Wir freuen uns, die Arbeit des Forschungsinstituts BARC zu unterstützen, und bieten Ihnen die Möglichkeit, die neueste Studie „Data Culture Survey 23“ hier kostenlos herunterzuladen .

In der letztjährigen Studie definierte BARC den Zugang zu Daten als wichtigsten Aspekt seines Data Culture Frameworks. In diesem Jahr hat das Forschungsinstitut eine Bestandsaufnahme der Erfahrungen und Projekte von Unternehmen in Bezug auf ihre Bestrebungen, eine echte Data Culture einzuführen, durchgeführt, wobei der Schwerpunkt auf eben diesem Zugang zu Daten liegt.

Wir freuen uns, die Arbeit des Forschungsinstituts BARC zu unterstützen, und bieten Ihnen die Möglichkeit, die neueste Studie „Data Culture Survey 23“ hier kostenlos herunterzuladen.

In der letztjährigen Studie definierte BARC den Zugang zu Daten als wichtigsten Aspekt seines Data Culture Frameworks. In diesem Jahr hat das Forschungsinstitut eine Bestandsaufnahme der Erfahrungen und Projekte von Unternehmen in Bezug auf ihre Bestrebungen, eine echte Data Culture einzuführen, durchgeführt, wobei der Schwerpunkt auf eben diesem Zugang zu Daten liegt.

Die Studie stützte sich auf die Ergebnisse einer weltweiten Online-Umfrage, die im Juli und August 2022 durchgeführt wurde. Die Umfrage wurde innerhalb des BARC-Panels sowie über Websites und Newsletter beworben. Insgesamt nahmen 384 Personen an der Umfrage teil, aus einer Vielzahl an Rollen, Sektoren und Unternehmensgrößen.

In diesem Artikel erfahren Sie mehr über Erfolge, Prioritäten und Hindernisse bei der Einführung einer Datenkultur – ein Auszug aus der von BARC durchgeführten Umfrage 2023.

Datenkultur: Vielversprechende Vorteile und Erwartungen

Wie wir in einem früheren Artikel erwähnt haben, ist die Verbesserung der Entscheidungsfindung einer der Hauptvorteile einer Datenkultur. Und laut BARC war knapp die Hälfte der teilnehmenden Unternehmen auf diesem Weg erfolgreich.

Wie die folgende Grafik zeigt, ist der Vorteil, bei dem die Diskrepanz zwischen Erwartungen und Realität am geringsten ist, „eine höhere Akzeptanz von Entscheidungen“. Für knapp ein Drittel der Teilnehmer war dies ein wünschenswertes Ziel, und fast alle haben es erreicht.

Die Best-in-Class-Unternehmen* beweisen, dass die Verbesserung ihrer Datenkultur Vorteile bietet. Die Vorteile sind deutlich häufiger als bei Laggards*, wobei die Unterschiede zwischen ihnen am größten sind, wenn es darum geht, durch die Nutzung von Daten einen Wettbewerbsvorteil und zu erzielen und die Umsätze zu steigern.

Das BARC erwähnt auch, dass in Europa mehr als 50 % der Teilnehmer größere Vorteile durch den Abbau von Datensilos und ein verteiltes Verständnis von Daten erwarten. Deutlich mehr als in den USA und im asiatisch-pazifischen Raum! Allerdings sind die realen Erfolge in den USA und im asiatisch-pazifischen Raum deutlich höher, was wahrscheinlich auf die höhere Akzeptanz neuer Technologien (Datenprodukte) in diesen Regionen zurückzuführen ist.

Initiativen von Unternehmen zur Verbesserung ihrer Datenkultur

40 % der Teilnehmer planen keine Initiativen im Bereich der Datenkultur.

Insgesamt hat im Vergleich zu 2021 die Bedeutung von Dateninitiativen in jedem der sechs Aspekte des BARC-Frameworks für Datenkultur zugenommen: Strategie, Governance, Zugang, Literacy, Kommunikation und Leadership.

Die wichtigste und am häufigsten umgesetzte Initiative ist die strategische Initiative, die 94 % der Befragten für relevant halten und 73 % bereits gestartet haben oder planen, sie zu starten.

