Kategorie: Blogs

Diese Woche traf ich zum x-ten Mal ein Team, das dabei war, ein neues Produkt auf den Markt zu bringen, und das mir erzählte, dass es sehr kundenorientiert sei. Was sie damit meinten, war, dass sie während der Entwicklung mit einer Reihe von potenziellen Kunden gesprochen hatten und einige der Mitarbeiter Prototypen verwendet hatten. Diejenigen, die meine Artikel regelmäßig lesen, wird es nicht überraschen, dass ich mit dieser Ansicht nicht einverstanden bin. Es gibt mindestens drei Aspekte, die meiner Meinung nach entscheidend sind, um wirklich kundenorientiert zu sein: Wählen Sie Ihren Kunden aus, messen Sie, bevor Sie bauen, und konzentrieren Sie sich auf das Verhalten, nicht auf Worte.

Erstens gibt es einen grundlegenden Unterschied zwischen Kunden glücklich machen und Kunden glücklich machen. Viele Produktteams, mit denen ich zu tun hatte, haben vage und widersprüchliche Vorstellungen davon, wer ihr Zielkunde ist. Das macht es sehr wahrscheinlich, dass sich die Bemühungen innerhalb des Teams auf verschiedene Aspekte des Produkts konzentrieren und dass das Feedback einer Person, die als potenzieller Kunde angesehen wird, sofort als die absolute Wahrheit angesehen wird.

Um kundenorientiert zu sein, muss der erste Schritt darin bestehen, zu definieren, wer Ihr Kunde sein soll. Produkte, die versuchen, alles für jeden zu sein, werden scheitern. Die Herausforderung bei der Definition des Kunden besteht darin, dass Sie Kategorien von Kunden ablehnen müssen und das Gefühl haben, dass Sie den Markt für Ihr Produkt einschränken. Außerdem haben die Teammitglieder oft unterschiedliche Meinungen und ein konstruktiver Konflikt ist in vielen Unternehmenskulturen äußerst schwierig. Wenn Sie jedoch nicht wissen, für wen Sie das Produkt entwickeln, können Sie nicht erfolgreich sein.

Zweitens beruhen Investitionsentscheidungen im Bereich F&E fast immer auf den Meinungen und dem qualitativen Feedback einer sehr kleinen Kundenstichprobe, die mit ziemlicher Sicherheit nicht repräsentativ für den tatsächlichen Kundenstamm ist. Der Mechanismus, um dies zu vermeiden, besteht darin, die Kundenreaktion – das „Signal“ – zu messen, bevor Sie auch nur einen einzigen Cent in den Aufbau von etwas investieren. Natürlich wird dies in der Lean-Startup-Bewegung und in den Büchern von Steve Blank schon seit Jahrzehnten propagiert, aber in der Industrie ist dies noch lange nicht angekommen.

Das allgemeine Feedback, das ich als Reaktion auf den Vorschlag erhalte, Produktkonzepte und potenzielle Funktionen mit Kunden zu testen, ist dreifach. Erstens wollen wir unsere Kunden nicht mit schlechten, unausgereiften, unfertigen Produkten konfrontieren, denn das würde unserer Marke und der Wahrnehmung unserer Kunden von uns als Unternehmen schaden. Zweitens ist das, was wir tun, einzigartig und wir müssen es so lange wie möglich geheim halten, damit unsere Konkurrenten keinen Wind von unseren Plänen bekommen. Drittens überrascht das Marketing den Markt gerne mit einem Bombardement an Botschaften. Wenn wir frühzeitig zu Testzwecken an die Öffentlichkeit gehen, weiß jeder, was auf ihn zukommt, und das Marketing kann seine Aufgabe nicht erfüllen.

All diese Gründe sind um Größenordnungen weniger relevant, als ein Produkt auf den Markt zu bringen, das niemand haben will, und damit Ihre gesamten F&E-Ressourcen zu verschwenden. Jede Investition in F&E, egal ob es sich um neue Funktionen in bestehenden Produkten oder um völlig neue Produkte handelt, muss von einem klaren Signal des Marktes getrieben werden.

Drittens legen die Produktteams viel zu viel Wert auf das, was die Kunden sagen. Sowohl im B2C- als auch im B2B-Kontext scheitern die meisten neu auf den Markt gebrachten Produkte. Im Bereich der schnelldrehenden Konsumgüter (FMCG) liegt die Misserfolgsquote einigen Studien zufolge bei über 85 Prozent. Und das, obwohl jedes dieser Produkte ein äußerst positives Feedback von potenziellen Kunden hatte. Entscheidungen in Produktteams sollten so weit wie möglich auf der Messung dessen basieren, was Kunden tun, und nicht auf dem, was sie sagen. Aus den unterschiedlichsten Gründen äußern sich die Kunden in ihren verbalen Antworten viel positiver als in ihrem tatsächlichen Verhalten.

Die Entwicklung neuer Produkte ist schwierig, denn Sie haben es mit viel Unsicherheit, internem Stress und negativem Feedback vom Rest des Unternehmens zu tun. Das kann leicht dazu führen, dass das Produktteam in eine „Akte X“-Situation gerät, in der jedes Feedback, das die aktuelle Richtung nicht unterstützt, herausgefiltert wird. Um jedoch erfolgreich zu sein, müssen Sie den positiven Antrieb im Team aufrechterhalten und sich gleichzeitig darüber im Klaren sein, wer Ihr Kunde ist, sich bei der Entscheidungsfindung auf Daten stützen und sich auf das Kundenverhalten konzentrieren. Seien Sie kundenorientiert, aber tun Sie es wirklich!

In den letzten Monaten habe ich mich mit mehreren Unternehmen getroffen, die einen interessanten gemeinsamen Nenner hatten: Sie alle bauten eine neue Plattform auf, um eine alte Plattform zu ersetzen, und die Dinge liefen nicht so gut. Die alte Plattform ist oft Jahrzehnte alt und enthält Funktionen, in die Hunderte von Personenjahren investiert wurden. Und sie bildet in der Regel die Grundlage für einen großen Teil, wenn nicht sogar das gesamte Produktportfolio.

Wenn die neue Plattform in Angriff genommen wird, nimmt das Unternehmen in Kauf, dass es einige Zeit (Jahre) dauern wird, bis sie so weit entwickelt ist, dass sie die alte Plattform ersetzen kann. Da ein Abwürgen des Produktportfolios inakzeptabel ist, werden kontinuierlich Entwicklungsanstrengungen in die alte Plattform fließen, um die Funktionen zu realisieren, die im Moment benötigt werden. Dies geschieht natürlich parallel zu den Bemühungen um die neue Plattform. Die Folge ist, dass das Ziel für die neue Plattform ein bewegliches Ziel ist, da die alte Plattform ständig neue Funktionen hinzufügt, die die neue Plattform ebenfalls hinzufügen muss, um Funktionsparität zu erreichen.

In diesem Szenario gibt es drei mögliche Ergebnisse. Die erste ist auch die schlechteste: Die neue Plattform erreicht für immer nicht die Funktionsparität. Infolgedessen ist keine Produktlinie bereit, auf die neue Plattform umzusteigen. Irgendwann gibt es einen Wechsel im Management, die neue Plattform wird überprüft und die bisherige Erfolgsbilanz führt zu einer offensichtlichen Schlussfolgerung: Die neue Plattform wird abgebrochen. Das Ergebnis ist, dass das Unternehmen an der alten Plattform festhält und Jahre an Zeit und Hunderte von Personenjahren an F&E-Aufwand verloren hat, ohne dass es einen geschäftlichen Nutzen gab.

