Einführung in die Problemlösung und effektive Befragung

Video 36

 

Daten in Aktion

Video 37

Vom Problem zur Aktion: Die sechs Phasen der Datenanalyse

Status: Automatisch übersetzt aus dem Englisch

 

Es gibt sechs Phasen der Datenanalyse, die Ihnen helfen werden, nahtlose Entscheidungen zu treffen: Erfragen, Vorbereiten, Verarbeiten, Analysieren, Weitergeben und Handeln. Denken Sie daran, dass sich diese Phasen vom Datenlebenszyklus unterscheiden, der die Veränderungen beschreibt, die Daten im Laufe ihres Lebens durchlaufen. Wenn Sie diese Schritte durchlaufen, können Sie alle Arten von Geschäftsproblemen lösen, mit denen Sie bei Ihrer Arbeit konfrontiert werden könnten.

Icon of a question mark with the word ask

Schritt 1: Fragen

Es ist unmöglich, ein Problem zu lösen, wenn Sie nicht wissen, was es ist. Dies sind einige Dinge, die Sie beachten sollten:

  • Definieren Sie das Problem, das Sie zu lösen versuchen

  • Vergewissern Sie sich, dass Sie die Erwartungen des Stakeholders vollständig verstehen

  • Konzentrieren Sie sich auf das eigentliche Problem und vermeiden Sie alle Ablenkungen

  • Arbeiten Sie mit Stakeholdern zusammen und sorgen Sie für eine offene Kommunikation

  • Treten Sie einen Schritt zurück und betrachten Sie die gesamte Situation im Kontext

Fragen, die Sie sich in diesem Schritt stellen sollten:

  1. Was sind die Probleme meiner Stakeholder?

  2. Wie kann ich den Stakeholdern bei der Lösung ihrer Fragen helfen, nachdem ich nun die Probleme identifiziert habe?

 

Icon of a clipboard with the word prepare

Schritt 2: Vorbereiten

Sie entscheiden, welche Daten Sie sammeln müssen, um Ihre Fragen zu beantworten und wie Sie diese Daten organisieren, damit sie nützlich sind. Sie könnten Ihre Unternehmensbezogene Aufgabe nutzen, um zu entscheiden:

  • Welche Metriken Sie messen wollen

  • Finden Sie die Daten in Ihrer Datenbank

  • Schaffen Sie Sicherheitsmaßnahmen zum Schutz dieser Daten

Fragen, die Sie sich bei diesem Schritt stellen sollten:

  1. Was brauche ich, um herauszufinden, wie ich dieses Problem lösen kann?

  2. Welche Nachforschungen muss ich anstellen?

 

Icon of numbers with the word process

Schritt 3: Prozess

Bereinigte Daten sind die besten Daten und Sie müssen Ihre Daten bereinigen, um mögliche Fehler, Ungenauigkeiten oder Inkonsistenzen zu beseitigen. Dies kann bedeuten:

  • Verwendung von Funktionen in der Tabelle, um falsch eingegebene Daten zu finden

  • Verwendung von SQL-Funktionen zur Überprüfung auf zusätzliche Leerzeichen

  • Entfernen von wiederholten Einträgen

  • Überprüfen Sie die Daten so weit wie möglich auf Voreingenommenheit

Fragen, die Sie sich bei diesem Schritt stellen sollten:

  1. Welche Datenfehler oder Ungenauigkeiten könnten mich daran hindern, die bestmögliche Antwort auf das Problem zu erhalten, das ich zu lösen versuche?

  2. Wie kann ich meine Daten bereinigen, damit die Informationen, die mir vorliegen, konsistenter sind?

 

Icon of magnifying glass with the word analyze

Schritt 4: Analysieren

Sie werden Ihre Daten analytisch betrachten wollen. In diesem Stadium können Sie Ihre Daten sortieren und formatieren, um sie leichter zu handhaben:

  • Berechnungen durchzuführen

  • Kombinieren Sie Daten aus verschiedenen Quellen

  • Tabellen mit Ihren Ergebnissen zu erstellen

Fragen, die Sie sich in diesem Schritt stellen sollten:

  1. Welche Story erzählen mir meine Daten?

  2. Wie werden mir meine Daten helfen, das Problem zu lösen?

  3. Wer braucht das Produkt oder die Dienstleistung meines Unternehmens? Welcher Personenkreis wird es am ehesten nutzen?

 

Icon of an arrow with the word share

Schritt 5: Teilen

Jeder teilt seine Ergebnisse anders mit. Fassen Sie also Ihre Ergebnisse mit Hilfe von Tools wie Diagrammen oder Dashboards mit klaren und verlockenden Visualisierungen Ihrer Datenanalyse zusammen. Dies ist Ihre Chance, den Stakeholdern zu zeigen, dass Sie ihr Problem gelöst haben und wie Sie dazu gekommen sind. Das Teilen wird Ihrem Team sicherlich helfen:

  • Bessere Entscheidungen zu treffen

  • Fundiertere Entscheidungen zu treffen

  • Zu besseren Ergebnissen zu führen

  • Ihre Ergebnisse erfolgreich zu kommunizieren

Fragen, die Sie sich bei diesem Schritt stellen sollten:

  1. Wie kann ich das, was ich den Stakeholdern präsentiere, ansprechend und leicht verständlich gestalten?

  2. Was würde mir helfen, dies zu verstehen, wenn ich der Zuhörer wäre?

 

Icon of finger pressing on a button with the word act

Schritt 6: Handeln

Jetzt ist es an der Zeit, auf der Grundlage Ihrer Daten zu handeln. Sie nehmen alles, was Sie aus Ihrer Datenanalyse gelernt haben, und setzen es um. Das könnte bedeuten, dass Sie Ihren Stakeholdern auf der Grundlage Ihrer Ergebnisse Empfehlungen geben, damit diese datengesteuerte Entscheidungen treffen können.

Fragen, die Sie sich in diesem Schritt stellen sollten:

  1. Wie kann ich das Feedback, das ich in der Austauschphase (Schritt 5) erhalten habe, nutzen, um die Bedürfnisse und Erwartungen der Stakeholder tatsächlich zu erfüllen?

Diese sechs Schritte können Ihnen dabei helfen, den Prozess der Datenanalyse in kleinere, überschaubare Teile zu zerlegen, was als strukturiertes Denken bezeichnet wird. Dieser Prozess umfasst vier grundlegende Aktivitäten:

  1. Erkennen des aktuellen Problems oder der Situation

  2. Organisieren der verfügbaren Informationen

  3. Aufdecken von Lücken und Möglichkeiten

  4. Identifizieren Ihrer Optionen

Wenn Sie Ihre Karriere als Fachkraft für Datenanalyse beginnen, ist es normal, dass Sie sich von Ihrer Rolle und Ihren Erwartungen in verschiedene Richtungen gezogen fühlen. Wenn Sie Prozesse wie die hier beschriebenen befolgen und strukturiertes Denken anwenden, können Sie wieder auf Kurs kommen, Lücken schließen und genau wissen, was Sie brauchen.

Nikki: Der Prozess der Daten funktioniert

Video 38

Häufige Problemtypen

Video 39

Sechs häufige Problemtypen

Data Analytics ist so viel mehr als nur das Einspeisen von Informationen in eine Plattform, um Statistiken zu finden. Es geht um das Lösen von Problemen. Um diesen Problemen auf den Grund zu gehen und praktische Lösungen zu finden, gibt es viele Möglichkeiten für kreatives Denken. Ganz gleich, um welches Problem es sich handelt, der erste und wichtigste Schritt ist, es zu verstehen. Von dort aus ist es gut, bei der Analyse einen problemlösenden Ansatz zu verfolgen, um zu entscheiden, welche Informationen einbezogen werden müssen, wie Sie die Daten umwandeln können und wie die Daten verwendet werden sollen.

Fachkräfte für Datenanalyse arbeiten in der Regel mit sechs Problemtypen

This illustration shows a numbered list with six icons. Each icon represents one of the six problem types.

In einem Video, Common problem types, werden die sechs Problemtypen mit einem Beispiel für jeden Typ vorgestellt. Die Beispiele sind im Folgenden zur Übersicht zusammengefasst.

Vorhersagen machen

Ein Unternehmen, das wissen möchte, welche Werbemethode am besten geeignet ist, um neue Kunden zu gewinnen, ist ein Beispiel für ein Problem, bei dem Analysten Vorhersagen machen müssen. Analysten, die über Daten zum Standort, zur Art der Medien und zur Anzahl der durch frühere Werbemaßnahmen gewonnenen Neukunden verfügen, können zwar keine Garantie für zukünftige Ergebnisse geben, aber sie können dabei helfen, die beste Platzierung der Werbung vorherzusagen, um die Zielgruppe zu erreichen.

