Du möchtest Deine Datenkompetenz verbessern? Der Schlüssel dazu liegt darin, die richtigen Fragen zu stellen. Natürlich sind Fähigkeiten der Analyse, Programmierkenntnisse und der Kontext des Geschäfts wichtige Faktoren, aber nichts ist so entscheidend wie die Fähigkeit, die richtigen Fragen zu stellen.
Wie formulierst Du Deine Fragen? Ist es einfach die Antwort auf Deine Frage zu finden oder stellst Du Fragen, auf die man kaum Antwort finden kann? Vermeidest Du komplexere Fragen, um Dich sicherer zu fühlen, oder glaubst Du bereits zu wissen, was die Antwort ist? Vielleicht solltest Du darüber nachdenken, dieselbe Frage auf unterschiedliche Weise zu stellen, um neue Erkenntnisse und Perspektiven zu gewinnen. Deine Fragen sollten Dich zu neuen Erkenntnissen und verschiedenen Blickwinkeln führen.
Um Dir bei der Formulierung Deiner Datenfragen zu helfen, gebe ich Dir einen Überblick über die Analyse-Treppe. Ehrlich gesagt, ist Analyse-Treppe ist nicht der Begriff aus Duden. Ich habe diese Treppe selbst so benannt.
Jedenfalls werden wir uns relevante Fragen bei jede Analyse-Stufe ansehen. Das Ziel ist es, durch einen Überblick über die verschiedenen Analysetypen Deine Fragestellungen zu erweitern und somit neue Möglichkeiten aufzudecken, um einen größeren Wert zu schaffen.
Lass uns gemeinsam die Analyse-Treppe erkunden und die richtigen Fragen stellen, um die richtigen Antworten zu finden.
Analyse-Treppe
Die Analyse-Treppe, welche wir nun betrachten, bietet uns eine Perspektive von deskriptiven bis zu präskriptiver Analyse. Es besteht aus fünf verschiedenen Analysekategorien, die jeweils unterschiedliche Fragen beantworten. Diese Analysekategorien hast Du bereits in dem Programm Datenkompetenz Grundlagen kennengelernt, falls Du das Programm besucht hast.
Der Geschäftswert und die Komplexität der Analysen nehmen dabei von unten nach oben zu. In den kommenden Abschnitten werden wir uns jede Kategorie im Detail ansehen.
Deskriptive Analyse
Deskriptive Analysen beantworten die Frage, was passiert ist. Lass uns anhand eines Verkaufsszenarios eine Liste von Fragen entwickeln, die im Rahmen dieser Analyse gestellt werden können.
- Q1. Wie viele Produkte wurden im Monat Mai 2022 verkauft, und wie hoch war der durchschnittliche Verkaufspreis der einzelnen Produkte?
- Q2. Wie hoch war der Gesamtumsatz für jeden Tag des Monats Mai im Jahr 2022, und wie hoch war der durchschnittliche Umsatz für jeden Tag und jede Woche des Monats?
Ähnliche Fragen könnten für andere Zeiträume wie Quartale oder Jahre gestellt werden, würden sich aber immer noch auf das Geschehen beziehen. Für die Beantwortung dieser Fragen sind in der Regel Aggregationen und Verteilungen erforderlich.
Deskriptive Analysen sind in Bezug auf den technischen Schwierigkeitsgrad relativ einfach zu beantworten und bilden die Grundlage für komplexere Datenfragen.
Beispiele für „Was ist passiert?“-Fragen.