Zweitens wird die Plattform nur noch von einer Produktlinie genutzt und wird zur De-facto-Plattform für nur einen Teil des Portfolios. Für das Produktmanagement fällt die Entscheidung zwischen der Entwicklung von Funktionen für ein bestehendes oder ein potenzielles zukünftiges Produkt sehr oft zugunsten des bestehenden Produkts aus. Wenn dies kontinuierlich geschieht, führt dies dazu, dass die Plattform zunehmend für die spezifische Produktlinie optimiert wird und für die anderen Produktlinien immer weiter zurückfällt. Dies könnte als eine Möglichkeit für eine Produktlinie angesehen werden, allgemeine F&E-Ressourcen für ihre eigenen Zwecke zu entführen, was es als Strategie in Unternehmen mit einem starken Fokus auf Teams, die in ihrem eigenen Verantwortungsbereich liefern, ohne die Verantwortung für den Erfolg des Unternehmens insgesamt zu behalten, sehr attraktiv macht.

Die dritte Situation ist die, in der leitende F&E- und Unternehmensverantwortliche diese Muster verstehen und das Unternehmen zwingen, die alte Plattform aufzugeben und die neue zu übernehmen. Dies führt oft zu erheblichen Spannungen, da die Produktlinien aufgefordert werden, neue Produkte mit reduziertem Funktionsumfang herauszubringen. Die Diskussion führt in der Regel zu vielen Anfragen, „kleine“ Wartungsarbeiten an der alten Plattform durchzuführen, um auf Kundenwünsche und andere, durchaus nachvollziehbare Gründe zu reagieren. Im Allgemeinen werden viele in der F&E-Organisation dafür kämpfen, so lange wie möglich auf der alten Plattform zu bleiben. Im schlimmsten Fall wird die alte Plattform nie abgeschafft und die Plattformen existieren noch Jahre oder sogar Jahrzehnte nebeneinander weiter.

Der Hauptgrund für diese Szenarien ist eine mechanische Denkweise der Unternehmensführung. Die Vorstellung, dass es Generationen von Plattformen gibt, mag in der Mechanik und Elektronik Sinn machen (obwohl auch diese Plattformen von einer kontinuierlichen Evolution profitieren würden), aber bei Software ist das anders. Unsere Untersuchungen zeigen, dass es keine Korrelation zwischen dem Alter der Systeme und der Höhe der technischen Schulden gibt, was bedeutet, dass neue und alte Systeme ähnliche Anforderungen an das Management technischer Schulden haben.

Anstatt in Generationen von Plattformen zu denken, sollten Sie sich auf eine sich ständig verbessernde Plattform konzentrieren, die durch ständige Refactoring-Maßnahmen technologisch und architektonisch auf dem neuesten Stand gehalten wird. Anstatt zuzulassen, dass eine bestehende Plattform im Morast der Alltäglichkeit und Irrelevanz versinkt, sollten Unternehmen kontinuierlich einen gewissen Prozentsatz (10-25 Prozent) in die Plattform investieren, um sicherzustellen, dass sie nie durch eine nächste Generation ersetzt werden muss.

Zusammenfassend lässt sich sagen, dass der Aufbau neuer Plattformen, die bestehende ersetzen sollen, eine äußerst riskante F&E-Initiative voller Risiken und Herausforderungen ist. Investieren Sie stattdessen kontinuierlich einen Teil Ihrer F&E-Ressourcen in die Überarbeitung Ihrer bestehenden Plattform. Die beste Plattform ist eine, die nie ersetzt werden muss, weil sie immer aktuell und auf dem neuesten Stand ist. Weil Sie sich verpflichtet haben, dafür zu sorgen, dass es so bleibt!

 

Bei der Zusammenarbeit mit Unternehmen zum Einsatz von KI ist mir ein interessantes Muster aufgefallen: Obwohl die meiste Aufmerksamkeit auf Algorithmen, die Infrastruktur zur Datenspeicherung, das Training und die Bewertung von Anwendungen verwendet wird, scheint der schwierigste Teil oft darin zu bestehen, überhaupt ein vielversprechendes Konzept zu entwickeln. Bei der Erkundung vielversprechender Konzepte stellen viele fest, dass es eine große Herausforderung ist, das daraus resultierende ML-Modell von der Prototyping-Phase in den realen Einsatz zu überführen. Dies erfordert Änderungen an den bestehenden Kundenbindungsmodellen, den Produktarchitekturen, den Arbeitsweisen, den gesammelten Daten und oft sogar an den rechtlichen Rahmenbedingungen.

Um vielversprechende Konzepte zu finden, müssen Sie natürlich sowohl den potenziellen geschäftlichen Nutzen als auch die zu erwartenden Kosten für die Einführung eines maschinellen oder Deep-Learning-Modells in einem Produkt, einer Lösung oder einer Dienstleistung untersuchen. Meiner Beobachtung nach tun sich viele jedoch recht schwer damit, potenzielle Konzepte zu entwickeln, die die Vorteile von ML/DL-Modellen nutzen.

Zuvor haben wir das HoliDev-Modell vorgestellt, das zwischen anforderungsgesteuerter, ergebnisgesteuerter und KI-gesteuerter Entwicklung unterscheidet und behauptet, dass jede Art der Entwicklung ihre eigenen Merkmale hat. KI-getriebene Entwicklung gedeiht dort, wo einerseits genügend Daten für Training und Betrieb zur Verfügung stehen und andererseits ein Inferenzproblem gelöst werden soll, das ohne den Einsatz von ML/DL-Techniken besonders schwer zu lösen ist, da es keinen klaren algorithmischen Ansatz gibt. Im Allgemeinen konzentrieren wir uns auf drei Hauptmerkmale, die die wichtigsten Voraussetzungen für ein erfolgreiches KI-Konzept darstellen, d.h. das Entfernen von hartkodierten Antworten, die Verwendung von ignorierten Daten und das Überdenken von negativen RoI-Anwendungsfällen.

Erstens kann es in Situationen, in denen die Systemantwort fest kodiert ist, von großem Vorteil sein, auf jede Anfrage eine Antwort zu geben, die auf den verfügbaren Informationen basiert. Das offensichtliche Beispiel ist die Online-Werbung, wo Unternehmen wie Google und Facebook ständig versuchen, genauere Profile von Nutzern zu erstellen, um relevantere Anzeigen zu schalten, anstatt den Leuten eine zufällige Anzeige zu zeigen. KI-Modelle können, insbesondere wenn ein guter algorithmischer Ansatz fehlt, bessere Antworten liefern, indem sie auf der Grundlage der verfügbaren Daten trainieren.

Zweitens gibt es zahlreiche Situationen, in denen verfügbare Daten einfach ignoriert werden, weil der Mensch nicht in der Lage ist, darin Muster zu erkennen und folglich einen mathematischen Ansatz zur Lösung eines bestimmten Problems zu verfolgen. Ein interessantes Beispiel ist die Steuerungstechnik, wo mehrere Unternehmen daran arbeiten, traditionelle P-, PI-, PD- und PID-Regler durch KI-Modelle zu ergänzen oder zu ersetzen. Der Grund dafür ist, dass herkömmliche Controller auf der Grundlage eines theoretischen Modells arbeiten, wie sich ein System als Reaktion auf Steuersignale verhalten sollte. In der Praxis reagiert kein reales System vollständig gemäß der Theorie und KI-Modelle können die Qualität der Steuerung verbessern, indem sie alle Daten berücksichtigen.