Dinge kategorisieren

Ein Beispiel für ein Problem, bei dem Analysten Dinge kategorisieren müssen, ist das Ziel eines Unternehmens, die Kundenzufriedenheit zu verbessern. Analysten könnten Kundendienstanrufe auf der Grundlage bestimmter Schlüsselwörter oder Punktzahlen klassifizieren. Dies könnte dabei helfen, die leistungsstärksten Kundendienstmitarbeiter zu identifizieren oder bestimmte Maßnahmen mit höheren Kundenzufriedenheitswerten zu korrelieren.

Erkennen von etwas Ungewöhnlichem

Ein Unternehmen, das intelligente Uhren verkauft, die den Menschen helfen, ihre Gesundheit zu überwachen, wäre daran interessiert, seine Software so zu gestalten, dass sie etwas Ungewöhnliches erkennt. Analysten, die aggregierte Gesundheitsdaten analysiert haben, können den Produktentwicklern dabei helfen, die richtigen Algorithmen zu finden, um zu erkennen und Alarm auszulösen, wenn sich bestimmte Daten nicht normal entwickeln.

Identifizierung von Themen

UX-Designer sind möglicherweise auf Analysten angewiesen, um Daten zur Interaktivität der Nutzer zu analysieren. Ähnlich wie bei Problemen, bei denen Analysten Dinge kategorisieren müssen, kann es bei Projekten zur Verbesserung der Benutzerfreundlichkeit erforderlich sein, dass Analysten Themen identifizieren, um die richtigen Produkteigenschaften für Verbesserungen zu priorisieren. Themen werden am häufigsten verwendet, um Forschern zu helfen, bestimmte Aspekte von Daten zu untersuchen. In einer Nutzerstudie sind die Überzeugungen, Praktiken und Bedürfnisse der Nutzer Beispiele für Themen.

Vielleicht fragen Sie sich jetzt, ob es einen Unterschied zwischen der Kategorisierung von Dingen und der Identifizierung von Themen gibt. Der beste Weg, darüber nachzudenken, ist folgender: Bei der Kategorisierung von Dingen werden Elemente in Kategorien eingeteilt; bei der Identifizierung von Themen gehen wir einen Schritt weiter, indem wir diese Kategorien zu umfassenderen Themen zusammenfassen.

Entdeckung von Verbindungen

Ein Logistikunternehmen, das mit einem anderen Unternehmen zusammenarbeitet, um Sendungen rechtzeitig an die Kunden auszuliefern, ist ein Problem, bei dem Analysten Zusammenhänge erkennen müssen. Durch die Analyse der Wartezeiten an den Versand-Hubs können Analysten die geeigneten Änderungen im Zeitplan ermitteln, um die Anzahl der pünktlichen Lieferungen zu erhöhen.

Finden von Mustern

Die Minimierung der durch Maschinenausfälle verursachten Ausfallzeiten ist ein Beispiel für ein Problem, bei dem Analysten Muster in Daten finden müssen. Durch die Analyse von Wartungsdaten könnten sie zum Beispiel herausfinden, dass die meisten Ausfälle auftreten, wenn die regelmäßige Wartung um mehr als ein 15-Tage-Fenster verschoben wird.

Schlüssel zum Erfolg

Im Laufe dieses Programms werden Sie einen schärferen Blick für Probleme entwickeln und üben, die Problemtypen zu durchdenken, wenn Sie Ihre Analyse beginnen. Diese Methode der Problemlösung wird Ihnen helfen, Lösungen zu finden, die den Bedürfnissen aller Stakeholder gerecht werden.

 

Geschäftsanwendungen weiter erforschen

Video 40

Anmol: Von der Hypothese zum Ergebnis

Video 41

SMART-Fragen

Video 42

Mehr über SMART-Fragen

Unternehmen in vielen Branchen haben heute mit schnellen Änderungen und zunehmender Unsicherheit zu kämpfen. Selbst gut etablierte Unternehmen stehen unter dem Druck, mit dem Neuen Schritt zu halten und herauszufinden, was als Nächstes kommt. Um das zu tun, müssen sie Fragen stellen. Die richtigen Fragen zu stellen, kann dazu beitragen, die innovativen Ideen zu wecken, nach denen so viele Unternehmen heutzutage lechzen.

Das Gleiche gilt für Data Analytics. Ganz gleich, wie viele Informationen Sie haben oder wie fortschrittlich Ihre Tools sind, Ihre Daten werden Ihnen nicht viel sagen, wenn Sie nicht mit den richtigen Fragen beginnen. Stellen Sie sich einen Detektiv vor, der tonnenweise Beweise hat, aber einen Schlüsselverdächtigen nicht dazu befragt. In den nächsten Abschnitten erfahren Sie mehr darüber, wie Sie hocheffektive Fragen stellen können und welche Praktiken Sie vermeiden sollten.

Hocheffektive Fragen sind SMARTe Fragen:

Graphic that spells the word smart.
Graphic with 5 icons, from the left: 6 arrows pointing to a dot, a chart with an arrow pointing to the upper-right, a chec

Spezifisch:

Ist die Frage spezifisch? Spricht sie das Problem an? Hat sie einen Kontext? Wird sie viele der benötigten Informationen zutage fördern?

Messbar: Wird die Frage Antworten liefern, die Sie messen können?

 

 

 

 

Handlungsorientiert: Liefern die Antworten Informationen, die Ihnen helfen, eine Art von Plan zu entwerfen?

 

 

 

 

Relevant: Bezieht sich die Frage auf das spezielle Problem, das Sie zu lösen versuchen?

 

 

 

Zeitgebunden: Sind die Antworten für den konkreten Zeitraum, der untersucht wird, relevant?

 

 

Beispiele für SMARTe Fragen

Hier ist ein Beispiel, das den Prozess der Umwandlung einer Problemfrage in eine oder mehrere SMART-Fragen anhand der SMART-Methode aufschlüsselt: Auf welche Merkmale achten die Leute beim Kauf eines neuen Autos?

  • Spezifisch: Konzentriert sich die Frage auf ein bestimmtes Merkmal des Autos?

  • Messbar: Umfasst die Frage ein Bewertungssystem für die Merkmale?

  • Handlungsorientiert: Beeinflusst die Frage die Erstellung von anderen oder neuen Funktionspaketen?

  • Relevant: Ermittelt die Frage, welche Merkmale für einen potenziellen Autokauf entscheidend sind?

  • Zeitgebunden: Validiert die Frage Daten zu den beliebtesten Merkmalen aus den letzten drei Jahren?

Die Fragen sollten offen formuliert sein . Auf diese Weise erhalten Sie am besten Antworten, die Ihnen helfen, potenzielle Lösungen für Ihr spezifisches Problem genau zu qualifizieren oder auszuschließen. Ausgehend von diesem Gedankenprozess könnten mögliche SMART-Fragen lauten:

  • Auf einer Skala von 1-10 (wobei 10 das Wichtigste ist), wie wichtig ist es, dass Ihr Auto einen Allradantrieb hat? Erläutern Sie.

  • Welches sind die fünf wichtigsten Merkmale, die Sie in einem Autopaket sehen möchten?

  • Welche Eigenschaften würden Sie beim Kauf eines Fahrzeugs mit Allradantrieb eher in Betracht ziehen?

  • Wie trägt ein Auto mit Allradantrieb Ihrer Meinung nach zu seinem Wert bei?

Was Sie beim Stellen von Fragen vermeiden sollten

Suggestivfragen: Fragen, die nur eine bestimmte Antwort zulassen

  • Beispiel: Dieses Produkt ist zu teuer, nicht wahr?

Dies ist eine Suggestivfrage, weil sie als Teil der Frage eine Antwort vorgibt. Eine bessere Frage wäre vielleicht: „Was halten Sie von diesem Produkt?“ Es gibt unzählige Antworten auf diese Frage, die neben dem Preis auch Informationen über die Benutzerfreundlichkeit, die Funktionen, das Zubehör, die Farbe, die Zuverlässigkeit und die Beliebtheit enthalten können. Wenn sich Ihr Problem tatsächlich auf den Preis konzentriert, könnten Sie eine Frage stellen wie „Welcher Preis (oder welcher Bereich) würde Sie veranlassen, den Kauf dieses Produkts in Betracht zu ziehen?“ Diese Frage würde viele verschiedene, messbare Antworten liefern.

Geschlossene Fragen: Fragen, bei denen Sie nur ein Wort oder eine kurze Antwort geben müssen

  • Beispiel: Waren Sie mit dem Kundentest zufrieden?