Die Governance-Initiative ist eng mit der strategischen Initiative verknüpft. Data Governance wird als Instrument für den Aufbau eines sicheren, durchgängigen und zuverlässigen Datenökosystems betrachtet, das den geschäftlichen und rechtlichen Anforderungen entspricht. So hat ein Drittel der Befragten bereits Governance-Initiativen umgesetzt und 36 % planen dies zu tun.

Auch das Data-Leadership wird in 92 % der Unternehmen als relevant angesehen. Allerdings haben nur 20 % ein solches System eingeführt und 35 % haben dies geplant.

Tatsächlich hängt der Bereich Data Leadership insbesondere von den Führungskräften ab. Das BARC weist in seiner Umfrage „Strategies for Driving Adoption and Usage with BI and Analytics“ darauf hin, dass eine neue Generation von datengetriebenen Führungskräften als stärkster Treiber für die Einführung und Nutzung von BI- und Analysetools genannt wurde.

Eine interessante Bemerkung zu CxOs: 81 % der Befragten gaben an, dass Initiativen zur Datenkompetenz bereits umgesetzt wurden oder geplant sind. Sowohl Mitarbeiter in operativen Funktionen als auch Datenanalyse-Experten berichten jedoch von einer weit weniger verbreiteten Aktivität – es gibt noch einiges zu tun, um die Führungskräfte davon zu überzeugen, dass Verständnis und Kommunikation noch lange nicht so weit fortgeschritten sind, wie sie denken!

Initiativen zum Datenzugang sind insgesamt besonders relevant: 96 % der Teilnehmer haben diese bereits umgesetzt! Data Literacy und Datenkommunikation liegen weit abgeschlagen auf den hinteren Plätzen, wobei etwa 40 % der Teilnehmer keine Initiativen in diesen Bereichen planen.

Hindernisse, die bei der Umsetzung einer Datenkultur überwunden werden müssen

Laut BARC stellen fehlende Ressourcen, fehlendes Wissen, fehlende Organisation und Kommunikation die größten Hindernisse bei der Einführung einer Datenkultur dar. Sie sind seit langem die größten Herausforderungen für Datenverantwortliche. Eine besondere Sorge ist, dass viele Unternehmen Initiativen zur Verbesserung der Datenkultur Vorrang einräumen, diese jedoch die wichtigsten Probleme nicht direkt angehen.

Beispielsweise ist der Mangel an Datenwissen die zweithäufigste Herausforderung, die von den teilnehmenden Unternehmen jedoch nicht mit hoher Priorität behandelt wird. Im Gegensatz zu Datenstrategie, Data Governance und dem Zugang zu Daten gehört die Datenkultur zu jenen Initiativen, bei denen viel geplant, aber relativ wenig umgesetzt wird.

Denn die vorherrschende Meinung ist, dass der Kauf einer bestimmten Technologie oder Software die Datenprobleme löst. Das BARC behauptet, dass dies jedoch nicht der Fall ist. Beispielsweise wird ein Data Catalog ohne die entsprechende Organisation (Rollen, Zuständigkeiten, Prozesse) und ohne die aktive Nutzung durch die Datenkonsumenten und -produzenten nie in der Lage sein, die Vorteile zu bieten, für die er konzipiert wurde.

Dazu gehören auch Data-Leadership und Datenkommunikation: Von Anfang an sollte es das Ziel sein, alle mit ins Boot zu holen, sie in die Verantwortung zu nehmen und mit gutem Beispiel für datengetriebenes Handeln voranzugehen. Dazu muss der nötige Raum geschaffen werden, beginnend mit der Entwicklung einer Datenstrategie.

Erfahren Sie mehr über die Trends im Bereich der Datenkultur: Laden Sie die BARC Data Culture Survey herunter.

Wenn Sie mehr über die Ergebnisse dieser Studie erfahren möchten, können Sie das Dokument kostenlos herunterladen.

Sie erhalten wertvolle Informationen über:

● die Bewertung verschiedener Ansätze für den Zugang zu Daten,
● die Auswirkungen der Einführung einer Data Culture,
● die Herausforderungen bei der Einführung des Zugangs zu Daten,
● und vieles mehr.