Drittens ist der schwierigste Fall der, bei dem die Kosten für die Sammlung von Daten für die menschliche Interpretation eine negative Kapitalrendite zur Folge hatten, da der Aufwand für die Nutzung der Daten zu hoch war. Mit den sinkenden Kosten für Sensoren, Computerressourcen und Kommunikation gibt es jedoch immer mehr Fälle, in denen das Sammeln von Daten zur Verwendung durch ein KI-Modell tatsächlich profitabel wird.

In dieser Kategorie sind die lohnendsten KI-Geschäftsfälle zu finden. Ein bekanntes Beispiel ist die Stimmungsanalyse in den sozialen Medien. Die Menge der Daten in den sozialen Medien übersteigt bei weitem die Fähigkeit selbst großer Teams, die Stimmung z.B. zu einem Produkt oder einem Unternehmen im Auge zu behalten, und deshalb hat man es nicht einmal versucht. Mit dem Aufkommen von ML-Ansätzen ist es jedoch durchaus möglich, Echtzeit-Dashboards zum Stand der Stimmung zu erstellen, und Unternehmen nutzen diese Erkenntnisse für ihre Entscheidungsfindung.

Abschließend lässt sich sagen, dass bei aller Konzentration auf KI-Algorithmen, Daten und Training eine der größten Herausforderungen die Identifizierung interessanter Geschäftsfälle und die Bewertung der Machbarkeit und Wünschbarkeit jedes einzelnen Falles bleibt. Ich habe drei Kategorien von Fällen erörtert, die Ihnen bei der Identifizierung Ihres KI-Business Case als Inspiration dienen können.

In den letzten Wochen habe ich mehrere Situationen erlebt, in denen eine Organisation (industriell oder akademisch) einfach keine Geschäftsstrategie oder eine Strategie für einen Schlüsselbereich ihres Geschäfts hat. Wenn ich nach der Strategie gefragt wurde, habe ich mindestens drei Arten von Antworten beobachtet.

Erstens sagen die Führungskräfte des Unternehmens, dass es **eine** Strategie gibt und dass ich falsch liege, wenn ich etwas anderes behaupte. Auch wenn ich mich in meinem Leben schon oft geirrt habe, sollte eine Strategie meiner Meinung nach klare Anhaltspunkte dafür liefern, welche Aufgaben und Möglichkeiten Vorrang vor anderen haben sollten und vor allem, wofür wir keine Zeit, Energie und Ressourcen aufwenden sollten. Eine Strategie, die nicht festlegt, was wir nicht tun sollten, ist – um Michael Porter zu paraphrasieren – keine Strategie.

Zweitens gibt das Unternehmen zu, dass die Strategie auf hoher Ebene angesiedelt und nicht operativ ist, verteidigt sich aber mit der Behauptung, dass der Schlüssel zum Erfolg auf dem Markt in der Kundenorientierung liegt und es daher auf die Wünsche der Kunden eingehen muss, anstatt seinen eigenen Kurs zu bestimmen. Das ist natürlich ein Trugschluss, denn er führt dazu, dass Unternehmen in die „Kunden glücklich machen“-Falle tappen. Es ist unmöglich, alle zufrieden zu stellen. Vielmehr müssen Sie sich entscheiden, welche Art von Kunden Sie wollen, und sich dann darauf konzentrieren, diese glücklich zu machen. Dies ist natürlich eine strategische Entscheidung.

Drittens, insbesondere in neuen Bereichen, in denen das Unternehmen noch nicht etabliert ist, behaupten die Führungskräfte, dass es unmöglich ist, eine Strategie zu formulieren, da niemand weiß, wie sich der Markt entwickeln wird. Dies führt jedoch dazu, dass sie zum Spielball proaktiverer, strategischer Konkurrenten werden, die diktieren werden, wie sich der Markt entwickeln wird. Es ist wichtig, eine Alice-im-Wunderland-Situation zu vermeiden, in der, wenn man nicht weiß, was man will, jede Richtung gleich gut ist.

Obwohl diese Reaktionen verständlich und menschlich sind, führen sie zu einer Reihe von ernsthaften Problemen für das Unternehmen. Es gibt mindestens drei, die ich im Laufe der Jahre beobachtet habe.

Erstens: Das Unternehmen handelt taktisch und opportunistisch. Aufgrund des Fehlens einer klaren Strategie treffen Einzelpersonen auf allen Ebenen des Unternehmens taktische Entscheidungen, die ihnen kurzfristig den größten Nutzen bringen, ohne die langfristigen Folgen zu bedenken. Dies führt zu einer Anhäufung von architektonischen, technischen und prozessualen Schulden in der Organisation sowie in den Beziehungen zu Kunden und anderen Teilnehmern des Ökosystems, was im Laufe der Zeit zu enormen Nachteilen durch eine geringere geschäftliche Agilität, unangemessene Erwartungen anderer sowie zu zahlreichen anderen Konsequenzen führt.

Zweitens besteht ein erhebliches Risiko, dass verschiedene Teams im Unternehmen gegensätzliche lokale Strategien verfolgen und damit die Bemühungen der anderen zunichte machen, was dazu führt, dass das Unternehmen – manchmal erhebliche – Ressourcen vergeudet, ohne einen geschäftlichen Nutzen zu erzielen. Ressourcen zu verbrauchen, ohne einen geschäftlichen Nutzen zu erzielen, ist natürlich der schnellste Weg zum Bankrott.

Drittens: Selbst wenn keiner der oben genannten Effekte in Ihrem Unternehmen auftritt, werden alle Mitarbeiter zu jedem Zeitpunkt weit mehr Arbeit haben, als sie während der Arbeitszeit bewältigen können. In Ermangelung einer klaren Strategie wird jeder Einzelne seine Aufgaben willkürlich nach persönlichen Vorlieben, Zweckmäßigkeit und anderen Faktoren priorisieren. So wird die „angewandte Strategie“ zu dem, worauf jeder Lust hat. In der Praxis führt dies in der Regel dazu, dass die Mitarbeiter das tun, was sie gestern getan haben. Das bedeutet, dass das Unternehmen in der Vergangenheit stecken bleibt und es nicht schafft, sich weiterzuentwickeln und auf Veränderungen im Markt zu reagieren.

Abschließend ist die Entwicklung und Kommunikation einer klaren und umsetzbaren Strategie, die greifbare Entscheidungen darstellt, ein entscheidendes Instrument, um große Gruppen von Menschen zusammenzubringen. Die Alternative ist, jeden Einzelnen zu mikromanagen, was dazu führen wird, dass Sie Ihre besten Mitarbeiter verlieren, denn niemand mag es, wenn man ihm sagt, wie er seine Arbeit zu tun hat. Eine erfolgreiche Strategie definiert ein klares Was und Warum und überlässt es dem Einzelnen und den Teams, das Wie herauszufinden.

In meinen letzten Kolumnen habe ich meine Meinung über die Qualität der Daten geäußert, die viele Unternehmen in ihren Data Warehouses, Seen oder Sümpfen haben. Meiner Erfahrung nach sind die meisten der Daten, die Unternehmen so sorgfältig aufbewahren, nutzlos und werden nie einen Wert für das Unternehmen generieren. Die Daten, die tatsächlich potenziell nützlich sind, müssen in der Regel in großem Umfang vorverarbeitet werden, bevor sie z.B. für maschinelles Lernen verwendet werden können. Daher verbringen die meisten Data Science-Teams mehr als 90 Prozent ihrer Zeit mit der Vorverarbeitung der Daten, bevor diese überhaupt für Analysen oder maschinelles Lernen verwendet werden können.

