Prof. Jan Bosch
Kürzlich leitete ich als Experte einen Workshop bei einem Unternehmen, das datengesteuert werden wollte. Anders als die Produktunternehmen, mit denen ich normalerweise zusammenarbeite, ist dieses Unternehmen ein Dienstleistungsunternehmen mit einer großen Anzahl von Mitarbeitern, die den Kunden Dienstleistungen anbieten. Zu den Workshop-Teilnehmern gehörten der CEO und der Leiter der Geschäftsentwicklung sowie mehrere andere, die zum Führungsteam des Unternehmens gehören oder ihm nahe stehen.
In vielerlei Hinsicht scheint dies die ideale Konstellation zu sein, da man davon ausgehen kann, dass wir die nötige Unterstützung des Managements und einige der klügsten Köpfe des Unternehmens bei uns haben. Dies wurde sogar noch dadurch verstärkt, dass einige im Unternehmen erzählten, dass sie schon seit langem mit Daten arbeiten. Dennoch stießen wir auf eine Reihe von Herausforderungen und kamen nicht annähernd so weit, wie wir gehofft hatten.
Die erste Herausforderung bestand darin, sich auf bestimmte Hypothesen festzulegen, die getestet werden sollten. Obwohl wir zu Beginn des Brainstormings und der Teamarbeit konkrete Beispiele für Hypothesen und damit verbundene Experimente vorgestellt hatten, fiel es allen unglaublich schwer, von einem übergeordneten Ziel, nämlich der Steigerung einer bestimmten Unternehmenskennzahl, z.B. der Kundenzufriedenheit, zu einer spezifischen Hypothese und einem damit verbundenen konkreten Experiment überzugehen. Hierfür gibt es viele Gründe. Ein offensichtlicher Grund ist, dass viele Menschen das Gefühl haben, dass „jemand“ etwas gegen die Sache tun sollte, die ihnen Sorgen bereitet, aber nie viele Gehirnwindungen darauf verwenden, darüber nachzudenken, wie das aussehen könnte.
Die zweite Herausforderung bestand darin, dass trotz der vielen Daten, über die das Unternehmen verfügte, die für die jeweilige Situation relevanten Daten häufig nicht verfügbar waren. Viele Unternehmen, mit denen ich zusammenarbeite, behaupten, sie hätten jede Menge Daten, und viele in der Organisation sind sehr überrascht, dass ’nur‘ die Daten, die sie brauchen, nicht erfasst wurden. Wenn man darüber nachdenkt, liegt es auf der Hand, dass dies der Fall ist, denn die Anzahl der Hypothesen, die man formulieren kann, ist praktisch unendlich und folglich ist die Wahrscheinlichkeit, dass Daten nicht verfügbar sind, ziemlich groß.
Die dritte Herausforderung, auf die wir gestoßen sind, war, dass selbst in den Fällen, in denen die Daten verfügbar waren, sich herausstellte, dass sie aggregiert waren und/oder eine zu geringe Aufzeichnungshäufigkeit aufwiesen, um für den vorliegenden Zweck relevant zu sein. Wir haben also die Daten, aber sie liegen in einer Form vor, die die von uns gewünschte Analyse nicht zulässt.
Die Antwort auf diese Herausforderungen ist, wie nicht anders zu erwarten, das Sammeln der Daten, die wir für das Experiment benötigen, um die Hypothese zu bestätigen oder zu verwerfen. Die lustige Erkenntnis, die ich dabei gewonnen habe, ist, dass je relevanter und wichtiger die Hypothese aus geschäftlicher Sicht ist, desto wahrscheinlicher ist es, dass sie mit regulatorischen Einschränkungen verbunden ist, die das, was gesammelt werden kann, einschränken, ohne dass wir eine Vielzahl von Haftungsausschlüssen und Genehmigungen einholen müssen. Wir kamen also in die Situation, dass mehrere der vielversprechendsten Hypothesen aufgrund rechtlicher Einschränkungen nicht getestet werden konnten.
Und selbst wenn wir eine bestimmte Hypothese und ein entsprechendes Experiment hatten und die benötigten Daten sammeln konnten, war es unglaublich schwierig, die statistische Signifikanz zu erreichen. Die Durchführung eines groß angelegten Experiments, bei dem die Wahrscheinlichkeit des Scheiterns groß ist, das aber sehr teuer und risikoreich ist, verfehlt irgendwie den Zweck eines Experiments.
Ein datengesteuertes Unternehmen zu werden, ist eines der vorrangigsten Ziele, die jedes Unternehmen verfolgen sollte. Es ermöglicht eine wesentlich bessere Qualität der Entscheidungsfindung und der Abläufe und bereitet gleichzeitig auf die Nutzung von KI als wichtiges Unterscheidungsmerkmal und Wegbereiter vor. Der Weg von den Worten zu den Taten ist jedoch eine anspruchsvolle Reise, bei der Sie idealerweise aus den Fehlern anderer lernen, bevor Sie selbst neue machen. Wir brauchen die Daten, aber wir müssen bei der Ausführung klug sein.
auf dem Laufenden halten
Erhalten Sie unsere monatlichen Updates
