Wenn man im Kontext von Data Science an „Metriken“ denkt, könnte der Begriff rohe Zahlen wie in beschreibenden Metriken, qualitative Labels wie in der Marketinganalyse oder vergleichende Labels wie in der Website-Analyse bezeichnen. Metriken gibt es in vielen verschiedenen Formen und Strukturen, aber das Hauptziel von Data Science-Metriken besteht darin, zu Bewertungszwecken zu messen und zu berichten.
Metriken an sich mögen nicht sehr nützlich sein, aber wenn sie im richtigen Kontext verwendet werden, verleihen sie jeder Art von Datenanalyseaktivität Bedeutung und helfen bei der Entscheidungsfindung.
ERHALTEN SIE UNBEGRENZTEN ZUGRIFF AUF ÜBER 140 ONLINE-KURSE
Erhalten Sie mit unserem professionellen Abonnement Zugang zu Kursen in Data Governance, Datenarchitektur, Datenstrategie, Datenmodellierung und mehr.
Hier sind einige Beispiele für Metriken im Zusammenhang mit Marketingdaten verwendet:
- Benutzer
- Seitenaufrufe
- Absprünge/Absprungrate
- Durchschnittlicher PageRank
- Klickrate
Ein weiteres gutes Beispiel für Metriken sind Key Performance Indicators oder KPIs, die gemeinsam den Erfolg oder Misserfolg eines Unternehmens anzeigen. Im Allgemeinen sind Geschäfts-KPIs auf allgemeine Geschäftsziele ausgerichtet und werden daher zu einem ernsthaften Studiengegenstand für alle Arten von Führungskräften.
Die Rolle von Metriken bei der Bewertung von Geschäftsergebnissen
In der Data-Science-Welt bedeuten „Daten“, „Metriken“ und „Analysen“ unterschiedliche Dinge, aber sie arbeiten alle zusammen, um die Ziele der Geschäftsstrategie zu unterstützen. Die gesamte Praxis der Datenwissenschaft ist darauf ausgerichtet, mithilfe von Metriken Trends in Daten zu finden – und diese Informationen zur Unterstützung von Geschäftszielen zu nutzen. Eine moderne Datenanalyselösung ermöglicht es Benutzern aller Fachrichtungen, bei der Verfolgung von KPIs aufschlussreicher zu sein und mehr Verantwortung für das Erreichen von Geschäftszielen zu übernehmen.
Datenanalysen können Ihnen bei der Festlegung helfen KPIs und Metriken bezogen auf die spezifischen Funktionen der Abteilungen Ihres Unternehmens: Vertrieb, Marketing, Finanzen oder HR. Beispielsweise nutzen Manager in der Lebensmittel- und Getränkeindustrie täglich Datenanalysen und Echtzeitberichte, um intelligente Geschäftsentscheidungen in Bezug auf Bestand, Verkäufe und Kunden zu treffen.
Nehmen Sie den Fall von Google Analytics. Digitale Vermarkter können mindestens 14 auf diesem Dashboard verfügbare Metriken verwenden, die erstklassige Vermarkter verwenden können, um datengesteuerte Geschäftsentscheidungen zu treffen. Viele Marketingorganisationen verwenden zu wenige Metriken zur Messung und Steuerung der Effektivität, sodass eine ganzheitliche Leistungsanalyse nicht möglich ist.
Ein gängiger Geschäftsbereich, in dem Metriken eine entscheidende Rolle spielen, ist die Messung des ROI bestimmter Programme, die zum Erreichen von Leistungszielen eingesetzt werden. Das ROI Metriken geben die Auswirkungen von Leistungszielen auf tatsächliche Geschäftsergebnisse an – beispielsweise Marktanteile oder Bewertungen. Sobald diese Kennzahlen in Bezug auf ihre beabsichtigten Ziele untersucht wurden, helfen sie den Unternehmensleitern bei der Entscheidung, was sie weiter tun, was sie ändern, was sie erneuern sollen und so weiter.
Wie können Data-Science-Metriken Unternehmen helfen?
Ein Data-Science-Team kann beispielsweise die Effektivität von datengetriebenen Marketingkampagnen messen und auswerten, um die echter Wert sie bereichern Ihre Organisation. Diese Arten von Messungen helfen Führungskräften zu verstehen, welche Rolle Data Science im Gesamtgeschäft spielt. Metriken beziehen sich naturgemäß auf eine breite Palette von Datenpunkten, die durch Analysemethoden generiert werden, um eine schnellere, granulare Analyse der Marketingmaßnahmen zu ermöglichen.
Data Science verwendet wie andere Geschäftsfunktionen wie Vertrieb oder Marketing Leistungsmetriken, um ihre Effektivität und Leistungsergebnisse zu messen. Organisatorische Data-Science-Teams können benutzerdefinierte Metriken entwickeln, um verschiedene Phasen im Data-Science-Lebenszyklus zu messen und zu verfolgen.
Data-Science-Metriken können sehr nützlich sein, um die Leistung von Teammitgliedern zu messen, die durch die verschiedenen Phasen im Data-Science-Lebenszyklus verfolgt werden. Ein Ort, an dem nach Antworten gesucht werden kann, ist Data Quality (DQ), und Data Science-Teams müssen Data Quality-Metriken rund um die Relevanz, Genauigkeit, Nützlichkeit, Konsistenz und andere wichtige Attribute von Daten entwerfen.