In einer Arbeit, die wir kürzlich eingereicht haben, haben wir dieses Problem für Systemprotokolle untersucht. Praktisch jedes softwareintensive System erzeugt Daten, die den Zustand und wichtige Ereignisse im System zu wichtigen Zeitpunkten festhalten. Die Herausforderung besteht darin, dass die in den Protokollen erfassten Daten einerseits für den menschlichen Gebrauch bestimmt sind und daher eine hohe Variabilität in Struktur, Inhalt und Art der Informationen für jeden Protokolleintrag aufweisen. Andererseits ist die Menge der in den Protokollen gespeicherten Daten oft phänomenal groß. Es ist nicht untypisch, dass Systeme selbst für einen einzigen Betriebstag Gigabytes an Daten erzeugen.

Die offensichtliche Antwort auf dieses Rätsel ist die Verwendung von maschinellem Lernen, um die relevanten Informationen aus den Systemprotokollen abzuleiten. Dieser Ansatz ist aufgrund der Art und Weise, wie Protokolle erstellt werden, mit einer Reihe von Herausforderungen verbunden. Auf der Grundlage unserer Recherchen in der Literatur und von Unternehmensbeispielen haben wir mehrere Herausforderungen identifiziert.

Aufgrund der Art der Datenerzeugung erfordern die Protokolle eine umfangreiche Vorverarbeitung, was ihren Wert mindert. Außerdem schreiben häufig mehrere Systemprozesse in dieselbe Protokolldatei, was die Zeitreihenanalyse und andere Techniken des maschinellen Lernens erschwert, die von sequentiellen Daten ausgehen. Umgekehrt erzeugen viele Systeme mehrere Arten von Protokolldateien und die Ermittlung einer zuverlässigen Basiswahrheit erfordert die Kombination von Daten aus mehreren Protokolldateien. Diese Protokolldateien enthalten in der Regel Daten auf grundlegend verschiedenen Abstraktionsebenen, was das Training von Modellen für maschinelles Lernen erschwert. Sobald wir in der Lage sind, maschinelle Lernmodelle auf die vorverarbeiteten Daten anzuwenden, erfordert die Interpretation der Ergebnisse oft umfangreiches Fachwissen. Es steht den Entwicklern frei, dem System neuen Code hinzuzufügen, der Protokolleinträge in Ad-hoc-Formaten erzeugt. Das wechselnde Format der Protokolldateien erschwert die Verwendung mehrerer Protokolle für das Training von Modellen für maschinelles Lernen, da die Protokolle nicht unbedingt vergleichbar sind. Schließlich versagen alle Tools, die zur Verarbeitung von Protokolldateien entwickelt wurden, wie z.B. automatische Parser, unvorhersehbar und sind sehr spröde, so dass sie ständig gewartet werden müssen.

Wir haben das Problem speziell für Systemprotokolle untersucht, aber meiner Erfahrung nach sind unsere Ergebnisse ziemlich typisch für praktisch jede Art von automatisierter Datengenerierung. Obwohl dies für fast alle Unternehmen, mit denen ich zusammenarbeite, ein großes Problem darstellt und enorme Mengen an Ressourcen für die Vorverarbeitung von Daten aufgewendet werden, um einen Nutzen daraus zu ziehen, ist dies ein aussichtsloser Kampf. Die Menge an Daten, die in jedem Produkt, von Kunden, im gesamten Unternehmen usw. erzeugt wird, wird immer weiter ansteigen. Wenn wir dieses Problem nicht angehen, wird jeder Datenwissenschaftler, Ingenieur und Mathematiker bald nichts anderes mehr tun, als Daten vorzubearbeiten.

Die Lösung, die wir in dem Papier vorschlagen, ist ganz einfach: Anstatt die Daten erst zu generieren und dann vorzuverarbeiten, müssen wir eine Software entwickeln, die Daten in einem solchen Format generiert, dass eine Vorverarbeitung überhaupt nicht erforderlich ist. Alle Daten sollten so generiert werden, dass sie sofort und automatisch für maschinelles Lernen verwendet werden können. Vorzugsweise ohne jegliches menschliches Zutun.

Das Erreichen dieses Ziels ist etwas komplizierter, als ich in diesem Beitrag skizzieren kann, aber es gibt eine Reihe von Schlüsselelementen, die meiner Meinung nach für jeden Ansatz gelten, der dieses Ziel erreichen will. Erstens: Alle Daten sollten numerisch sein. Zweitens sollten alle Daten des nominalen Typs (verschiedene Elemente haben weder eine Reihenfolge noch eine Beziehung zueinander) einhändig kodiert werden, d.h. die Elemente werden auf eine binäre Zeichenfolge abgebildet, die so lang ist wie die Anzahl der Elementtypen. Drittens können Daten des ordinalen Typs den gleichen Ansatz verwenden oder, im Falle von nicht-dichotomen Daten, eine Vielzahl von Kodierungen verwenden. Viertens müssen Intervall- und Verhältnisdaten normalisiert (auf einen Wert zwischen 0 und 1 abgebildet) werden, damit sie von maschinellen und Deep-Learning-Algorithmen optimal genutzt werden können. Fünftens muss die statistische Verteilung der Daten bei Bedarf auf eine Gaußsche Standardverteilung abgebildet werden, um bessere Trainingsergebnisse zu erzielen.

Um dies bereits bei der Datengenerierung zu erreichen, müssen Ingenieure und Entwickler möglicherweise mit Datenwissenschaftlern zusammenarbeiten. Außerdem erfordert es eine Abstimmung im gesamten Unternehmen, was bisher nicht notwendig war. Auf diese Weise können Unternehmen jedoch Systeme entwickeln, die völlig autonom maschinelle Lernmodelle sammeln, trainieren und neu trainieren und diese ohne menschliches Zutun einsetzen können (siehe Abbildung).

Systemprotokollierung für maschinelles Lernen

Zusammenfassend lässt sich sagen, dass die meisten Daten in den meisten Unternehmen unbrauchbar sind, weil sie auf die falsche Art und Weise und ohne angemessene Struktur, Kodierung und Standardisierung erzeugt wurden. Vor allem für die Verwendung dieser Daten beim Training von Modellen für maschinelles Lernen ist dies problematisch, da sie eine umfangreiche Datenvorverarbeitung erfordern. Anstatt unsere Datenvorverarbeitung zu verbessern, müssen wir Daten so generieren, dass eine Vorverarbeitung überhaupt nicht mehr nötig ist. Datenwissenschaftler und Ingenieure würden davon profitieren, sich darauf zu konzentrieren, wie Daten generiert werden sollten. Anstatt zu versuchen, das Chaos im Nachhinein zu beseitigen, sollten wir versuchen, das Chaos erst gar nicht entstehen zu lassen.

In der Big-Data-Ära bestand einer der wichtigsten Grundsätze für die erfolgreiche Umsetzung Ihrer Big-Data-Strategie darin, ein zentrales Data Warehouse oder einen Data Lake einzurichten, in dem alle Daten gespeichert wurden. Die Datenanalysten konnten dann nach Herzenslust ihre Analysen durchführen und relevante Korrelationen, Ausreißer, Vorhersagemuster und dergleichen finden. In diesem Szenario steuert jeder seine Daten zum Data Lake bei, die dann von einer zentralen Data-Science-Abteilung verwendet werden, um – in der Regel für die Geschäftsleitung – Entscheidungshilfen zu liefern (Abbildung 1).

Abbildung 1: Jeder steuert seine Daten zum Data Lake bei, die dann von einer zentralen Data-Science-Abteilung genutzt werden, um – in der Regel für die Geschäftsführung – Entscheidungshilfen zu liefern.