In dieser Tabelle siehst Du, was konkret sollst Du analysieren, wenn Du eine Frage im Rahmen der deskriptiven Analyse stellen würdest:
| Deskriptive Fragen | Datenanalyse |
| Wie hoch ist der Gesamtumsatz in Q1/2022 für das XY Produkt? | Summe der Verkäufe im Zeitraum Q1/2022 für das XY Produkt |
| Wie hoch war der durchschnittliche Produktverkauf in Q1/2022 für das XY Produkt? | Summe der Verkäufe von Produkt A über den Zeitraum von Q1/2022 für das XY Produkt? |
| Wie viel Prozent des Gesamtumsatzes des Unternehmens wurde in der Region Nordost Q1/2022 für das XY Produkt? erzielt? | (Gesamtumsatz des Unternehmens in der Region Nordost / Gesamtumsatz des Unternehmens) * 100% Q1 * per XY Produkt |
Die vorherigen Beispiele zeigen, dass beschreibende Fragen uns Einblicke in aktuelle Gegebenheiten liefern. Die dazu benötigten Daten und deren Verarbeitung sollen im Unternehmen leicht zu beschaffen sein.
Diagnostische Analyse
Diagnostische Analyse beschäftigt sich mit den Fragen: wie oder warum etwas passiert. Beschreibende Fragen sind die natürliche Vorstufe zu diagnostischen Fragen. Man könnte sagen, diagnostische Fragen ergeben sich intuitiv anhand der beschreibenden Analyse.
Wenn z. B. die Produktverkäufe von einem Monat auf den anderen gestiegen oder gesunken sind, was war dann der treibende Faktor für die Veränderung?
Diagnostische Fragen gehen über das Wissen, was passiert ist, hinaus und untersuchen unbekannte oder verborgene Faktoren, die die beobachteten Ergebnisse beeinflusst haben.
Beispiele für Fragen zum „Wie und warum ist es passiert?
| Diagnostische Fragen | Datenanalyse |
| Was war der Grund/die Gründe für den Umsatzrückgang in Q1/2022 für das XY Produkt? | Drill-Down-Analyse zur Ermittlung der Ursache. Daten vor der Aggregation |
| Besteht eine Korrelation zwischen Umsatzerlösen und Marketingausgaben für die XY Produkte? | Korrelationsberechnung für Streudiagramm-Analyse. |
| Der Umsatz am 10. Januar war 25 % höher als an jedem anderen Tag in Q1? Was sind die Gründe? | Zeitreihenanalyse und Analyse der Standardabweichung. |
Inferenzanalyse
Die Inferenzanalyse ähnelt der deskriptiven Datenanalyse insofern, als sie sich in erster Linie damit befasst, was in der Vergangenheit geschehen ist. Die Inferenzanalyse unterscheidet sich insofern von der deskriptiven Datenanalyse, als sie sich nicht nur auf die vorhandenen Daten bezieht, sondern auch auf die Daten, die uns nicht zur Verfügung stehen. Bleiben wir beim Beispiel des Vertriebs und betrachten wir eine Kundenumfrage. Was kann das Feedback eines Teils Ihres Kundenstamms über das größere Segment aussagen? Wenn 50 % der befragten Kunden positives Feedback geben, was sagt das über den Rest Ihrer Kunden aus?
Beispiele für „Was ist mit dem Rest?“-Fragen
| Fragen der Inferenzanalyse | Datenanalyse |
| Inwieweit ist Datensatz repräsentativ? | Analyse der Stichprobengröße und deren Zufälligkeit |
| Wie wirkt sich eine Erhöhung des Stichprobenumfangs um 10 % aus? | Analyse der Rücklaufquote der Stichprobengröße – Änderung der Konfidenzintervalle |
| Ist die Veränderung der Kundenreaktion auf eine Erhöhung aufgrund unserer neuen Werbung zurückzuführen? | Hypothesentest |
Prädiktive Analyse
Bei der prädiktiven Datenanalyse werden historische Daten verwendet, um Vorhersagen über zukünftige Ergebnisse zu treffen. Dies kann sehr wirkungsvoll sein, aber wie bereits erwähnt, wird die Analyse mit zunehmender Größe auf der Analyse-Treppe immer komplexer. Vorhersagefragen können mit einfachen Trendlinien und Regressionsmodellen gelöst werden, sie können aber auch sehr viel komplexer sein und Algorithmen des maschinellen Lernens zur Lösung erfordern.
