Wissen über alles, was mit Wissenschaft und Daten zu tun hat, unzureichend ist. Ich bin mir sicher, dass Sie zu diesen Leuten gehören werden.

Aber ich möchte damit beginnen, dass wir ein paar Hintergrundinformationen über Sie bekommen, z. B. wie Sie zu dieser Arbeit gekommen sind. Und wenn wir dann durch den Podcast gehen und über das von Ihnen geschaffene Rahmenwerk sprechen, denke ich, dass Ihr Hintergrund und die Art und Weise, wie Sie zu diesem Thema gekommen sind, dabei helfen wird, den Einstieg zu erleichtern. Wer ist denn Dr. Jonathan Fowler?

Dr. Jonathan Fowler: 

Ich denke, Sie haben Recht, wenn Sie das erklären, denn lange Zeit hatte ich das Gefühl, dass mein Hintergrund vor dem Einstieg in die Analytik eher eine Belastung war, nicht im Mindesten nützlich, im schlimmsten Fall sogar schädlich. Ich habe also an der Clemson University ein Studium der Informatik begonnen und bin dreimal durch Mathe durchgefallen. Man kann also kein Informatikstudium absolvieren, wenn man keine Matheaufgaben lösen kann. Also war englische Literatur meine zweite Wahl. Und das habe ich dann auch gemacht. Ich beendete diesen Abschluss und machte einen Master in Pädagogik. Dort habe ich eine Menge quantitativer Arbeit in der Bildungsforschung geleistet. Und wenn man die quantitative Forschung mit der Technologie verbindet, wird man in Richtung Data Science und Analytik gelenkt.

Ich bin allerdings nicht sofort dort gelandet. Eigentlich habe ich ein paar Jahre im öffentlichen Schulwesen gearbeitet. Dann habe ich gemerkt, dass es mir besser geht, wenn ich nicht so ausgebrannt bin, wenn ich mich mit Analytik beschäftige und wirklich den Raum erforsche, der sich zu diesem Zeitpunkt gerade erst entwickelt hat. Und es ist immer noch sehr neu. Aber der schwierige Teil für mich war, wie kann jemand, der keine formale Ausbildung in diesem Bereich hat, aber eine Menge Erfahrung, wie kann ich tatsächlich irgendwo Fuß fassen.

Ich habe also eine Menge Projektarbeit geleistet und schließlich ein so großes Portfolio aufgebaut, dass ich als Leiter für Analyseprojekte eingestellt wurde, da ich ein IT-Unternehmen leiten musste. Dann habe ich einige Projekte für die Bank of America durchgeführt, für ein paar andere Unternehmen in Charlotte gearbeitet und bin dann zurück nach Greenville gezogen. Etwa zur gleichen Zeit, als ich meine Promotion im Bereich Big Data abschloss, gründete ich mein Unternehmen. Und da habe ich wirklich verstanden, dass man immer sagt, verwandle deine Stärken in Schwächen - das ist nicht gut, verwandle deine Schwächen in Stärken.

Dayle Hall:

Das klingt immer ein bisschen besser.

Dr. Jonathan Fowler: 

Andere Richtung. Und ich dachte, okay, ich kenne nicht viele Leute in der Big-Data-Analytik, die einen Hintergrund in Geisteswissenschaften haben. Also wollen wir mal sehen, ob wir daraus nicht eine gute Nische machen können. Und ich denke, bisher habe ich das ganz gut erforscht.

Dayle Hall:  

Das ist großartig. Nun, ich weiß, dass wir das vertiefen werden. Ich liebe diese Art von Hintergrund. Wenn ich mit Leuten spreche und man Leute ins Team holt, will man Leute mit unterschiedlichen Hintergründen, unterschiedlichen Meinungen. Ja, natürlich braucht man gewisse Fähigkeiten in einem bestimmten Bereich. Sie haben selbst gesagt, dass Sie Informatik machen können, wenn Sie rechnen können. Aber unterschiedliche Denkweisen, unterschiedliche Hintergründe führen in der Regel zu besseren Ergebnissen oder innovativeren Ergebnissen. Und das sehen wir sehr oft bei unseren Kunden und Interessenten, mit denen ich regelmäßig spreche. Und was für ein Zeitpunkt, sich mit Daten und Analysen zu beschäftigen, denn dieser Markt ist in den letzten 10 Jahren explodiert.

Dr. Jonathan Fowler:

Es ist so. Das ist es auf jeden Fall. Mein Geschäftspartner, John Osland, ist ebenfalls an einem Tech-Accelerator im Südosten beteiligt. Und wir sind beide bei Logicle und dann beim Beschleuniger. Wir stellen fest, dass wir mit den Unternehmen im Accelerator einen guten Sweet Spot treffen, die Big Data nutzen wollen, und zwar nicht nur, um damit zu wachsen, sondern auch, um zu verstehen, wie es ihnen hilft, wie es potenziellen Partnern hilft und wie es ihren Kunden hilft. Es ist wirklich das neue Gold, das neue Öl. Und jedes Unternehmen, das versteht, dass Daten das Lebenselixier seiner Unternehmungen sind, befindet sich in einer wirklich guten Position, um zu wachsen.

Dayle Hall: 

Ja, das stimmt. Die beiden Unternehmen, bei denen ich zuvor gearbeitet habe, waren Lithium Technologies. Natürlich sind sie sehr datenorientiert, wenn es um die Customer Journey geht, und nutzen KI, um zu verstehen, wie Vertrieb und Marketing mehr Wert schaffen können. Aber ich bekomme diese Fragen von meinem Team, zum Beispiel, wenn sie sich neue Tools ansehen oder was auch immer. Sie sagen immer zu mir, gib uns diese Daten.

Aber eines der Dinge, die ich für viel wichtiger halte, ist: Okay, es ist wichtig, die Daten irgendwo zu haben, aber ist das etwas, das man nutzen wird, wie nutzen wir es? Es hat keinen Sinn, sie zu haben, wenn wir nicht wissen, was wir damit machen sollen. Und es gibt all diese - und wir werden dieses Werkzeug haben, aber wenn wir nicht lernen, wie man es benutzt, werden wir es nicht nutzen müssen. Es gibt so viele Möglichkeiten, und es gibt so viele Technologien da draußen, die alle mit Big Data werben.

