Seite wählen

Was ist Data Literacy genau, wieso ist diese so wichtig und wie können Unternehmen Data Literacy Initiativen erfolgreich gestalten?

Das Thema Data Literacy (Datenkompetenz) kommt mit der Diskussion um künstliche Intelligenz und Data Science aktuell immer mehr auf die Tagesordnung.

Das ist dringend notwendig, aber im Grund auch ziemlich verwunderlich, da Computer ja nicht erst seit ein paar Jahren unsere Arbeits- und Lebenswelt bestimmen. Immerhin, die EU-Kommission hat 2016 die Informations- und Datenkompetenz an die erste Stelle ihres fünf Punkte umfassenden Digital Competence Frameworks gesetzt hat (EU).

Der letzte Meter in der Digitalisierung ist analog

Data Literacy ist ein ziemlich unhandlicher und kopflastiger Begriff: Er stellt auf unsere Fähigkeit ab, mit Daten richtig und sinnvoll umzugehen und ihren Wert zuverlässig und richtig einzuschätzen. Also richtig lesen und schreiben mit Daten sozusagen.

Data Literacy hat zwei Gruppen von Beteiligten: einerseits die Softwareentwickler, Data Scientists und Datenexperten (Encoders). Sie brauchen die Fähigkeit, Daten mit Hilfe von Software und Hardware aufzubereiten.

Auf der anderen Seite gibt es uns, die Anwender (bzw. Leser) von Daten und Datenprodukten. Wir brauchen die Fähigkeit, aus Daten sinnvollen Schlüsse zu ziehen und gute Entscheidungen zu treffen (Decoders).

Data Literacy hat somit eine digitale und eine analoge Seite. Wie genau diese beiden Seiten zusammenspielen, haben wir vor einiger Zeit in unserem Data Design Guide zusammengefasst. Mehr dazu finden Sie hier.

Es sei an dieser Stelle besonders betont, dass die Frage nach Datenkompetenz nicht einfach mit ja oder nein beantwortet werden kann, sondern dass eine Antwort darauf eine Aussage zum Qualifikationsniveau zu unterschiedlichen Fähigkeiten (Umgang mit unterschiedlichen Konzepten wie Lesen, Einschätzen und Rechnen mit z. B. Zahlen, Wahrscheinlichkeiten, Funktionen, Risiken) beinhaltet. Data Literacy von Individuen und Organisationen lässt sich messen.

Definition: Data Literacy ist eine grundlegende Kompetenz, um in der digitalen Welt in Wissenschaft, Arbeitswelt und Gesellschaft bestehen und teilhaben zu können. Data Literacy ist die Fähigkeit, planvoll mit Daten umzugehen und sie im jeweiligen Kontext bewusst einsetzen und hinterfragen zu können.
Dazu gehört: Daten zu erfassen, erkunden, managen, kuratieren, analysieren, visualisieren, interpretieren, kontextualisieren, beurteilen und anzuwenden (Quelle: Stifterverband 2019).

 

Die Datenkompetenzlücke

In Zeiten der sogenannten digitalen Transformation wäre Data Literacy eigentlich ein Top-Thema. In Expertenkreisen ist es mehr oder weniger unbestritten, dass bei Datenkompetenzen ein großer Handlungsbedarf besteht. Dennoch ist der Begriff ins breite öffentliche Bewusstsein und in die Unternehmenswelt und deren Management-Ebenen noch nicht wirklich gedrungen.

Unsere Erfahrungen aus dem betrieblichen Alltag bestätigen das, was Unternehmen häufig Probleme bereitet. Fehlende Data Literacy zeigt sich an vielen Stellen:

  • Mangelndes Verständnis zu mathematischen Konzepten, Umgang mit Wahrscheinlichkeit, Durchführung empirischer Untersuchungen, Beurteilung von Risiken,
  • Unzureichende oder gar fehlerhafte Visualisierungen,
  • Unsachgerechter Umgang mit Daten zur Ermittlung von Prognosen,
  • Fehlerhafte und schlecht begründete Entscheidungen,
  • Falsche Erwartungen an Dateninvestitionen,
  • Geringe Nutzung der verfügbaren Datenangebote (Big Data, Analytics)
  • Unzureichende oder wenig systematische Arbeit mit Daten,
  • Und nicht zuletzt: fehlendes Verständnis über die Möglichkeiten und auch die Grenzen künstlicher Intelligenz.

