Warum Dashboards gut zu Data Systems passen

Holger Geißler & Benedikt Droste

Warum passen Dashboards und Data Systems eigentlich so gut zusammen? Weil sie klaren Regeln und Vorgaben folgen, die sich im Zeitverlauf nur minimal anpassen. Man legt sich auf ein System fest und verfolgt dieses konsequent. Daraus ergeben sich in der Regel große Effizienzgewinne und zumeist völlig neue Möglichkeiten in der Analyse. Deshalb kommt auch kaum ein Data System ohne Dashboard aus.

Benedikt Droste & Holger Geißler
Benedikt Droste & Holger Geißler

Das System und seine Regeln

Ein System bezeichnet ein aus mehreren Einzelteilen zusammengesetztes Ganzes. Lt. der Wikipedia-Definition wird damit "allgemein eine Gesamtheit von Elementen bezeichnet, die miteinander verbunden sind und dadurch als eine aufgaben-, sinn- oder zweckgebundene Einheit angesehen werden können, als strukturierte systematische Ganzheit." Systeme sind feste und unverzichtbare Bestandteile unseres Lebens. Es gibt kaum Dinge, die nicht in Systemen organisiert sind. Schule, Beruf, Verkehr, Demokratie, eine Stadt, eine Organisation, selbst eine Familie funktioniert als System. Im besten Fall greifen die Rädchen "systematisch ineinander". Jeder Systemteilnehmer weiss, was seine Aufgabe ist und an welche Regeln er sich halten muss. Und er weiss, was er tun muss, um überhaupt Teil des Systems zu sein. Das ist bei einem Data-System eigentlich nicht anders.

Fünf Schritte zum Data System

Möchte man ein Data System erstellen, so werden in der Regel folgende fünf Schritte durchlaufen:

  • Die Vorbereitung der Daten: Damit Daten in ein System passen, müssen diese vorbereitet werden, also z.B. in gleiche Dateiformate gebracht werden, die dann miteinander verknüpft werden können. Es ist zu prüfen, ob Daten grundsätzlich zusammenpassen können.
  • Die Integration und Verknüpfung von Daten: Die vorbereiteten Daten werden in eine konsistente Form gebracht. Wenn z.B. in zwei Datenquellen ähnliche Merkmale erfasst wurden, muss geprüft werden, wie diese Variablen miteinander integriert werden können. Dazu bedarf es Regeln.
  • Das Erstellen einer Datenbank/eines Data Warehouse: Sind die Daten entsprechend vorbereitet und integriert, können die Daten in einem gemeinsamen Datenpool gesammelt werden. In einem Data System werden die Daten zumeist zentral gespeichert und gepflegt. Erst ab diesem Schritt profitiert man von dem Aufwand, den man auf sich nimmt, um ein Data System zu erstellen.
  • Die Aufbereitung der Daten: In diesem Schritt werden die Daten systematisch miteinander in Verbindung gebracht: So können z.B. Umsatzzahlen mit Marktforschungszahlen kombiniert werden, Conversion Rates werden im Zeitverlauf dargestellt. Dieser Schritt wird auch Data Mining genannt. Aus dem System heraus entstehen Analyse-Möglichkeiten, die man ohne das Data System nicht hätte. Ohne ein Data System sind solche mehrdimensionale Analysen meist sehr aufwendig und fehleranfällig, weil die Schritte manuell erfolgen.
  • Die Visualisierung der Daten: Sind die Analysen definiert, so geht es jetzt darum die Ergebnisse grafisch aufzubereiten, so dass man sich die Ergebnisse inhaltlich erschließen kann. Dafür bieten sich z.B. Dashboards, Cockpits und Scorecards an. Die meisten Dashboard-Systeme bieten umfangreiche Bibliotheken unterschiedliche Grafiktypen an, mit denen man visuell ansprechende Reports und Dashboards bauen kann.

Die Investition in ein System rechnet sich schnell

Ein Data System erstmalig zu erstellen ist zumeist aufwendig, da der Initialaufwand hoch ist. Alleine das Sichten unterschiedlicher Datenbestände ist aufwendig, ganz zu schweigen vom Schritt der Daten-Integration. In der Regel verändern sich auch Prozesse der Daten-Erfassung, so dass Mitarbeiter umdenken müssen, was für jeden Einzelnen kognitiver Mehraufwand bedeutet. Deshalb zögern viele Unternehmen eine solchen Schritt zu gehen. Ist ein System aber erst einmal erstellt, profitiert man schnell. Zum einen sind Data Systems meist sehr viel effizienter, was sich direkt in der unterschiedlichen Profitabilität von Ad-hoc-Forschung und Data Products widerspiegelt. Und zum anderen reduziert sich die Fehleranfälligkeit solcher Systeme, weil die Prozesse automatisiert erstellt werden. Auch die einheitliche und zentrale Datenverwaltung hilft das häufige "Versionschaos", dass durch den Zugriff auf unterschiedliche Datensätze oder Berichte entstehen kann, in den Griff zu bekommen.

Ein internationales Fallbeispiel

Auch in dem Anwendungsbeispiel, dass die MSR Consulting Group gemeinsam mit DataLion auf der GOR 2019 in Köln vorgestellt haben, ging es darum ein Data System zu entwickeln. Ausgangspunkt waren die Reportingprozesse im Marketing eines international tätigen Unternehmens. Das Unternehmen hat eine Art Franchise-Struktur, d.h. es arbeitet mit lokal eigenständigen Vertriebspartnern zusammen, die aber keine Niederlassung im klassischen Sinne sind, sondern die Produkte des Unternehmens vor Ort vermarkten und vertreiben. Diese wiederum haben diverse Filialen in verschiedenen Städten. Dadurch ergibt sich eine komplexe Vertriebsstruktur, in der verschiedenste Akteure involviert sind.


