Als Datenanalyst haben Sie eine der wichtigsten Aufgaben in heutigen Unternehmen: Mit Erkenntnissen, die Sie bereitstellen, fördern Sie wichtige Entscheidungen. Gleichzeitig haben Sie mit unmöglichen Fristen, hohen Erwartungen und IT-Engpässen zu kämpfen.
Die VIER wichtigsten Funktionen eines Analysten
- Daten: finden und bereinigen
- Muster: erkennen und aufdecken
- Berichte: interpretieren und präsentieren
- Zusammenarbeit: interagieren und klären
Die Realität sieht allerdings anders aus: Nicht alle Analysten treiben das Geschäft in diesen Bereichen voran und sie verpassen Gelegenheiten, Stakeholdern bahnbrechende Erkenntnisse zu liefern. Stattdessen verbringen sie 80 % des Tages damit, Daten für grundlegende Analysen und Berichte vorzubereiten, und haben nicht genug Zeit, um aussagekräftige Erkenntnisse aufzudecken. Kommt Ihnen das bekannt vor?
Wir schauen uns den typischen Tag von Analysten an, die keine Self-Service Analysen nutzen, und zeigen Ihnen, wie andere Analysten langsame, veraltete Prozesse hinter sich gelassen haben.
Ein Tag im Leben eines Data Analyst vor Self-Service Analysen
Wahrscheinlich sind Sie in Analytics eingestiegen, um Probleme zu lösen. In Wirklichkeit verbringen Sie Ihren Arbeitstag allerdings damit, Analysen vorzubereiten, statt sie tatsächlich durchzuführen. So sind bahnbrechende Erkenntnisse natürlich nur schwer zu ermitteln.
Laut IDC Info Brief „The State of Data Science and Analytics“ werden jede Woche 44 % der Zeit von Daten-Fachkräften verschwendet, weil sie ihre Aktivitäten nicht erfolgreich ausführen können.
Unternehmen, Agenturen und Kunden wollen die Ergebnisse von Datenanalysen jetzt haben, nicht morgen. Selbst wenn Sie lange arbeiten, schaffen Sie es ohne modernes Analytics nicht, Ihre To-do-Liste abzuarbeiten – und Sie haben ja auch noch ein Privatleben!
7:50 Uhr
Sie sind früh im Büro, um einige Zahlen für einen zusammenfassenden Bericht zusammenzutragen, den das Führungsteam für sein Meeting um 10 Uhr benötigt. Sie werden aufgehalten, weil Sie auf eine wichtige Kennzahl von jemandem aus einer anderen Abteilung warten.
9:59 Uhr
In letzter Minute schicken Sie die Informationen an das Führungsteam. Das Führungsteam antwortet direkt und bittet Sie, am Meeting teilzunehmen und die Ergebnisse zu erläutern. „Keine Sorge, es wird nicht lange dauern.“
12:00 Uhr
Das Meeting des Führungsteams ist endlich vorbei – in erster Linie, weil die Mägen anfingen zu knurren. Das Team war begeistert von Ihren Kennzahlen, aber alle wollten über potenzielle Szenarien auf Basis der Daten diskutieren. Und nun liegen Sie zwei Stunden hinter Ihrem Zeitplan.
12:20 Uhr
Nachdem Sie eilig Ihr Mittagessen hinuntergeschlungen haben, widmen Sie sich Ihrer Hauptaufgabe des Tages: einem monatlichen Bericht zur Performance der Lead-Generierung. Sie stellen sich darauf ein, die nächsten Stunden damit zu verbringen, Daten aus Tabellenblättern, Google Analytics, Kissmetrics, einer benutzerdefinierten Datenbank und selbst aus einem E-Mail-Austausch zu extrahieren, um diese Aufgabe zu erledigen.
14:00 Uhr
Sie stellen einige standortbasierte Ähnlichkeiten in den Daten fest. Wenn Sie auf einfache Weise eine Geodaten-Ebene hinzufügen könnten, wäre dieser Bericht nicht nur beeindruckend, sondern herausragend. Doch mit Ihrem gegenwärtigen Verfahren würden Sie dafür weitere drei Tage benötigen, also verwerfen Sie den Gedanken erstmal und widmen sich wieder der Datenprüfung.
16:00 Uhr
Sie rufen eine Kollegin aus einer anderen Abteilung an, weil ihre Metriken eine andere Version der Wahrheit zeigen als Ihre Daten. Um das Problem zu identifizieren, müssen Sie sich am anderen Ende des Gebäudes mit ihr treffen. Sie ermitteln, wo der Fehler liegt, und importieren ihre Daten erneut.
17:00 Uhr
Sie sprechen mit internen Data Scientists über ein Prognosemodell, das nicht das erwartete Ergebnis liefert. Ohne Programmierkenntnisse können Sie das Problem nicht identifizieren.
17:45 Uhr
Nach einer Erklärung des Data Scientists verfügen Sie über ein besseres Verständnis des Modells sowie darüber, wie Sie es dieses Mal anwenden – allerdings wären Sie nicht in der Lage, es in Zukunft zu replizieren.
19:00 Uhr
Zeit zu gehen. Sie haben die Wahl zwischen Abendessen, Workout und einem Anschein von Privatleben, aber immerhin ist der Monatsbericht endlich fertig. Sie begeben sich zum nahezu leeren Parkplatz. Ihr Bericht hätte so viel besser sein können, wenn Sie nicht die meiste Zeit mit Datenaufbereitung und -zusammenführung hätten verbringen müssen. Vielleicht wird morgen alles anders.
Ihr Unternehmen zählt darauf, dass Sie die Ihnen gestellten Fragen mit absoluter Genauigkeit beantworten können. Die richtigen Antworten sind von zentraler Bedeutung, denn Entscheidungsträger verwenden diese Antworten für wichtige Entscheidungen. Sie stehen ständig unter Hochdruck und es ist nicht immer einfach damit umzugehen, geschweige denn zu gedeihen. Aber wenn Sie erfolgreich sind, gehören Sie irgendwann zu den wirklich knallharten Data Analysts.
Ein neuer Tag für Analysten mit Self-Service Analytics
Jeder Projektmanager und Effizienz-Experte wird Ihnen sagen, dass der Schlüssel zur Reduzierung der Zeit für Vorbereitung und Zusammenführung um die Hälfte oder mehr darin liegt, Arbeitsabläufe zu optimieren und zu wiederholen. Sie müssen einfach auf alle Arten von Daten und intuitiven Tools zum Vorbereiten und Zusammenführen zugreifen können und in der Lage sein, mit Drag & Drop-Tools erweiterte Analysen durchzuführen.
Wenn Sie erfahren möchten, wie tatsächliche Analyst:innen ihre Prozess verändert haben, dann sehen Sie sich unsere Liste der Top-Taktiken knallharter Analyst:innen an.
Bleiben Sie DRAN.
Ansehen
Dieses Video zeigt, wie Data Analysts über die manuelle Datenvorbereitung und Tabellenkalkulation hinausgehen, um ihre analytische Kompetenz zu entfalten.