Abstraktion erzeugt Komplexität auf unterschiedlichen Ebenen

Dass sich bei Datenkompetenz für Unternehmen Handlungsbedarf auftut, hat mehrere Gründe. Wir unterscheiden in aller Kürze etwas vereinfachend:

Wahrnehmungspsychologische Gründe:

  • Wir wissen, dass das menschliche Gehirn Daten über die Sinnesorgane aus der Umwelt in Mikrosekunden aufnehmen und verarbeiten kann. Ohne diese Fähigkeit wäre uns zum Beispiel schnelles Bewegen (Laufen, Radfahren, Autofahren usw.), das Lesen von Texten und die Fähigkeit zum Dialog mit anderen nicht möglich.
    Bei Daten im Unternehmen ist es anders. Sie werden auf einer verdichteten Ebene bereitgestellt. Sie sind abstrakt und werden vom Gehirn langsamer verarbeitet. Die menschliche Wahrnehmung ist nicht ohne besondere Schritte zur schnellen Verarbeitung abstrakter Daten in der Lage. Spätestens seit Kahnemann und Tversky wissen wir, dass dazu langsames Denken notwendig ist.
  • Die Stärke der Stories: Egal wie stark die Analyse und wie gut die Datenlage ist – die Story (die Kausalität) geht den Daten voraus. Das ist ein wesentliches Prinzip menschlicher Wahrnehmung, das so grundlegend ist, dass wir immer wieder gerne und schnell darüber hinwegsehen. Intuitiv wissen wir, dass wir in den Daten keine Ursache-Wirkungsbeziehungen finden, sondern nur Korrelation. Diese Tatsache muss man sich jedoch immer wieder einmal vor Augen führen.

Kompetenzgründe:

  • Mitarbeiter verstehen unabhängig von Ausbildung, Fachbereich und Verantwortungsebene in Zeiten der Digitalisierung abstrakte Daten, aber auch wichtige Daten- und Technikkonzepte nicht und treffen irrtümlich und unbemerkt falsche und unzureichende Entscheidungen.
  • Mitarbeiter können aus den überall verwendeten Datenprodukten wie Apps, Displays, Berichten, Visualisierungen und Dashboards wichtige Informationen nicht zuverlässig und richtig entnehmen. Das wissen wir aus Erfahrung und aus eigenen Tests.
  • Fehlendes kritische Denken: Die Arbeit mit Daten ist anspruchsvoll. Mitarbeiter sind zu wenig in der Lage, die Ergebnisse von Daten zu hinterfragen und geben sich mit einfachen, unzureichenden und manchmal falschen Antworten zufrieden.

Technologie- und Innovationsgründe:

  • Innovationen in Form von Statistik, Visualisierungen, Analytics und Data Science durchdringen mehr und mehr alle Bereiche der unternehmerischen Leistungen. Um da mitzukommen, müssten wir in Schule und Ausbildung erworbene Kompetenzen (so sie denn vermittelt wurden) frisch halten und, falls nicht vorhanden, systematisch erweitern. Für neue Technologien und den Umgang mit diesen ist neues Wissen und sind neue Kompetenzen notwendig.
  • Der Einsatz von Computern und künstlicher Intelligenz in Unternehmen ist weiter auf dem Vormarsch. Viele Unternehmen stehen ständig vor der Aufgabe, die Rolle neuen Technologien im Unternehmen zu definieren, den Mitarbeitern zu erklären und diese einsetzbar zu machen. Häufig geschieht dies nur im engsten Einsatzbereich dieser Technologien. Damit entstehen in Unternehmen Bereiche unterschiedlicher Geschwindigkeiten. Der Nutzen aus umfangreichen Investitionen für die Organisation bleibt damit nur sehr eingeschränkt verfügbar. Qualifizierte Mitarbeiter mit Entwicklungspotenzialen bleiben bei wichtigen unternehmerischen Initiativen außen vor.