Dies ist eine geschlossene Frage, weil sie die Befragten nicht dazu ermutigt, ihre Antwort zu erweitern. Es ist sehr einfach für sie, mit einem Wort zu antworten, das nicht sehr informativ ist. Eine bessere Frage wäre: „Was haben Sie bei der Studie über die Kundenerfahrung gelernt? Dies ermutigt die Befragten, mehr Details als nur „Es lief gut“ zu geben

Vage Fragen: Fragen, die nicht spezifisch sind oder keinen Kontext bieten

  • Beispiel: Funktioniert das Tool für Sie?

Diese Frage ist zu vage, weil es keinen Kontext gibt. Geht es darum, das neue Tool mit dem zu vergleichen, das es ersetzt? Sie wissen es einfach nicht. Eine bessere Frage wäre: „Ist das neue Tool bei der Dateneingabe schneller, langsamer oder etwa genauso schnell wie das alte Tool? Wenn schneller, wie viel Zeit wird gespart? Wenn langsamer, wie viel Zeit geht verloren?“ Diese Fragen liefern den Kontext (Dateneingabe) und helfen dabei, Antworten zu formulieren, die messbar sind (Zeit).

Evan: Daten öffnen Türen

Video 43

Glossarbegriffe aus Modul 1

Begriffe und Definitionen für Kurs 2, Modul 1

Aktionsorientierte Frage: Eine Frage, deren Antworten zu einer Änderung führen

Cloud: Ein Ort, an dem Daten online gespeichert werden, anstatt auf einer Computer Festplatte

Datenanalyseprozess: Die sechs Phasen des Erfragens, Aufbereitens, Verarbeitens, Analysierens, Teilens und Handelns, deren Ziel es ist, Statistiken zu gewinnen, die eine fundierte Entscheidungsfindung ermöglichen

Datenlebenszyklus: Die Abfolge der Phasen, die Daten durchlaufen, wie z.B. Planen, Erfassen, Verwalten, Analysieren, Archivieren und Vernichten

Suggestivfrage: Eine Frage, die Menschen zu einer bestimmten Antwort veranlasst

Messbare Frage: Eine Frage, deren Antworten quantifiziert und bewertet werden können

Problemtypen: Die verschiedenen Probleme, mit denen Fachkräfte für Datenanalyse konfrontiert werden, einschließlich der Kategorisierung von Dingen, der Entdeckung von Verbindungen, der Suche nach Mustern, der Identifizierung von Themen, der Erstellung von Vorhersagen und der Entdeckung von Ungewöhnlichem

Relevante Frage: Eine Frage, die für das zu lösende Problem von Bedeutung ist

SMART-Methode: Ein Tool zur Bestimmung der Effektivität einer Frage, basierend darauf, ob sie spezifisch, messbar, handlungsorientiert, relevant und zeitgebunden ist

Spezifische Frage: Eine Frage, die einfach und signifikant ist und sich auf ein einziges Thema oder einige wenige, eng miteinander verbundene Ideen konzentriert

Strukturiertes Denken: Der Prozess des Erkennens des aktuellen Problems oder der aktuellen Situation, des Ordnens der verfügbaren Informationen, des Aufdeckens von Lücken und Möglichkeiten und des Erkennens von Optionen

Terminierte Frage: Eine Frage, die einen zu untersuchenden Zeitrahmen vorgibt

Unfaire Frage: Eine Frage, die Annahmen macht oder schwer ehrlich zu beantworten ist

Daten und Entscheidungen

Video 44

Wie Daten die Entscheidungsfindung unterstützen

Video 45

 

Qualitative und quantitative Daten

Video 46

Die große Enthüllung: Teilen Sie Ihre Ergebnisse

Video 47

Daten versus Metriken

Video 48

Mathematisches Denken

Video 49

Big Data und Small Data

Status: Automatisch übersetzt aus dem Englisch

 

Als Fachkraft für Datenanalyse werden Sie sowohl mit großen als auch mit kleinen Daten arbeiten. Beide Arten von Daten sind wertvoll, aber sie spielen sehr unterschiedliche Rollen.

Image of two gears, one small and one large. Each gear has a person icon inside

Unabhängig davon, ob Sie mit Big oder Small Data arbeiten, können Sie Stakeholder dabei unterstützen, Geschäftsprozesse zu verbessern, Fragen zu beantworten, neue Produkte zu entwickeln und vieles mehr. Es gibt jedoch bestimmte Herausforderungen und Vorteile, die mit Big Data einhergehen. Die folgende Tabelle zeigt die Unterschiede zwischen Big und Small Data auf.

Small Data

Große Daten

Beschreibt ein Dataset, das aus spezifischen Metriken über einen kurzen, genau definierten Zeitraum besteht

Beschreibt große, weniger spezifische Datasets, die einen langen Zeitraum abdecken

Werden in der Regel in Tabellen organisiert und analysiert

Normalerweise in einer Datenbank gespeichert und abgefragt

Wird wahrscheinlich von kleinen und mittelgroßen Unternehmen verwendet

Wahrscheinlich von großen Organisationen verwendet werden

Einfach zu erheben, zu speichern, zu verwalten, zu sortieren und visuell darzustellen

Aufwändig zu erfassen, zu speichern, zu verwalten, zu sortieren und visuell darzustellen

Normalerweise bereits eine überschaubare Größe für die Analyse

Normalerweise müssen die Daten in kleinere Teile zerlegt werden, um sie für die Entscheidungsfindung effektiv zu organisieren und zu analysieren

Herausforderungen und Nutzen

Hier sind einige Herausforderungen, denen Sie bei der Arbeit mit Big Data begegnen können:

  • Viele Unternehmen haben mit einer Datenflut und viel zu vielen unwichtigen oder irrelevanten Informationen zu kämpfen.

  • Wichtige Daten können tief unter all den unwichtigen Daten versteckt sein, was das Auffinden und die Nutzung erschwert. Dies kann zu langsameren und ineffizienteren Entscheidungsfindungszeiten führen.

  • Die Daten, die Sie benötigen, sind nicht immer leicht zugänglich.

  • Aktuelle Technologie-Tools und -Lösungen tun sich immer noch schwer, messbare und berichtspflichtige Daten zu liefern. Dies kann zu unfairen Voreingenommenheiten von Algorithmen führen.

  • Viele Big Data Unternehmenslösungen weisen Lücken auf.

Und nun die gute Nachricht! Hier sind einige Vorteile, die Big Data mit sich bringt:

  • Wenn große Datenmengen gespeichert und analysiert werden können, hilft dies Unternehmen, effizientere Geschäftsabläufe zu ermitteln und viel Zeit und Geld zu sparen.

  • Big Data hilft Unternehmen, Trends im Kaufverhalten und in der Kundenzufriedenheit zu erkennen, was ihnen helfen kann, neue Produkte und Lösungen zu entwickeln, die die Kunden zufrieden stellen.

  • Durch die Analyse von Big Data erhalten Unternehmen ein viel besseres Verständnis der aktuellen Marktbedingungen, was ihnen helfen kann, der Konkurrenz einen Schritt voraus zu sein.

  • AS wie in unserem früheren Social Media-Beispiel helfen Big Data den Unternehmen, ihre Online-Präsenz zu verfolgen – insbesondere das Feedback, ob gut oder schlecht, von Kunden. So erhalten sie die Informationen, die sie benötigen, um ihre Marke zu verbessern und zu schützen.

Die drei (oder vier) V-Wörter für Big Data

Wenn Sie über den Nutzen und die Herausforderungen von Big Data nachdenken, hilft es, sich die drei Vs vor Augen zu führen: Volume, Variety und Velocity. Volume beschreibt die Menge der Daten. Vielfalt beschreibt die verschiedenen Arten von Daten. Schnelligkeit beschreibt, wie schnell die Daten verarbeitet werden können. Einige Fachkräfte für Datenanalyse berücksichtigen auch ein viertes V: Veracity. Veracity bezieht sich auf die Qualität und Zuverlässigkeit der Daten. All dies sind wichtige Überlegungen im Zusammenhang mit der Verarbeitung großer, komplexer Datasets.

Volume

Vielfalt

Schnelligkeit

Wahrhaftigkeit

Die Menge der Daten

Die verschiedenen Arten von Daten

Wie schnell die Daten verarbeitet werden können

Die Qualität und Zuverlässigkeit der Daten

Glossarbegriffe aus Modul 2

Begriffe und Definitionen für Kurs 2, Modul 2

Algorithmus: Ein Prozess oder eine Reihe von Regeln, die für eine bestimmte Aufgabe befolgt werden

Big Data: Große, komplexe Datasets, die typischerweise lange Zeiträume umfassen und es den Fachkräften für Datenanalyse ermöglichen, weitreichende Geschäftsprobleme zu lösen.

