Data Driven Decision Management (DDDM)
Data Driven Decision Management (DDDM), zu Deutsch: datengesteuertes Entscheidungsmanagement, ist ein Ansatz für die Unternehmensführung, der Wert auf Entscheidungen legt, die mit überprüfbaren Daten untermauert werden können. Der Erfolg des datengesteuerten Ansatzes hängt von der Qualität der gesammelten Daten und der Effektivität ihrer Analyse und Interpretation ab.
In den Anfängen der Datenverarbeitung war in der Regel ein Spezialist mit einem ausgeprägten technischen Hintergrund erforderlich, um Daten nach Informationen zu durchsuchen, da diese Person verstehen musste, wie Datenbanken und Data Warehouses funktionieren. Wenn ein Manager auf der Geschäftsseite eines Unternehmens Daten auf einer granularen Ebene einsehen wollte, musste er sich an die IT-Abteilung wenden und einen Bericht anfordern. Jemand aus der IT-Abteilung erstellte dann den Bericht und plante ihn für eine periodische Ausführung. Da dieser Prozess sehr komplex war, wurde von Ad-hoc-Berichten, auch bekannt als einmalige Berichte, abgeraten.
Heutzutage benötigen Business Intelligence-Tools oft nur sehr wenig, wenn überhaupt, Unterstützung durch die IT-Abteilung. Business Manager können Dashboards so anpassen, dass die gewünschten Daten angezeigt werden, und benutzerdefinierte Berichte im laufenden Betrieb ausführen. Die Veränderungen in der Art und Weise, wie Daten ausgewertet und visualisiert werden können, ermöglichen es Geschäftsführern, die keinen technologischen Hintergrund haben, mit Analysetools zu arbeiten und datengesteuerte Entscheidungen zu treffen.
Datengesteuertes Entscheidungsmanagement wird in der Regel eingesetzt, um einen Wettbewerbsvorteil zu erreichen. Eine Studie des MIT Center for Digital Business fand heraus, dass Unternehmen, die sich am stärksten von datenbasierten Entscheidungen leiten lassen, 4 Prozent höhere Produktivitätsraten und 6 Prozent höhere Gewinne aufweisen (Stand 2016). Allerdings ist es leichter gesagt als getan, riesige Mengen an Informationen aus verschiedenen Unternehmensbereichen zu integrieren und zu kombinieren, um daraus in Echtzeit verwertbare Daten abzuleiten. In jeder Phase des Projekts können sich Fehler in die Datenanalyseprozesse einschleichen, und wenn dies der Fall