 

Obwohl dies in der Theorie gut aussieht, sieht die Realität in vielen Unternehmen natürlich ganz anders aus. Wir sehen mindestens vier Herausforderungen. Erstens erfordert die Analyse von Produkt- und Kundendaten vor Ort oft ein umfangreiches Fachwissen, das Datenwissenschaftlern in einer zentralen Abteilung in der Regel fehlt. Dies führt leicht zu falschen Interpretationen der Daten und folglich zu ungenauen Ergebnissen.

Zweitens: Verschiedene Abteilungen und Gruppen, die Daten sammeln, tun dies oft auf unterschiedliche Weise, was zu ähnlich aussehenden Daten mit unterschiedlicher Semantik führt. Dabei kann es sich um geringfügige Unterschiede handeln, wie z.B. die Häufigkeit der Datengenerierung, z.B. Sekunden, Minuten, Stunden oder Tage, aber auch um viel größere Unterschiede, wie z.B. Daten über einzelne Produkte im Feld gegenüber ähnlichen Daten über eine ganze Produktfamilie in einer bestimmten Kategorie. Da Datenwissenschaftler in einer zentralen Abteilung oft versuchen, Daten aus verschiedenen Quellen in Beziehung zu setzen, führt dies leicht zu falschen Schlussfolgerungen.

Drittens, insbesondere mit der zunehmenden Einführung von DevOps, wird sogar dieselbe Quelle im Laufe der Zeit andere Daten erzeugen. Wenn sich die Software weiterentwickelt, ändert sich in der Regel auch die Art und Weise, wie die Daten generiert werden, was zu ähnlichen Herausforderungen wie oben beschrieben führt. Das Ergebnis ist, dass sich das Versprechen der Big Data-Ära in den Unternehmen nicht immer bewahrheitet und fast nie in dem vollen Umfang, der zu Beginn des Projekts erwartet wurde.

Und schließlich erfordert die Nutzung von Big Data-Analysen ein hohes Maß an datenwissenschaftlichen Kenntnissen, und es gibt einfach nicht so viele Menschen, die über diese Kenntnisse verfügen. Die Schulung Ihrer bestehenden Mitarbeiter in Data Science ist eine ziemliche Herausforderung und sicherlich schwieriger als die Ausbildung von Ingenieuren und Entwicklern in maschinellem Lernen.

Viele in der Branche sind der Meinung, dass Anwendungen für künstliche Intelligenz und insbesondere maschinelle und Deep-Learning-Modelle unter den gleichen Herausforderungen leiden. Doch obwohl sowohl die Datenanalyse als auch ML/DL-Modelle in hohem Maße auf Daten basieren, besteht der Hauptunterschied darin, dass für ML/DL kein zentralisiertes Data Warehouse erstellt werden muss. Stattdessen kann jedes Team, jede Geschäftseinheit oder Produktorganisation mit KI beginnen, ohne dass eine aufwändige Koordination mit dem Rest des Unternehmens erforderlich ist.

Jede Geschäftseinheit kann ihre eigenen ML/DL-Modelle erstellen und diese in dem System oder der Lösung einsetzen, für die sie verantwortlich ist (Abbildung 2). Die Daten können aus dem Data Lake oder aus den lokalen Datenspeicherlösungen stammen. Sie müssen also nicht einmal den Ansatz der zentralen Datenspeicherung gewählt haben, bevor Sie mit ML/DL beginnen.

Abbildung 2: Jede Geschäftseinheit kann ihre eigenen ML/DL-Modelle erstellen und diese in dem System oder der Lösung einsetzen, für die sie verantwortlich ist.

Zusammenfassend lässt sich sagen, dass KI **keine** Datenanalyse ist und nicht die gleichen Voraussetzungen erfordert. Stattdessen können Sie schon heute mit den Daten beginnen, die Ihnen zur Verfügung stehen, selbst wenn Sie und Ihr Team nur an einer einzigen Funktion oder einem Teilsystem arbeiten. Künstliche Intelligenz und insbesondere Deep Learning bieten ein erstaunliches Potenzial zur Kostensenkung und zur Schaffung neuer Geschäftsmöglichkeiten. Es ist die aufregendste Technologie, die seit Jahrzehnten zur Reife gelangt ist. Warten Sie nicht darauf, dass der Rest der Welt Sie überholt, sondern beginnen Sie noch heute mit der Nutzung von KI und DL.

Praktisch alle Unternehmen, mit denen ich arbeite, haben Terabytes oder sogar Petabytes an Daten in verschiedenen Datenbanken und Dateisystemen gespeichert. In den letzten Monaten ist mir jedoch ein sehr interessantes Muster aufgefallen. Einerseits sind die Daten, die erzeugt werden, fast immer für die menschliche Interpretation bestimmt. Daher gibt es in diesen Dateien und Datenbanken viele alphanumerische Daten, Kommentare und andere unstrukturierte Daten. Andererseits ist der Umfang der gespeicherten Daten so phänomenal groß, dass es für einen Menschen unmöglich ist, sich einen Reim darauf zu machen.

Das hat zur Folge, dass enorme Mengen an Zeit für die Vorverarbeitung der Daten benötigt werden, um sie für das Training von maschinellen Lernmodellen oder für Inferenzen mit bereits trainierten Modellen nutzbar zu machen. Datenwissenschaftler in einer Reihe von Unternehmen haben mir gesagt, dass sie und ihre Kollegen weit über 90 Prozent ihrer Zeit und Energie darauf verwenden.

Für die meisten Unternehmen besteht daher die einzige Möglichkeit, aus den riesigen Datenmengen, die auf ihren Servern gespeichert sind, irgendeinen Wert zu generieren, darin, jede Menge Personal dafür einzusetzen. Da der Business Case dafür oft unklar oder unzureichend ist, ist die einzige logische Schlussfolgerung, dass die meisten Daten, die in Unternehmen gespeichert sind, einfach nutzlos sind. Sie sind totes Gewicht und werden nie einen relevanten geschäftlichen Nutzen bringen. Auch wenn das Sprichwort lautet, dass „Daten das neue Öl sind“, so ist die Realität doch, dass die meisten dieser Daten nur Schlamm sind, der vorgibt, Öl zu sein.

Selbst wenn die Daten relevant sind, gibt es mehrere Herausforderungen bei der Verwendung dieser Daten für Analysen oder maschinelles Lernen. Die erste ist die Aktualität: Wenn Sie über einen Datensatz zum Beispiel zum Kundenverhalten verfügen, der 24, 12 oder sogar nur 6 Monate alt ist, ist es sehr wahrscheinlich, dass sich Ihr Kundenstamm weiterentwickelt hat und dass sich Präferenzen und Verhaltensweisen geändert haben, wodurch Ihr Datensatz ungültig wird.

Zweitens besteht insbesondere in Unternehmen, die häufig neue Software herausbringen, wie z.B. bei der Verwendung von DevOps, das Problem, dass sich mit jeder Softwareversion die Art und Weise der Datengenerierung geändert haben kann. Vor allem, wenn die Daten für den menschlichen Gebrauch generiert werden, z.B. für Ingenieure, die Systeme im Betrieb debuggen, ist es zeitaufwändig, Datensätze zusammenzuführen, die von verschiedenen Versionen der Software erzeugt wurden.

Drittens werden in vielen Unternehmen ständig mehrere Datensätze erzeugt, sogar von demselben System. Um die Informationen abzuleiten, die für das Unternehmen tatsächlich relevant sind, müssen häufig Daten aus verschiedenen Datensätzen kombiniert werden. Die Herausforderung besteht darin, dass verschiedene Datensätze möglicherweise nicht dieselbe Art der Zeitstempelung von Einträgen verwenden, Daten auf sehr unterschiedlichen Abstraktionsebenen und mit unterschiedlicher Häufigkeit speichern und sich auf sehr unvorhersehbare Weise entwickeln können. Das macht die Zusammenführung der Daten mühsam und jede Automatisierung, die zu diesem Zweck entwickelt wird, sehr brüchig und kann unvorhersehbar fehlschlagen.

