Daten spielen in der Entwicklung von Regionen oder Quartieren oftmals noch eine Nebenrolle. Wir zeigen Ihnen, wie Sie das Potential für Ihre Gemeinde ausschöpfen, ohne die eigenen Möglichkeiten zu überfordern. Eine Anleitung in fünf Punkten.

Über die Rolle von Daten in der Entwicklung der Schweizer Regionen kommt Christoph Hauser im Jahr 2017 zu einer wenig befriedigenden Einschätzung. Grundsätzlich sieht er in seinem Buch «Ordnung ohne Ort» bei den Schweizer Institutionen einen ganz grossen Mangel. Insbesondere bemängelt er dies im Umgang mit den Auswirkungen der Digitalisierung und den Umgang mit Daten.

Nicht nur die aktuelle Pandemie, auch gerade gescheiterte Grossprojekte zur E-Identität oder die grossen Verzögerungen beim E-Government belegen, wie treffend diese Einschätzung auch heute im Sommer 2022 noch ist.

Das Sammeln, Messen und Auswerten von Daten ist ein Grundpfeiler der Digitalisierung. Insbesondere bieten sie die Möglichkeit, die eigenen Konzepte am realen Verhalten der Nutzer*innen zu prüfen und vorhandene Daten in einen Kontext zu setzen: Das ist eine Chance, die oft allzu leichtfertig verspielt wird. Auch wenn dies im ersten Moment eine verlockende Aussicht für ein neues Projekt darstellt: es müssen nicht gleich die ganz grossen Auswertungen sein. Insbesondere für kleine und mittelgrosse Gemeinden ist es empfehlenswert, die nötigen Kompetenzen schrittweise aufzubauen. Was es dazu braucht, sagen wir Ihnen in fünf Punkten.

Schritt 1: Wie wir mit der Datenarbeit starten

Der erste Schritt in die Arbeit mit Daten ist wie in jedem Projekt: Wir verschaffen uns einen Überblick. Welche Daten haben wir bereits? Welche Daten können wir noch beiziehen? All diese Daten gilt es zu sichten, auf ihre Qualität zu überprüfen und auf ihre Aussagekraft zu hinterfragen. Es ist zu diesem Zeitpunkt verlockend, sich neue Quellen erschliessen zu wollen – die Praxis zeigt, dass es sinnvoll ist, erst die vorhandene Datenlage zu sichten und zu sichern.

Experten-Tipp 1: Damit Sie sich einen geordneten Überblick verschaffen können, kann der Einsatz von einem einfachen Kanban-Board nützlich sein. Die meisten Collaboration-Tools bieten das an, die Aufgaben sind so einfach terminiert und adressiert: Jede Datenquelle ist dabei eine einzelne Aufgabe mit verschiedenen Stati. Zudem ist jede Datei mit Quelle und Datum zu beschriften, so behalten Sie auch bei verschiedenen Datenversionen den Überblick.

Schritt 2: Operable Daten sind das A und O

Die Versuchung ist gross, gleich zu Beginn einen möglichst grossen Datenstamm für die Arbeit heranzuziehen. Hat nicht noch das Bundesamt für Statistik auch noch offene Daten? Ja, haben sie – und daneben gibt es eine grosse Anzahl frei verfügbarer Daten. Jedoch taugen diese für die Analyse nur in einem einheitlichen Datenformat: Daten müssen in einem austauschbaren Format verfügbar sein. Erst dann können diese miteinander in Beziehung gesetzt werden.

Experten-Tipp 2: Die universelle Waffe aller Datenanalysten ist nach wie vor Excel. Natürlich gibt es zahlungspflichtige Services, zu Beginn empfiehlt sich aber ein zurückhaltender Einsatz. Für das Zusammenführen der Daten in einer Excel-Datei empfiehlt es sich, die Daten aus den verschiedenen Quellen im csv-Format und einer einheitlichen Kodierung (Standard: UTF-8) verfügbar zu machen.

