Joerg Schwenk, Futureheadz - Wir vernetzen Generationen, Coaching, Beratung, Dienstleistungen, Sparring - Marketing, Vertrieb, Verkauf, E-Commerce

FutureHeadz

Erkentnissproduktion

„Chef, unser Umsatz mit Produkt XY ist gestiegen, weil wir Werbung gemacht haben.“ Eine solche oder ähnliche Aussage haben wir alle schon gehört. So erfreulich diese Aussage immer ist, so wenig kann man daraus substanziell entnehmen. Vermutlich haben wir viel zu viel Geld investiert, um dieses Resultat zu erreichen, weil wir nicht wussten, welche der werblichen Massnahmen am meisten dazu beigetragen hat. 

FutureHeadz

Coaching für Firmenkunden

Lemanu

Bildungsleistungen für Studenten

VERNETZUNG

INTEGRATION

PRODUKTIVITÄT

WEITERBILDUNG

Erkenntnisproduktion - Erkenntnisse sind das Ziel jeder Analyse

Erkenntnisse sind das Ziel jeder Analyse – „Chef, unser Umsatz mit Produkt XY ist gestiegen, weil wir Werbung gemacht haben.“ Eine solche oder ähnliche Aussage haben wir alle schon gehört. So erfreulich diese Aussage immer ist, so wenig kann man daraus substanziell entnehmen. Vermutlich haben wir viel zu viel Geld investiert, um dieses Resultat zu erreichen, weil wir nicht wussten, welche der werblichen Massnahmen am meisten dazu beigetragen hat. Nicht zuletzt sind wir also auch der Möglichkeit beraubt, dieses Resultat kosteneffektiv und überhaupt noch mehrmals im Sinne von Effektivität zu reproduzieren.

Die Bedeutung von Daten in der digitalen Analyse

In Zeiten von Digital Marketing, CRM-Systemen, Big Data und vielen anderen Systemen stehen einem grösstenteils eine Unmenge an Daten zur Verfügung. Oftmals stellt sich heute nicht mehr die Frage, woher ich diese Daten bekomme. Stattdessen werden zunehmend Fragen nach der Qualität und der Bedeutung der Daten zentral, wie sie erhoben wurden und wie man Erkenntnisse daraus gewinnt.

Immer mehr digitale Werkzeuge können uns immer mehr Daten liefern. Daraus liessen sich wertvolle Erkenntnisse ableiten. Doch mit der reinen Analyse ist es in der Regel nicht getan. Daten müssen so aufbereitet werden, dass Erkenntnisse schnell und intuitiv vermittelbar oder erfassbar sind und Entscheidungen und Optimierungen ermöglichen.

Erfahrung ist Trumpf – aber auch gefährlich

Erfahrung ist gerade ob so vieler Daten wichtiger denn je. Erfahrung ist zumindest bis jetzt nicht zu ersetzen. Entscheidend ist zu wissen, wie man mit diesen Daten umzugehen hat und welche Informationen noch fehlen, um Erkenntnisse daraus zu produzieren. Und genau in diesem Feld sind erfahrene Menschen – zumindest noch – besser als jede Maschine. Die reine Mustererkennung in grossen Datenmengen ist aber bereits heute die Domäne der Maschine.

Viele geschäftliche Entscheidungen passieren, wie man so schön sagt, aus dem Bauch heraus. Unbedarfte Mitarbeiter anhand von Daten entscheiden zu lassen, ist mitunter recht gefährlich oder zumindest teuer. Erstens sind Entscheidungen nur in der Daten- und Erfahrungskombination erfolgreich und zweitens nur auf Basis von Daten-Kontext und Erkenntnissen aus Daten.

Nicht eine grosse Datenmenge ist die Lösung, sondern Datenbeziehungen

Auch wenn wir noch mehr Big Data produzieren, wird das Problem nicht kleiner. Was wir benötigen, sind „Data Insights“. Also Wissen, welches wir generieren können, um in Folge aus Daten, die miteinander in Beziehung stehen, Entscheidungen und Optimierungen abzuleiten.

Für den Begriff Erkenntnis existiert keine einheitliche Definition. In einer ersten Annäherung kann man Erkenntnis als den Prozess und das Ergebnis eines durch Einsicht oder Erfahrung gewonnenen Wissens bezeichnen.