Beispiele für „Was wird passieren?“-Fragen
| Prädiktive Fragen | Datenanalyse |
| Wie hoch ist die Wahrscheinlichkeit, dass ein Verkaufsangebot abgeschlossen wird? | Modell des maschinellen Lernens zur Vorhersage des Ergebnisses (Verkaufsabschluss „Ja“ oder „Nein“) |
| Wie hoch wird der Umsatz für Produkt „X“ in Q2 und Q3 sein? | Regressionsmodell zur Vorhersage der Verkäufe zu bestimmten Zeitpunkten. |
| Kunden können in Verkaufskategorien gruppiert werden. Zu welcher Kategorie gehört der Kunde „ABC“? | Modell des maschinellen Lernens zur Organisation nach Clustern und zur Bestimmung des Standorts des Kunden „ABC“ im Cluster. |
Präskreptive Analyse
Fragen zur präskriptiven Analyse helfen dabei, die Möglichkeiten umzusetzen, die durch die anderen Fragen und Lösungen auf der Analyse-Treppe aufgedeckt wurden. Es besteht eine natürliche Verbindung zwischen prädiktiver und präskriptiver Analyse. Die präskriptive Analyse befasst sich typischerweise mit der Umsetzung von Maßnahmen, um die Vorhersage von Ergebnissen zu erhöhen oder Vorhersagen in Richtung gewünschter Ergebnisse zu ändern.
Unternehmen können diese Form der Datenanalyse nutzen, um Wachstums- und Verbesserungsmöglichkeiten zu finden, aber auch, um Risiken zu erkennen, die angegangen werden müssen. Obwohl die präskriptive Analyse am schwierigsten und kostspieligsten zu implementieren ist, kann sie auch den größten Wert haben.
Beispiele für „Was wird empfohlen?“-Fragen?
| Präskriptive Fragen | Datenanalyse |
| Welche Preisänderungen können vorgenommen werden, um die Absatzwahrscheinlichkeit zu erhöhen? | Preisoptimierung auf der Grundlage von Kundenprofilen. |
| Wie sieht die Abfolge der Ereignisse aus, die zu einem Ergebnis führen? | Modellierung des geführten Verkaufs, wobei Kunden- und Marktmerkmale den Verkaufsprozess detailliert beschreiben. |
| Kann ein Empfehlungssystem zur Verkaufsförderung eingesetzt werden? | Dies ist eine komplexe Modellierung auf der Grundlage von Kunden- und Produkteigenschaften. |
Zusammenfassung
Die Analyse-Treppe ordnet Fragen in 5 Kategorien ein, die auf den aus den Fragen abgeleiteten Lösungen basieren. Jede Kategorie schafft einen Wert, aber ein hoher Geschäftswert wird erreicht, wenn wir uns auf die Treppen von unten nach oben bewegen. Der Wert einer Datenfrage ist an den Wert der zugehörigen Antwort oder Lösung für die Frage gebunden. Je weiter wir uns auf der Analyse-Treppe bewegen, desto anspruchsvoller werden die Lösungen, aber auch der Nutzen sollte steigen. Welchen Wert hat es, Fragen über das gesamte Analysespektrum hinweg zu verstehen und zu stellen?
Indem wir Fragen über alle Stufen der Analyse stellen und verstehen, können wir eine umfassendere Sicht auf geschäftliche Herausforderungen gewinnen und Diskussionen von historisch Geschehen zu potenziell wertvolleren, neuen Erkenntnissen und zukünftigen Ereignissen führen.
Beim nächsten Mal, wenn Du Dich auf ein geschäftliches Problem stoßt und eine datengestützte Lösung suchst, denke daran, dass Fragen Lösungen vorantreiben, aber nicht alle Fragen den gleichen Wert schaffen.