Wir freuen uns, die Arbeit des Forschungsinstituts BARC zu unterstützen, und bieten Ihnen die Möglichkeit, seine neueste Studie, die „Data Culture Survey 23“ hier kostenlos herunterzuladen.

In der letztjährigen Studie definierte BARC den Zugang zu Daten als wichtigsten Aspekt seines Data Culture Frameworks. In diesem Jahr hat das Forschungsinstitut eine Bestandsaufnahme der Erfahrungen und Projekte von Unternehmen in Bezug auf ihre Bestrebungen, eine echte Data Culture einzuführen, durchgeführt, wobei der Schwerpunkt auf eben diesem Zugang zu Daten liegt.

Die Studie stützte sich auf die Ergebnisse einer weltweiten Online-Umfrage, die im Juli und August 2022 durchgeführt wurde. Die Umfrage wurde innerhalb des BARC-Panels sowie über Websites und Newsletter beworben. Insgesamt nahmen 384 Personen an der Umfrage teil, aus einer Vielzahl an Rollen, Sektoren und Unternehmensgrößen.

In diesem Artikel finden Sie eine Bestandsaufnahme, welche Rolle Daten in den Entscheidungsprozessen datengetriebener Organisationen spielen – ein Auszug aus der von BARC im Jahr 2023 durchgeführten Studie.

Datenbasierte vs. intuitive Entscheidungen

74 % der Best-in-Class*-Unternehmen stützen sich bei ihren Entscheidungsprozessen auf Daten

Im Laufe der Jahre haben sich Unternehmen bei ihren Entscheidungen zunehmend auf Daten und deren Analysen gestützt, anstatt sich ausschließlich auf die eigene Erfahrung oder Intuition zu verlassen. Doch auch wenn der Anteil der Unternehmen rückläufig ist, die Entscheidungen ausschließlich auf der Grundlage von Erfahrungswerten treffen, sind diese nicht vollständig vom Radar verschwunden. In der BARC Data Culture Survey 23 gab die Hälfte der befragten Organisationen an, dass ihre Entscheidungsprozesse auf einem Mix aus Daten und Intuition beruhen. Insbesondere 2021 wurde ein massiver Wandel hin zu datengestützten Entscheidungen beobachtet, der wahrscheinlich auf externe Faktoren wie die Corona-Pandemie zurückzuführen ist.

Der Wert von Daten für die Entscheidungsprozesse ist daher ein zentrales Thema für die meisten Unternehmen, insbesondere im aktuellen wirtschaftlichen und politischen Umfeld. Die größte Herausforderung ist mit der Fähigkeit verbunden, diesen Wert zu angemessenen Kosten zu liefern.

Interessanterweise stützen sich 74 % der Best-in-Class*-Unternehmen bei ihren Entscheidungsprozessen auf Daten. Wenn man sich die folgenden Zahlen genauer ansieht, erkennt man einen deutlichen Unterschied zwischen diesen Musterschülern und dem Durchschnitt aller teilnehmenden Unternehmen. Tatsächlich treffen nur 32 % von ihnen ausschließlich auch Daten gestützte Entscheidungen.

Die besonders datengetriebenen Abteilungen in Unternehmen

Auf die Frage, welche Abteilungen ihrer Meinung nach besonders datengetrieben arbeiten, antworteten 59 % der Unternehmen, dass dies ihre Finanz-/Buchhaltungsabteilung sei, gefolgt von Verkauf/Vertrieb mit 44 %. Diese Antworten waren zu erwarten, da diese Abteilungen am häufigsten BI- und Analysetools einsetzen. BARC beobachtete aber auch, dass die Abteilungen Logistik/Lieferkette und Produktion wesentlich höhere Ergebnisse erzielten als erwartet. Dieser Anstieg ist das Ergebnis der in den letzten Jahren boomenden IoT-Technologien.