Ein übereifriger Junior-Analyst könnte Hunderte von Metriken entwickeln, um sie an die C-Suite zu melden, aber bis diese Metriken klar auf einen vordefinierten Satz von KPIs ausgerichtet sind, liefern die Data Science-Berichte möglicherweise keine Ergebnisse. Wenn sich Data-Science-Projekte entwickeln, ohne sich an einen detaillierten ursprünglichen Plan zu halten, ist die zufällige Generierung von Metriken im Allgemeinen nicht hilfreich. Bei der Messung des Produkterfolgs ist es verlockend, schnell Metriken zusammenzufassen, die an den Produktzielen ausgerichtet sind. Als ein typisches Beispiel, Shopify fanden es nützlich, Produkterfolgsmetriken in einem Messplan zu organisieren.
Es ist wichtig zu erkennen, dass Data Science-Lebenszyklen im Gegensatz zu Verkaufs- oder Marketingtrichtern im Allgemeinen nichtlinearen Pfaden folgen. Wenn man also KPIs entwirft, um die Effektivität von Data-Science-Teams zu messen, kann man keine traditionellen Metriken verwenden, um die Leistung zu verfolgen. Vielmehr muss man beurteilen und verstehen, welche Leistungsergebnisse innerhalb eines Teams erwünscht sind und wie diese auf den gesamten Data-Science-Projektlebenszyklus abgebildet werden.
Data-Science-Tools wie ein interaktives Dashboard (anstelle einer einfachen Tabellenkalkulation) ermöglichen es Fachleuten, Trends, Muster, KPIs und Metriken zu visualisieren und Möglichkeiten zu identifizieren, um jedes einzelne für die Rentabilität zu optimieren. Daher können Data-Science-Tool-Evaluierungen anhand eines geplanten Satzes von KPIs helfen, festzustellen, welche Merkmale und Funktionen zu maximalen Ergebnissen führen.
Data-Science-Teams müssen effektive KPIs entwerfen
In der Lebensmittel- und Getränkeindustrie untersuchen Geschäftsanalysten Verkäufe, Produktbestände und Finanzdaten, um KPIs genau zu verfolgen. Es ist wichtig zu beachten, dass KPIs von entscheidender Bedeutung sind, wenn es darum geht, Unternehmen dabei zu helfen, den in einem großen Datensatz verborgenen Wert freizusetzen.
KPIs sind am effektivsten, wenn Datenpunkte gemessen werden, die leicht verständlich, umsetzbar und für Ihr Unternehmen von hoher Relevanz sind. KPIs helfen, Geschwindigkeit zu demonstrieren oder Datenteams auf die Dinge zu konzentrieren, die verbessert werden müssen. Datenanalyse-KPIs helfen Unternehmen, sich auf die richtigen Erkenntnisse zu konzentrieren, damit sie sich nicht in Sicherheitsprotokollen, Vanity-Metriken oder dem endlosen Lärm verzetteln, der durch die wachsende Zahl von IoT-Geräten erzeugt wird.
Data Science mit Big Data: Messungen und KPIs
Big-Data-Analysen erfordern mehr kritisches Denken, um herauszufinden, was sich hinter den Daten verbirgt, und Metriken zu verwenden, um Entscheidungen zu treffen. Bei der Messung des ROI einer Big-Data-Initiative geht es viel mehr um die Geschäftsziele, die Sie zu erreichen hoffen, und um die Metriken und Tools, mit denen der Erfolg gemessen wird, anstatt Big Data als einen Monolithen zu betrachten.
Während KPIs für die Ausrichtung von Big-Data-Analytics-Initiativen an Geschäftszielen und -ergebnissen von entscheidender Bedeutung sind, kann es schwierig sein, die wichtigsten zu identifizieren. Da Metriken die Datenparameter festlegen, die Ihr Unternehmen zur Messung der Leistung verwendet, kann der erste nützliche Schritt darin bestehen, einen effektiven Satz von Leistungsmetriken zusammen mit den zugehörigen Daten zu definieren. Außerdem müssen die Metriken an den beabsichtigten Leistungsergebnissen ausgerichtet sein.
Fazit
Wahrscheinlich decken die Gesamtziele für Ihr Unternehmen eine Reihe von Abteilungen und Anwendungsfällen ab. Jede Abteilung benötigt wahrscheinlich einen anderen Satz von Metriken, um die Auswirkungen zu verfolgen. Sobald das Analyseteam die Anwendungsfälle und Kennzahlen identifiziert hat, die repräsentativ für den Erfolg sind, ist es an der Zeit, sich anzusehen, wie die Mitarbeiter derzeit Daten verwenden. Wenn Sie sich ein Datenprojekt oder -produkt ansehen, müssen Sie Ihre KPIs möglicherweise auf die Basisprojekt- oder Produktebene herunterbrechen.
Ein Unternehmen muss prüfen, welche Fähigkeiten und Schulungen das Data Science-Team haben muss, um die Daten, Analysen und zugehörigen Metriken zur Verbesserung der Geschäftsleistung durch datengesteuerte Praktiken zu übernehmen und zu nutzen.
Bild verwendet unter Lizenz von Shutterstock.com