Ich frage mich aus Ihrer Sicht, wenn Sie mit Kunden oder Klienten oder Partnern oder was auch immer sprechen, ob die Leute immer noch ein wenig ratlos sind, was die Nutzung von Daten angeht? Wissen sie - wir alle wissen, dass wir sie brauchen, es ist ein neues Öl. Aber Analyse-Lähmung, sind wir gelähmt, während es so viele Möglichkeiten gibt, und manchmal wissen wir nicht, was wir tun sollen.

Dr. Jonathan Fowler:  

Ich glaube, es gibt eine Überlastung durch zwei Dinge. Das eine ist die Menge der Daten, die Unternehmen sammeln. Damit ist nicht gesagt, dass wir weniger Daten sammeln sollen, wir müssen nur verstehen, wie wir sie nutzen können. Der andere Grund ist die Flut an Analysetools und Beratungsleistungen, die wir derzeit haben. Dieser ganze Bereich ist sehr überfüllt, es gibt so viele Anbieter, die gute Produkte herstellen. Außerdem glaube ich, dass selbst so einfache Berufsbezeichnungen wie Data Engineer, Data Analyst, Data Scientist für viel Verwirrung sorgen. Wenn Sie sich die Stellenbeschreibungen von 10 Unternehmen für einen Datenwissenschaftler ansehen, werden Sie wahrscheinlich 10 verschiedene Auffassungen von dieser Rolle erhalten. Und noch einmal, es ist ein relativ neues Gebiet. Das versteht sich also von selbst.

Aber die Sache mit den ersten beiden ist, dass sie miteinander verwoben sind. Ja, die Daten sind da. Aber Zugang und Nutzbarkeit sind zwei verschiedene Dinge. Sie können mir also Zugang zu einem Operationssaal geben, aber wenn ich kein Chirurg bin, habe ich dort nichts zu suchen.

Dayle Hall:

Ja, das stimmt.

Dr. Jonathan Fowler:

Ich kann diesen Patienten nicht operieren. Wenn wir also Zugang zu diesen Daten haben, sagen die Leute oft, na ja, mal sehen, was ich damit machen kann, mal sehen, was ich herausfinden kann. Und wir sagen das als Entwickler und Datenwissenschaftler, aber ich meine es nicht so. Ich gehe einfach rein und grabe herum und sage: "Nun, wir haben diese Datenpunkte, wir sollten dies tun. Manchmal ist das in Ordnung, aber das ist fast so, als würde man eine Lösung auf der Suche nach einem Problem entwickeln, und ich denke, dass das oft der Fall ist, wenn man die andere Überfrachtung nimmt, die aus Lösungen, Tools und anderen Dingen besteht. Sagen wir, Ihr Unternehmen hat gerade 750.000 Dollar pro Jahr für ein neues Analysetool bekommen, und sie sehen all die coolen Sachen, die sie damit machen können, und sie implementieren es. Und das nächste, was Sie wissen, ist, dass niemand es benutzt, oder sie benutzen es schlecht. Und die Geschäftsleitung sagt dann: "Wir haben das für euch gekauft. Warum nutzt ihr es nicht? Die Daten sind doch alle da. Nun, Sie haben nicht wirklich berücksichtigt, wie die Leute es nutzen müssen, welches Problem Sie lösen mussten und ob Sie die Leute wirklich dort abholen, wo sie sind, anstatt ihnen nur einen Erlass zu geben, diese Sache zu tun.

Dayle Hall:  

Ja, ganz sicher. Ich denke, eine Lösung auf der Suche nach einem Problem beschreibt eigentlich den gesamten MarTech-Bereich, oder? Was ich in diesen Podcasts mit vielen anderen Organisationen gehört habe, die dies nutzen, ist, dass man immer mit dem Geschäftsproblem beginnen muss, das man zu lösen versucht, und dann herausfinden muss, ob es ein Mangel an Daten oder ein Daten- und Analyseproblem ist, oder ob es einfach nur daran liegt, dass wir nicht die richtigen Daten haben. Aber man beginnt mit dem Geschäftsproblem. Und ich bin immer noch erstaunt, wie viele Menschen ein Gespräch beginnen, wenn sie nach einer neuen Technologie suchen. Das Marketing ist ein großartiges Beispiel, nicht wahr? Okay, wir brauchen ein ABM-Tool. Okay, warum brauchen Sie ein ABM-Tool? Weil alle anderen eines haben und wir sicherstellen wollen, dass wir auch eines bekommen. Nein, Ihr Problem ist, dass Sie nicht die richtigen Leute bei den richtigen Kunden erreichen. Und es gibt mehrere Strategien, um das zu erreichen. Auch das ist etwas, was ich im Marketing immer wieder höre.

Lassen Sie uns in diesem Bereich, den Sie abdecken und in dem Sie über Fachwissen verfügen, ein wenig über das Problem der Geschäftsstrategie sprechen, das eigentlich ein Problem der Datenstrategie sein könnte. Haben Sie ein paar Beispiele dafür, vielleicht geht es um die Berichterstattung, vielleicht um den Zugang zu Informationen oder etwas Ähnliches? Wenn jemand mit einem solchen Problem zu Ihnen kommt, was tun Sie, um ihm bei der Lösung dieses Problems zu helfen?

Dr. Jonathan Fowler:  

Ja. Ein Beispiel, das meiner Meinung nach so universell ist, dass es jeder verstehen kann: Stellen Sie sich ein Direktvertriebsunternehmen vor, einen Online-Händler. Und sie sind nach eigener Aussage ein datengesteuerter Einzelhändler. Und eines Tages sagt einer der Vertriebsleiter: In meiner alten Firma hatten wir diese Dinge, die man Kunden-Personas nennt. Und wir haben nicht versucht, Profile von Menschen zu erstellen, sondern es war eher so, dass ich heute mit einer Rebecca gesprochen habe, oder - das ist diese Person, die sie erstellt haben. In der Marketingsprache, ich glaube, jeder weiß, wovon ich spreche, sind das die Archetypen Ihrer Kunden. Und dann stellt man fest: Moment mal, Sie meinen, die haben Sie in diesem Unternehmen nicht, und Sie machen wie viele Millionen Umsatz? Und ein Teil Ihres Geschäftsmodells ist es, Privatkunden als Käufer zu haben. Und Sie haben diese Dinge nicht.