Entscheidungen sollten auf allen Ebenen im Unternehmen durch Daten gestützt werden

Data Knowledge ist der Schlüssel zur erfolgreichen Nutzung von Daten und Analysen – 83 % der befragten Unternehmen bestätigen, dass sie Daten/Informationen als Asset betrachten, aber nur die Hälfte nutzt sie als wichtige Umsatzquelle. In diesem Sinne identifizieren 74 % der Nutzer Data Knowledge als das Sammeln, Verknüpfen und Analysieren von Metadaten des Unternehmens.

Metadaten liefern die notwendigen Kontextinformationen, um Datenkonsumenten dabei zu helfen, die für sie relevanten Daten zu finden, zu verstehen und ihnen zu vertrauen. Die Studie zeigt jedoch, dass derzeit nur wenige Unternehmen in Technologien zur Nutzung von Metadaten investieren – während sich 95 % der Best-in-Class*-Unternehmen der Bedeutung von Investitionen in solche Technologien bewusst sind.

Die Verwendung von Daten in verschiedenen Phasen der Entscheidungsprozesse ist bemerkenswert: Auf operativer, aber auch auf taktischer Ebene in den Abteilungen gaben 39 % der Umfrageteilnehmer an, dass Entscheidungen nicht auf der Grundlage von Daten getroffen werden. Diese Zahl ist relativ hoch – eine datenbasierte Unterstützung von Entscheidungen sollte im gesamten Unternehmen auf allen Ebenen vorhanden sein.

Befreien Sie den Zugriff und den Wert der Daten für Ihre Datennutzer, indem Sie eine Data Culture aufbauen

Wenn Sie mehr über die Ergebnisse dieser Studie erfahren möchten, können Sie das Dokument kostenlos herunterladen. Sie erhalten wertvolle Informationen über:

• die Bewertung verschiedener Ansätze für den Zugang zu Daten,
• die Auswirkungen der Einführung einer Data Culture,
• die Herausforderungen bei der Einführung des Zugangs zu Daten,
• und vieles mehr.

* Die Stichprobe wurde in „Best-in-Class“ und „Laggards (Zauderer)“ unterteilt, um Unterschiede in Bezug auf die aktuelle Data Culture in den Unternehmen zu beschreiben. Diese Einteilung erfolgte auf der Grundlage der Frage „Wie beurteilen Sie die Datenkultur Ihres Unternehmens im Vergleich zu Ihren wichtigsten Mitbewerbern?“. Unternehmen, deren Datenkultur deutlich besser ist als die ihrer Konkurrenten, werden als „Best-in-Class“ bezeichnet, wohingegen Unternehmen, deren Datenkultur etwas oder deutlich schlechter als die ihrer Mitbewerber ist, als „Laggards (Zauderer)“ klassifiziert werden.

Durch die Sammlung zahlreicher Informationen über Gastgeber, Reisende, Aufenthaltsdauer, Reiseziele etc. produziert Airbnb jeden Tag riesige Datenmengen! Um all diese Daten bereinigen, verarbeiten, verwalten und analysieren zu können, musste der führende Anbieter von Übernachtungen eine starke und strenge Datenkultur in seiner Organisation einführen.

In diesem Artikel erfahren Sie mehr über die Best Practices, die bei Airbnb eingeführt wurden, um ein datengetriebenes Unternehmen zu werden – basierend auf der Präsentation von Claire Lebarz, Head of Data Science, auf der Messe Big Data & AI Paris 2022.

Die drei Reifegrade einer Datenorganisation laut Airbnb

Der Begriff Data-Driven, oder datengetrieben, ist weltweit bekannt und wird seit einigen Jahren verwendet, um Unternehmen zu beschreiben, die strategische Entscheidungen basierend auf der Analyse und Interpretation von Daten treffen. In einem wirklich datengetriebenen Unternehmen nutzen alle Mitarbeiter und Führungskräfte die Daten auf natürliche und selbstverständliche Weise und integrieren sie in ihre täglichen Aufgaben.