 
Die lokalen Vertriebspartner werden durch das Unternehmen mit Marketingbudgets unterstützt und müssen im Gegenzug in regelmäßigen Abständen zentrale KPIs berichten. Im betreffenden Fall werden in festgelegtem Rhythmus Daten in händisch ausgefüllten Formularen an die Zentrale gemeldet. Diese werden an zentraler Stelle – ebenfalls händisch - zusammengeführt, bevor eine inhaltliche Analyse stattfindet, und die Ergebnisse aufbereitet, dargestellt und weiter berichtet werden. Durch die vielen manuellen Schritte ist dieser Vorgang extrem zeitintensiv und fehleranfällig.

Das Ziel: Automatisierte Datenströme

Mithilfe automatisierter Datenströme kann dieser aufwändige Reportingprozess abgelöst werden. Die Eingaben der internationalen Vertriebspartner in ihre Systeme werden täglich in eine zentrale Datenbank geladen. Für den Input sind Regeln definiert, sodass der Nutzer bei fehlenden Eingaben rechtzeitig per Mail erinnert wird. Unplausible Werte werden direkt bei der Eingabe abgefangen und zurückgespielt. Durch diese Maßnahmen kann in einem ersten Schritt die Datenqualität deutlich verbessert werden. Weiter werden verschiedene Datenquellen, wie zum Beispiel Performance-KPI und Marketingausgaben zusammengeführt, um beide Datenquellen zusammenhängend analysieren zu können. Damit ist die Grundlage für Benchmarking gegeben. Die Märkte lassen sich erstmals valide hinsichtlich Leistung und Effizienz vergleichen. So können erfolgreiche Kampagnen und Best Practice Ansätze in einzelnen Märkten identifiziert werden. Der Zugang zum Dashboard und das interne Benchmarking steht den lokalen Vertriebspartnern offen, um alle beteiligten Einheiten zur regelmäßigen und korrekten Eingabe der Daten zu motivieren. Ferner profitieren auch die Vertriebspartner von einem deutlich verringerten Aufwand für das regelmäßige Reporting.

Durch das Aufsetzen eines Data Systems kann die Datenanalyse deutlich effizienter gestaltet werden.
Durch das Aufsetzen eines Data Systems kann die Datenanalyse deutlich effizienter gestaltet werden.

Ein Dashboard beschleunigt den Prozess

Durch das Aufsetzen eines Data Systems kann die Datenanalyse deutlich effizienter gestaltet werden. Ein Dashboard alleine liefert allerdings noch keine Insights und solche Projekte lassen sich nicht einfach Top Down aufsetzen. Für den erfolgreichen Einsatz müssen die operativen Einheiten von Anfang an mit in die Entwicklung einbezogen werden, um eine hohe Akzeptanz für die neuen Tools zu schaffen. Bringt ein Dashboard echten Nutzen, schafft es breites Involvement und liefert einer Organisation das Fundament für echte Data-Driven Decisions. In ein solches Data System ein Dashboard zu integrieren, kann dabei als Katalysator funktionieren, da es dadurch die Notwendigkeit einer einheitlichen Daten- und Auswertungsstruktur gibt.

Zu den Autoren:

Holger Geißler studierte Psychologie in Heidelberg. Er arbeitete zunächst als Projektleiter für die psychonomics AG. Ab 2000 war er als Senior Manager verantwortlich für den Aufbau der Online-Marktforschung. 2008 wurde er in den Vorstand von YouGov Deutschland berufen, wo er bis Ende 2017 tätig war. Er war von 2004 bis 2011 im Vorstand der Deutschen Gesellschaft für Online-Forschung (DGOF). Er ist seit 2016 Präsident des Marketing-Club Köln/Bonn. Seit 2018 ist er CMO von DataLion und arbeitet weiterhin in der Geschäftsleitung des Marktforschungsinstituts DCORE.

Benedikt Droste studierte Politikwissenschaften in Duisburg und Münster. Direkt nach dem Studium stieg er 2016 bei MSR Insights ein und ist dort seit 2019 als Senior Data Analyst tätig. Sein Interessenschwerpunkt liegt in der Zusammenstellung von Datensystemen und der Visualisierung von Datenbeständen. Dabei verfolgt er die Zielsetzung, den Adressaten der Daten einen intuitiven Zugang bereitzustellen.

Veröffentlicht am: 20.03.2019

 

Kommentare (0)

Keine Kommentare gefunden!

Neuen Kommentar schreiben

Kommentare geben ausschließlich die Meinung ihrer Verfasser wieder. Die Redaktion behält sich vor, Kommentare nicht oder gekürzt zu veröffentlichen. Das gilt besonders für themenfremde, unsachliche oder herabwürdigende Kommentare sowie für versteckte Eigenwerbung.

Über marktforschung.de

Branchenwissen an zentraler Stelle bündeln und abrufbar machen – das ist das Hauptanliegen von marktforschung.de. Unser breites Informationsangebot rund um die Marktforschung richtet sich sowohl an Marktforschungsinstitute, Felddienstleister, Panelbetreiber und Herausgeber von Studien, Marktdaten sowie Marktanalysen als auch an deren Kunden aus Industrie, Handel und Dienstleistungsgewerbe.

facebook twitter google plus