Wir leben in einer Ära von Big Data, in der enorme Mengen an Informationen ständig generiert und verarbeitet werden. Für nahezu alle Herausforderungen, die Unternehmen im turbulenten Marktumfeld haben, lassen sich Lösungswege unter Einsatz von Datenanalysen oder KI finden.

Das grundlegende Verständnis von Daten, auch bekannt als Datenkompetenz oder Data-Literacy, hilft Menschen, sich in dieser Welt zurechtzufinden und die Auswirkungen von Daten auf ihr tägliches Leben zu verstehen. Menschen, die mit Daten nicht umgehen können, werden dagegen die Analphabeten der nächsten Jahre, sie sind auf Hilfe von anderen angewiesen.

Es gibt eine Vielzahl an Möglichkeiten, Daten zu sammeln, auszuwerten und zu nutzen. Doch muss jemand, der mit Datenkompetenz Karriere machen möchte, all diese Methoden und die damit einhergehenden Software-Tools tiefgehend kennen und verstehen? Keinesfalls! Ein Überblick über die Möglichkeiten der Datenanalyse, ihre Chancen und Limitierungen, sowie ein Grundverständnis hilft jedoch enorm – auch bei der Entwicklung von Daten- und KI-Strategien.

Data-Literacy ist die Fähigkeit, Daten lesen und verarbeiten zu können. Der englische Begriff „Literacy“ bedeutet übersetzt eigentlich „Lese- und Schreibkompetenz“. Berufe, für die Lesen und Schreiben in menschlicher Sprache nicht notwendig sind, mögen vor einem Jahrhundert noch reichlich vorhanden gewesen sein, sind heute jedoch die absolute Ausnahme.

Ähnlich bedeutend dürfte auch der Umgang mit Daten werden. Schon heute ist Datenkompetenz in allen höher angesiedelten Positionen und auch für viele Fachkarrieren eine wichtige Grundvoraussetzung, die sich auf immer mehr Berufe ausbreiten wird.

Die Fähigkeit, mit Daten umzugehen, sie zu analysieren und daraus Schlüsse zu ziehen, wird fälschlicherweise oft nur den Data-Scientists zugesprochen. Für die Rolle des Data-Scientists ist in der Tat viel Fachwissen in Sachen Daten, Statistik und Machine-Learning gefragt und Data-Scientists sowie Data-Engineers sind für die Umsetzung von Daten- und KI-Projekten unabdingbar. Aber: Die Projekte selbst sind in ihrer Struktur äußerst interdisziplinär.

Viele Unternehmen haben in den letzten Jahren die Erfahrung gemacht, dass es nicht ausreicht, einfach nur ein oder zwei Data-Scientists einzustellen und diese mit der Erstellung einer Datenstrategie und deren Umsetzung zu beauftragen. Erfolgreiche Datenprojekte und die Transformation zum datengetriebenen Unternehmen sind ein unternehmensweiter Hand-in-Hand-Prozess und erfordern echte Team-Arbeit.

Organisationen, die datenkompetente Mitarbeiter haben, erfüllen eine Grundvoraussetzung, um innovative Lösungen für verschiedene Probleme zu finden, und haben somit einen Wettbewerbsvorteil. Sie können Trends vorhersagen, Chancen erkennen und proaktiv auf Veränderungen reagieren.

So wie jedes Unternehmen eine Marketing- und Vertriebsstrategie sowie eine Finanz- beziehungsweise Finanzierungsstrategie benötigt, benötigen Unternehmen heute Datenstrategien, die definieren, wie sie die Verfügbarkeit und Qualität von Daten – die sogenannte Data-Readiness – gewährleisten. Zur Data-Readiness gehört zum einen ein Bewusstsein über die Ziele des Unternehmens, zum anderen muss klar sein, wie welche Daten gespeichert, bereitgestellt und ausgewertet werden.

Für Unternehmen lohnen sich Investitionen in diese Richtung übrigens nicht nur hinsichtlich der Erhöhung der Qualifikationen der Fach- und Führungskräfte oder durch die Wirkung der höheren Effizienz. In vielen Fällen können Daten sogar zum Anlagevermögen werden.

Unter dem Konzept Data as a Service (DaaS) können gesammelte Unternehmensdaten direkt am Markt angeboten werden. Beispiele hierfür sind gesammelte Daten über die Umwelt, Energie oder den öffentlichen Verkehr, die andere Unternehmen dafür nutzen können, ihre eigenen Produkte oder Prozesse zu verbessern.

Selbst Daten, die ein Unternehmen nicht direkt teilen darf oder möchte, können dennoch für neue Geschäftsmodelle brauchbar werden. Als AI as a Service (AIaaS) können Daten nämlich sogar sehr elegant indirekt zu Geld gemacht werden, indem sie die Daten am Markt anbieten, ohne dass die Daten tatsächlich herausgegeben werden müssen.

Diese Konzepte der Geschäftsmodellgestaltung werden die Zukunft mitbestimmen, können jedoch nur von Menschen erdacht werden, die die dafür notwendigen Grundlagen über Daten und KI verstehen.

Daher gilt: KI wird nicht die Menschen ersetzen. Allerdings werden Führungs- und Fachkräfte, die KI-Verfahren wie etwa Deep Learning verstehen und wirkungsvoll einsetzen, andere Arbeitskräfte ersetzen, die dies nicht tun. Denn Daten und KI bedeuten im Zweifel ein Zugewinn an Effektivität und Effizienz.