Laut Claire Lebarz wird der Begriff „Data-Driven“ jedoch häufig überstrapaziert: „Ich spreche lieber von drei Reifegraden, die eine Datenorganisation charakterisieren: Data Busy, Data Informed, Data Powered.“

Auf der „Data Busy“-Ebene hat ein Unternehmen „datenzentrierte“ Rollen wie Data Analysts, Data Scientists oder Data Engineers in seiner Organisation eingeführt. Allerdings ist die Analysezeit dort noch nicht schnell genug, oder die Data Scientists werfen noch keine Rendite ab.

„Auf dieser Ebene gibt es nicht unbedingt Regeln für die Qualität der Daten, man traut den Daten nicht, oder sie stellen ein Nadelöhr für das Unternehmen dar“, erklärt Claire.

Auf der „Data Informed“-Ebene hat die Organisation bereits eine Data Governance eingeführt und strategische Entscheidungen beruhen zunehmend auf den KPIs des Unternehmens und nicht mehr auf dem Instinkt des Topmanagements.

Auf der „Data Powered“-Ebene schließlich, der höchsten Stufe der Reifegradmatrix, werden Daten als unternehmenskritisch betrachtet und werden so zu einem wichtigen Motor für das geschäftliche Wachstum.

„Vor allem sind die Daten nicht mehr einer Gruppe von Datenexperten vorbehalten, sondern stehen dem gesamten Unternehmen zur Verfügung – alle Mitarbeiter sind auf Daten eingestellt“, präzisiert Claire Lebarz, Head of Data Science.

Die 6 Schritte, die Sie laut Airbnb abschließen müssen, um Data-Driven zu werden

Schritt 1: Die wissenschaftliche Methode

Im Begriff „Data Science“ steckt das englische Wort für „Wissenschaft“, erklärt Claire. Der erste Schritt besteht also darin, sich den wissenschaftlichen Ansatz im Unternehmen zu eigen zu machen. „Es geht nicht darum, ein großes F&E-Team aufzubauen, sondern vielmehr darum, alle Annahmen, mit denen Sie arbeiten, auf Papier zu bringen und Wege zu finden, sie zu bestätigen oder nicht zu bestätigen.“

Dieser Ansatz bedeutet zu testen, zu testen und … weiter zu testen! Und einer der Ansätze dafür ist das A/B-Testing. Claire Lebarz erklärt, dass es für Airbnb während der Corona-Pandemie entscheidend war, anhand verschiedener Hypothesen über die Welt von heute und die Welt von morgen nachzudenken, um die richtigen strategischen Hebel für das Unternehmen zu finden.

Ein Beispiel, das die Bedeutung des A/B-Testings bei Airbnb unterstreicht, ist die Einführung des Filters nach Höchst- und Mindestpreisen auf der Buchungsseite. Claire erklärt, dass das Feedback hinsichtlich der User Experience tatsächlich besser war, wenn die Reisenden ihr maximales Budget für die Buchung einer Reise angeben konnten. Ohne diesen kleinen Zusatz verbrachten die Reisenden viel Zeit mit mittelprächtigen Anzeigen und entschieden sich am Ende gegen eine Buchung.

Schritt 2: Die strategische Ausrichtung der Teams

Für Claire Lebarz ist die Einführung von OKRs (Objectives & Key Results) entscheidend, um die verschiedenen Teams intern aufeinander abzustimmen. Denn die Datenteams einer Organisation neigen oft dazu, sich nur auf ihre eigenen Daten-KPIs zu konzentrieren. Um eine Datenkultur im Unternehmen zu verankern, sind gemeinsame Ziele erforderlich: „Die Strategie ist wichtiger als die KPIs.“

Und der weltweit führende Anbieter von Kurzzeitvermietungen musste feststellen, dass es an der Ausrichtung mangelte. Im folgenden Beispiel sieht man die negativen Auswirkungen auf die Sucherfahrung auf der Airbnb-Website im Jahr 2017. In dieser Grafik lieferte die Suche nach „los angeles“ Ergebnisse in mehreren Kategorien ohne wirklich erkennbare Logik für den Benutzer.

Jedes Team war hier für einen unabhängigen KPI verantwortlich. Das Team „Erlebnisse“ hatte das Ziel, Dinge vorzuschlagen, die man in der Stadt tun konnte, während ein anderes Team für die Städte zuständig war, die am nächsten zum Ziel der Suchanfrage lagen, etc. Alle pushten unterschiedliche Informationen, um ihre eigene Leistung zu steigern und Traffic auf ihrem Bereich der Website zu generieren.