Wozu werden Daten in der Regel genutzt?

Daten aus Selbstzweck oder der Historie wegen zu produzieren, ist blanker Unsinn. Ausgehend von den Zielen sollten Daten dazu genutzt werden, um Geschäfte zu steuern oder zu analysieren und um Entscheidungen und Optimierungen herbeizuführen. Hierbei gibt es im Wesentlichen zwei Dimensionen:

  • Daten zur Analyse: Qualitative Daten, welche die Frage nach dem „Warum passiert etwas?“ beantworten können.
  • Daten zur Steuerung: Quantitative Daten, welche die Frage nach dem „Wie oft passiert etwas?“ beantworten können.

Dashboards: Das Allheilmittel für jede Führungsperson?

Immer mehr Firmen setzen auf Datenvisualisierung mittels Dashboards oder grafischen Darstellungen. Damit lassen sich aber nicht nur Umsatzstatistiken, Top-Kunden, KPIs und andere Sachverhalte anzeigen. Das Internet of Things eröffnet ungeahnte Möglichkeiten – auch für den Einblick in Prozesse und in den Status von vernetzten Geräten und Maschinen. Ein Dashboard und die KPI eignen sich in der Regel zur Steuerung, aber nur sehr begrenzt zur Analyse. Dennoch wird heute versucht, zu allem ein „Dash“ zu bauen. Eine Frage bleibt jedoch ungeklärt, auch mit Dashboards: Das „Warum“ ist nicht beantwortet und es wird normalerweise noch schwerer, mit diesen zusätzlichen abstrakten Werten eine Erkenntnis auf den Punkt zu bringen.

Dashboards helfen also nicht immer weiter, da sie nur Fragen nach dem „Wie oft“, dem momentanen Stand und im besten Fall der Entwicklung über Zeit beantworten. Die Frage nach dem „Warum“ überlassen sie teuer bezahlten Managern, die sich dann einig sind, dass sie sich nicht einig sind.

Die Suche nach den relevanten Informationen in der Datenflut

Als Führungskraft und ehemaliger Unternehmer habe ich selbst schon mehrmals die Erfahrung gemacht, dass man unternehmerische Entscheidungen treffen kann, wenn einem die richtigen und hochwertigsten Daten zur Verfügung stehen. Die Frage ist also: Welche Daten benutzt man und welche nicht? Es sind aber nicht immer die gleichen Zahlen, sondern es können durchaus situativ andere Zahlen und Daten zur Entscheidung benötigt werden. Entscheidet man nach etablierten Systemen, erreicht man sicherlich eine stabile, multiplizierbare und automatisierbare Basis. Top-Leistungen gelingen aber nur auf Basis individueller Kombination von Erfahrung. Am Ende der Datenauswertung und der anschliesenden Entscheidung und Optimierung steht zudem wieder ein menschliches Individuum.

Daten können auch zu falschen Interpretationen führen

Wer kennt es nicht: Einige wenige Zahlen und Daten – manchmal auch eine unglaublich grosse Anzahl – führen im Gespräch mit Mitarbeitern oder dem Chef zu unterschiedlichen Interpretationen. Obwohl man die gleiche Basis vorliegen hat, ist man sich nicht einig über die Bedeutung der Daten. Oftmals fällt dann die Entscheidung nach Gusto des Vorgesetzten oder der HIPPO (Highest Paid Person’s Opinion). Dabei hätte doch der Mitarbeiter eigentlich die grössere operative Erfahrung. Wir haben es mit der richtigen Zahl zu tun, mit mindestens zwei Interpretationen derselben, aber leider mit keiner Bewertung dieser beiden Interpretationen. Es kann sich nur um Zufall handeln, wenn hier die richtige Entscheidung für das Unternehmen getroffen wird.

Falsche Entscheidungen entstehen immer dann, wenn nicht genügend Daten und Erfahrung zur Verfügung stehen

Falsche Entscheidungen entstehen immer dann, wenn nicht genügend Daten und Erfahrung zur Verfügung stehen, um Kontexte zu Daten und Anreicherungen von Daten vorzunehmen, mit dem Ziel treffende und richtige Interpretationen und in Folge Erkenntnisse leisten zu können.