Dashboard: Ein Tool, das eingehende Live-Daten überwacht

Dateninspirierte Entscheidungsfindung: Der Prozess der Erkundung verschiedener Datenquellen, um herauszufinden, was sie gemeinsam haben

Metrik: Eine einzelne, quantifizierbare Art von Daten, die zur Messung verwendet wird

Metrisches Ziel: Ein messbares Ziel, das sich ein Unternehmen gesetzt hat und anhand von Metriken bewertet wird

Pivot-Diagramm: Ein Diagramm, das aus den Feldern einer Pivot-Tabelle erstellt wird

Pivot-Tabelle: Ein Tool zur Datenzusammenfassung, das zum Sortieren, Reorganisieren, Gruppieren, ANZAHLEN, Summieren oder für den Durchschnitt von Daten verwendet wird

Problemtypen: Die verschiedenen Probleme, mit denen Fachkräfte für Datenanalyse konfrontiert werden, wie z. B. das Kategorisieren von Dingen, das Entdecken von Zusammenhängen, das Auffinden von Mustern, das Identifizieren von Themen, das Erstellen von Vorhersagen und das Erkennen von Ungewöhnlichem

Qualitative Daten: Ein subjektives und erklärendes Maß für eine Qualität oder ein Merkmal

Quantitative Daten: Ein spezifisches und objektives Maß, wie z.B. eine Zahl, eine Menge oder ein Bereich

Bericht: Eine statische Sammlung von Daten, die den Stakeholdern regelmäßig zur Verfügung gestellt wird

Return on Investment (ROI), Investitionsrentabilität: Eine Formel, die die Metriken von Investition und Gewinn verwendet, um den Erfolg einer Investition zu bewerten

Umsatz: Der Gesamtbetrag der Einnahmen, der durch den Verkauf von Waren oder Dienstleistungen erzielt wird

Small Data: Kleine, spezifische Datenpunkte, die typischerweise einen kurzen Zeitraum betreffen und für alltägliche Entscheidungen nützlich sind

Die erstaunliche Tabelle

Video 50

Arbeiten Sie mit Tabellenkalkulationen

Video 51

Tabellen und der Datenlebenszyklus

Um die Vorteile des Einsatzes von Tabellenkalkulationen in der Data Analytics besser zu verstehen, lassen Sie uns untersuchen, wie sie sich zu den einzelnen Phasen des Datenlebenszyklus verhalten: Planen, Erfassen, Verwalten, Analysieren, Archivieren und Vernichten.

illustration of the phases of the data analytics life cycle as a circular graphic
  • Planen Sie für die Nutzer, die mit einer Tabelle arbeiten werden, indem Sie organisatorische Standards entwickeln. Das kann bedeuten, dass Sie Ihre Zellen formatieren, die Überschriften, die Sie hervorheben, das Farbschema und die Art und Weise, wie Sie Ihre Datenpunkte anordnen. Wenn Sie sich die Zeit nehmen, diese Standards festzulegen, verbessern Sie die Kommunikation, sorgen für Konsistenz und helfen den Mitarbeitern, ihre Zeit effizienter zu nutzen.

  • Erfassen Sie Daten an der Quelle, indem Sie Tabellen mit anderen Datenquellen verbinden, z.B. mit einer Online-Umfrage App oder einer Datenbank. Diese Daten werden dann automatisch in der Tabelle aktualisiert. Auf diese Weise sind die Informationen immer so aktuell und genau wie möglich.

  • Verwalten Sie verschiedene Arten von Daten mit einer Tabelle. Dies kann das Speichern, Organisieren, Filtern und Aktualisieren von Informationen beinhalten. Mit Tabellen können Sie auch entscheiden, wer auf die Daten zugreifen kann, wie die Informationen weitergegeben werden und wie Sie Ihre Daten sicher aufbewahren.

  • Analysieren Sie Daten in einer Tabelle, um bessere Entscheidungen treffen zu können. Zu den gebräuchlichsten Tools für die Tabellenkalkulation gehören Formeln zur Aggregation von Daten oder zur Erstellung von Berichten sowie Pivot-Tabellen für klare, leicht verständliche Visualisierungen.

  • Archivieren Sie alle Tabellen, die Sie nicht häufig verwenden, auf die Sie aber vielleicht später mit den integrierten Tools zurückgreifen möchten. Dies ist besonders nützlich, wenn Sie historische Daten speichern möchten, bevor sie aktualisiert werden.

  • Vernichten Sie Ihre Tabelle, wenn Sie sicher sind, dass Sie sie nie wieder benötigen, wenn Sie bessere Sicherheitskopien haben oder aus rechtlichen oder Sicherheitsgründen. Denken Sie daran, dass viele Unternehmen verpflichtet sind, bestimmte Regeln zu befolgen oder Maßnahmen zu ergreifen, um sicherzustellen, dass die Daten ordnungsgemäß vernichtet werden.

Ressourcen für weitere Informationen

Verknüpfungen in Tabellen können Ihnen helfen, effizienter mit Tabellen zu arbeiten. Wenn Sie mehr darüber erfahren möchten, können Sie sich die Sammlung von Google Sheets Verknüpfungen, oder besuchen Sie die Microsoft Excel Verknüpfungen seite, wenn Sie Excel verwenden. Beide Ressourcen enthalten eine Liste von Verknüpfungen für Tabellenkalkulationen, die Sie speichern und bei der weiteren Arbeit mit Tabellenkalkulationen verwenden können.

Grundlegende Aufgaben in der Tabelle

Video 52

Formeln für den Erfolg

Video 53

Fehler und Korrekturen in der Tabelle

Video 54

Mehr über Fehler in der Tabelle und Korrekturen

Wenn Sie neu in der Data Analytics sind – und manchmal auch dann, wenn Sie es nicht sind – haben Sie mit Tabellen zu kämpfen. Es ist kein gutes Gefühl, wenn Sie eine Formel oder Funktion eingeben, von der Sie überzeugt sind, dass sie perfekt ist, und dann eine Fehlermeldung erhalten. Um Ihre Daten sauber zu halten, ist es wichtig zu wissen, wie man mit Problemen umgeht, wenn sie auftauchen, und vor allem, sich nicht entmutigen zu lassen.

Selbst die fortgeschrittensten Nutzer von Tabellenkalkulationen stoßen von Zeit zu Zeit auf Probleme.

This illustration shows one nervous woman handing another woman a stack of papers with a question mark on them.

Als Nachbereitung dessen, was Sie im vorigen Video gelernt haben, finden Sie hier ein paar bewährte Verfahren und hilfreiche Tipps. Diese Strategien werden Ihnen helfen, Tabellenkalkulationsfehler von vornherein zu vermeiden, so dass Ihr Leben in der Analytik viel weniger stressig wird:

  1. Filtern Sie Daten, um Ihre Tabelle weniger komplex und unübersichtlich zu machen.

  2. Verwenden Sie Überschriften und frieren Sie diese ein, damit Sie wissen, was sich in jeder Spalte befindet, auch wenn Sie scrollen.

  3. Verwenden Sie bei der Multiplikation von Zahlen ein Sternchen (*) und nicht X.

  4. Beginnen Sie alle Formeln und Funktionen mit einem Gleichheitszeichen (=).

  5. Wenn Sie eine offene Klammer verwenden, achten Sie darauf, dass am anderen Ende eine geschlossene Klammer vorhanden ist, die dazu passt.

  6. Ändern Sie die Schriftart so, dass sie gut lesbar ist.

  7. Setzen Sie die Rahmenfarben auf weiß, so dass Sie auf einem leeren Blatt arbeiten.

  8. Erstellen Sie eine Registerkarte mit den Rohdaten und eine weitere Registerkarte mit den Daten, die Sie benötigen.

Nachdem Sie nun einige grundlegende Möglichkeiten zur Fehlervermeidung kennengelernt haben, können Sie sich darauf konzentrieren, was zu tun ist, wenn das gefürchtete Popup-Fenster doch erscheint. In der folgenden Tabelle finden Sie häufige Fehler in Tabellenkalkulationen und Beispiele für diese Fehler. Wenn Sie wissen, was die Fehler bedeuten, verlieren Sie ein wenig die Angst vor ihnen.

Fehler

Beschreibung

Beispiel

#DIV/0!

Eine Formel versucht, einen Wert in einer Zelle durch 0 zu dividieren (oder eine leere Zelle ohne Wert)

=B2/B3, wenn die Zelle B3 den Wert 0 enthält

#FEHLER!