Eine datenkompetente Organisation:

Muss ich als Unternehmer die aktuelle Datenkompetenz meiner Organisation kennen? Die Antwort lautet in Zeiten von Data Science und Künstlicher Intelligenz eindeutig ja.

Eine datenkompetente Organisation

  • versteht besser, wie Innovation das Unternehmen weiterbringen kann,
  • geht sparsamer mit ihren Ressourcen wie Zeit und Sachmittel um,
  • ist wirtschaftlich leistungsfähiger,
  • trifft bessere Entscheidungen,
  • wird widerstandsfähiger bei Veränderungen,
  • sorgt für Wissensfortschritt und Entmystifizierung im Bereich Digitalisierung und künstliche Intelligenz,
  • weiß um die Ansatzpunkte auf welchen Teilaspekten der Data Literacy sie Nachholbedarf hat.

Was braucht es genau für Data Literacy?

Wenn aus unternehmerischer Sicht das Thema Datenkompetenz, seine Dimension und Bedeutung und die Zielrichtung für das Unternehmen erkannt ist, dann braucht es folgende Dinge:

  • Eine Standortbestimmung des Unternehmens und die nötige Sensibilisierung für das Thema
  • Ein Vergleich der Nutzen- und Kostendimensionen bei vorhandener und fehlender Data Literacy
  • Zugang zu konzeptionellen und konsistenten Übersichten und Ansätzen für die Arbeit (Decoding/Encoding) mit Daten
  • Konkrete und ansprechende Inhalte und Materialien zur Wissensvermittlung und -entwicklung
  • Eine konkrete Vorstellung und anschauliche Beispiele, wie Data Literacy im betrieblichen Alltag wirken kann
  • Eine strukturierte und leichtgängige Vorgehensweise bei der Entwicklung von Data Literacy Kompetenzen auf Unternehmensebene

Für die Punkte 1 bis 5 gibt es vielversprechende Ansätze und Angebote. Allerdings tun sich die meisten Data Literacy Initiativen mit einem Entwicklungskonzept und der richtigen Positionierung des Themas zu Beginn schwer.

Das liegt einerseits daran, dass der Begriff wie schon oben erwähnt, sperrig ist. Anderseits muss allen Beteiligten klar sein, dass die Entwicklung von Datenkompetenz in das konkrete analytische Vorgehen im Unternehmen eingebunden sein muss. Datenkompetenz und analytisches Arbeiten der Mitarbeiter müssen Hand in Hand gehen. In manchen Fachdisziplinen des Unternehmens wie im Bereich Finanzen, Qualitätssicherung oder Risikomanagement ist dies einsichtig und wird längst praktiziert.

Aber viele Unternehmensbereiche wie zum Beispiel Lieferketten, Organisation, Logistik, Market Analytics oder Produktentwicklungen erfahren gerade umfangreiche Veränderungen durch Data Science und durch neue Technologien. Das Thema Datenkompetenz wird schnell zum unternehmerischen Engpass und zum kritischen Erfolgsfaktor für Veränderungen.

Wasserfall oder agil? Vorgehensmodelle für die Entwicklung von Datenkompetenzen

Es ist eine unternehmerische Entscheidung, in welchem Umfang und in welcher Dimension Initiativen zur Kompetenzentwicklung für Data Literacy gestartet werden. Denkbar sind grundsätzlich zwei Ansätze und damit auch alle Abstufungen zwischen beiden Polen:

1. Top-Down bzw. Wasserfall-Ansatz: Definition eines klassischen Change-Projektes aus Top-Down-Sicht mit allen Vorteilen, aber auch allen Risiken des wasserfallartigen Vorgehens

2. Agiler bzw. Sprint-Ansatz: Definition und Entwicklung von Inhalten (Content), Maßnahmen und Projekten in einzelnen Fachbereichen mit klarer Vision in schnell definierten Schritten und mit entsprechender Lernperspektive.