Meine Hauptaussage ist, dass wir uns nicht auf die Vorverarbeitung von Daten konzentrieren sollten, sondern viel mehr Zeit und Aufmerksamkeit darauf verwenden müssen, wie die Daten überhaupt erzeugt werden. Das Ziel sollte sein, Daten so zu erzeugen, dass sie überhaupt keine Vorverarbeitung benötigen. Dies eröffnet eine Vielzahl von Anwendungsfällen und Möglichkeiten, die ich in zukünftigen Artikeln erörtern werde.

Abschließend lässt sich sagen, dass bei aller Konzentration auf Daten die meisten Daten in den meisten Unternehmen nutzlos sind oder nur mit unverhältnismäßig hohem Aufwand nutzbar gemacht werden können. Stattdessen sollten wir uns darauf konzentrieren, wie wir Daten überhaupt erzeugen. Das Ziel sollte sein, dies so zu tun, dass die Daten ohne jegliche Vorverarbeitung für Analysen und maschinelles Lernen verwendet werden können. Bereinigen Sie also das Chaos, werden Sie die nutzlosen Daten los und generieren Sie Daten auf eine Weise, die tatsächlich Sinn macht.

 

Beim Verstärkungslernen (ein Bereich innerhalb der KI) müssen Algorithmen über einen unerforschten Raum lernen. Diese Algorithmen müssen ein Gleichgewicht zwischen Exploration (Lernen über neue Optionen und Möglichkeiten) und Exploitation (Nutzung des erworbenen Wissens, um ein gutes Ergebnis zu erzielen) finden. Die allgemeine Faustregel lautet: Je weniger über den Problembereich bekannt ist, desto mehr sollte sich der Algorithmus auf die Erkundung konzentrieren. Und je besser der Problembereich verstanden wird, desto mehr sollte sich der Algorithmus auf die Ausnutzung konzentrieren.

Das Gleichgewicht zwischen Erforschung und Ausbeutung gilt auch für Unternehmen. Die meisten Unternehmen haben lange Zeit in einem stabilen und gut verstandenen Ökosystem operiert. Natürlich gab es Konkurrenten, aber alle verhielten sich im Grunde genommen gleich, bekamen etwa zur gleichen Zeit Zugang zu neuen Technologien, reagierten auf die Kunden auf die gleiche Weise und so weiter. In einem solchen Kontext konzentriert sich ein Unternehmen natürlich mehr und mehr auf die Ausbeutung, da die Belohnung für die Erforschung gering ist. Genau das erlebe ich in vielen Unternehmen, mit denen ich zusammenarbeite: Bei allem Gerede über Innovation und Geschäftsentwicklung sind das Ergebnis fast immer nachhaltige Innovationen, die das bestehende Produkt- oder Lösungsportfolio ein bisschen besser machen.

Da die Digitalisierung und die sie begleitenden Technologien – Software, Daten und künstliche Intelligenz – eine Branche nach der anderen immer stärker in Beschlag nehmen, wird das stabile Ökosystem der Wirtschaft auf neuartige und unvorhersehbare Weise gestört. Viele Unternehmen stellen auf die harte Tour fest, dass ihre Kunden sich nie für ihr Produkt interessiert haben. Stattdessen hat der Kunde ein Bedürfnis und Ihr Produkt ist zufällig der beste Weg, um dieses Bedürfnis zu befriedigen. Wenn ein neuer Marktteilnehmer eine neue Lösung anbietet, die das Bedürfnis besser erfüllt, wird Ihr Produkt durch diese neue Lösung ersetzt.

Die einzige Möglichkeit, diese Herausforderung zu meistern, besteht darin, die Anzahl der Untersuchungen in Ihrem Unternehmen deutlich zu erhöhen. Wir sprechen hier von echten Untersuchungen, bei denen das Ergebnis der Bemühungen unbekannt ist und bei denen jedem klar ist, dass die meisten Initiativen scheitern werden. Um dies zu erreichen, brauchen Sie allerdings einen Spielplan. Dieser Plan muss mindestens vier Elemente enthalten: strategische Ressourcenzuweisung, reduzierter Aufwand für Standardfunktionen, Erkundung neuer Geschäftsökosysteme und/oder neuer Positionen im bestehenden Geschäftsökosystem und Erkundung disruptiver Innovationsbemühungen, die durch Daten und KI ermöglicht werden.

Viele Unternehmen verteilen den Großteil ihrer Ressourcen auf ihre größten Geschäftsbereiche. Das ist zwar intuitiv sinnvoll, lässt aber die Herausforderung der Ressourcenzuteilung aus einer langfristigen Perspektive außer Acht. Ein Modell, das in diesem Zusammenhang sehr hilfreich sein kann, ist das Drei-Horizonte-Modell. Bei diesem Modell werden die Geschäftsbereiche des Unternehmens in drei Bereiche unterteilt. Horizont eins sind die großen, etablierten Unternehmen, die heute die Rechnungen bezahlen. Horizont zwei sind die neuen, schnell wachsenden Unternehmen, die jedoch viel kleiner sind als die Unternehmen aus Horizont eins. Diese sollen unsere zukünftigen Horizont-Eins-Unternehmen sein. Horizont drei sind all die neuen, unerprobten Innovationsinitiativen und Unternehmen, bei denen es ungewiss ist, ob sie sich bewähren werden, die aber den Nährboden für künftige Horizont-zwei-Unternehmen bilden. Die Ressourcenzuweisung sollte die Ressourcen für Horizont eins auf maximal 70 Prozent der Gesamtressourcen beschränken. Horizont zwei sollte bis zu 20 Prozent erhalten und mindestens 10 Prozent der gesamten Unternehmensressourcen sollten für Horizont drei bereitgestellt werden.

Innerhalb des ersten Horizonts sollte jedes Unternehmen seinen Ressourcenverbrauch langsamer steigern als seinen Umsatz. Das könnte bedeuten, dass ein Unternehmen in Horizont Eins, das mit 5 Prozent pro Jahr wächst, seinen Ressourcenverbrauch mit 5 Prozent pro Jahr senken sollte, da dieses Unternehmen als Cash Cow für die Finanzierung der Entwicklung zukünftiger Unternehmen in Horizont Eins dienen soll.

In den meisten Unternehmen sind die Einnahmen und die Ressourcenzuweisung eng aufeinander abgestimmt, aber das ist aus einer langfristigen Perspektive ein Fehler. Ein neues Unternehmen benötigt jahrelange Investitionen, bevor es den Status von Horizont Eins erreichen kann, und dieses neue Unternehmen kann sich nicht selbst finanzieren. Natürlich können Sie es sich selbst finanzieren lassen, aber das Ergebnis wird in der Regel sein, dass Konkurrenten mit einer strategischeren Ressourcenzuweisung die Marktführerschaft in diesen neuen Geschäften übernehmen.

