Daten sind in beinahe allen Lebensbereichen präsent. Wir sind von einer regelrechten Datenflut umgeben, die exponentiell ansteigt und dabei unterschiedliche Ausprägungen annehmen kann. Wie kann diese Datenflut so gesteuert werden, dass Information entsteht und daraus eine Flut an Wissen generiert wird? Der Schlüssel dazu liegt in der Datenkompetenz.
In unserer Blogreihe zum Thema “Data Literacy” wird das Thema über verschiedene Bausteine beleuchtet. Der erste Teil beginnt mit einer allgemeinen Begriffsdefinition sowie einer Erläuterung, weshalb Data Literacy auch als “Kompetenz des 21. Jahrhunderts” bezeichnet wird.
Definition und Abgrenzung
Data Literacy, zu Deutsch “Datenkompetenz”, sind eine Reihe von Fähigkeiten und Fertigkeiten an der Schnittstelle verschiedener verwandter Kompetenzen, wie beispielsweise der Informationskompetenz oder dem kritischen Denken. Aus diesem Grund existieren unterschiedlich eng, bzw. weit gefasste Definitionen. In dieser Blogreihe werden wir die Definition von Schüller et al. (2019) verwenden, die den ganzen Zyklus bis zur datengetriebenen Entscheidungsfindung umfasst:
“Data Literacy ist das Cluster aller effizienter Verhaltensweisen und Einstellungen für die
effektive Durchführung sämtlicher Prozessschritte zur Wertschöpfung beziehungsweise Entscheidungsfindung aus Daten.” (Schüller et al., 2019, S. 26)
https://www.dataliteracy.uni-jena.de/was-ist-data-literacy
Datenkompetenz befähigt also dazu, Daten so zu sammeln, zu verarbeiten, darzustellen und zu analysieren, dass ein Mehrwert daraus entsteht und datengetriebene Entscheidungen getroffen werden können.
Zur Datenkompetenz gehören eine Reihe verschiedener Fähigkeiten und Fertigkeiten, die in fünf Bereiche zusammengefasst werden können (nach Ridsdale et al., 2015):
Konzeptioneller Rahmen
Dazu gehören allgemeine Datengrundlagen, wie zu wissen, welche Daten im Unternehmen anfallen und was sie zu einer wertvollen Ressource macht. Zu diesem Rahmen gehören auch eine etablierte Datenkultur sowie die notwendigen Tools und Techniken, um diese umzusetzen.
Daten sammeln
Unter diesen Bereich fallen Kompetenzen zum Erheben, Organisieren und Bearbeiten von Daten. Zum Beispiel die einheitliche Sammlung und Organisation von Kundendaten in einem CRM.
Daten verwalten
In diesen Bereich gehören hauptsächlich Fähigkeiten und Fertigkeiten zur grundlegenden Datenanalyse, zur Interpretation von Daten und im Umgang mit Datentools. Ein Beispiel hierfür ist das Einlesen und Visualisieren der CRM-Daten in einem Microsoft Power BI Dashboard.
Daten evaluieren
Zur Evaluation von Daten gehört neben der Identifikation von Problemen in der Datennutzung auch das Visualisieren und verbale Präsentieren von Daten sowie die datenbasierte Entscheidungsfindung. Im Beispiel mit den CRM-Daten könnten zum Beispiel Lücken in den Daten, beispielsweise fehlende Geschlechtsbezeichnungen, ein Problem darstellen. Aus den CRM-Daten können wichtige Information für die effizientere Konvertierung von Leads zu Deals abgeleitet werden und der Verkauf entsprechend strategisch ausgerichtet werden.
Daten verwenden
Hierunter fällt einerseits die Evaluierung der oben genannten datenbasierten Entscheidungen. Haben die strategischen Änderungen im Verkaufsprozess etwas bewirkt? Und falls nein, was muss angepasst werden? Weiter ist das Teilen und Zitieren von Daten enthalten, beispielsweise in einem (internen) Rapport zu den Ergebnissen einer Datenanalyse. Ebenfalls gehören Aspekte der Datenethik zu diesem Baustein, d.h. Welche Kundendaten gesammelt und wie verwendet werden dürfen.
Von Daten zu Mehrwert
Datenkompetenz ist die Fähigkeit, aus Daten einen Mehrwert zu generieren. Doch was sind eigentlich Daten und wie kann daraus Mehrwert entstehen?
Daten können als Rohstoff verstanden werden, die die reale Welt abbilden. Indem diese Daten bereinigt und verknüpft werden, wird Information generiert. Wissen wiederum wird aus der Analyse dieser Daten geschaffen. Doch erst wenn die Daten auch sinnvoll interpretiert und genutzt werden, entsteht ein Mehrwert, sogenanntes “Handlungswissen”. (Schüller et al. 2019)
Von der Erhebung der Daten bis zur datengetriebenen Entscheidungsfindung durchlaufen die Daten verschiedene Etappen entlang eines Zyklus’.
Wie die breit gefasste Definition gezeigt hat, lässt sich Datenkompetenz nicht auf eine Etappe reduzieren. In den folgenden Artikeln dieser Reihe, werden wir uns daher mit folgenden Bereichen des Datenzyklus beschäftigen:
- Data Collection (Datensammlung): Wie erhebt man Daten? Wo findet man Daten? Welche Qualität hat die Datenquelle und ihre Daten?
- Data Processing (Datenverarbeitung): Wie werden Rohdaten für die anschliessende Analysen vorbereitet?
- Data Analysis (Datenanalyse): Wie können Daten mittels statistischen Verfahren und Machine Learning Algorithmen ausgewertet werden?
- Data Visualization (Datenvisualisierung): Wie kann die Visualisierung von Daten zur Analyse und Interpretation von Daten genutzt werden? Was muss beachtet werden, um Visualisierungen als Kommunikationsmittel einzusetzen?
- Data-driven Decisions (datengetriebene Entscheidungen): Wie können basierend auf der Datenanalyse und -visualisierung datenbasierte Entscheidungen getroffen werden?
Data Literacy ist ein vielfältiges Kompetenzgebiet, das eine Vielzahl an Fähigkeiten und Fertigkeiten verlangt. Der Datenzyklus deckt die einzelnen Etappen ab, die notwendig sind, um mittels Datenkompetenz aus Rohdaten Wissen zu generieren.
Die Experten und Expertinnen von Novalytica unterstützen Sie mit massgeschneiderten Kursen dabei, die Datenkompetenz Ihrer Mitarbeitenden gezielt zu fördern und aufzubauen.
Verwendete Quellen
Ridsdale, C., Rothwell, J., Smit, M., Bliemel, M., Irvine, D., Kelley, D., Matwin, S., Wuetherick, B., & Ali-Hassan, H. (2015). Strategies and best practices for data literacy education knowledge synthesis report. https://doi.org/10.13140/RG.2.1.1922.5044
Schüller, K., Busch, P., Hindinger, C. (2019). Future Skills: Ein Framework für Data Literacy – Kompetenzrahmen und Forschungsbericht. Arbeitspapier Nr. 47. Berlin: Hochschulforum Digitalisierung. https://doi.org/10.5281/zenodo.3349865
