Wie viel kostet es, alle Fenster in Berlin zu putzen? Oder: Was bedeutet „analytisches Denken“ im Kontext des Data Driven Marketings?

Fragen wie die eingangs Gestellte erfreuen sich in Bewerbungsgesprächen steigender Beliebtheit. Für solche Fragen gibt es zwar kein „richtig“ oder „falsch“, sehr wohl aber besser geeignete und weniger geeignete Lösungsansätze. Letztendlich kann das einstellende Unternehmen damit Hinweise auf die analytischen Fähigkeiten eines Bewerbers zu gewinnen.

Doch was wollen wir mit der eingangs gestellten Frage? Wir wollen uns zunächst anschauen, wie wir eine Lösungsstrategie entwickeln können. Danach treten wir einen Schritt zurück und betrachten, welche Fähigkeiten wir für die Lösung eingesetzt haben. Und dann überlegen wir, welche Bedeutung diese Fähigkeiten im Kontext des Data Driven Marketings haben.

 

Wie viel kostet es, alle Fenster in Berlin zu putzen?

Wenn wir uns die Frage ansehen, dann erkennen wir sehr schnell, dass wir sie in zwei Teilfragen zerlegen können: Zum einen in die Frage nach der Anzahl der Fenster in Berlin und zum anderen nach den Kosten, die der Fensterputzer für ein Fenster verlangen muss.

Zunächst zur Frage nach der Anzahl der Fenster. Wir können uns der Anzahl nähern, indem wir die Anzahl der Menschen in Berlin und die durchschnittliche Haushaltsgröße schätzen. So erhalten wir die Anzahl der Häuser bzw. Wohnungen. Schätzen wir in einem weiteren Schritt die Anzahl der Fenster je Haus bzw. Wohnung, haben wir eine Näherung für die Anzahl der Fenster. Die zweite Teilfrage bezieht sich auf den Preis, den ein Fensterputzer verlangen müsste. Hierzu überlegen wir, wie lange das Putzen eines Fensters dauert. Basierend auf diesem Wert und dem Jahreseinkommen eines Fensterputzers können wir ermitteln, was er für ein Fenster verlangen muss. Abschließend führen wir die beiden Teilergebnisse zusammen, indem wir die Anzahl der Fenster in Berlin mit den Kosten für die Reinigung eines Fenster multiplizieren.

So weit, so gut. Doch lasst uns nun zur eigentlichen Frage dieses Beitrages kommen, nämlich was unter analytischen Fähigkeiten im Detail zu verstehen ist.

 

Problem erkennen, zerlegen und Lösungsstrategien entwickeln

Wie sind wir die Lösung der Frage angegangen? Wir haben das Problem genommen, es in seine Bestandteile zerlegt und haben Lösungen für die Teilprobleme entwickelt. Diese Lösungen haben wir in einem weiteren Schritt zusammengeführt. Damit haben wir genau das gemacht, was gemeinhin unter einer Analyse verstanden wird. Dieses Vorgehen liegt auch dem Data Driven Marketing zu Grunde: Auch hier geht es darum, das Problem in Teilschritte zu zerlegen und zu lösen. In meinem Buch habe ich den Prozess in fünf Schritte (Daten sammeln, Daten verstehen, datenfundierte Entscheidungen treffen, Prozess automatisieren und kontinuierliche Ausführung des Prozesses) heruntergebrochen. Dem Analysten bzw. dem Analysten-Team kommt also die Aufgabe zu, jeden der einzelnen Schritte zu meistern, geeignete Lösungen zu finden und diese zusammenzuführen.

 

Ziel(e) setzen und Datenbedarf festlegen

Eine zweite wichtige Eigenschaft eines Analysten ist das Setzen von Zielen vor einer Analyse und die Definition des Datenbedarfes zur Beantwortung der Frage. In unserem Beispiel war das Ziel vorgegeben. Der Marketing-Analyst wird entweder auch mit konkreten Zielvorgaben eines Entscheiders konfrontiert oder definiert die Ziele für ein von ihm erkanntes Problem selbst. Die zur Zielerreichung notwendigen Daten haben wir in unserem Beispiel geschätzt (z. B. die Zahl der Einwohner). Der Datenanalyst muss überlegen: Welche Daten brauche ich zur Beantwortung der Fragestellung und aus welchen internen oder externen Quellen kann ich diese Daten gewinnen? Welche Daten liegen bereits vor und welche müssen erst erhoben werden? In unserem Beispiel wäre die Datensammlung an dieser Stelle beendet. Für die Beantwortung von marketingbezogenen Fragestellungen müssen auch technische Aspekte betrachtet werden (z. B. in welchem Format liegen die Daten vor, welche Systeme brauche ich zur Verarbeitung und Speicherung?)