Zweitens: Reduzieren Sie die Investitionen in Standardfunktionen. Unsere Untersuchungen zeigen, dass Unternehmen 80-90 Prozent ihrer Ressourcen für Funktionen und Fähigkeiten ausgeben, die Kunden als Standard ansehen. Ich habe dies bereits in früheren Blogbeiträgen und Kolumnen erörtert, aber ich bin immer wieder erstaunt über die mangelnde Bereitschaft von Unternehmen, nach neuen Wegen zu suchen, um Investitionen dort zu reduzieren, wo sie sich nicht auszahlen. Seien Sie nicht dumm und überprüfen Sie stattdessen strategisch Ihr gesamtes Produktportfolio und die Funktionalität Ihrer Produkte und definieren Sie gemeinsam mit Kunden und anderen, was Standard ist und was sich von anderen unterscheidet. Sobald Sie das Standardprodukt definiert haben, **stoppen** Sie praktisch alle Investitionen in dieses Produkt. Sie brauchen diese Ressourcen für nachhaltige Innovationen, die die Differenzierung Ihrer Produkte vorantreiben.

Drittens betrachten viele Unternehmen ihr bestehendes Geschäftsökosystem als die einzige Möglichkeit, Kunden zu bedienen. In der Praxis werden Ökosysteme jedoch gestört und es ist weitaus besser, der Störer zu sein als der Gestörte. Dies erfordert eine ständige Suche nach Möglichkeiten, sich in Ihrem bestehenden Ökosystem neu zu positionieren, sowie eine Erkundung neuer Ökosysteme, in denen Ihre Fähigkeiten ebenfalls von Bedeutung sein könnten.

Und schließlich bieten digitale Technologien – insbesondere Daten und KI – neue Wege, um die Bedürfnisse der Kunden zu erfüllen, die Sie erforschen müssen, um nicht von neuen Marktteilnehmern gestört zu werden. Akzeptieren Sie, dass sich der Wert in fast jeder Branche von Atomen zu Bits verlagert, dass Daten zur Subventionierung des Produktabsatzes in vielseitigen Märkten genutzt werden können, dass KI die Automatisierung von Aufgaben ermöglicht, die noch vor einigen Jahren unmöglich zu automatisieren waren, und erkunden Sie ganz allgemein proaktiv den Wert, den digitale Technologien für Sie und Ihre Kunden bieten können. Dorthin sollte der Großteil der Ressourcen fließen, die Sie durch die Planung des Zeithorizonts und die Reduzierung der Investitionen in Standardfunktionen freigesetzt haben.

Zusammenfassend lässt sich sagen, dass Sie zu Beginn des Jahres 2020 einen Plan brauchen, um die Erkundung auf Kosten der Ausbeutung deutlich zu erhöhen, um neue Chancen zu identifizieren und Unterbrechungsrisiken zu erkennen und ausreichend in Bereiche zu investieren, die eine Wachstumschance bieten. Dies erfordert eine strategische Ressourcenzuteilung, die Identifizierung und Beseitigung von Rohstoffen, eine sorgfältige Überprüfung Ihrer Position in bestehenden und neuen Geschäftsökosystemen und große Erkundungsinitiativen im Bereich Daten und KI. Es ist riskant, es ist beängstigend, die meisten Initiativen werden sich nicht auszahlen und Ihre Kunden, Ihre Aktionäre und Ihre eigenen Mitarbeiter werden einen Aufschrei ausstoßen. Doch das größte Risiko besteht darin, gar nichts zu tun, denn das würde mit Sicherheit zum Untergang Ihres Unternehmens führen. Werden Sie das zulassen, wenn Sie dabei sind?

Peter Drucker hat einmal gesagt, dass der Zweck eines Unternehmens darin besteht, einen Kunden zu schaffen, und ein Kunde ist definiert als jemand, der für die Produkte und Dienstleistungen des Unternehmens zahlt. Diese Sichtweise scheint von vielen in der Wirtschaft geteilt zu werden: Solange Einnahmen und Gewinne erzielt werden, gibt es keinen Grund, sich um etwas anderes zu kümmern. Es geht nur um das Geld!

Wann immer es eine Diskussion über Moral und Ethik gibt, werden Lippenbekenntnisse zu diesen Fragen abgegeben, aber nur, wenn es einen monetären Grund dafür gibt. Zum Beispiel, wenn der Handel mit bestimmten Branchen bei anderen Kunden verpönt wäre und daher zu Umsatzeinbußen führen könnte. In diesem Fall überwiegen die Umsatzeinbußen bei den bestehenden Kunden die zusätzlichen Einnahmen, so dass das Unternehmen beschließen könnte, diese Branchen nicht zu bedienen. Das Ergebnis mag zwar wünschenswert sein, aber die Gründe für diese Entscheidung sind rein finanzieller Art.

Gleichzeitig gibt es viele Unternehmen, die einen bestimmten Zweck verfolgen und ausdrücklich versuchen, die Welt zu verbessern und den Zustand der Menschheit zu verbessern. In den USA sind Whole Foods und Patagonia gute Beispiele dafür. Um es mit den Worten des ehemaligen Co-CEO von Whole Foods, John Mackey, zu sagen: Unternehmen müssen Geld verdienen, so wie unser Körper rote Blutkörperchen produzieren muss, wenn wir leben wollen. Aber der Zweck unseres Körpers besteht nicht darin, rote Blutkörperchen zu produzieren. In ähnlicher Weise müssen Unternehmen über den alleinigen Fokus des Geldverdienens hinausgehen.

Interessanterweise erweist sich die Fokussierung auf den Zweck, anders als man erwarten könnte, als gut für das Geldverdienen. Untersuchungen zeigen, dass zweckorientierte Unternehmen höhere Gewinnmargen als ihre Konkurrenten haben. In ihrem Buch „Unternehmenskultur und Leistung“ zeigen John Kotter und James Heskett, dass zweckorientierte Unternehmen über einen Zeitraum von zehn Jahren den Aktienkurs ihrer Konkurrenten um den Faktor zwölf übertreffen.

Die typischen Gründe, warum ein zielorientiertes Unternehmen besser abschneidet, haben mit engagierteren Mitarbeitern und leidenschaftlicheren Kunden zu tun. Gallup zeigt, dass der Prozentsatz der Mitarbeiter, die sich für ihre Arbeit engagieren, weltweit im niedrigen Zehnerbereich liegt. Es ist klar, dass eine deutliche Erhöhung dieses Prozentsatzes Wunder für die Produktivität und den Output eines Unternehmens bewirken wird. Ebenso wissen wir, dass Mundpropaganda eine der wirkungsvollsten und kosteneffizientesten Methoden ist, um neue Kunden zu erreichen.

Warum bringen also so wenige Unternehmen ihren Zweck explizit zum Ausdruck? Eine der größten Herausforderungen besteht meiner Meinung nach darin, dass man instinktiv befürchtet, dass die Äußerung eines Zwecks zumindest von einigen gesellschaftlichen Gruppen als negativ angesehen wird, was zu einer Entfremdung von Teilen des Kundenstamms führt. Wie Simon Sinek dies so eloquent ausgedrückt hat: „Die Leute kaufen nicht, was Sie tun; sie kaufen, warum Sie es tun!“ Die Kehrseite dieser Aussage ist, dass die Menschen, die mit Ihrem Warum nicht einverstanden sind, nicht bei Ihnen kaufen werden.

Ein weiterer Grund ist meines Erachtens, dass die Formulierung eines Ziels die Mitarbeiter leicht entfremden kann. Wenn Sie einen solchen Pfahl in den Boden rammen, kann das dazu führen, dass sich einige von ihnen von Ihrem Unternehmen abwenden, obwohl sie aus technischer Sicht einen Mehrwert bieten könnten. Die logische Folge ist natürlich, dass die Zusammenarbeit mit Menschen, die nicht mit Ihrer impliziten Mission übereinstimmen, demotivierend ist, da Sie und die anderen leicht in unterschiedliche Richtungen ziehen können.