Dayle Hall: 

Warum glaubst du, dass du überlebst?

Dr. Jonathan Fowler: 

Das stimmt. Das ist also der eine Teil. Und auf der anderen Seite des Zauns, sozusagen, gibt es all diese Führungskräfte, die die Hände über dem Kopf zusammenschlagen, weil die Zahlen nicht richtig aussehen und weil sich die Muster wegen der Pandemie und so weiter verschieben. Und wenn ich mir das ansehe, denke ich: Wenn wir hier A und B miteinander verbinden können, dann könnten wir bei dieser großen Kluft vielleicht ein paar Fortschritte machen.

Der Business Case lautet: Ja, wir müssen verstehen, wie die meisten Unternehmen von drei oder vier Archetypen oder Personas von Käufern gesteuert werden. Man kann also auf zwei Arten vorgehen. Zum einen könnte man den Weg des reinen Datenwissenschaftlers gehen und einfach über all die verschiedenen Möglichkeiten sprechen, wie man diese Dinge modellieren und erstellen kann, und dann wild drauflosreden: Oh, ich brauche dies, dies und das in Bezug auf Datenpunkte. Einiges davon haben wir vielleicht, einiges nicht, das ist eine Möglichkeit.

Die andere Möglichkeit besteht darin, mit dem Unternehmen zu sprechen und zu fragen: Okay, welche Daten haben wir im Moment zur Verfügung? Wie wohl würden sich diese persönlichen Einkäufer dabei fühlen, neue Daten von ihren Kunden zu sammeln, wenn sie erklären, warum das so ist? Wie hat man dort, wo Sie vorher waren, diese Kunden-Personas behandelt? Anstatt es also wirklich voranzutreiben, nur einen, vielleicht einen Satz vom Unternehmen zu hören und zu sagen, ich brauche das, sagen Sie, hoppla, ich gehe zurück in mein Loch und führe all diese verrückten Modelle aus und komme für etwas zurück, das Sie nie verstehen werden. Sie beruhigen sich und sagen, in Ordnung, lassen Sie uns das gemeinsam durcharbeiten.

Denn Sie müssen verstehen, dass ich vielleicht der beste Datenwissenschaftler der Welt bin, aber ich habe keine Ahnung vom Einzelhandel. Sie müssen also erkennen, dass Sie nur die Hälfte der Lösung sind. Ihr KMU weiß nicht, was Sie über Daten wissen, aber Sie wissen auch nicht, was sie über ihren Bereich wissen. Zusammen sind Sie also eine viel stärkere Kraft.

Dayle Hall: 

Yep. Ja, genau. Stellen Sie manchmal fest, dass - wie Sie in der Einleitung sagten - Unternehmen so viele Daten erzeugen, dass das an sich schon eine Herausforderung ist. Stellen Sie fest, dass manchmal entweder das Management - die Führung des Unternehmens - Angst hat, etwas zu tun, selbst wenn sie diesen Zugang sieht? Sie trauen den Daten nicht. Sie haben Angst, etwas Falsches zu tun. Sehen Sie Managementteams, die einfach nur, ich sage nicht, ängstlich, aber nervös sind, weil sie den Daten nicht trauen oder befürchten, einen Fehler zu machen? Und wie können sie das überwinden?

Dr. Jonathan Fowler:

Oft wissen sie einfach nicht, wo sie anfangen sollen, weil es einfach einen Berg von Informationen gibt. Und ich glaube, in der Wirtschaft herrscht ein großer Druck, etwas damit anzufangen. Und ich denke, manchmal ist es einfacher zu zögern und nichts zu tun, als einen Versuch zu unternehmen und das Gefühl zu haben, das Falsche zu tun. Ich glaube, das ist eine Sache, die die Leute zurückhält.

Zum anderen sind Daten im Wesentlichen Informationen, und Informationen sind die Macht in einem Unternehmen. Und ich habe mit Unternehmen gearbeitet, bei denen wir, wenn wir versuchen, die Daten zu erforschen, in Revierkämpfe und politische Auseinandersetzungen verwickelt werden, als ob man seinen Eltern beim Streiten im Wohnzimmer zusieht. Sie erkennen nicht, dass die Unternehmensdaten eigentlich eine neutrale Sache sein sollten. Aber die Menschen - Silos sind manchmal da, weil die Menschen sich gegen die gemeinsame Nutzung gewehrt haben. Und das war schon immer so. Wenn man also anfängt, diese Felsen hochzuziehen, sie zurückzuziehen und darunter zu schauen, werden die Leute unruhig. Das kann also durchaus der Fall sein.

Es kann auch sein, und das ist das, was ich hasse, dass wir einfach nur überleben müssen. Wir müssen einfach nur produzieren. Wir müssen einfach nur abrechenbare Stunden leisten. Wir müssen einfach nur leer ausgehen. Und die Analogie, die ich dafür verwende, ist, dass Howard Schultz vor Jahren, als er Starbucks leitete, eines Tages in ein Café ging und sagte, alles sei falsch, die Espresso-Shots würden nicht richtig zubereitet, der Käse sei geschmolzen, weil sie die Sandwiches falsch geschnitten hätten. Also machten sie an einem Dienstagnachmittag landesweit dicht. Und es war nicht so, dass wir nur für ein paar Stunden geschlossen hatten. Sie haben den ganzen Nachmittag zugemacht. Und nur der liebe Gott weiß, wie viel Geschäft sie an diesem Tag verloren haben. Aber sie nutzten die Zeit, um sich zurückzuziehen und ihre Arbeit neu zu bewerten und richtig zu machen. So konnten sie am nächsten Tag wesentlich gestärkt wieder öffnen. Was auch immer sie an diesem Nachmittag an Geschäften verloren haben, sie haben unglaubliche Mengen an Multiplikatoren zurückgewonnen, denn wer weiß, was passiert wäre, wenn sie mit Scheuklappen weitergemacht hätten, nur um das Geschäft am Laufen zu halten.