Data-Literacy umfasst grundlegendes Verständnis von Daten und Datenformaten sowie die grundlegenden Fähigkeiten der Datenanalyse mit Abfragesprachen wie SQL. Nützlich ist auch die Datenvisualisierung mit Tools wie etwa Microsoft Power BI, Tableau, Looker oder Qlik Sense.

Gute Visualisierungen und Reports sind ein nicht zu unterschätzender Skill im Berufsleben. Und da Reporting-Systeme meist mit Input aus Data-Warehouses und Data-Lakehouses – Datenbanken, in denen Informationen aus verschiedenen Quellen zusammenfließen und gespeichert werden – arbeiten, darf ein einfaches Verständnis über die Funktion und den Aufbau von diesen nicht fehlen. Das Grundwissen reicht von einfachen Konzepten der Datenmodellierung bis hin zu groben Kenntnissen von Cloud-Architekturen, denn Datenarchitekturen werden heute vor allem in der Cloud errichtet.

Damit Aussagen aus Daten vom ersten Report bis zur tiefergehenden Analyse durch einen Data-Scientist nachvollzogen und hinterfragt werden können, braucht es außerdem Grundlagen der statistischen Auswertung von Daten sowie einen Überblick über die verschiedenen Kategorien des maschinellen Lernens. Denn nur so kann eingeschätzt werden, ob Daten für ein Training von KI geeignet sein könnten und das Training auch sinnvoll wäre.

Auch spezielle Themen wie Nutzen und Anwendungen für Graphenanalyse, NoSQL-Datenbanken oder sowie die Analysemethodik des Process-Mining sind hilfreich. Abgerundet wird ein gutes Data-Literacy-Skillset mit Kenntnissen rund um Datensicherheit und Datenschutz sowie gängige Ansätze einer Data-Governance, die festlegt, wer auf welche Daten Zugriff hat.

Der Schlüssel zum Erreichen von Data-Literacy liegt in der kontinuierlichen Praxis und der Anwendung des Gelernten in realen Projekten und Situationen. Networking mit anderen Datenprofis und die Teilnahme an relevanten Workshops oder Konferenzen können ebenfalls sehr hilfreich sein.

Der Besuch von Kursen und Trainings für SQL lohnt sich, denn SQL ist eine Schlüsselsprache für die Arbeit mit relationalen Datenbanken und essenziell für das Verständnis von Datenabfragen und -manipulation. Sehr sinnvoll, jedoch optional, ist das Erlernen einer Programmiersprache wie Python oder R.

Python ist in der Datenanalyse und im maschinellen Lernen sehr populär und ermöglicht es, vielfältige Aufgaben von der Datenmanipulation bis hin zur Entwicklung komplexer Algorithmen durchzuführen. Und selbst wenn man mit Python nie so weit geht: Wer grundlegend versteht, was objektorientierte Programmierung bedeutet oder schon einmal Datenverzeichnisse iterativ und rekursiv durchsucht hat, dürfte dadurch besser verstehen, wie Datenverarbeitung funktionieren kann.

Sinnvoll ist auch der Erwerb der Grundkenntnisse in Cloud-Infrastrukturen. In der heutigen datengetriebenen Welt sind Cloud-Technologien für Datenspeicherung und -verarbeitung unverzichtbar. Ein grundlegendes Verständnis von Plattformen wie AWS, Microsoft Azure, Google Cloud oder SAP Cloud ist daher sehr wertvoll. Einführungskurse und Zertifizierungsprogramme der Cloud-Anbieter bieten hierfür einen guten Einstieg.

Wenn die Grundlagen der Datenanalyse sitzen, kann im operativen Geschäft versucht werden, diese aktiv wertschöpfend einzusetzen. Hierfür muss eigentlich nichts anderes getan werden, als die Augen und Ohren für alle möglichen Probleme offen zu halten, mit denen das Unternehmen, die Fachabteilung oder bestimmte Mitarbeiter konfrontiert sind. Schnell finden sich Chancen, dem Problem mit einer Analyse weiter auf den Grund zu gehen, die dafür notwendigen Daten zu sammeln und aufzubereiten.

Im strategischen Bereich bietet sich eine  Erstellung von effektiven Daten- beziehungsweise KI-Strategien an. Wurde das tiefere Verständnis erzielt, können Lösungen möglicherweise mit Daten entwickelt werden, vielleicht sogar mit einer datengetriebenen Prozessautomatisierung und operativer Aussteuerung von Geschäftsprozessen mit KI.

Data-Literacy erlernt sich nicht von selbst, erfordert anfangs etwas Mühe und Motivation vom Anwärter für fundierte Datenkompetenz. Doch diese Mühe lohnt sich sowohl für Fach- als auch für Führungskräfte, denn sie zahlt sich schnell mit ersten Erfolgen für das Unternehmen aus und kann zu einem echten Karrieresprungbrett werden. Darüber hinaus macht diese Art der Fortbildung oftmals großen Spaß, da sie nicht unbedingt in die Tiefe, dafür jedoch in die Breite geht und einen Überblick über die vielen Aspekte und Teilnehmer im Datenbusiness verschafft.