Die Benutzer verloren den Überblick und buchten am Ende nicht, weil die Teams nicht am gleichen Strang zogen!

Schritt 3: Die Messung von Unsicherheit

Für Claire L. ist „Unsicherheit ein inhärenter Bestandteil der Unternehmenssteuerung und der Entscheidungsprozesse.“ Manchmal ist die beste Analyse nicht gleichbedeutend mit der besten Entscheidung. Man muss organisatorische Diskussionen führen, zum Beispiel: Wie viel Vertrauen brauchen wir, um Entscheidungen zu treffen? Welche Signale müssen wir beachten, um eine Entscheidung zu ändern?

Im Rahmen der OKRs besteht oft die Versuchung, Initiativen nicht durchzuführen, deren ROI schwer zu messen ist. Die Tatsache, dass ein KPI schwer zu messen ist, bedeutet jedoch nicht, dass die Initiative, die von ihm abhängt, nicht die beste ist. Ein Beispiel, das uns Claire als Head of Data Science nennt, sind die Branding-Kampagnen, die Airbnb beim Super Bowl in den Jahren 2017 bis 2021 durchgeführt hat.

„Branding-Kampagnen sind besonders schwierig zu messen, man kann so gut wie nie ihren Return on Investment ermitteln. Aber wenn man unsere indirekten Ergebnisse betrachtet, war der Aufbau einer schönen Branding-Strategie und die Loslösung aus der Abhängigkeit von kostenpflichtigen Kanälen wie SEM vielleicht die beste Marketingstrategie, um den organischen und direkten Traffic anzukurbeln.“

Schritt 4: Eine zentralisierte Governance

Die Governance, so Claire L., muss zentralisiert werden. Tatsächlich hat sie bei Airbnb festgestellt, dass dezentralisierte Datenteams, die an die Geschäftsführung berichten, schnell dazu führen, dass man die Objektivität der Daten im Unternehmen verliert. Sie führt aus: „Daten müssen im Unternehmen als Allgemeingut betrachtet werden, und es ist entscheidend, dass Investitionen zentral und auf der höchsten Ebene der Organisation getätigt werden. Daten müssen wie ein Produkt gehandhabt werden, dessen Kunden die Mitarbeiter sind.“

Tatsächlich gilt das Gesetz von Conway auch für Daten: „Unternehmen, die Systeme entwerfen, neigen unweigerlich dazu, Designs zu entwickeln, die Kopien der Kommunikationsstruktur ihrer Organisation sind.“ Wenn man das auf Daten überträgt, bezieht sich dieses Gesetz auf die verschiedenen Abteilungen des Unternehmens, die ihre Tabellen, Analysen und Features erstellen – basierend auf ihren eigenen Definitionen – und die nicht immer mit denen der anderen Abteilungen abgestimmt sind.

Schritt 5: Eine angemessene Kommunikation

Aus der Sicht von Claire L. war die Einstellung von Data Scientists, die nicht nur technisch sehr gut sind, sondern auch gut kommunizieren können eine der besten Entscheidungen, die Airbnb getroffen hat, Tatsächlich ist das Unternehmen in den Jahren 2017–2018 sehr schnell gewachsen. Und um sich mit der Funktionsweise von Airbnb vertraut zu machen, mussten die Scientists manchmal 15 bis 20 Analysen lesen oder die Designteams viel Zeit aufwenden, um sich über die Positionierung des Unternehmens zu informieren – all das konnte schnell sehr kostspielig werden.

Airbnb hat daher seine Herangehensweise an die Analytik geändert. Anstatt klassische Memos zu erstellen, die im Laufe der Zeit häufig veralten und die ständig aktualisiert werden müssen, begann das Unternehmen, „lebende Dokumente“ zu konstruieren. „Wir haben „states of knowledge“ eingeführt, Sammlungen des gesamten Wissens eines Teams zu einem Thema – die aktualisiert werden, je nachdem wie oft eine Frage gesucht wird“, erläutert Claire.