Dayle Hall:  

Ja, genau. Und seien wir mal ehrlich. Wie viele Leiter von Organisationen würden empfehlen, einen Nachmittag lang die Arbeit ruhen zu lassen?

Dr. Jonathan Fowler:

Das stimmt. Es klingt schrecklich.

Dayle Hall:

Ich kenne nicht viele CEOs, die diesen Fehler machen würden.

Dr. Jonathan Fowler: 

Nein. Und selbst wenn man die Idee der Forschung einbringt: Als ich promovierte und forschte, war das auf dem Höhepunkt der Pandemie, und die Unternehmen waren schon wegen der Arbeitsstunden und des Zeitaufwands nervös. Als ich also versuchte, Unternehmen für die Forschung zu gewinnen, war ich kurz davor zu sagen: "Sind Sie taub? Warum sollten Sie diese kostenlose Forschung nicht in Anspruch nehmen? Denn im Grunde genommen habe ich gesagt: Wenn Sie mir eine halbe Stunde mit Ihren Mitarbeitern schenken, dann bekommen Sie im Gegenzug Folgendes. Hier sind alle Daten und Informationen, und ich werde es so machen, als ob Sie mich dafür bezahlen würden. Aber ich brauche das für meine Forschung. Ich habe so viele, wir haben einfach keine Zeit, oder wir haben keine Zeit, um zu forschen, weil das etwas ist, was uns nicht wirklich interessiert, oder es war immer, wir sind zu beschäftigt. Und ich sage einfach, wenn man zu beschäftigt ist, um etwas über sein Geschäft zu lernen, dann ist man einfach zu beschäftigt, Punkt.

Dayle Hall:  

Ja, das stimmt. Und wenn Sie merken, dass Sie sich damit hätten befassen sollen, könnte es für Ihr Unternehmen schon zu spät sein, etwas Ernstes.

Dr. Jonathan Fowler:

Ganz genau.

Dayle Hall:

Sie erwähnten die Sache mit dem Revierkampf, wenn man anfängt, sich mit den Daten zu befassen und die Leute innerhalb der Organisation möglicherweise empfindlich darauf reagieren. Als Marketingleiter habe ich vor sieben oder acht Jahren gelernt: Je näher ich an den Zahlen sein kann, desto besser können wir dem Unternehmen helfen. Als CMO ist mir das manchmal unangenehm. Manchmal kommen dabei Dinge ans Licht, die ich gar nicht sehen oder zugeben möchte. Aber es hilft dem Unternehmen und letztlich auch mir. Aber das wirft ein anderes Thema auf, nämlich den kulturellen Aspekt.

Und damit sind wir bei der Frage des Revierkampfes: Wenn man die Herausforderungen für das Management beiseite lässt und die Frage, ob sie sich damit auseinandersetzen wollen oder können, sind die kulturellen Gründe dafür und wie eine Organisation damit umgehen kann - und wenn jemand da draußen das hört und denkt: Ja, das ist in meiner Organisation genauso. Man kann die Kultur nicht über Nacht ändern. Aber was würden Sie jemandem raten, der sagt: "Ihr müsst anfangen, auf diese Weise zu denken"? Was sollen die Leute tun?

Dr. Jonathan Fowler:  

Das ist der Punkt, an dem wir erst einmal verstehen müssen, dass Daten nicht nur schwarz oder weiß sind. Wir müssen diesen Glauben erst einmal außer Kraft setzen. In Wirklichkeit sind Daten eine Grauzone, die je nach Perspektive unterschiedliche Geschichten erzählen kann. Daten sind Macht, Macht ist Information - Daten als Information als Macht, und dann gibt es noch Privilegien und Zugang und all das, was eine interessante Diskussion ist. Aber aus geschäftlicher Sicht kann ein und derselbe Datensatz, der von fünf verschiedenen Personen eingesehen wird, durchaus fünf verschiedene Handlungen, Perspektiven, Gespräche oder Standpunkte hervorrufen. Und alles hängt davon ab, welches Gepäck man in das Gespräch mitbringt. Ich möchte ein gutes Beispiel aus dem nicht-geschäftlichen Bereich anführen, das sehr öffentlich war.

Das COVID-Dashboard für den Bundesstaat Florida wurde vor einigen Jahren von der Datenwissenschaftlerin, die es für die Regierung des Bundesstaates pflegte, durch die Anzahl der positiven Tests geteilt durch die Anzahl der getesteten Personen berechnet, was sich vernünftig anhört, oder? Das Büro des Gouverneurs sagte: "Nein, wir wollen, dass Sie durch die Anzahl der Tests dividieren. Wenn ich also 100 Personen hatte und sie alle fünfmal getestet wurden, dann steigt mein Nenner von 100 auf 500. Und so sieht meine Infektionsrate viel besser aus.

Dayle Hall:

Ah, ich verstehe.

Dr. Jonathan Fowler:

Das stimmt. Nun, beides ist wahr, oder? Beides sind echte Datenpunkte. Sie denken sich keine Zahlen aus. Sie sagen nur... sie verwenden einfach andere Zahlen. Und das war schließlich ein großes Thema in den Nachrichten. Es war wirklich unglücklich, wie das alles abgelaufen ist. Aber das ist ein extremes Beispiel dafür, wie ein Narrativ durch eine einzige Verschiebung, eine kleine Änderung in einer Zahl, gestört und verändert werden kann.

Und in der Wirtschaft, nehmen wir an, alle haben Zugang zu denselben Daten und keine Zahlen werden geändert, denken wir einfach mal darüber nach - nehmen wir einfach an, die Daten sind gleich, alles andere ist gleich. Lassen Sie uns einen Moment über die Perspektiven nachdenken. Wenn Sie in der Finanzabteilung arbeiten und die Gruppe sind, zu der alle gehen, wenn sie Fragen haben, weil Sie das Hauptbuch und die Transaktionen kontrollieren, Sie sind der Ort, an dem die Ad-hoc-Datenkönige und -königinnen sitzen, dann ist für Sie alles in Ordnung. Aber wenn Sie im Außendienst tätig sind und Ihre mobilen Geräte keine Echtzeit-Datenbankaktualisierungen erhalten können und Sie Dinge auf Papier erledigen müssen, dann - und das ist ein reales Beispiel - sind Ihre Sichtweise der Datenreife und -fähigkeiten viel schlechter als die der Finanzabteilung. Es handelt sich um dasselbe Unternehmen. Viele Leute fragen sich, wie können diese so unterschiedlich sein, wenn es sich um dasselbe Unternehmen handelt? Nun, ein Unternehmen ist kein monolithisches Gebilde, oder? Ein Unternehmen hat verschiedene Leute, verschiedene Abteilungen, verschiedene Perspektiven.