Der Hauptgrund dafür ist jedoch, dass meiner Erfahrung nach viele Führungskräfte weder Klarheit über ihren eigenen Zweck noch über den Zweck des Unternehmens haben, das sie leiten. Und wenn Sie sich selbst über Ihren beruflichen Zweck im Unklaren sind, ist es schwierig, ihn anderen gegenüber klar zum Ausdruck zu bringen. Die größte Herausforderung besteht oft nicht darin, ob ein Aspekt des eigenen Zwecks positiv ist oder nicht, sondern vielmehr in der relativen Priorität der verschiedenen Aspekte. Wenn Sie zwischen Einnahmen und Umweltauswirkungen wählen müssen, wie viel Kostenersparnis rechtfertigt dann welches Ausmaß an Auswirkungen? Würde Ihr Unternehmen eine Werbung wie Patagonia schalten, die eine Jacke mit dem Text „Kaufen Sie diese Jacke nicht“ zeigt? Oder würden Sie, wie Tesla, Ihr Patentportfolio öffentlich zugänglich machen, solange Ihre Konkurrenten es nutzen, um den Klimawandel positiv zu beeinflussen?

Ärzte haben das Ziel, Patienten zu heilen. Feuerwehrleute haben das Ziel, Menschen und Eigentum vor Schaden zu bewahren. Lehrer versuchen, die nächste Generation zu erziehen. Im Geschäftsleben kann es nicht nur darum gehen, Geld zu verdienen. Wir haben die Verpflichtung, uns selbst an einen höheren Standard zu halten. Was ist der Zweck Ihres Unternehmens? Und wie stimmt Ihre Mission damit überein? Und welche schwierigen Entscheidungen müssen Sie treffen, um diesem Zweck und dieser Mission gerecht zu werden?

Jetzt, wo Weihnachten und Neujahr vor der Tür stehen, möchte ich uns alle ermutigen, darüber nachzudenken, warum wir tun, was wir tun. Was tun wir, um zu einer Welt beizutragen, die immer besser wird? Denn die Welt **wird** immer besser und die Technologie ist das Herzstück davon. Aber das geschieht nicht automatisch. Es erfordert, dass wir uns als Technologen ausdrücklich auf den Zweck und die Bedeutung unserer Arbeit konzentrieren.

In den letzten Wochen war ich auf drei verschiedenen Konferenzen, auf denen ich Präsentationen hörte, die sich um ein gemeinsames Thema drehten: Wenn wir nur mehr Struktur und mehr Prozesse in das jeweilige Thema einbringen würden, wenn wir nur mehr Schritte und mehr Kontrollpunkte einführen würden, mehr Leute einbeziehen würden und so weiter, dann würden alle Probleme, die wir mit diesem Produkt-Roadmapping, diesen Innovationsinitiativen, diesen Geschäftsentwicklungsaktivitäten haben, auf magische Weise verschwinden.

Obwohl die meisten zustimmen würden, dass dies offensichtlich falsch ist, ist es eine Tatsache, dass in vielen Unternehmen, Universitäten und staatlichen Einrichtungen genau das passiert. In der Organisation gibt es ein Problem, vielleicht sogar eines, das in den Medien aufgedeckt wird und das Management in ein schlechtes Licht rückt, was zu einem Befehl von oben führt, das Problem zu „beheben“. Der anschließende Prozess ist für diejenigen, die ihn miterlebt haben, offensichtlich. Zunächst wird der Prozess beschrieben, der dazu geführt hat, dass das Problem aufgetaucht ist. Anschließend werden alle Maßnahmen und anderen Faktoren überprüft, um festzustellen, was schief gelaufen ist. Schließlich wird ein neuer Prozess eingeführt oder ein bestehender Prozess aktualisiert, um die wahrgenommenen Einschränkungen, Lücken oder Schwächen der derzeitigen Arbeitsweise zu beheben.

Nach der Einführung besteht der nächste Schritt darin, die Durchsetzung der neuen Arbeitsweise sicherzustellen. Es liegt auf der Hand, dass der neue oder aktualisierte Prozess zusätzlichen Aufwand bedeutet und die effiziente Ausführung der Aufgaben erschwert. Bevor Sie sich also voreilig daran machen, die bestehenden Prozesse im Unternehmen weiter zu verkomplizieren, möchte ich Ihnen fünf Faktoren ans Herz legen.

Erstens: Eine der Sorgen, die viele ignorieren, die aber offensichtlich ist, wenn man darüber nachdenkt, ist, dass die Zukunft im Grunde genommen ungewiss ist. Wenn wir zurückblicken, wissen wir genau, was geschehen ist. Folglich ist es offensichtlich, was der optimale Weg gewesen wäre, um ein Problem zu lösen. Wenn wir jedoch an dem Punkt stehen, an dem eine Entscheidung getroffen werden muss, tun wir dies mit erheblicher Unsicherheit über die Auswirkungen.

Zweitens kann es, je nach Unternehmenskultur, sehr schwierig sein, darauf hinzuweisen, dass Einzelne aus einem grundlegenden Mangel an Kompetenz heraus gehandelt haben. Es ist wichtig zu erkennen, dass Inkompetenz nicht durch mehr Prozesse geheilt werden kann. Inkompetenz erfordert, dass Sie Ihre Mitarbeiter schulen oder, falls sich das als undurchführbar erweist, sie durch neue Mitarbeiter ersetzen.

Drittens: Je mehr Prozesse eingeführt werden und je mehr sie durchgesetzt werden, desto mehr konzentrieren sich die Mitarbeiter darauf, den Prozess korrekt zu befolgen, anstatt sich auf das Erreichen des gewünschten Ergebnisses zu konzentrieren. Dies führt zu einem grundlegenden Mangel an Verantwortlichkeit in der Organisation. Jeder versteckt sich hinter der Einhaltung des Prozesses und übernimmt keine Verantwortung für die gewünschten Ergebnisse.

Viertens können zu viele Prozesse mehr Probleme verursachen, als sie lösen. Da Prozesse geschaffen werden, um wiederholbar zu sein und auf eine Vielzahl unterschiedlicher Situationen angewendet werden zu können, ist eine zu detaillierte Prozessdefinition in den meisten Situationen per Definition unwirksam. Vor allem in Unternehmen, die großen Wert auf die Einhaltung von Prozessen legen, können die Ineffizienzen und der Schaden, der durch das blinde Befolgen von Prozessen entsteht, enorm sein und möglicherweise sogar so weit gehen, dass das Unternehmen in Schwierigkeiten gerät.

Schließlich werden in den meisten Organisationen, mit denen ich zusammenarbeite, Prozesse und Methoden von Personen entwickelt, die außerhalb des Bereichs stehen, was bedeutet, dass sie von den Auswirkungen der Prozess- und Methodendefinitionen nicht betroffen sind. Obwohl sie die Aufgabe nicht wirklich ausführen, besteht eine starke Tendenz, als „Monday Morning Quarterbacks“ zu agieren, eine Anspielung auf die montäglichen Watercooler-Meetings in vor allem US-amerikanischen Unternehmen, bei denen die Schwächen des Quarterbacks eines Teams diskutiert werden. Das Interessante daran ist, dass die Kritik in der Regel von Leuten kommt, die selbst niemals als Quarterbacks in Frage kommen würden.

Abschließend: Bevor Sie in die ‚mehr Prozess‘-Falle tappen, fragen Sie sich bitte, ob es helfen würde, die Zukunft besser vorherzusagen, ob es Ihren Mitarbeitern vielleicht an Kompetenz mangelt, ob Sie die Verantwortlichkeit fördern, ob die Ursache vielleicht zu viel Prozess ist und ob Sie auf sogenannte Experten hören, die die Situation eigentlich nicht ausreichend verstehen.