(nur Google Sheets) Etwaskann nicht so interpretiert werden, wie es eingegeben wurde. Dies wird auch als Parsing-Fehler bezeichnet.

=COUNT(B1:D1 C1:C10) ist ungültig, weil die Zellbereiche nicht durch ein Komma getrennt sind

#N/A

Eine Formel kann die Daten nicht finden

Die Zelle, auf die verwiesen wird, kann nicht gefunden werden

#NAME?

Der Name einer verwendeten Formel oder Funktion wird nicht erkannt

Der Name einer Funktion ist falsch geschrieben

#NUM!

Die Tabelle kann eine Formelberechnung nicht durchführen, weil eine Zelle einen ungültigen numerischen Wert hat

=DATEDIF(A4, B4, „M“) kann die Anzahl der Monate zwischen zwei Daten nicht berechnen, weil das Datum in Zelle A4 nach dem Datum in Zelle B4 liegt

#REF!

Eine Formel verweist auf eine Zelle, die nicht gültig ist

Eine in einer Formel verwendete Zelle befand sich in einer Spalte, die gelöscht wurde

#WERT!

Ein allgemeiner Fehler, der auf ein Problem mit einer Formel oder mit referenzierten Zellen hinweist

Es könnte Probleme mit Leerzeichen oder Text oder mit referenzierten Zellen in einer Formel geben; möglicherweise müssen Sie zusätzliche Arbeit leisten, um die Ursache des Problems zu finden.

Wenn Sie mit Microsoft Excel arbeiten, kann Ihnen eine interaktive Seite, How to correct a #WERT! error, helfen, die Ursache dieses Fehlers einzugrenzen. Sie können eine bestimmte Funktion aus einer Dropdown-Liste auswählen, um einen Link zu Tipps zur Behebung des Fehlers bei Verwendung dieser Funktion anzuzeigen.

Profi-Tipp: Erkennen von Fehlern in Tabellen mit bedingter Formatierung

Mit der Bedingten Formatierung können Sie Zellen abhängig von ihrem Inhalt farblich hervorheben. Diese Funktion kann äußerst hilfreich sein, wenn Sie alle Fehler in einer großen Tabelle aufspüren möchten. Mit der bedingten Formatierung können Sie zum Beispiel alle Zellen, die einen Fehler enthalten, gelb markieren und dann daran arbeiten, diese zu beheben.

Bedingte Formatierung in Microsoft Excel

Um die bedingte Formatierung in Microsoft Excel so einzurichten, dass alle fehlerhaften Zellen in einer Tabelle hervorgehoben werden, gehen Sie wie folgt vor:

  1. Klicken Sie auf das graue Dreieck über der Zeile Nummer 1 und links von Spalte A, um alle Zellen in der Tabelle auszuwählen.

  2. Klicken Sie im Hauptmenü auf Start und dann auf Bedingte Formatierung , um Zellregeln hervorheben > Weitere Regeln zu wählen.

  3. Wählen Sie unter Regeltyp auswählen die Option Eine Formel verwenden, um die zu formatierenden Zellen zu bestimmen.

  4. Für Werte formatieren, bei denen diese Formel wahr ist, geben Sie =ISERROR(A1) ein.

  5. Klicken Sie auf die Schaltfläche Format, wählen Sie die Registerkarte Ausfüllen, wählen Sie gelb (oder eine andere Farbe) und klicken Sie dann auf OK.

  6. Klicken Sie auf OK , um das Fenster mit den Formatierungsregeln zu schließen.

Um die bedingte Formatierung zu entfernen, klicken Sie auf Start und wählen Sie Bedingte Formatierung und klicken Sie dann auf Regeln verwalten. Suchen Sie die Formatierungsregel in der Liste, klicken Sie auf Regel löschen und dann auf OK.

Bedingte Formatierung in Google Sheets

Um die bedingte Formatierung in Google Sheets so einzurichten, dass alle Zellen in einer Tabelle, die Fehler enthalten, hervorgehoben werden, gehen Sie wie folgt vor:

  1. Klicken Sie auf das leere Rechteck über der Zeile Nummer 1 und links von Spalte A, um alle Zellen in der Tabelle auszuwählen. Im Video Schritt für Schritt in Tabellenkalkulationen wurde dies als die Schaltfläche Alles auswählen bezeichnet.

  2. Klicken Sie im Hauptmenü auf Format und wählen Sie Bedingte Formatierung, um den Bereich Regeln für bedingte Formatierung auf der rechten Seite zu öffnen.

  3. Wählen Sie auf der Registerkarte Einfarbig unter Formatregeln die Option Benutzerdefinierte Formel ist, geben Sie =ISERROR(A1) ein, wählen Sie Gelb (oder eine andere Farbe) als Formatierungsstil und klicken Sie dann auf Fertig.

Um eine bedingte Formatierung zu entfernen, klicken Sie auf Format und wählen Sie Bedingte Formatierung und klicken Sie dann auf das Papierkorbsymbol für die Formatregel.

Ressourcen zu Fehlern in Tabellenkalkulationen

Um mehr zu erfahren und weitere Beispiele für Fehler und Lösungen zu lesen, sehen Sie sich diese Ressourcen an:

  • Microsoft Formeln und Funktionen: Diese Ressource beschreibt, wie Sie fehlerhafte Formeln vermeiden und wie Sie Fehler in Microsoft Excel korrigieren können. Dies ist ein nützliches Nachschlagewerk für den Fall, dass Sie bei der Arbeit mit Excel auf einen bestimmten Fehler stoßen und schnell eine Lösung finden müssen.

  • Wenn Ihre Formel nicht funktioniert: Formel-Parsing-Fehler in Google Sheets: Diese Ressource ist ein Leitfaden zum Auffinden und Beheben einiger häufiger Fehler in Google Sheets. Wenn Sie mit Google Sheets arbeiten, können Sie dies als schnelle Referenz für die Lösung von Problemen nutzen, auf die Sie bei Ihrer Arbeit stoßen könnten.

Mit etwas Übung und investigativer Entschlossenheit werden Sie sich im Umgang mit Fehlern in Tabellenkalkulationen viel wohler fühlen. Jeder Fehler, den Sie finden und beheben, macht Ihre Daten klarer, sauberer und nützlicher.

Funktionen 101

Video 55

Bevor Sie ein Problem lösen, sollten Sie es verstehen

Video 56

Umfang der Arbeit und strukturiertes Denken

Video 57

Zielstrebig bleiben

Video 58

Glossarbegriffe aus Modul 3

Begriffe und Definitionen für Kurs 2, Modul 3

MITTELWERT: Eine Funktion der Tabelle, die einen Mittelwert der Werte aus einem ausgewählten Bereich zurückgibt

Rahmen: Linien, die um zwei oder mehr Zellen in einer Tabelle hinzugefügt werden können

Zellbezug: Eine Zelle oder ein Bereich von Zellen in einem Arbeitsblatt, die normalerweise in Formeln und Funktionen verwendet werden

ANZAHL: Eine Funktion in der Tabelle, die die Anzahl der Zellen in einem Bereich zählt, die ein bestimmtes Kriterium erfüllen

Gleichung: Eine Berechnung, die Addition, Subtraktion, Multiplikation oder Division beinhaltet (auch mathematischer Ausdruck genannt)

Ausfüllkästchen: Ein Feld in der unteren rechten Ecke einer ausgewählten Tabellenzelle, das durch benachbarte Zellen gezogen werden kann, um eine Anweisung fortzusetzen

Filtern: Der Prozess, bei dem nur die Daten angezeigt werden, die ein bestimmtes Kriterium erfüllen, während der Rest ausgeblendet wird

Überschrift: Die erste Zeile in einer Tabelle, die den Typ der Daten in jeder Spalte beschriftet

Mathematischer Ausdruck: Eine Berechnung, die Addition, Subtraktion, Multiplikation oder Division beinhaltet (auch Gleichung genannt)

Mathematische Funktion: Eine Funktion, die als Teil einer mathematischen Formel verwendet wird

MAX : Eine Funktion in der Tabelle, die den größten numerischen Wert aus einem Bereich von Zellen zurückgibt

MIN: Eine Tabellenkalkulationsfunktion, die den kleinsten numerischen Wert aus einem Bereich von Zellen zurückgibt

Offene Daten: Daten, die für die Öffentlichkeit zugänglich sind

Operator: Ein Symbol, das die auszuführende Operation oder Berechnung bezeichnet

Operatorrangfolge: Die Verwendung von Klammern, um Tabellenwerte zu gruppieren, um die Reihenfolge zu verdeutlichen, in der die Operationen ausgeführt werden sollen