Sie erklärt auch, wie wichtig die Kommunikation während der Corona-Pandemie war. Da die Airbnb-Teams in San Francisco überhaupt nicht mehr im Büro anwesend waren, wurde es unerlässlich, an neuen Kommunikationsformaten zu arbeiten: „Wir haben im Allgemeinen eine große Ermüdung durch E-Mails und Bildschirme beobachtet. Also suchten wir nach effektiveren Kommunikationsmitteln wie Podcast- oder Videoformaten, damit unsere Mitarbeiter sich auch anderswo als an ihren Bildschirmen informieren können. Man muss die Informationen vereinfachen und auf leicht verständliche und anschauliche Weise zur Verfügung stellen, damit alle Mitarbeiter sich die Daten zu eigen machen können“.

Schritt 6: Menschlicheres Machine Learning

Seit seinen Anfängen verwendet Airbnb Algorithmen für das Such-Matching von Gästen und Gastgebern. Es dauerte jedoch eine Weile, bis das Unternehmen diese in großen Mengen erstellen konnte – einerseits, um die Benutzererfahrung zu verbessern – und andererseits, um funktionsübergreifenden Teams zu helfen, sich bei der Diskussion über Modellierungsentscheidungen wohlzufühlen.

Claire Lebarz erklärt, dass man die Problematik umgekehrt betrachten muss, um fehlerfreie Machine-Learning-Algorithmen zu erhalten: „Anstatt zu sagen, dass ein Problem unbedingt durch Automatisierung und Machine Learning gelöst werden muss, haben wir uns schließlich auf das Gegenteil konzentriert: Welche Arten von Benutzererfahrungen wollen wir schaffen? Um dann dort, wo es sinnvoll ist, Machine Learning einzusetzen, um diese Prozesse zu verbessern.“

Die Ergänzung der Kategoriensuche auf der Airbnb-Plattform ist ein Beispiel dafür. Denn es ging darum, eine alternative Art der Suche nach einer Übernachtungsmöglichkeit anzubieten: indem der Reisende gefragt wird, was er gerne tun würde. „Hier entfernen wir uns von unserem Grundmodell, bei dem wir anbieten, die Daten und den Ort, wann und wohin man reisen möchte, einzugeben. Jetzt können wir Sie fragen, was Sie gerne unternehmen oder haben möchten, z. B. Surfunterricht, einen schönen Blick auf den Strand oder einen Swimmingpool.“

Diese Algorithmen sind sehr arbeitsintensiv, da sie von der Dokumentation abhängen, die von den Gastgebern bereitgestellt wird. Um den Gastgebern nicht mehrere Fragen pro Woche stellen zu müssen, ist es die Aufgabe von Machine Learning, nach diesen Informationen zu suchen und sie mithilfe von Algorithmen in die richtigen Kategorien der Website hochzuladen.

Schlussfolgerung: Die drei datengetriebenen Talente laut Airbnb

Um eine echte Datenkultur zu gewährleisten, ist es von entscheidender Bedeutung, die richtigen Talente einzustellen. Claires Meinung nach sind dies die drei Datenrollen, die für ein datengetriebenes Unternehmen unerlässlich sind:

• Analytics Engineers: Sie garantieren die Data Governance und die Qualität der Daten. Sie positionieren sich zwischen Data Engineering und Analytics, um sich auf Insights und Fragen zu konzentrieren.

• Machine Learning Operators: Hierbei handelt es sich um einen neuen Beruf, der sich auf die Funktionsweise und Weiterentwicklung von Machine-Learning-Algorithmen konzentriert.

• Data Product Managers: Sie erwecken die Art und Weise, wie man Daten als Produkt verwaltet, zum Leben und professionalisieren den Ansatz zum Umgang mit Daten im Unternehmen. Sie sorgen für Transparenz bei Roadmaps, neuen Datenfunktionen und dienen als Bindeglied zu anderen Funktionen.

„Es ist entscheidend, diese drei aufstrebenden Berufe in das Unternehmen zu holen, um wirklich „Data Powered“ zu werden!