Dayle Hall:  

Ja. Und ich denke, das kommt auf das zurück, worüber wir gesprochen haben, nämlich, dass man immer mit dem Geschäftsproblem beginnen muss, mit dem Anwendungsfall, den man zu lösen versucht, und dass man die Leute auf einen Nenner bringen muss - Ihr Beispiel mit dem Florida-Test ist, sicherzustellen, dass alle damit einverstanden sind, dass dies das ist, was wir verwenden, wenn -

Dr. Jonathan Fowler:

Ja.

Dayle Hall: 

Diese Datensätze und das hier werden wir zeigen. Wir wissen, dass es noch andere Daten gibt, die der Wahrheit entsprechen, aber so werden wir sie zeigen und an dieser Front klar sein. Und eines der Dinge bei SnapLogic ist, dass wir den Zugang zu Daten ermöglichen, Daten aus verschiedenen Systemen ziehen, das ist es, was wir tun. Wir hören das also sehr oft.

Was wir auch hören und was ich auf dem Markt sehe, ist, dass viele Leute sagen: Hey, wisst ihr was, ich werde KI und ML nutzen, um mein Problem zu lösen. Ich weiß manchmal nicht einmal, ob sie wirklich verstehen, was KI und ML bedeutet, aber sie sehen es. Und sobald Ihr Analyst über KI-Wäsche spricht und so weiter. Es ist also allgegenwärtig.

Dr. Jonathan Fowler:

Das ist es.

Dayle Hall: 

Aber wenn Sie das hören, wenn Sie hören, dass wir mit KI oder maschinellem Lernen Probleme schnell lösen können, was ist dann Ihre erste Reaktion? Und welche Ratschläge geben Sie den Leuten, um damit ein - sagen wir mal - geschäftliches Problem zu lösen. Aber wie sagen Sie: "Moment mal, das bedeutet das? Was sagen Sie den Leuten?

Dr. Jonathan Fowler:

Auch auf die Gefahr hin, wie ein Luddit zu klingen, bekomme ich jedes Mal etwas Sodbrennen, wenn ich jemanden sagen höre: "Na ja, setzen Sie doch einfach KI drauf. Es gab auch mal einen Punkt, an dem es so aussah, als ob die Leute einem Start-up, das irgendwo in seinem Investorendeck die Buchstaben AI oder ML hatte, einfach Geld hinterhergeworfen hätten. Ja, bitte, nimm mein Geld. Wir wollen, dass du das wirfst. KI in diesem lauten Raum von Business-Tools und Anbietern und Produkten, scheint KI alle Antworten zu haben.

Und es war lustig. Ich war dieses Wochenende auf einem Podium an der MUSC, der Medizinischen Universität von South Carolina, die mit Clemson eine Zusammenarbeit im Bereich KI durchgeführt hat. Und ich war auf einem Podium, auf dem es um KI-Ethik ging. Und ja, das ist ein faszinierender Bereich. Und ich sage hier - ich sage hier, wenn ich dort sitze, KI, wir sind noch nicht an dem Punkt wie in Terminator, wo KI wirklich empfindungsfähig ist. KI ist nur eine Ansammlung von Algorithmen. Und wenn man die Zwiebel abzieht, mussten die Algorithmen von einer Person oder einer Gruppe von Personen geschrieben und getestet werden. Und dann mussten sie mit Datensätzen gefüttert werden. Und wenn die Daten Müll sind, dann sind auch die Algorithmen Müll. Und dann wird auch die KI Müll sein.

Ein Beispiel: IBM Watson Oncology wurde hauptsächlich - fast ausschließlich - anhand von Daten aus den Vereinigten Staaten trainiert. Und so sagte die internationale Gemeinschaft: "Nun, wir wollen das nicht, weil es nur auf amerikanische Patienten trainiert wurde. Was ist mit unterrepräsentierten Gruppen? Was ist mit Norwegern? Und ich glaube, Norwegen war eines der Länder, die Nein sagten. Und es war nicht so, dass sie das vorhatten. Sie dachten sich einfach, na ja, das ist es, was wir haben. Oft ist die Voreingenommenheit dort nicht wirklich beabsichtigt, aber sie ist trotzdem vorhanden.

Ich würde sagen: Okay, wenn Sie so versessen darauf sind, KI im Unternehmen einzuführen, dann sehen Sie sie als Mitarbeiter an. Und würden Sie diesen Mitarbeiter einstellen, wenn er nicht das richtige Umfeld hätte, um erfolgreich zu sein und zu gedeihen? Hat er einen Platz zum Arbeiten? Verfügt er über Ressourcen? Weiß er, an wen er sich wenden kann? All diese Dinge. Wenn die Antwort auf eine dieser Fragen nein lautet, dann sind Sie nicht bereit für KI. Wenn Sie keine Datenqualität haben, wenn Sie keine Data Governance haben, wenn Sie keine Standards haben, wenn die Daten isoliert sind, mit anderen Worten, wenn Sie Ihr Geschäft immer noch mit Tabellenkalkulationen betreiben und Sie keine wirklich funktionierende Unternehmensberichtsplattform haben, dann sind Sie noch lange nicht bereit für KI. Und erwarten Sie nicht, dass KI diese Probleme lösen wird.