Problemdomäne: Der Bereich der Analyse, der alle Aktivitäten umfasst, die sich auf ein Problem auswirken oder davon betroffen sind

Bereich: Eine Sammlung von zwei oder mehr Zellen in einer Tabelle

Bericht: Eine statische Sammlung von Daten, die den Stakeholdern regelmäßig zur Verfügung gestellt wird

Return on Investment (ROI), Investitionsrentabilität: Eine Formel, die die Metriken von Investition und Gewinn verwendet, um den Erfolg einer Investition zu bewerten

Umsatz: Der Gesamtbetrag der Einnahmen, der durch den Verkauf von Waren oder Dienstleistungen erzielt wird

Arbeitsumfang: Eine vereinbarte Übersicht über die Aufgaben, die während eines Projekts auszuführen sind

Sortieren: Der Prozess der Anordnung von Daten in einer sinnvollen Reihenfolge, um sie leichter zu verstehen, zu analysieren und zu visualisieren

SUMME: Eine Funktion in einer Tabelle, die die Werte eines ausgewählten Bereichs von Zellen addiert

Kommunikation mit Ihrem Team

Video 59

Sorgen Sie für ein Gleichgewicht zwischen den Bedürfnissen und Erwartungen Ihres Teams

Video 60

Zusammenarbeit mit Stakeholdern

Status: Automatisch übersetzt aus dem Englisch

 
 
Informationen:
Dieses Element enthält Inhalte, die noch nicht in Ihre bevorzugte Sprache übersetzt wurden.
 

Ihr Datenanalyseprojekt sollte eine Antwort auf die unternehmensbezogene Aufgabe sein und Möglichkeiten für datengesteuerte Entscheidungsfindung schaffen. Deshalb ist es so wichtig, sich auf die Stakeholder des Projekts zu konzentrieren. Als Fachkraft für Datenanalyse liegt es in Ihrer Verantwortung, die Erwartungen Ihrer Stakeholder zu verstehen und zu managen und dabei die Projektziele im Auge zu behalten.

Image of a presenter standing at a podium in front of an audience. There is a white board behind the presenter.

Sie erinnern sich vielleicht daran, dass Stakeholder Menschen sind, die Zeit, Interesse und Ressourcen in die Projekte, an denen Sie arbeiten, investiert haben. Das kann eine ziemlich große Gruppe sein, und Ihre Stakeholder können sich von Projekt zu Projekt ändern. Es gibt jedoch drei gängige Stakeholder-Gruppen, mit denen Sie möglicherweise zusammenarbeiten werden: das Führungsteam, das Team, das sich um die Kunden kümmert, und das Team für Datenwissenschaft.

Lassen Sie uns mehr über die verschiedenen Stakeholder und ihre Ziele erfahren. Dann lernen wir einige Tipps für eine effektive Kommunikation mit ihnen kennen.

Exekutivteam

Das Executive Team übernimmt die strategische und operative Führung des Unternehmens. Sie legen Ziele fest, entwickeln eine Strategie und sorgen dafür, dass diese Strategie effektiv umgesetzt wird. Zum Executive Team gehören z.B. die Vizepräsidenten, der Chief Marketing Officer und hochrangige Fachleute, die die Arbeit des Unternehmens planen und leiten. Diese Stakeholder denken über Entscheidungen auf einer sehr hohen Ebene nach und sind zuerst an den Schlagzeilen über Ihr Projekt interessiert. An den Details sind sie weniger interessiert. Die Zeit ist bei ihnen sehr begrenzt, nutzen Sie sie also optimal, indem Sie Ihre Präsentationen mit den Antworten auf ihre Fragen einleiten. Sie können die detaillierteren Informationen im Anhang Ihrer Präsentation oder in Ihrer Projektdokumentation bereithalten, damit sie sich damit beschäftigen können, wenn sie mehr Zeit haben.

Sie könnten zum Beispiel mit dem Vizepräsidenten der Personalabteilung an einem Analyseprojekt arbeiten, um die Abwesenheitsrate der Mitarbeiter zu verstehen. Ein Marketingdirektor könnte sich für Wettbewerbsanalysen an Sie wenden. Ein Teil Ihrer Aufgabe wird darin bestehen, ein Gleichgewicht zwischen den Informationen, die er benötigt, um fundierte Entscheidungen zu treffen, und seinem vollen Zeitplan herzustellen.

Aber das müssen Sie nicht allein bewältigen. Ihr Projektmanagende wird den Fortschritt des gesamten Teams überwachen, und Sie werden ihn regelmäßiger auf dem Laufenden halten als jemand wie der Vizepräsident der Personalabteilung. Er ist in der Lage, Ihnen das zu geben, was Sie brauchen, um ein Projekt voranzubringen, einschließlich der Genehmigungen des vielbeschäftigten Führungsteams. Eine enge Zusammenarbeit mit Ihrem Projektmanagementmanagenden kann Ihnen dabei helfen, die Bedürfnisse der leitenden Stakeholder für Ihr Projekt zu ermitteln, scheuen Sie sich also nicht, ihn um Rat zu fragen.

This is an image of a woman standing on a stage in front of a microphone

Kundenorientiertes Team

Das kundenorientierte Team umfasst alle Mitarbeiter eines Unternehmens, die in irgendeiner Form mit Kunden und potenziellen Kunden zu tun haben. In der Regel stellen sie Informationen zusammen, legen Erwartungen fest und geben das Feedback der Kunden an andere Teile der internen Organisation weiter. Diese Stakeholder haben ihre eigenen Ziele und kommen möglicherweise mit spezifischen Fragen zu Ihnen. Es ist wichtig, die Daten die Story erzählen zu lassen und sich nicht von den Bitten Ihrer Stakeholder beeinflussen zu lassen, bestimmte Muster zu finden, die vielleicht gar nicht existieren.

Nehmen wir an, ein kundenorientiertes Team arbeitet mit Ihnen zusammen, um eine neue Version des beliebtesten Produkts eines Unternehmens zu entwickeln. Ein Teil Ihrer Arbeit könnte darin bestehen, Daten über das Kaufverhalten der Kunden zu sammeln und weiterzugeben, um die Produktfunktionen zu verbessern. In diesem Fall müssen Sie sicherstellen, dass sich Ihre Analyse und Präsentation auf die tatsächlichen Daten konzentriert – und nicht auf das, was Ihre Stakeholder zu finden hoffen.

This is an image of 3 professionals sitting around a table with a white board in the background

Datenwissenschaftliches Team

Die Organisation von Daten innerhalb eines Unternehmens erfordert Teamarbeit. Die Wahrscheinlichkeit ist groß, dass Sie mit anderen Fachkräften für Datenanalyse, Data Scientists und Data Engineers zusammenarbeiten werden. Vielleicht arbeiten Sie zum Beispiel mit dem Team für Datenwissenschaft eines Unternehmens zusammen, um die Einbindung des Unternehmens zu verbessern und die Fluktuationsrate zu senken. In diesem Fall könnten Sie sich mit den Daten zur Mitarbeiterproduktivität befassen, während ein anderer Analyst die Einstellungsdaten untersucht. Dann teilen Sie diese Ergebnisse mit dem Datenwissenschaftler in Ihrem Team, der anhand dieser Daten vorhersagen kann, wie neue Prozesse die Produktivität und die Einbindung der Mitarbeiter fördern könnten. Wenn Sie die Ergebnisse Ihrer individuellen Analysen miteinander teilen, enthüllen Sie die größere Story. Ein großer Teil Ihrer Arbeit wird darin bestehen, mit anderen Teammitgliedern zusammenzuarbeiten, um neue Blickwinkel auf die Daten zu finden. Hier sehen Sie, wie verschiedene Rollen in einem typischen Team für Datenwissenschaft verschiedene Funktionen unterstützen:

Venn diagram with three overlapping circles: Mathematics and statistics, Computer science, and Business domain knowledge

Effektive Zusammenarbeit mit Stakeholdern

Wenn Sie mit jeder Gruppe von Stakeholdern zusammenarbeiten – von der Geschäftsleitung über das Team mit Kundenkontakt bis hin zum Team für Datenwissenschaft – müssen Sie oft über die Daten hinausgehen. Nutzen Sie die folgenden Tipps, um klar zu kommunizieren, Vertrauen aufzubauen und Ihre Ergebnisse gruppenübergreifend zu vermitteln.

