Focus: Insights-Driven Leadership

Data-Driven Management zur Steigerung des Kundennutzens

Uhr
von Jürg Meierhofer, Christoph Heitz

Die Nutzung von Daten für die Unterstützung von Management-Entscheiden entfaltet ihr Potenzial, wenn eine ­serviceorientierte Vorgehensweise mit Fokus auf die relevanten Jobs und Pains des Managements angewandt wird.

Als Folge der Digitalisierung haben sich über die Jahre grosse Datenmengen angehäuft. Wie können diese Daten Nutzen schaffen? Die Konzepte des "Smart Service Engineerings" liefern einen pragmatischen Ansatz: am Anfang der Überlegungen steht die Frage, welche sogenannten "Jobs" die Kunden erledigen müssen und ­welche sogenannten "Pains" sie dabei haben. Darauf aufbauend werden dann Services gestaltet, um die Kunden bei ihren Jobs zu unterstützen und die Pains abzuschwächen.

Dieses Vorgehen hat sich in der Entwicklung neuer datenbasierter Produkte und Dienstleistungen für Kunden bewährt. Aber auch unternehmensintern können Daten Nutzen schaffen. Dabei kann das Management selbst als (interner) "Kunde" gesehen werden. Dessen Job ist es, Entscheidungen zu treffen. Die Pains beziehen sich dabei auf die Unsicherheit über die Konsequenzen der Entscheide. Beispiel-Entscheidung: Lohnt es sich, bei Lastspitzen eine weitere Produktionslinie aufzubauen oder eher eine weitere Schicht zu fahren mit den bestehenden Kapazitäten?

Data-Driven Management

Data-Driven Management bedeutet, solche Entscheide aufgrund von Daten zu treffen: Durch Nutzung von Daten (beispielsweise interne Prozessdaten oder Kundendaten) können Konsequenzen besser vorhergesehen werden, was einen Pain des Managements reduziert und die Qualität von Entscheidungen erhöht.

Solche Management-Entscheidungsprozesse laufen in drei Schritten ab:

  1. Formulierung verschiedener Szenarien und Optionen. Beispiel: die Produktionsschicht um 20 Prozent verlängern vs. die Produktionskapazität um 20 Prozent erhöhen.

  2. Bewertung dieser Optionen. Hier können Daten massiven Zusatznutzen erzeugen. Anwendung von Analysemethoden wie Machine Learning oder Statistik auf Unternehmensdaten liefern quantitative Erkenntnisse. Computer-Simulationen, etwa auf der Basis von digitalen Zwillingen, können Auswirkungen von Entscheiden quantitativ abschätzen.

  3. Auswahl der besten Option. Hier müssen die «harten» Erkenntnisse, die aus Daten gewonnen werden können, in den betrieblichen Kontext gesetzt werden, um daraus die beste Entscheidung abzuleiten. Dies erfordert zusätzliches Management-Wissen («management judgement»), weil die verfügbaren Daten immer nur einen Teil der relevanten Aspekte abbilden. Für den Rest ist meist nach wie vor der Mensch mit seiner umfassenderen Sicht notwendig.

Dieser Mechanismus, mit dem aus Rohdaten gute Entscheide werden, kann visualisiert werden durch die sogenannte DIKW-Pyramide: Aus digitalen Rohdaten (Data) entsteht Information, indem sie im Kontext interpretiert werden. Wissen (Knowledge) entsteht aber erst durch die Analyse – in unserem Beispiel sind das die bewerteten Entscheidoptionen nach Schritt 2. Durch die Kombination mit dem Management-Wissen nach Schritt 3 entsteht daraus die für den Entscheid benötigte ausgewogene Einschätzung («Weisheit – Wisdom»).

Dabei ist auf allen Stufen der sachgerechte Umgang mit Daten notwendig: Daten sammeln und organisieren in den ersten zwei Stufen. Aus Daten Erkenntnis gewinnen in der dritten Stufe (Knowledge). Und schliesslich diese Erkenntnis für den Unternehmenskontext so aufbereiten, dass daraus konkreter Nutzen entstehen kann (Wisdom).

Tags
Webcode
DPF8_176669

Kommentare

« Mehr