Dayle Hall:  

Ja, ganz sicher. Und ich liebe diese Analogie: Betrachten Sie KI als einen Mitarbeiter. Stellen Sie sicher, dass sie das richtige Umfeld haben, um erfolgreich zu sein. Das ist eine wirklich gute Analogie. Lassen Sie uns also ein wenig weitermachen. Sie haben die Ethik, die KI-Ethik, schon ein wenig angesprochen. Ich habe einen dieser Podcasts mit jemandem gemacht, der in der Personalabteilung als Techniker tätig war. Und ich war erstaunt, wie sie über die Ethik der KI nachdenken müssen, Sie haben es erwähnt, die Vielfalt, die verschiedenen Gruppen, die verschiedenen Ethnien und so weiter. Und das bringt einige Herausforderungen mit sich. Aber etwas, worüber wir in unseren Vorbereitungsgesprächen gesprochen haben, war das Thema Datenempathie. Ich habe diesen Begriff eigentlich noch nie gehört. Was ist Datenempathie und wie funktioniert sie?

Dr. Jonathan Fowler:  

Datenempathie kommt aus der taktischen Empathie, die hier in den gleichen Arbeitsbereich fällt. Nehmen wir zum Beispiel an, ich bin ein Bekleidungseinzelhändler. Und ich möchte wissen, welche Designer sich in Spanien gut verkaufen. Ich weiß, wenn ich diese Frage formuliere, weiß ich, was ich damit erreichen will. Aber okay, ich habe diese Frage gestellt, und dann hat mein Datenteam das herausgefunden und den Bericht erstellt, oder ich habe die Analysen selbst durchgeführt, um sie zu erhalten. Und gut, okay, erstens, Spanien, okay, Nummer eins, Sachen, die nach Spanien geliefert werden, oder Kunden, die dort leben und vielleicht woanders hin liefern. Das ist die eine Frage. Die nächste Frage ist, wie definieren wir den Verkauf, definieren wir die verkaufte Gesamtmenge? In diesem Fall könnte es sich also um ein Produkt handeln, das viel Geld eingebracht hat, oder um ein paar Produkte, die ein bisschen Geld eingebracht haben, oder um eine Reihe von verkauften Artikeln? Und dann - in den letzten 30 Tagen, den letzten zwei Jahren, was meine ich?

Ich weiß also, was ich will, wenn ich das sage, aber ich muss all die unausgesprochenen Dinge übersetzen. Ich muss sie entweder der Person übersetzen, die ich um die Informationen bitte, oder einer anderen Person, mit der ich sie teilen möchte. Das erste Prinzip der Dateneinfühlung besteht darin, dass die Definition einer Kennzahl oder eines Konzepts durch eine andere Person möglicherweise nicht mit der eigenen übereinstimmt. Welche Produkte verkaufen sich also in Spanien gut? Ich definiere das vielleicht so, Sie definieren es vielleicht anders. Und ich glaube, das übersehen wir oft, weil wir sagen können: "Gut, nehmen wir einfach diese Datenpunkte. Hier ist der Bericht. Hier ist die Wahrheit. Und Sie denken vielleicht, dass ich auf die eine Art zu ihr gekommen bin. Ich weiß, dass ich auf eine andere Art und Weise zu dem Ergebnis gekommen bin, aber wir geben diese Informationen nie weiter. So haben wir bereits einige implizite Missverständnisse geschaffen.

Und wenn Sie die Daten präsentieren, was bedeuten sie dann für jemand anderen? Und dann gibt es noch das zweite Prinzip: Was Sie in den Daten sehen, ist für jemand anderen vielleicht nicht offensichtlich oder wichtig. Wenn ich mir also die Daten ansehe und mir Sorgen mache, sagen wir mal, über den Geldwert dieser Aufträge in Spanien zum Beispiel. Das Marketingteam interessiert sich wahrscheinlich mehr für die Personen und Kunden, die diese Dinge kaufen, und für ihre demografischen Daten, wie sie ticken, welche Kampagnen dazu geführt haben und so weiter. Auch hier habe ich also etwas geschaffen, das meine Wünsche erfüllt. Aber wie sieht es damit aus, was andere davon haben können? Und mache ich es zu einer einmaligen Sache für mich selbst? Oder mache ich es und beziehe andere Leute mit ein, so dass wir daraus ein viel breiteres Gespräch machen können, anstatt einen isolierten vollständigen Bericht zu erstellen?

Dayle Hall:  

Das stimmt. Ja, ich will nicht... Es ist eine Analogie zum Bekleidungshandel. Schönheit liegt im Auge des Betrachters. Ich denke, das gilt auch heute noch, und es ist so, dass das, wonach Sie vielleicht suchen, für jemand anderen anders ist. Und ich denke, der Teil der Datenempathie besteht darin, zu verstehen, dass es andere Möglichkeiten gibt, etwas aus den Daten herauszuholen. Man muss sich die Definitionen ansehen und nicht nur danach suchen, wo sich andere Teile des Unternehmens befinden.

Nochmals: Stellen Sie sich vor, dass jemand dies hört. Ich schaue mir die Daten in meiner Organisation an. Wie können Sie - ich will nicht sagen, dass Sie es lösen, aber wie können Sie sicherstellen, dass Organisationen verschiedene Perspektiven verstehen, dass es weniger Verzerrungen gibt? Und Sie verstehen, um auf unseren vorherigen Punkt zurückzukommen, nämlich, dass jeder die Daten interpretieren kann, wie lösen die Organisationen das?

Dr. Jonathan Fowler:

Ein wirklich schneller und praktischer Weg ist, dafür zu sorgen, dass Sie ein Datenwörterbuch und eine Definition aller Metriken haben. Ich erinnere mich an ein Unternehmen, für das ich gearbeitet habe. Ich kenne dieses Akronym, und wenn jemand es hört, denkt er sofort: Oh, ich weiß, was das ist. Das war neu für mich, GOV, Bruttoauftragswert. Dieses Wort oder dieses Akronym habe ich in den ersten Wochen, in denen ich in dem Unternehmen gearbeitet habe, wahrscheinlich eine Million Mal gehört. Und niemand hat mir je gesagt, was es bedeutet. Schließlich fragte ich nach und erfuhr: "Oh, das ist der Bruttoauftragswert. Und wie definieren wir das? Und die Antwort lautete: Nun, es ist das, was der Computer sagt.

