Datenbasiert entscheiden

Ein Leitfaden für Unternehmer und Entscheider

verfasst von: Paul Niebler, Dominic Lindner

Verlag: Springer Fachmedien Wiesbaden

Buchreihe : essentials

Enthalten in: Springer Professional "Wirtschaft+Technik" , Springer Professional "Technik" , Springer Professional "Wirtschaft"

Einloggen, um Zugang zu erhalten

Über dieses Buch

Dieses Buch befasst sich mit der zielgerichteten Auswertung von vorhandenen Daten im Unternehmen. Während früher viele Entscheidungen aus dem Bauch heraus getroffen wurden, sind heute die resultierenden Erfolge durch das gestiegene Datenvolumen so gut messbar wie nie zuvor. Doch nicht jede Entscheidung wird durch Daten automatisch besser. Es gilt, Daten im Unternehmen zu identifizieren, Ziele zu definieren und die vorhandenen Daten sinnvoll auszuwerten. Damit dieser Schritt gelingt, zeigt dieses Buch mit praktischen Tipps, wie auf Grundlage von Daten bessere Entscheidungen getroffen werden können. Neben den Grundlagen zur Datenanalyse wird ein Praxisbeispiel vorgestellt, aus dem anschließend Anregungen für Unternehmen abgeleitet werden.

Inhaltsverzeichnis

Frontmatter

Kapitel 1. Einleitung

Zusammenfassung

Diese Kapitel liefert einen Einstieg in das Thema Daten und Entscheidungen. Wir veranschaulichen Anhand von Statistiken die Bedeutung von Daten und zeigen Chancen sowie Risiken auf.

Ob wir Auto fahren, auf Facebook surfen, U-Bahn fahren oder online einkaufen: Es werden Daten produziert. Dieser Umstand ist keineswegs neu, allerdings gibt es mittlerweile den gravierenden Unterschied, dass die Menge an Daten so gigantisch ist, dass diese mit traditionellen Methoden oftmals kaum noch ausgewertet werden können. Sicher haben auch Sie von Buzzwords wie Big Data, Data Science oder Artificial Intelligence gehört, die durch die Medien kursieren.

Paul Niebler, Dominic Lindner

Kapitel 2. Abgrenzung der Begriffe im Bereich Data Science

Zusammenfassung

In diesem Kapitel grenzen wir die Begriffe Big Data, Data Mining, Machine Learning, Data Analytics und Data Science voneinander ab. So finden Sie sich zwischen vielen Buzzwords zurecht.

Es existieren viele Buzzwords zum Thema Daten. Während der Begriff Data Science sehr allgemein ist, bezeichnet Data Mining und Data Analytics die Extraktion von Wissen aus Datenbeständen. Big Data beschreibt sehr große Datenmengen, die aufgrund der Größe, Unstrukturiertheit und Geschwindigkeit nicht einfach auszuwerten sind. Beim Machine Learning wird aus Daten Wissen generiert, mit dem in zukünftigen Situationen ein automatisiertes Entscheiden ermöglicht wird.

Paul Niebler, Dominic Lindner

Kapitel 3. Vorbereitung der Daten im Unternehmen

Zusammenfassung

In diesem Kapitel zeigen wir Tipps zur Datenspeicherung sowie zur Vorbereitung der Daten für den Gebrauch. Es findet sich außerdem ein Exkurs zu Datentypen.

Bevor Daten verarbeitet werden können, müssen einige Vorbereitungen getroffen werden. Zunächst muss entschieden werden, auf welchem Medium die Daten gespeichert werden. Cloud-basierte Lösungen gewinnen aktuell stark an Beliebheit, da sie die eigene Infrastruktur vereinfachen und verteiltes Arbeiten ermöglichen. Da die Daten physisch das eigene Unternehmen verlassen, ist Vertrauen in den Provider notwendig. Liegen die Daten bereit, sollten diese für die Auswertung vorbereitet werden. Fehlerhafte, unvollständige und inkonsistente Daten werden möglicherweise entfernt, die Daten werden auf die relevanten Informationen reduziert und in ein passendes Format transformiert. Die Datentypen sind hierbei wichtig für eine korrekte Analyse, es wird dabei grundlegend zwischen nominalen, ordinalen und metrischen Daten unterschieden.

Paul Niebler, Dominic Lindner

Kapitel 4. Daten im Unternehmen zielführend auswerten

Zusammenfassung

Auf dem Markt befindet sich eine Vielzahl an Software, die dabei hilft, bestehende Daten auszuwerten und datengetriebenes Entscheiden fördert. Je nach Art und Komplexität des Anwendungsfalls gibt es unterschiedliche Programme, die den Anwender unterstützen. Während für einfache Auswertungen ein Tabellenkalkulationsprogramm oftmals ausreichend ist, gibt es für die Visualisierung von Daten, Data Mining und Machine Learning spezielle Tools, die es dem Anwender ermöglichen mit wenig Aufwand Informationen aus Daten zu extrahieren.

Paul Niebler, Dominic Lindner

Kapitel 5. Praxisbeispiel

Zusammenfassung

Als Praxisbeispiel wird eine fiktive mittelständische Autowerkstatt betrachtet. Wir möchten dabei ein anschauliches Beispiel geben und gewisse typische Fallstricke und Potenziale darstellen. Im Hinblick auf das eingangs besprochene Verhältnis von Aufwand und Nutzen wird ein Weg angestrebt, der einerseits ohne hohe Investitionen auskommt, aber trotzdem klar messbare Ergebnisse mit sich bringt.

Paul Niebler, Dominic Lindner

Kapitel 6. Fazit und Tipps für Unternehmer

Zusammenfassung

Unser Ziel ist es Ihnen das Thema Daten näher zu bringen und zu zeigen, wie Entscheidungen aus Daten getroffen werden können. Damit wir Ihnen eine Starthilfe geben können, finden Sie nun einige Tipps für Unternehmer. In diesem essential haben wir uns mit dem Thema Datenanalyse und daraus möglichen resultierenden Entscheidungen beschäftigt.

Machen Sie sich erst einmal ein Bild, welche Daten Sie im Unternehmen haben und was Sie daraus lernen wollen. Lassen Sie sich nicht von Buzzwords verwirren. Sie werden meist im Marketing-Kontext verwendet, helfen Ihnen aber dabei, Vorgehensweisen zu benennen und Prozesse zu strukturieren. Fangen Sie bei der Analyse von Daten möglichst einfach an (beispielsweise in Excel), sobald sie größere Datenmengen haben oder ausführlichere Analysen benötigen wählen Sie eine geeignete Software für Ihren Zweck. Sie sollten dabei immer beachten, dass bei personenbezogenen Daten der Datenschutz nicht vernachlässigt werden darf, beispielsweise gibt es gesetzlich vorgeschriebene Löschfristen.

Paul Niebler, Dominic Lindner

Backmatter

Titel: Datenbasiert entscheiden
verfasst von: Paul Niebler
Dominic Lindner
Verlag: Springer Fachmedien Wiesbaden
Electronic ISBN: 978-3-658-23928-2
Print ISBN: 978-3-658-23927-5
DOI: https://doi.org/10.1007/978-3-658-23928-2