Insights Driven Leadership

Leadership – datenbasiert statt instinktgetrieben

Uhr
von Manfred Jürgens, Solution Director, Nexum Agency Switzerland

Daten sollen Entscheider bei ihrem wichtigsten Tun helfen: schneller die richtigen Entscheidungen zu treffen. Doch wie soll das gehen in Zeiten zunehmender Komplexität und Unsicherheit? Ein Weg ist die Definition eines Entscheidungskonstrukts.

Manfred Jürgens, Solution Director, Nexum Agency Switzerland (Source: Nexum)
Manfred Jürgens, Solution Director, Nexum Agency Switzerland (Source: Nexum)

Manager steuern und beurteilen das Tagesgeschäft, Leader entscheiden, was sich wie entwickeln muss, um ein gewünschtes Ergebnis zu erreichen; sie sagen uns, wo die Sterne für das Unternehmen und sein Business am hellsten leuchten.

Zur Anatomie von Entscheidungen

Jetzt kann es jedoch passieren, dass des Leaders helle Sterne recht schnell verblassen. Dann war der Leader zwar ein guter Motivator, die getroffene Entscheidung jedoch eher ein subjektiver "supernovaer" Schnellschuss.

In der Psychologie wird zwischen bewussten und unbewussten Entscheidungen unterschieden. Das Unbewusste beschäftigt sich zeitgleich mit allen wahrnehmbaren Informationen, Einflüssen und Emotionen und wird so zu einer "Assoziationsmaschine", die intuitiv entscheidet. Bewusste Entscheidungen dagegen sind geprägt von analytischer Vorgehensweise in einem Konstrukt aus mehreren Komponenten.

Die Komponenten eines Entscheidungskonstrukts sind:

  • Optionen, zwischen denen gewählt werden kann

  • Ereignisse, die eintreten und den Ausgang einer Entscheidung beeinflussen können

  • Konsequenzen, als mögliche Folgen getroffener Entscheidungen

  • Attribute, welche die Optionen, Ereignisse oder Konsequenzen näher beschreiben

  • Ziele, die wünschenswerte, zu erreichende Zustände repräsentieren

  • Gründe, die eine Entscheidung rechtfertigen.

Die Komplexität einer Entscheidung wird dabei beeinflusst von der Höhe des kognitiven Aufwands (routiniert oder konstruktiv), der notwendigen Objektivität und dem Risiko.

Steigende Komplexität bei Entscheidungen

Früher konnte ein Unternehmen, das sich auf einen bestimmten Markt ausgerichtet hat, sehr lange erfolgreich bestehen, ohne viele Änderungen zu vollziehen. Heute müssen Entscheidungen hinsichtlich der Ausrichtung ständig geänderten Gegebenheiten angepasst werden, um am Markt zu bestehen: Mehr im Detail differenzierte Zielgruppen, schneller drehende Sortimente, Zusätzliche Touchpoints, die jetzt auch noch einen Dialog mit der Kundschaft ermöglichen. In diesem Umfeld Entscheidungen zu treffen, ist mit einem sehr hohen kognitiven Aufwand bei der Informationsverarbeitung und einer hohen Notwendigkeit an Objektivität verbunden, um nicht sich selbst mit seinen Zielgruppen zu verwechseln. Und auch der Grad der Unsicherheit steigt, denn nur Entscheidungen über durchzuführende Veränderungen, bei gleichzeitiger Vorhersage des gewünschten Ergebnisses, sind Entscheidungen eines Leaders. Der "richtige Riecher" sollte nicht das verlässlichste Organ eines Unternehmens sein.

Woran es heute in vielen Unternehmen nicht mangeln sollte, sind Daten: Kundendaten, Transaktionsdaten, Produktdaten, Lieferantendaten, Mitarbeiterdaten, Bewegungsdaten mit Informationen zur Performance der Supply Chain und Daten aus Marktforschung und Konkurrenz­analyse. Kurz: Big Data oder Deep Insights. Material wäre genug da, jedoch kaum vollständig mit kognitiver Anstrengung in einer Entscheidung zu verarbeiten.

Nutzungsformen von Daten im Verhältnis zur geschäftlichen Relevanz.