Dayle Hall:  

Gut. Nun, gut, solange es von Leuten gemacht wird, die die Werte wirklich brauchen.

Dr. Jonathan Fowler:

Und ich sage: Wow, wow, wow. Wir haben also keine echte Formel oder einen aufgeschriebenen Code - denn der Computer hat sich das nicht ausgedacht. Jemand hat tatsächlich den Code geschrieben, um das zu berechnen. Wir müssen also herausfinden, was das bedeutet. Das ist ein witziges Beispiel, aber es kommt häufig vor, dass man sich auf diese Akronyme und Messgrößen stützt, die irgendwo definiert sind. Aber wenn sie für den Durchschnittsnutzer nicht leicht zugänglich sind, ist es dasselbe, als wenn sie nicht vorhanden wären. Ein zugängliches und regelmäßig aktualisiertes Datenwörterbuch ist also das A und O.

Ein tieferes Eintauchen in die Materie würde bedeuten, zu verstehen, wie jedes Team in der Organisation Daten schätzt und wirklich mit ihnen arbeitet. Und da haben wir etwas - nehmen wir zum Beispiel das Marketing und die Personalabteilung. Obwohl wir zum selben Unternehmen gehören, wird sich die Personalabteilung mehr mit Datenpunkten beschäftigen als das Marketing und umgekehrt. Das Marketing ist wahrscheinlich eher eine wettbewerbsorientierte Gruppe, in der die Daten genutzt werden, um Wettbewerbsvorteile zu erzielen und Risiken zu minimieren. Die Personalabteilung hingegen ist eher intern ausgerichtet, und die Datennutzung dort dient eher der Kontrolle interner Abläufe und der Einhaltung von Vorschriften. Man muss also verstehen, dass es sich um zwei sehr unterschiedliche Perspektiven im selben Unternehmen handelt, und sich nicht scheuen, dies zu betonen. Ich bin noch nicht bereit, diesen Sprung zu wagen. Aber in gewisser Weise sehe ich das auf dem gleichen Gebiet wie die Talentvielfalt.

Wenn wir also über Vielfalt in Unternehmen sprechen, gibt es so viele verschiedene Möglichkeiten, wie Vielfalt in Unternehmen definiert wird. Und das hat vor allem mit dem Einzelnen zu tun und damit, was er an Lebenserfahrung mitbringt, oder? Ich denke, man kann argumentieren, dass Datenpersönlichkeitstypen im Wesentlichen ein Element der Vielfalt sind, weil wir über die Vielfalt der Gedanken und Perspektiven nachdenken. Für mich ist das immer noch ein sehr politisch aufgeladener Begriff. Ich möchte diesen Weg einfach nicht einschlagen. Aber ich denke, es ist wichtig, anzuerkennen, dass es sich um einen vielfältigen Bereich handelt.

Dayle Hall:  

Ja, ja, ja. Aber es gibt sicherlich eine Menge zu bedenken. Aber ich mag das Konzept des Datenwörterbuchs. Lassen Sie uns zum Abschluss noch ein wenig über den von Ihnen geschaffenen Rahmen sprechen. Damit alle Zuhörer wirklich verstehen, was ein Analytiker ist - was ist dieses Rahmenwerk rund um Analytiker-Persönlichkeitstypen? Wie setzen Sie es heute ein? Und woher stammt dieses Konzept? Wie nutzen die Leute es?

Dr. Jonathan Fowler:  

Es begann damit, dass ich mit einem Unternehmen zusammenarbeitete, dessen erste Bitte an mich lautete, das Tool, das ihnen gerade verkauft worden war, zu nehmen und Berichte zu erstellen, bessere Berichte zu erstellen. Und das...

Dayle Hall:  

Machen Sie sie besser.

Dr. Jonathan Fowler:

Ja, machen Sie sie besser. Vergessen Sie die Daten, wir wollen einfach bessere Berichte. Also fing ich an, rückwärts zu arbeiten. Ich sagte: "Okay, wie sehen Ihre Daten aus? Dann bin ich einen Schritt weiter gegangen und habe gesagt: Erzählen Sie mir etwas über die Benutzer und was sie brauchen und was sie im Moment haben und all das. Und ich fand einfach, dass wir hier einige große Hausaufgaben machen mussten. Also habe ich eine frühe Version meines Bewertungsrahmens entwickelt, in dem ich nach den wichtigsten Datenprioritäten und den größten Herausforderungen gefragt habe, die sie zurückhalten, und mir einfach mehr über ihre tägliche Nutzung erzählt habe. Wofür werden die Daten verwendet? Was sind die aktuellen Probleme? Offene Frage. Und auch die Bewertung des Reifegrads von 1 bis 5 auf verschiedenen Unterskalen.

So konnte ich mir ein gutes Bild machen. Ich habe für dieses Unternehmen sechs Standorte in ganz Nordamerika besucht und persönliche Interviews geführt, an denen etwa 40 Personen teilnahmen. Wir erhielten eine wirklich repräsentative Stichprobe des aktuellen Zustands in der Organisation. Wir haben ihnen ein Abonnement für ein Tool erspart, das sie nicht brauchten. Und wir gewannen eine enorme Menge an politischem Kapital, weil wir nicht einfach nur ein weiterer Berater waren, sondern jemand, der zuhörte und wissen wollte, wie die Dinge im Moment stehen. Und das haben wir geschafft.

Also habe ich das übernommen. In meiner Doktorarbeit fügte ich das so genannte "competing values framework" hinzu. Das gibt es schon seit den 80er Jahren. Es gab einige Untersuchungen, die sich mit der Informationskultur in Unternehmen befassten. Aber ich habe nichts gefunden, was einen Zusammenhang mit der Funktionsweise verschiedener Teams herstellt. Also habe ich diese Elemente zusammengefügt und die Analytik-Persönlichkeitstypen oder -Eigenschaften entwickelt. Und es gibt vier Typen. Es gibt den kooperativen, den kreativen, den wettbewerbsorientierten und den kontrollierenden Typ. Jeder von uns hat alle vier Typen. Die Frage ist nur, welcher Typ der stärkste ist. Und jede Abteilung hat alle vier Typen. Und Sie können für jede Abteilung eine Karte erstellen, wie sie bewertet wird. Nehmen wir an, Sie haben fünf verschiedene Abteilungen in Ihrem Unternehmen. Wenn Sie diese übereinander stapeln, werden Sie normalerweise keinen großen Unterschied feststellen. Aber jeder hat einen etwas anderen dominanten Quadranten.