Falsche Erkenntnisse führen zu falschen Optimierungsmassnahmen

Ist schon die Interpretation nicht richtig, werden daraus falsche Erkenntnisse gewonnen. Es ist eines, wenn diese nicht umgesetzt oder benutzt werden. In der Regel werden aber Optimierungsmassnahmen daraus abgeleitet. Aber auf Basis falscher Erkenntnisse ist es nicht oder nur zufällig möglich, diese Optimierungsmassnahmen zielführend abzubilden und auch zu multiplizieren.

Unschöne Nebeneffekte sind steigende ROAS (Werbeausgaben). In gesättigten Märkten mit Konkurrenten, die allesamt auch nicht schlafen, kann sich dies keiner lange leisten.


Es gibt aber einiges, das sich tun lässt, auch ohne Wissenschaftler zu sein

Sie sehen, falsche Entscheidungen kosten Sie Geld, viel Zeit und womöglich auch Marktanteile oder Kundenzufriedenheit – etwas, was der Vorgesetzte vermeiden will, aber oft genug auch selbst der Treiber für diese Umstände ist.

Big Data wird einerseits, weil es sich um eine junge Disziplin handelt, Förderer dieser Problematik sein, andererseits bringt diese neue Disziplin auch die Ausbildung neuer Fachpersonen schnell voran, was wiederum die Entscheidungsqualität deutlich verbessert.

Von der Zahl über Erkenntnis hin zur Optimierung

Grundsätzlich bewege ich mich von den relevanten Daten zur Erkenntnis und hin zur Optimierung:

  1. Relevanz: Welche Daten sind relevant, um meine Aussage zu stützen?
  2. Kontext: Welche Daten können Kontext und Benchmark produzieren?
  3. Interpretation: Wie sind diese Daten zu bewerten, was bedeuten sie?
  4. Entscheidung: Ist alles vorhanden, um auf dieser Basis eine Entscheidung zu treffen?
  5. Optimierung: Eignet sich der Kontext bereits zur Optimierung?
  6. Kontrolle: Hatten Entscheidung und Optimierung positive und Ziel dienliche Effekte?
  7. Multiplikation: Wie und wo kann ich diese Entscheidung und Optimierung multiplizieren?

Daten und Zahlen verstehen

Zuerst ist es wichtig, zu verstehen, wie die Daten zustande kommen. Ohne verstanden zu haben oder auf Basis von Glauben sollten Sie es vermeiden, Entscheidungen zu treffen.

Da die Resultate aber reproduzierbar und multiplizierbar sein sollen, ist es ratsam, stark auf korrekte Interpretation von Daten zu achten. Stellen Sie sich also zu allen Kennzahlen folgende Fragen:

  • WAS wird gemessen? (Beispiele Digital Marketing: Seitenaufruf, Interaktion etc.)
  • WANN wird gemessen? (Beispiele Digital Marketing: Klick, Mouseover etc.)
  • WO wird gemessen? (Digital Marketing: welches Gebiet, Segment, Zielgruppe)
  • WARUM wird gemessen? (Beispiele Digital Marketing: Strategie, Ziele etc.)
  • WIE OFT wird gemessen? (Gültigkeiten, Cookie-Laufzeiten etc.)
  • WIE wird gemessen? (Beispiele Digital Marketing: Cookie, Pixel etc.)
  • WEM wird WAS zugeordnet? (Beispiele Digital Marketing: Attribution)

Diese Vorgehensweise hilft Ihnen, die Zahlen und deren Kontext besser zu verstehen und in der Folge deren Bedeutung besser einordnen zu können. Ihre Entscheidungen lassen sich aufgrund korrekterer Interpretationen treffender und sicherer fällen.