Diskutieren Sie die Ziele. Stakeholder-Anfragen sind oft an ein größeres Projekt oder Ziel gebunden. Wenn man Sie um etwas bittet, sollten Sie die Gelegenheit nutzen, mehr darüber zu erfahren. Beginnen Sie eine Diskussion. Fragen Sie nach der Art der Ergebnisse, die der Stakeholder wünscht. Manchmal kann ein kurzes Gespräch über die Ziele helfen, die Erwartungen festzulegen und die nächsten Schritte zu planen.

Fühlen Sie sich ermächtigt, „Nein“ zusagen Nehmen wir an, Sie werden von einem Marketingleiter angesprochen, der ein Projekt mit hoher Priorität hat und Daten zur Untermauerung seiner Hypothese benötigt. Er bittet Sie, bis morgen früh die Analysen und Diagramme für eine Präsentation zu erstellen. Vielleicht stellen Sie fest, dass die Hypothese noch nicht ganz ausgereift ist und Sie haben hilfreiche Ideen, wie man die Analyse besser angehen könnte. Oder vielleicht stellen Sie fest, dass die Analyse mehr Zeit und Mühe erfordert als angenommen. Was auch immer der Fall sein mag, scheuen Sie sich nicht, zurückzuschlagen, wenn es nötig ist.

Image of two people sitting at a desk. One of them is on a laptop and the other is holding a coffee mug

Stakeholder sind sich nicht immer darüber im Klaren, wie viel Zeit und Mühe das Sammeln und Analysieren von Daten in Anspruch nimmt. Vielleicht wissen sie auch nicht, was sie wirklich brauchen. Sie können den Stakeholdern helfen, indem Sie sie nach ihren Zielen fragen und herausfinden, ob Sie ihnen liefern können, was sie brauchen. Wenn Sie das nicht können, trauen Sie sich, „Nein“ zu sagen, und geben Sie eine respektvolle Erklärung ab. Wenn es eine Alternative gibt, die hilfreicher wäre, weisen Sie den Stakeholder auf diese Ressourcen hin. Wenn Sie feststellen, dass Sie anderen Projekten Vorrang einräumen müssen, besprechen Sie, was Sie wann priorisieren können. Wenn Ihre Stakeholder verstehen, was getan werden muss und was in einer bestimmten Zeitspanne erreicht werden kann, werden sie in der Regel bereit sein, ihre Erwartungen zurückzusetzen. Sie sollten sich ermächtigt fühlen, Nein zu sagen – denken Sie nur daran, den Kontext zu nennen, damit die anderen verstehen, warum.

Planen Sie für das Unerwartete. Bevor Sie ein Projekt beginnen, sollten Sie eine Liste mit möglichen Hindernissen erstellen. Wenn Sie dann die Projekterwartungen und den Zeitplan mit Ihren Stakeholdern besprechen, sollten Sie sich in jeder Phase des Prozesses etwas mehr Zeit für die Lösung von Problemen nehmen.

Kennen Sie Ihr Projekt. Verfolgen Sie Ihre Diskussionen über das Projekt in E-Mails oder Berichten und halten Sie sich bereit, Fragen zur Bedeutung bestimmter Aspekte für Ihr Unternehmen zu beantworten. Erfahren Sie, wie Ihr Projekt mit dem Rest des Unternehmens zusammenhängt, und beteiligen Sie sich daran, so viele Statistiken wie möglich zu erstellen. Wenn Sie gut verstehen, warum Sie eine Analyse durchführen, können Sie Ihre Arbeit mit anderen Zielen verbinden und größere Probleme effektiver lösen.

Beginnen Sie mit Worten und Bildern. Es kommt häufig vor, dass Fachkräfte für Datenanalyse und Stakeholder die Dinge auf unterschiedliche Weise interpretieren, während sie davon ausgehen, dass der jeweils andere auf der gleichen Seite steht. Diese Illusion der Übereinstimmung* hat sich in der Vergangenheit als Ursache dafür erwiesen, dass Projekte mehrmals hin- und hergeschoben wurden, bevor eine Richtung endgültig festgelegt wurde. Um dies zu vermeiden, beginnen Sie mit einer Beschreibung und einer schnellen Visualisierung dessen, was Sie vermitteln wollen. Stakeholder haben viele Standpunkte und nehmen Informationen vielleicht lieber in Worten oder Bildern auf. Arbeiten Sie mit ihnen zusammen, um von dort aus Änderungen und Verbesserungen vorzunehmen. Je schneller sich alle einig sind, desto schneller können Sie die erste Analyse durchführen, um den Nutzen des Projekts zu testen, das Feedback zu messen, aus den Daten zu lernen und Änderungen umzusetzen.

Kommunizieren Sie häufig. Ihre Stakeholder werden regelmäßig über Ihre Projekte informiert werden wollen. Tauschen Sie Notizen über Meilensteine, Rückschläge und Änderungen aus. Verwenden Sie Ihre Notizen dann, um einen Bericht zu erstellen, den Sie mit anderen teilen können. Ein weiteres nützliches Hilfsmittel ist das Änderungsprotokoll, auf das wir im Laufe des Programms noch näher eingehen werden. Für den Moment reicht es, wenn Sie wissen, dass ein Änderungsprotokoll eine Datei ist, die eine chronologisch geordnete Liste der an einem Projekt vorgenommenen Änderungen enthält. Je nachdem, wie Sie es einrichten, können Stakeholder sogar jederzeit einsteigen und die Aktualisierungen einsehen.

This is an image of a man and a woman about to shake hands

*Jason Fried, Basecamp, www.inc.com/magazine/201809/jason-fried/illusion-agreement-team-project.html

Konzentrieren Sie sich auf das Wesentliche

Video 61

Klare Kommunikation ist der Schlüssel

Video 62

Tipps für eine effektive Kommunikation

Video 63

Nutzen Sie mehrere Kommunikationsstrategien, um Ihr Publikum zu erreichen

Die Fähigkeit, in verschiedenen Formaten zu kommunizieren, ist eine Schlüsselqualifikation für Fachkräfte für Datenanalyse. Die Fähigkeit, zuzuhören, zu sprechen, zu präsentieren und zu schreiben, wird Ihnen helfen, in Ihren Projekten und in Ihrer Karriere erfolgreich zu sein. In dieser Lektüre geht es um effektive Kommunikationsstrategien, einschließlich Beispielen für klar formulierte E-Mails für häufige Situationen.

Hier ein wichtiger erster Tipp: Kennen Sie Ihr Publikum! Wenn Sie als Fachkraft für Datenanalyse Ihre Analysen und Empfehlungen kommunizieren, ist es wichtig, dass Sie Ihr Publikum im Auge behalten.

Beantworten Sie unbedingt diese vier wichtigen Fragen zu Ihrer Zielgruppe:

  1. Wer ist Ihre Zielgruppe?

  2. Was weiß es bereits?

  3. Was müssen sie wissen?

  4. Wie können Sie das, was sie wissen müssen, am besten vermitteln?

Beispiel für ein Projekt

Als Fachkraft für Datenanalyse werden Sie viele Anfragen und Fragen per E-Mail erhalten. Lassen Sie uns ein Beispiel dafür durchgehen, wie Sie eine dieser E-Mails beantworten könnten. Nehmen wir an, Sie sind eine Fachkraft für Datenanalyse in einem Unternehmen, das mobile Apps entwickelt. Beginnen wir damit, die Antworten auf die vier Fragen der Zielgruppe zu überprüfen, die wir gerade behandelt haben:

The illustration shows the first icon with the question: who is your audience?

Kiri, Projektmanagerin für Produktentwicklung

The illustration shows the second icon with the question: what do they already know?

Kiri hat Updates zu unserem Projekt aus der Planungsphase erhalten, einschließlich des letzten Projektberichts, der vor zwei Wochen verschickt wurde.

The illustration shows the third icon with the question: what do they need to know?

Kiri braucht ein Update über den Fortschritt des Analyseprojekts und muss wissen, dass das Team der Geschäftsleitung die Änderungen an den Daten und am Zeitplan genehmigt hat. Sie wissen, dass die Aufnahme einer neuen Variable in die Analyse Auswirkungen auf den aktuellen Zeitplan des Projekts haben wird. Kiri muss die Meilensteine und das Abschlussdatum des Projekts ändern.

The illustration shows the fourth and final icon with the question: how can you best communicate what they need to know?

Sie können damit beginnen, Kiri eine E-Mail mit dem neuesten Zeitplan für das Projekt zu schicken, aber ein Treffen könnte notwendig sein, wenn sie ihre Bedenken über das Versäumen eines Termins besprechen möchte.