Schritt 3: Messgrössen für die Entwicklung

Daten ohne messbare und hinterlegte Ziel- oder Analysegrössen sind eigentlich ziemlich nutzlos. Trotzdem hat es sich bewährt, sich ganz zu Beginn erstmals auf einen deskriptiven Ansatz zu verständigen. Gewinnen Sie erstmals eine Übersicht, welche Aussagen Ihnen Ihre Daten überhaupt liefern. Anschliessend ist es viel einfacher, sich auch erste Ziel- und Messgrössen zu überlegen.

Dabei gilt, lieber halbrichtig als zu Tode konzipiert. Ebenso zielführend: Lieber Trends und Veränderungen messen als absolute Grössen. Denn bei diesen kann oft die Frage nicht beantwortet werden, was eine Zahl genau bedeutet.

Ebenfalls ist es spätestens in diesem Schritt sinnvoll, sich um Datenschutzbestimmungen zu kümmern: Dürfen wir die Daten in dieser Form überhaupt verwenden? Müssen diese erst noch anonymisiert werden? Lassen Sie sich davon nicht abschrecken: Was kompliziert tönt, haben schon viele andere vor Ihnen auch gelöst.

Experten-Tipp 3: Sammeln Sie die ersten Erfahrungen mit deskriptiven Daten. Wie gross ist der Leerwohnungsbestand in unserer Gemeinde? Auf wie viele Haushalte kommt eine ÖV-Haltestelle in der Kern- oder Aussenzone? Sie erhalten so schon eine gute Übersicht, welche Erkenntnisse Sie aus den Daten für die Entwicklung ableiten können. Denn das ist die eigentliche Arbeit: Erkenntnisse gewinnen (und nicht Datenfriedhöfe anlegen).

Schritt 4: Strategisches Datenmanagement aufbauen

Mittel- und langfristig lohnt sich der Aufbau eines strategischen Datenmanagements. Die Strategie muss von den Verantwortlichen abgesegnet sein, es müssen darin beispielsweise der Zweck der Datensammlung, die Art und Weise der Archivierung oder die Rollen und Zugriffsrechte definiert sein. Dieser Schritt setzt bewusst an den ersten eigenen Erfahrungen an: Denn erst aufgrund von diesen wissen Sie, welche spezifischen Fragen Sie beantworten wollen.

Experten-Tipp 4: Dieser Schritt ist eine Fleissarbeit und wird deshalb gerne nach hinten geschoben – und nicht in wenigen Fällen ganz vernachlässigt. Demgegenüber steht die Bedeutung für die Datenarbeit. So hilft das Konzept z.B. bei der Archivierung, denn nicht für alle Daten ist eine Speicherung sinnvoll.

Schritt 5: Make or Buy

Die Entscheidung, Daten für die Entwicklung zu nutzen, stellt auch die Fragen nach den internen Ressourcen. Nicht immer sind alle Kompetenzen von Anfang an vorhanden. Ebenso wenig sind in der zukünftigen Datenarbeit alle Kompetenzen intern nötig: Für spezifische Probleme lohnt es sich meistens, auf externe Unterstützung zu bauen. Nutzen Sie die externen Kompetenzen, um mittel- und langfristig die eigene Expertise aufzubauen!

Good-Practice by Enovation
Die Experten unterstützen Gemeinden und Quartiere bei der Erhebung von quantiativen Daten. Wir nutzen dazu öffentliche und offene Daten und kombinieren diese bei Bedarf mit bereits vorhandenen Datensätzen. Ein besonderer Service von Enovation sind Good-Practice-Analysen: Wir erarbeiten die gewünschten Resultate nach dem dem Good-Practice-Ansatz, bei dem die eigenen Daten mit einem ausgewählten Referenzdatensatz stehen. Damit stellen wir sicher, dass die Daten für die Entwicklung auch aussagekräftig und vergleichbar sind.