Kontext beiziehen, Fakten verknüpfen und Daten vernetzen

Um wertvolle und belastbare Aussagen als Basis für Entscheidungen zu liefern, ist Kontext notwendig. Beziehen wir uns auf das anfängliche Beispiel, so sind zumindest Daten über die Wirkung der einzelnen Massnahmen und Daten über die Customer Journey beizuziehen. Als Führungsperson müsste die Aussage am besten folgendermassen lauten:

„Chef, unser Umsatz mit Produkt XY ist gestiegen, weil wir eine Displaykampagne auf Google geschaltet haben, die auf eine Landingpage verweist. Dies steigerte den Traffic um 25 %. Wir haben zudem den Content der Landingpage verändert und konnten so die Conversion Rate von 2 % auf 4 % steigern. Dies ist auch im Vergleich mit den Mitbewerbern ein überdurchschnittlich hoher Wert.“

Benchmarks nutzen

Es nützt nichts, eigene Ziele zu erreichen. Kann der Mitbewerber ganz andere Performancezahlen aufweisen, führt dies langfristig zu weniger Marktanteilen. Sie sollten sich also nicht mit sich selbst messen und zufrieden sein, wenn Ihre Ziele erreicht sind, sondern sich dem Wettbewerb offen stellen. Benchmarking ist das richtige Werkzeug dazu. Immer mehr Plattformen wie beispielsweise Google liefern Daten in guter Qualität.

Ursachen-Wirkungs-Diagramme

Eine Ursachen-Wirkungs-Aufstellung wie etwa das Fishbone-Diagramm von Kaoru Ishikawa oder ein Multiple-Cause Diagramm können dabei helfen, komplexe und zusammenhängende Wirkungsweisen aufzudecken respektive zu erkennen. Auf Basis solcher Analysen gelingt es eher, die notwendigen Elemente für die Kontext-Bestimmung zu definieren.

Erfahrung einbeziehen

Einer der wichtigsten Filter ist Erfahrung. Nur durch Erfahrung können Sie erkunden, welche Informationen Sie benötigen, um wertvolle und belastbare Aussagen herzustellen. Aber niemand wird mit Erfahrung geboren. Hier ist es wichtig, dass wir bereits in der Firmenkultur ansetzen. Unabhängig von Führungsstufen und der Wichtigkeit der von den Daten und Erkenntnissen abhängigen Entscheidung sollten Sie sich die Meinung von erfahrenen Mitarbeitern auch ausserhalb des Silos oder der Linie im Unternehmen oder auch extern holen dürfen. Ist dies nicht der Fall, sollte das Unternehmen zumindest eine Kultur pflegen, die Lernen durch „Trial & Error“ ermöglicht. Natürlich nicht ohne Analyse und Dokumentation als Basis für multiplizierbare Lernerfolge.

Erzählen Sie Geschichten

Letztlich sind Sie darauf angewiesen, dass Ihnen Personen durch eine komplexe Welt von Daten und Messwerten folgen können. Überzeugen Sie Entscheider durch datenbasierte Geschichten und nutzen Sie die Erkenntnisse aus dem Bereich Storytelling. Erzählen Sie Data Stories – Geschichten basierend auf Daten und Geschichten über Daten.

Wer kennt es nicht: Vor dem Chef mit Zahlen um sich zu werfen, hilft oft nicht weiter, um komplexe Probleme zu beschreiben. Oftmals ist Ihr Chef auch kein Experte in Ihrem Thema oder hat wenig Zeit. Häufig wenden sich daher Ihre Botschaftsempfänger gelangweilt ab oder entwickeln unzureichende eigene Interpretationen und treffen in Folge Entscheidungen, die Sie als Experte nicht nachvollziehen können. Packen Sie Ihre Daten dem Storytelling getreu in begreifbare Beispiele und Geschichten.

Was sind Data Stories?

Wer kennt sie nicht, die riesigen Charts mit 200 Daten darauf? „Hier, lieber Chef, lese doch selbst heraus, wo das Problem liegt.“ Da wir wissen, dass ein grosser Teil der Fehler in der Interpretation entsteht, ist dies kein empfohlenes Vorgehen, um Erkenntnisse zu teilen. Höchstens, wenn Sie gemeinsam einen Sachverhalt analysieren möchten. Wir wissen auch, dass Daten von Experten besser interpretiert werden als von Generalisten. Sie sollten also Ihre Gesprächspartner durch Ihre Daten führen.

Menschen lieben Geschichten

Doch mit Zahlen und Analysen zu erzählen, ist, wie man so schön sagt, eine ganz andere Geschichte. Narration kann uns dabei helfen, die komplexe Welt zu vereinfachen und ihr idealtypischen Modellcharakter zu geben. Doch die Herausforderung besteht darin, aus einer Vielzahl an Informationen die entscheidende und bedeutsame Essenz herauszufiltern und diese so zu präsentieren, dass sie Verständnis, Emotion und schliesslich Handeln bewirkt.