Beispiel für eine aktualisierte Zeitleiste per E-Mail

Nachdem Sie die Fragen der Zuhörer beantwortet haben, verfügen Sie über die wichtigsten Bausteine, die Sie benötigen, um eine E-Mail an Kiri zu schreiben. Hier sehen Sie ein Beispiel dafür, wie Sie mit Hilfe dieser Fragen den Flow der E-Mail-Nachricht organisieren können:

This Illustration shows a sample email that addresses the four audience questions introduced with the four icons.

Nach Erhalt Ihrer E-Mail wird Kiri einen besseren Überblick über die Änderungen am Analyseprojekt haben und in der Lage sein, Anpassungen vorzunehmen, um mit dem neuen Zeitplan zu arbeiten.

Stichprobe für eine E-Mail zur Nachbereitung des Projekts

Nachdem der nächste Bericht fertiggestellt ist, können Sie auch eine Projektaktualisierung mit weiteren Informationen verschicken. Die E-Mail könnte wie folgt aussehen:

This illustration shows a sample email updating the released status of an analysis report.

Eine gute Kommunikation hält die Stakeholder über die Fortschritte auf dem Laufenden und hilft letztlich, Probleme zu vermeiden. Sorgfältig formulierte Antworten sind der Schlüssel. Unabhängig davon, ob Sie Feedback per E-Mail, in Meetings oder in Berichten einholen und bearbeiten, weiß jeder, mit dem Sie arbeiten, was er zu erwarten hat. Als Ergebnis werden sie in der Lage sein, ihre eigenen Zeitpläne, Ressourcen und Teams besser zu verwalten.

Steuern Sie die Erwartungen und realistischen Projektziele

Video 64

Sarah: Wie man mit Stakeholdern kommuniziert

Video 65

Der Kompromiss bei Daten: Geschwindigkeit versus Genauigkeit

Video 66

Beschränkungen der Daten

Daten sind mächtig, aber sie haben auch ihre Grenzen. Hat sich die persönliche Meinung von jemandem in die Zahlen eingeschlichen? Erzählen Ihre Daten die ganze Geschichte? Zu einer guten Fachkraft für Datenanalyse gehört es, die Grenzen von Daten zu kennen und sie in die Planung einzubeziehen. In dieser Lektüre erfahren Sie, wie Sie das tun können.
This illustration shows a question mark icon with the topic: The case of incomplete (or nonexistent) data.

Wenn Sie unvollständige oder nicht vorhandene Daten haben, stellen Sie vielleicht während einer Analyse fest, dass Sie nicht genug Daten haben, um eine Schlussfolgerung zu ziehen. Oder Sie lösen vielleicht sogar ein ganz anderes Problem! Nehmen wir zum Beispiel an, Sie suchen nach Mitarbeitern, die ein bestimmtes Zertifikat erworben haben, stellen aber fest, dass die Datensätze zu den Zertifikaten in Ihrem Unternehmen nur zwei Jahre zurückreichen. Sie können die Daten trotzdem verwenden, aber Sie müssen die Grenzen Ihrer Analyse deutlich machen. Vielleicht können Sie eine andere Quelle für die Daten finden, indem Sie sich an das Unternehmen wenden, das die Schulung durchgeführt hat. Um auf Nummer sicher zu gehen, sollten Sie jedoch offen über das unvollständige Dataset sprechen, bis diese Daten verfügbar sind.

This illustration shows a horizontal double-sided arrow icon with the topic: Don’t miss misaligned data.

Wenn Sie Daten von anderen Teams sammeln und vorhandene Tabellen verwenden, sollten Sie bedenken, dass die Mitarbeiter unterschiedliche Geschäftsregeln verwenden. So kann es sein, dass ein Team Dinge völlig anders definiert und misst als ein anderes. Wenn eine Metrik beispielsweise die Gesamtzahl der Teilnehmer an einem Zertifikatsprogramm ist, könnte ein Team alle Personen zählen, die sich für die Schulung registriert haben, während ein anderes Team nur die Personen zählt, die das Programm abgeschlossen haben. Wenn Sie in solchen Fällen frühzeitig festlegen, wie die Dinge gemessen werden sollen, können Sie die Daten in allen Bereichen standardisieren und so die Zuverlässigkeit und Genauigkeit erhöhen. Dadurch wird sichergestellt, dass Vergleiche zwischen den Teams aussagekräftig und statistisch aufschlussreich sind.

This illustration shows a broom icon with the topic: Deal with dirty data.

Schmutzige Daten beziehen sich auf Daten, die Fehler enthalten. Schmutzige Daten können zu Produktivitätsverlusten, unnötigen Ausgaben und unklugen Entscheidungen führen. Eine gute Datenbereinigung kann Ihnen helfen, dies zu vermeiden. Zur Erinnerung: Datenbereinigung ist der Prozess der Korrektur oder Entfernung von fehlerhaften, beschädigten, falsch formatierten, doppelten oder unvollständigen Daten in einem Dataset. Wenn Sie die Fehler finden und beheben – und gleichzeitig die von Ihnen vorgenommenen Änderungen verfolgen – können Sie eine Datenkatastrophe vermeiden. Wie Sie Daten bereinigen können, erfahren Sie später in dieser Schulung.

This illustration shows a magnifying glass icon with the topic: Tell a clear story.

Avinash Kaushik, ein Digital Marketing Evangelist bei Google, hat viele tolle Tipps für Fachkräfte für Datenanalyse in seinem blog: Occam’s Razor. Im Folgenden finden Sie einige der besten Methoden, die er für gutes Data Storytelling empfiehlt:

  • Vergleichen Siedieselben Datentypen: Daten können durcheinander geraten, wenn Sie sie für die Visualisierung in Diagrammen darstellen. Stellen Sie sicher, dass Sie dieselben Datentypen vergleichen und überprüfen Sie, ob die Segmente in Ihrem Diagramm wirklich unterschiedliche Metriken anzeigen.

  • Visualisieren Sie mit Bedacht: Ein 0,01%iger Rückgang eines Wertes kann riesig aussehen, wenn Sie nah genug heranzoomen. Um sicherzustellen, dass Ihr Publikum die gesamte Story klar sieht, sollten Sie die Y-Achse auf 0 setzen.

  • Verzichten Sie auf unnötige Diagramme: Wenn eine Tabelle Ihre Story auf einen Blick verdeutlichen kann, sollten Sie sich für eine Tabelle statt für ein Kreisdiagramm oder eine Grafik entscheiden. Ihr vielbeschäftigtes Publikum wird die Klarheit zu schätzen wissen.

  • Testen Sie auf statistische Signifikanz: Manchmal sehen zwei Datasets unterschiedlich aus, aber Sie brauchen eine Möglichkeit, um zu testen, ob der Unterschied real und wichtig ist. Denken Sie also daran, statistische Tests durchzuführen, um festzustellen, wie viel Vertrauen Sie in diesen Unterschied setzen können.

  • Achten Sie auf den Umfang der Stichprobe: Sammeln Sie viele Daten. Wenn die Stichprobe zu klein ist, können einige ungewöhnliche Antworten die Ergebnisse verfälschen. Wenn Sie feststellen, dass Sie zu wenig Daten haben, sollten Sie vorsichtig sein, wenn Sie diese Daten zur Bildung von Urteilen verwenden. Suchen Sie nach Möglichkeiten, mehr Daten zu sammeln, und stellen Sie diese Trends dann über längere Zeiträume in Diagrammen dar.

This illustration shows a mallet icon with the topic: Be the judge.

In jedem Unternehmen besteht ein großer Teil der Rolle einer Fachkraft für Datenanalyse darin, fundierte Urteile zu fällen. Wenn Sie die Grenzen Ihrer Daten kennen, können Sie Urteile fällen, die den Mitarbeitern helfen, bessere Entscheidungen auf der Grundlage der Daten zu treffen. Daten sind ein äußerst leistungsfähiges Instrument für die Entscheidungsfindung, aber wenn sie unvollständig sind, falsch ausgerichtet oder nicht bereinigt wurden, können sie irreführend sein. Ergreifen Sie die notwendigen Maßnahmen, um sicherzustellen, dass Ihre Daten vollständig und konsistent sind. Bereinigen Sie die Daten, bevor Sie mit der Analyse beginnen, um sich und möglicherweise auch anderen viel Zeit und Mühe zu ersparen.

Denken Sie über Ihren Prozess und Ihr Ergebnis nach

Video 67

Beste Praktiken treffen

Video 68

Ximena: Einem neuen Team beitreten

Video 69

Großartige Meetings leiten

Eines Tages werden Sie in Ihrer Rolle als Fachkraft für Datenanalyse vielleicht selbst ein Meeting planen. Wenn sich die Teilnehmer auf eine g