Daten nutzbar machen

So beschäftigen sich heute schon viele Unternehmen damit, die Mengen an gewonnenen Daten nutzbar zu machen. Dashboards und Scorecards zeigen dem Manager anhand von generierten Kennzahlen, was gerade passiert. Aus den verfügbaren Daten erzeugte Reports ermöglichen den punktuellen Tauchgang, um herauszufinden, was genau passiert, und eine Auswertung von Kausalitäten und Korrelationen durch OLAP- (Online Analytical Processing) und Visualisierungstools ermöglichen sogar zu erörtern, warum etwas passiert ist.

Für den Leader muss man einen Schritt weiter gehen. Er kann zwar die Informationen in Dashboards sichten und notwendige Entscheidungen darauf basierend treffen, jedoch kann allein die Menge der zu treffenden Entscheidungen wieder eine zu hohe Komplexität darstellen. Etwa, welche der hunderttausend Produkte eines Distributors ins Sortiment aufgenommen werden oder wann der richtige Zeitpunkt für eine Liquidierung oder eine Promotion auf Produktebene ist. Leader brauchen Unterstützung dabei, Vorhersagen (prädiktive Analysen) zu treffen und Handlungsempfehlungen (präskriptive Analysen) auszusprechen. Um dies technisch zu unterstützen, braucht es wie bei der bewussten, analytischen Entscheidung ein Entscheidungskonstrukt.

Entwurf eines datenbasierenden Entscheidungs-Frameworks

Bei dem oben erwähnten Beispiel zur Entscheidung über die Listung neuer Produkte ergibt sich folgendes Entscheidungskonstrukt:

Optionen: Listungsentscheid und Maximal-Einkaufspreis

Attribute der Option: Produkte und Preise

Ziel: Erhöhung von Umsatz und/oder Marge

Konsequenz: Erreichen oder Nichterreichen des Ziels

Grund: Analyseergebnisse auf Basis aller zur Verfügung stehender Daten

Nun gilt es herauszufinden, welche Produkteinführungen der Vergangenheit zu einem dem Ziel entsprechenden Szenario oder eben auch nicht geführt haben. Die Untersuchung der verfügbaren Datenbasis bringt Zusammenhänge innerhalb der Konstrukte vergangener Entscheidungen ans Licht, die sich in Form von Prognosen hinsichtlich der Optionen für künftige Entscheidungen anwenden lassen.Innerhalb eines solchen Frameworks können diverse Methoden künstlicher Intelligenz genutzt werden, die in den einzelnen Stufen bis zur Entscheidungsfindung zum Einsatz kommen.

Unstrukturierte Daten, wie etwa Kundenfeedback aus einer Bewertungsfunktion oder aus dem Ticketsystem des Kundenservices, lassen sich durch Context Extraktion, zum Beispiel durch den Einsatz von Natural Language Processing oder Word-to-Vektor Algorithmen, strukturieren.

Zur Komplexitätsreduktion und zur Bewertung strukturierter Daten lassen sich konkrete Zusammenhänge zwischen den einzelnen Informationen durch Unsupervised Learning oder Deep Learning herausfinden.

Um Zielzustände, also eine positive Entscheidungs­option, und die zugrundeliegenden Zusammenhänge zu erkennen, kann mit Supervised Learning gearbeitet werden. Auf der Basis des hierdurch Erlernten werden dann Predictions ("was könnte passieren, wenn ...") und letztlich auch Prescriptions ("wie soll entschieden werden, damit …") generiert, die dann sogar vollautomatisch zur Umsetzung kommen können.

Fazit

Datenbasierende Entscheidungen zu Zeiten von sich ständig ändernden Parametern in den diversen Wirkungs­dimensionen eines Unternehmens (Kunden, Produkte, Lieferanten, Touchpoints, Umweltparameter) lassen sich durch die Definition von Entscheidungskonstrukten auf Basis der sonst manuell durchlaufenen Entscheidungsabläufe in allen Geschäftsbereichen automatisieren.

Bei aller Automatisierung ist jedoch immer abzuwägen, ob ein dadurch geschaffenes Maximal an Objektivität nicht doch der Notwendigkeit eines gewissen Anteils an purem menschlichem Einfluss gegenübersteht, dass für die Differenzierung eines Unternehmens und seines Handelns notwendig wäre.

Webcode
DPF8_181901

Kommentare

« Mehr