  • Usability-Stories / Benutzungsgeschichten: Sie beziehen sich auf Daten, die mit der Interaktion und dem Verhalten zu tun haben – Usability-Stories nutzen in der Regel Hypothesen.
  • Traffic-Stories / Mengenbezogene Geschichten: Sie beziehen sich auf Daten, die mit der Menge zu tun haben – Traffic-Stories nutzen in der Regel Insights.

Nichtbeachten ist nicht zielführend

Die Aufteilung in Teilproblemstellungen unter Berücksichtigung der beeinflussenden Grössen ist eine der am häufigsten angewendeten Techniken. Die Sätze beginnen oft mit „Analysieren wir zuerst …“. Wichtig: Abgrenzen berücksichtigt die Elemente, die sich aufgrund einer anderen Ausgangslage nicht zur Analyse im gleichen Kontext eignen, da die Erkenntnisse aus allen Teilanalysen später wieder zusammengeführt werden.

Die Fokussierung auf Einzelproblemstellungen unter Ausschluss beeinflussender Grössen ist ein möglicher Fehler, der zu falschen Aussagen führt. Die Sätze beginnen oft mit „Konzentrieren wir uns auf …“. Daher Achtung: Ausgrenzen lässt wichtige beeinflussende Fakten in der Regel gänzlich aussen vor, als schienen sie nicht zu existieren, und berücksichtigt daher auch nicht deren möglicherweise vorhandene wichtige Effekte.

Standardisierte oder wissenschaftliche Methoden anwenden

Befasst man sich mit komplexen oder komplizierten Sachverhalten oder grossen Datenmengen, ist es ratsam, standardisierte oder wissenschaftliche Methoden anzuwenden, da das menschliche Gehirn oft nicht das optimale Werkzeug ist, um der Herausforderung grosser und komplexer Datenmengen zu begegnen.

Anmerkung: Es geht mir nicht darum, hochwissenschaftliche Techniken zu empfehlen. Nicht aus jedem Mitarbeiter wird ein Daten- und Statistikspezialist. Aber es gibt einige Mittel und Wege, wie Mitarbeiter Entscheidungsqualitäten schnell und entscheidend verbessern können und damit zum Unternehmenserfolg noch mehr beitragen als zuvor.


Kommt jetzt die AI oder BI und gewinnt Erkenntnisse mit grosser Tragweite?

Natürlich können die heutigen elektronischen Systeme sehr vieles. In Zukunft und auf Basis von Artificial Intelligence werden diese Systeme wohl noch entscheidend mehr leisten können. Dennoch gehe ich davon aus, dass AI, um wirkliche Intelligenz darstellen zu können, über ein multisensorisches System verfügen muss. Ohne diese heute noch fehlende Rückkopplung wird es schwer, die Auswirkungen von Veränderungen im System zu begreifen und umfassende Erkenntnisse zu gewinnen. Möglicherweise ist hier IoT (Internet of Things) eine Schlüsseltechnologie, die fehlende Daten durch die Vernetzung von Sensoren zu liefern vermag, ähnlich unseren menschlichen Sinnen.

Wir verfügen heute bereits über das Wissen und die Technik, um alles in einen Algorithmus zu giessen. Zumindest im Prinzip existiert für alle Fragen und Probleme, die eine bestimmbare Menge von Argumenten oder Werten umfassen, immer die Möglichkeit, mit einem Algorithmus zu arbeiten. Es ist wohl nur eine Frage der Zeit, bis es jemand umfassend tut. Dazu benötigen wir keine AI, sondern nur eine disruptiv wirkende Kombination aller heute bereits zur Verfügung stehenden Techniken.

AI wird zweifellos sehr vieles in unserem Geschäftsalltag entscheidend und rasant verändern.

Meinung: Erfahrungen und unsere Menschlichkeit zu ersetzen, wird ihr nicht so schnell gelingen

Des Weiteren frage ich mich, wie es in einer perfekt fehlerlosen Geschäftswelt sein wird. Wollen und können wir Menschen so viel Perfektion ertragen, oder wird die Unzulänglichkeit der Fehler, die Einfachheit oder eben letztlich der Mensch zum differenzierenden Faktor werden?