 

Schätzen und vereinfachen

Stillschweigend haben wir bei der Frage nach den Kosten des Fensterputzens einige Vereinfachungen vorgenommen. Wir haben unterstellt, dass es sich bei allen Gebäuden in Berlin um Wohnhäuser handelt und haben damit ausgeblendet, dass es auch Bürogebäude mit hunderten Fenstern gibt. Auch haben wir nicht berücksichtigt, dass unser Fensterputzer schneller wird und im Laufe der Zeit nicht mehr zum Beispiel zwei Minuten für das Reinigen eines Fensters braucht, sondern deutlich kürzer. Aber das ist in Ordnung, wir haben zunächst ein einfaches Modell aufgestellt. Gleiches gilt für die Arbeit eines Marketing-Analysten. Auch er stellt zunächst Hypothesen über Zusammenhänge in Form von Modellen auf, die im Laufe der Zeit verfeinert oder auch verworfen werden können. Letztendlich geht es auch nicht darum, sofort die beste Lösung zu finden. Die Lösung muss nur besser sein als die der Konkurrenz. Anders gestaltet sich der Sachverhalt beim Einsatz von künstlicher Intelligenz (KI): In dem Fall sind keine Hypothesen erforderlich, vielmehr sucht die KI in den Ausgangsdaten nach Mustern und Zusammenhängen.

 

Auf das Wesentliche konzentrieren

In Zusammenhang mit der oben angeführten Vereinfachung besitzt eine weitere Kompetenz Relevanz: die Fähigkeit sich auf das Wesentliche zu konzentrieren. Diese Fähigkeit besitzt vor allem vor dem Hintergrund einer zunehmenden Komplexität und Dynamik des Umfeldes in Verbindung mit immer umfangreicheren zur Verfügung stehenden Datenmengen Relevanz. Eine der wesentlichen Gefahren im Umgang mit komplexen Systemen ist, den „Wald vor lauter Bäumen“ nicht mehr zu sehen. Der Analyst benötigt insofern die Fähigkeit, aus der Vielzahl an Metriken die Relevantesten zu extrahieren (= Key Performance Indicators, KPIs), die in der jeweiligen Situation zur Beantwortung der gestellten Frage notwendig sind.

 

Ergebnisse veranschaulichen

Die letzte Fähigkeit eines Analysten bezieht sich auf die Präsentation seiner Ergebnisse. Letztendlich können seine Ergebnisse noch so gut sein, aber wenn es nicht schafft, den Entscheider von einer datenfundierten Lösung zu überzeugen, wird die Analyse nicht wirksam. Die Ergebnisdarstellung in unserem einfachen Beispiel habe ich mit einer rein verbalen Beschreibung suboptimal gestaltet: Anschaulicher wäre es z. B. gewesen, das Ergebnis der Überlegungen in eine mathematische Formel zu verpacken. Vor der gleichen Herausforderung steht der Datenanalyst. Auch er muss überlegen, auf welche Art und Weise er seine Ergebnisse überzeugend darstellen kann. Dazu kann er unterschiedliche Visualisierungen wie Schaubilder oder Diagramme nutzen. Gerade in Zusammenhang mit Big Data bieten sich auch interaktive Visualisierungen an. Ein Beispiel hierzu sind Treemaps, die ein „Hineinzoomen“ in Daten erlauben, um hierarchische Strukturen sichtbar zu machen. Unabhängig von der Art der Visualisierung kommt es meiner Erfahrung nach aber darauf an, die Daten in eine Geschichte zu verpacken. Durch diese „Emotionalisierung“ von Daten können Botschaften besser transportiert werden und die Wahrscheinlichkeit, dass diese beim Empfänger ankommen, steigt.

 

Da ist aber noch mehr!

Mit Hilfe des angeführten Beispiels konnte ich einige besonders bedeutsame Fähigkeiten eines Analysten veranschaulichen. Allerdings lassen sich mit einem einfachen Beispiel nicht alle Kompetenzen aufzeigen. Eine weitere wichtige Eigenschaft eines Analysten ist bspw. die Fähigkeit zur Erkennung und Überwindung eigener Biases, als sprich der eigenen Voreingenommenheit gegenüber Sachverhalten sowie von Wahrnehmungsverzerrungen. Der Analyst ist in diesem Kontext gefordert, sich dem Vorhandensein von Biases bewusst zu sein und die eigenen mentalen Modelle zu hinterfragen. Auch die Zusammenarbeit im Team sowie ein gegenseitiges Challengen der jeweiligen Ansichten stellt eine Strategie zur Überwindung von Biases dar.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.