Der Anwender im Fokus

Mit dem zweiten Ansatz gelangen damit die Anwender und ihre konkreten Anforderungen im betrieblichen Alltag schnell in den Vordergrund. Welche Aspekte ihrer Datenkompetenz müssen in welchen Schritten gefördert werden, wo liegt der konkrete Anwendungsbereich und Nutzen?

Braucht derAnwender Aufbau von Kompetenzen im Bereich Stochastik? Fehlt es an methodischem Wissen um grundlegende Datenkonzepte oder sind Auffrischungen im Bereich analytischer Fähigkeiten und statistischer Methoden erfolgsrelevant?

Damit Gelerntes sich weiterentwickeln kann, muss es Gelegenheit haben, sich zu bewähren und zu verfestigen. Das geschieht durch Eingang des neuen Wissens in die alltägliche Praxis und durch kontinuierliche Weiterentwicklung. Es braucht Standards, Hilfsmittel und Interaktion. Aber am Anfang jeder gelungenen Data Literacy Initiative steht der Sinn bzw. das Warum.

Der tiefere Grund für Data Literacy Maßnahmen müssen für Mitarbeiter und für das Unternehmen gefunden und gemeinsam erarbeitet werden. Dieser ergibt sich nicht von selbst und ist für jedes Unternehmen unterschiedlich. Für manche Data Literacy Initiativen ist das Finden der Story und die richtige Positionierung eine anstrengende, aber wirklich lohnende Arbeit.

Das Abstimmen von Leistungen zur Entwicklung von Datenkompetenzen ist eine Design-Aufgabe, die sich je nach Phase und Umfang des Projektes bei den Anforderungen, mentalen Modellen und dem Handlungsspielraum des Einzelnen, des Organisationsbereiches und der gesamten Organisation ausrichtet.

In verschiedenen Ebenen denken

Für eine erste Orientierung im Entwicklungsprozess für Data Literacy ist es hilfreich in verschiedenen Phasen und den dazugehörigen Ebenen zu denken.

Die Ebenen im Unternehmen, auf denen gezielte Veränderungen und Maßnahmen wirken, lassen sich nach ihrer Veränderungsgeschwindigkeit von schnell nach langsam ordnen. Für unserer Projektarbeit halten wir für die Planung von Data Literacy Maßnahmen diese Übersicht als hilfreich. Das hierbei aufgeführte mentale Modell lehnt sich an das Pace Layer Modell von Steward Brand an (SB).

Der Vorteil dieser Betrachtungsweise ist, dass die unterschiedlichen Ebenen (Layer) innerhalb des Unternehmens zielgerichtet mit Aktivitäten und Initiativen auf den unterschiedlichsten Bereichen und Fachdisziplinen angereichert und miteinander abgestimmt werden können.

Erläuterung

Möchte ich Datenkompetenz im Unternehmen aufbauen, dann gelingt dies mit einem Bündel an Maßnahmen, die auf unterschiedlichen Ebenen ihre Wirkung entfalten müssen.

Am schnellsten gelingt der Einstieg in das Thema mit dem Einfluss auf der Gesprächsebene im Unternehmen. Dies kann durch Präsentationen, Meetings, Visualisierungen (Mentale Modelle) und Darstellung praktischer Erfolge geschehen. Als Verantwortlicher mache ich Datenkompetenz zum Thema für das Unternehmen. Das Ziel ist es, eine breite Aufmerksamkeit für das Thema Data Literacy zu erlangen. Allerdings würde der gesetzte Einfluss ohne weitere Aktivitäten schnell wieder verfliegen.