So sind beispielsweise die meisten Unternehmen in der Regel überwiegend kollaborativ ausgerichtet. Das ist der Bereich, in dem es um Kommunikation und Beteiligung und all das geht. Das ist normalerweise der Bereich, in dem alles stattfindet. Aber dann gibt es Abteilungen im Unternehmen, die eher wettbewerbsorientiert sind, andere, die kreativer sind, andere, die mehr kontrollieren. Dann stellt sich die Frage: Okay, wenn ich ein neues Reporting-Toolkit oder eine neue BI-Initiative oder irgendetwas anderes einführe, wie kommuniziere ich dann mit den einzelnen Abteilungen, um sicherzustellen, dass wir das größte Engagement haben? Also zum Beispiel Merchandising versus IT. Das Merchandising wird wahrscheinlich einen viel kreativeren Ansatz verfolgen. Sie werden Daten für neue Möglichkeiten nutzen, Risiken managen und Innovationen unterstützen. Die IT-Abteilung legt mehr Wert auf Partizipation und Kommunikation und darauf, alle an Bord zu holen, oder?

Früher wurden diese Initiativen von einem Projektteam durchgeführt, wir haben sie geprüft, die Führungskraft hat zugestimmt und wir haben sie eingeführt. Jetzt wird von allen erwartet, dass sie sich damit vertraut machen und es anwenden. Zwei Jahre später haben wir vergessen, was es ist, weil es einfach nicht funktioniert hat. Auf diese Weise kann man sich überlegen: Erstens, was sind meine dringenden Bedürfnisse? Zweitens: Worauf legen meine Benutzer am meisten Wert? Drittens: Wo sind wir am stärksten, und wie können wir unsere Stärken nutzen, um uns in den Bereichen, in denen wir am schwächsten sind, wirklich zu verbessern? Und schließlich: Wie kann ich dies kommunizieren und jedes Team in der Organisation einbinden, damit ich sie dort treffe, wo sie sind? Und das ist der Bewertungsrahmen.

Dayle Hall:  

Und wenn Sie verschiedene Organisationen und die vier verschiedenen Typen identifizieren, ist es dann vorzuziehen, mehr von dem einen als von dem anderen zu haben? Suchen Sie nach einem ausgewogenen Ansatz zwischen Kreativität und Kontrolle bei den vier von Ihnen genannten Typen? Spielt das eine Rolle?

Dr. Jonathan Fowler:

Da wir mehr davon in Unternehmen durchführen und mehr Daten für unsere eigenen Forschungszwecke erhalten, bin ich an der genauen Antwort interessiert: Spielt das eine Rolle? Sind bestimmte Branchen mit einer anderen Mischung besser dran? Oder muss es im gesamten Unternehmen eher monolithisch sein? Das ist so neu. Und wie ich schon sagte, habe ich meine Arbeit mitten in der COVID-Phase gemacht, so dass ich keine so große Stichprobe hatte, wie ich wollte. Ich befinde mich also immer noch in der Phase, in der ich sage: Wenn das Unternehmen daran interessiert ist, mache ich es kostenlos für Sie, solange ich die Daten bekomme, weil ich es für so wichtig halte, diese Hypothesen zu testen und hier wirklich einen wichtigen Beitrag zu einer neuen Barriere zu leisten.

Dayle Hall:  

Ja. Wir haben darüber gesprochen, dass man mit einem Geschäftsfall beginnen sollte, mit einem Anwendungsfall, dem Problem, das man zu lösen versucht. Ich denke, wenn Sie versuchen, in einer Organisation zu verstehen. Holen wir den größten Nutzen aus den Daten, die wir erfassen, aus den Tools, die wir verwenden? SnapLogic spricht immer wieder darüber. Wir haben ein Tool, das Datensilos aufbricht, aber das löst nicht unbedingt alle Probleme. Was Sie meinen, ist, dass die Organisationen diese Typen, diese Persönlichkeitstypen haben müssen, die dann sagen: Okay, wir wollen es hören, ja, wir wollen es teilen, ja, wir sind offen dafür.

Dr. Jonathan Fowler:

Das ist richtig.

Dayle Hall:

Den Prozess mit einem Tool oder einer Plattform zu lösen, ist also nur ein Teil davon. Und ich glaube, wir haben uns heute speziell mit der Frage beschäftigt, wie man das aufbaut und sicherstellt, dass man die Daten auf die richtige Weise nutzt, um die Geschäftsfälle zu lösen. Das ist also wirklich interessant.

Dr. Jonathan Fowler:  

Völlig richtig.

Dayle Hall:

Wir werden auf jeden Fall in Kontakt bleiben. Ich würde gerne weiter hören, wie sich die Sache entwickelt.

Dr. Jonathan Fowler:  

Ja, das stimmt. Eines der Dinge, auf die ich immer wieder stoße, ist die Frage: Wie hoch ist der ROI dafür? Und ich sage dann, okay, wenn wir über ROI reden, haben wir den Anschluss schon verpasst. Wir wollen dies tun, bevor Sie eine neue Investition in Erwägung ziehen, weil wir sichergehen wollen, dass das, was Sie vorhaben, gut ankommt und Sie nicht einen 130-Millionen-Dollar-Fehler begehen, weil Sie nicht zuerst Ihre Hausaufgaben gemacht haben. Und das ist tatsächlich passiert.

Dayle Hall:  

Ja, da bin ich mir sicher. Nun, Jonathan, es war ein Vergnügen, Sie in diesem Podcast zu haben.

Dr. Jonathan Fowler:

Ich danke Ihnen.

Dayle Hall:

Eine Menge Einblicke. Ich danke Ihnen allen, dass Sie mir und Dr. Jonathan Fowler, dem Gründer und CEO von Logicle Analytics, zugehört haben. Und wir sehen uns in der nächsten Folge unseres Podcasts "Automating the Enterprise".