Diagnosedaten: ihre Entscheidungskraft prüfen, nicht ihr Volumen.
Was zu unterscheiden ist
Drei Bedingungen vor jeder Berechnung.
Entscheidungsgranularität
Die Granularität wird durch Produkt, Segment, Kanal, Gebiet und Periode definiert. Eine nationale Monatsmarge erlaubt es nicht, über einen regionalen Wochenkanal zu entscheiden. Aggregieren ist nach Kontrolle möglich; einen Durchschnitt ohne Quelle zu disaggregieren erzeugt fiktive Information.
Nützliche Variation
Eine konstante, wenn auch exakte Größe hilft nicht, eine Reaktion zu unterscheiden. Preis, Verfügbarkeit, Exposition oder Intensität müssen ausreichend und nicht perfekt synchronisiert variieren. Die Variation muss auch die künftige Entscheidungsspanne abdecken.
Nachvollziehbarkeit der Definitionen
Umsatz, aktiver Kunde, Bestellung, Retoure und Mediaausgabe wechseln zwischen Systemen häufig die Definition. Das Wörterbuch nennt Quelle, Regel, Einheit, Zeitzone, Behandlung von Stornierungen und Bruchdatum, um einen falschen Trend zu vermeiden.
Methode
Das ausreichende Minimum an Daten aufbauen
- 01Die Entscheidungen auflisten
Die zu vergleichenden Optionen und die Entscheidungskriterien formulieren; die nötigen Variablen ableiten — wirtschaftliches Ergebnis, Hebel, Kontext, Restriktionen und die Kennungen, die die Zuordnungen erlauben.
- 02Die fünf Dimensionen testen
Jede Domäne von 0 bis 100 auf Abdeckung, Qualität, Variation, Aktualität und Vergleichbarkeit bewerten; für die kritischen Daten das Minimum der fünf Noten verwenden statt eines Durchschnitts, der einen blockierenden Mangel ausgleichen würde.
- 03Die Lücken quantifizieren
Für jede Lücke die zusätzliche Unsicherheitsbreite und das Risiko einer Entscheidungsänderung schätzen. Eine fehlende Größe hat nicht denselben Wert, wenn sie die Abwägung umkehren kann oder nur das Reporting verbessert.
- 04Die Antwort wählen
Die Quelle korrigieren, den Perimeter verkleinern, ein Intervall verwenden, eine gezielte Erhebung starten oder verschieben. Die Antwort ist der finanziellen Exposition und der Reversibilität der Entscheidung angemessen.
Der nicht kompensatorische Vorbereitungstest
Sechs Datendomänen werden auf fünf Dimensionen bewertet; eine kritische Schwäche blockiert die Entscheidung, selbst wenn der Durchschnitt zufriedenstellend wirkt.
Ein Durchschnitt von 78 verdeckt eine Blockade bei 42
Eine omnichannel Diagnose verfügt über Verkäufe, Marge, Medien, Verfügbarkeit, Preis-Promotion und Retouren. Die Durchschnittsnoten liegen über 70, doch die Marge je Kanal ist nur zu 42 abgedeckt: Logistikkosten und Retouren sind in der Zentrale gebündelt.
Kritischer Score der Marge = min(Abdeckung 42, Qualität 88, Variation 76, Aktualität 95, Vergleichbarkeit 61) = 42. Durch die Zuordnung der Kosten nach Aktivität sinkt der Beitrag des Direktkanals von +14 € auf +5 €, mit einem Intervall von 1 bis 9 €. Die genehmigte Schwelle für die Ausweitung liegt bei 7 €. Geschätzte Wahrscheinlichkeit, die Schwelle zu überschreiten: 35 %.
Der Gesamtdurchschnitt rechtfertigt die Ausweitung nicht. Die Diagnose kann für die anderen Interaktionen fortgeführt werden, doch die Kanalentscheidung wird bis zur Kostenaufschlüsselung ausgesetzt oder in einen begrenzten Piloten überführt.
Voraussetzungen
Was erfüllt sein muss, um zu handeln.
- 01
Die Granularität der Daten entspricht der Granularität der Entscheidung.
- 02
Eine kritische Dimension unter 60 blockiert oder verkleinert den Perimeter.
- 03
Definitionsbrüche und Transformationen werden festgehalten.
- 04
Jede Lücke besitzt eine geschätzte Wirkung auf die Unsicherheit und eine Antwort.
Grenzen
Was diese Analyse nicht belegt.
- Ein Vorbereitungsscore erkennt nicht jede Selektions- oder Kausalitätsverzerrung.
- Die Schwellen hängen von der finanziellen Exposition ab und sind nicht universell.
- Die in der Historie beobachtete Qualität garantiert nicht die künftige Stabilität der Mechanismen.
Quellenangaben
Zitierte Literatur.
- Wang, R. Y. & Strong, D. M. (1996), „Beyond Accuracy: What Data Quality Means to Data Consumers“, Journal of Management Information Systems, 12(4), 5–33.
- Karr, A. F. et al. (2006), „A Framework for Evaluating the Utility of Data Altered to Protect Confidentiality“, The American Statistician, 60(3), 224–232.
- Provost, F. & Fawcett, T. (2013), Data Science for Business.