Für eine stärkere Verfestigung der Initiative und des damit verbundenen Wissens nehme ich im nächsten Schritt Einfluss auf die Interaktionen im Unternehmen. Diese sind sehr unternehmensspezifisch. Ich kann zum Beispiel bestehende Abläufe und Vereinbarungen mit analytischen Recherchen, Auswertungen, Untersuchungen und Fragen ergänzen.
Wichtig ist hier dass ich als Impulsgeber die richtigen Gründe und eine sinnvolle Zielsetzung einbringe.

Mit einer Erweiterung der bestehenden Infrastruktur (wie zum Beispiel Hilfsmittel, Technik, Wissen, Leistungen) nehme ich einen deutlicheren Einfluss auf das Thema Datenkompetenz und die Entwicklung analytischen Fähigkeiten. Hierzu brauche ich allerdings als Legitimation eine grundlegende Entscheidung des Unternehmens und die für die Umsetzung notwendigen Geldmittel.

Durch die Anpassung bzw. Entwicklung von Standards nehme ich Einfluss auf die Governance. Datenkompetenz gehört mindestens in solche Regelwerke wie Risikomanagement, Jahresberichterstattung, Qualitätssicherung aber auch Mitarbeiteraus- und Weiterbildung hinein. Mit diesen verfestige ich formal die gewünschte Veränderung im Unternehmen. Für eine breite Akzeptanz brauche ich den Nachweis, dass der Erfolg der einzelnen Maßnahme sichtbar wird.

Schließlich hat Datenkompetenz und die Entwicklung analytischer Fähigkeiten langfristig einen Einfluss auf die Unternehmenskultur. Dies ist ein sehr langsamer Prozess, dafür ist hier die Nachhaltigkeit bei Veränderungen potenziell sehr hoch.

Zusammenfassung:

  • Digitale Transformation in Unternehmen geht ohne die Entwicklung von Datenkompetenzen nicht.
  • Data Literacy hat beim Umgang mit Datenprodukten zwei Seiten: Schreiben mit (Encoding) und Lesen von Daten (Decoding). Anders als vielleicht vermutet, ist das Lesen von Daten anspruchsvoller als das Lesen von Texten. Hierzu sind unterschiedliche Fähigkeiten aus dem Bereich der Mathematik, Wahrscheinlichkeitsrechnung und Statistik erforderlich.
  • Während sich viele Trainings- und Investitionsmaßnahmen an die Ersteller von Datenprodukten (Decoder) richten, legen wir sehr viel Wert auf die Feststellung, dass die Entwicklung von Fähigkeiten der Decoder von entscheidender Bedeutung ist. Anders als vermutet, können wir nicht davon ausgehen, dass grundlegende Konzepte bei den Anwendern schnell und sicher vorhanden sind.
  • Damit die Maßnahmen für Data Literacy im Unternehmen ihre Kraft entfalten, müssen sie mit dem Aufbau und der Anwendung von analytischen Tätigkeiten bei den Anwendern Hand in Hand gehen.
  • Es ist kaum vorstellbar, das wichtige und innovative Ansätze und Konzepte wie Data Science, Business Analytics, Process Analytics, AI ihre volle Wirkung ohne gleichzeitige Aktivitäten im Bereich Data Literacy entfalten können. Auch für Manager gilt: Wer innovativ Investitionen zum Thema Daten vorantreiben will, muss grundlegende Datenkonzepte verstehen.
  • Der Nutzen von Data Literacy für das Unternehmen liegt in einer höheren Leistungsfähigkeit der Organisation, insbesondere bei innovativen Datenthemen.
  • Die Gestaltung von Data Literacy Maßnahmen im Unternehmen ist eine Design-Aufgabe, die sich an verschiedene Anwender in unterschiedlichen Phasen und auf unterschiedlichen Ebenen richtet.
  • Am besten und nachhaltigsten wirken Data Literacy Maßnahmen im Verbund. Für die jeweilige Planung und Umsetzung empfiehlt es sich, auf individueller und Unternehmensebene eine Data Literacy Road Map zu entwickeln.