DATA BAES DECISION MAKING

DATA DRIVEN DECISION MAKING: Wieso tuen sich so viele Unternehmen schwer damit, auf Grundlage von Daten Entscheidungen zu treffen?

DATA DRIVEN DECISION MAKING:

Ob morgens der Vorschlag zu den meistgelesenen Zeitungsartikeln. Mittags der Warnhinweis der Health-App, dass man bei so wenig Bewegung doch besser nur einen Salat essen sollte. Oder abends bei der Wahl der richtigen Serie für den Fernsehabend (mit einer großen Tüte Chips, da es mittags ja nichts Warmes gab).

Im privaten Bereich wird das Leben mittlerweile schon an vielen Stellen durch datenbasierte Entscheidungen beeinflusst.

Aber wieso fällt es dann so vielen Unternehmen scheinbar so schwer, datenbasierte Entscheidungen zu treffen?

Schauen wir uns das einmal anhand von fünf Beobachtungen an.

1. Beobachtung:

Die meisten Unternehmen haben doch schon heute (fast) alle Daten, um die richtigen Entscheidungen zu treffen!

Wer von „Data driven decision making“ oder „datenbasierte Entscheidungsfindung“ spricht, der denkt oftmals zuerst an neue datenbasierte Geschäftsmodelle und große (unstrukturierte) Datenmengen (Data Lakes, Big Data, Massendaten).

Aber wieso überhaupt?

Es gibt kaum ein Unternehmen, dass nicht heute schon eine Vielzahl von (strukturierten) Daten erhebt! Die Frage ist nur, werden sie auch zur Entscheidungsfindung genutzt?

Die Antwort hierauf ist oft ernüchternd und simpel: nein oder zumindest oft nicht hinreichend.

Allein die Daten, die aus ERP-. CRM-, PIM- und SCM-Systemen kommen, könnten heute schon viele Entscheidungen vereinfachen. Nur, es fehlt an der Hebung des Datenschatzes und die Herstellung der notwendigen Verbindung mit der Unternehmensstrategie.

Warum ist das so?

a. Fehlendes (Daten-)Bewusstsein

Den Unternehmen ist oftmals gar nicht bewusst, welche Daten im Unternehmen vorliegen und wie diese in bestimmten Fragestellungen genutzt werden können. Neuerdings spricht man daher auch von Data Literacy oder auch Datenkompetenz, also die Kompetenz Daten aufzubereiten und zu interpretieren.

Unserer Meinung nach benötig man jedoch auch ein ganz grundsätzliches Datenbewusstsein. Also das Wissen darüber, wo Daten im Unternehmen erfasst werden und wie diese in die operativen Abläufe und damit auch Entscheidungsfindung hineinlaufen.

PRAXISHINWEIS:

Machen Sie in ihrem Unternehmen eine Daten-Inventur. Überlegen Sie zuächst welche Systeme Sie einsetzen und welche Daten hieraus für unternehmerische Fragestellungen interessant sein könnten.

b. Zu hohe Komplexität

Das mangelnde Datenbewusstsein geht im Unternehmen oft einher mit komplexen Unternehmensstrukturen. So bestehen Unternehmen nicht selten aus duzenden von Konzernunternehmen und hunderten von Abteilungen.

Bestenfalls haben diese noch ein gemeinsame IT-System.

Doch selbst dann fällt es vielen Unternehmen schwer diese Informationen zu konsolidieren. Noch komplexer wird es, wenn grundlegende Strukturen abweichen, also z.B. Geschäftsmodelle und damit ggf. Kontenrahmen und Kostenstellenstrukturen.

Mitarbeiter beschäftigen sich zudem selten mit Daten außerhalb ihres eigenen Verantwortungsbereichs. Auch an dieser Stelle macht eine Datenkonsolidierung auf Gesamtunternehmensebene Sinn.

c. Mangelnde Datenqualität

Hat man a.) und b.) gelöst, so wartet oftmals ein weiteres Problem: Die Datenqualität.

Fehlbuchungen, Dubletten, Tippfehler, veraltete Daten oder auch nur Sonderzeichen, die eine maschinelle Verarbeitung erschweren.

  • Was ist den nun der richtige Forderungsbestand, wenn der Kunde zwei Mal im ERP-System steht? Vielleicht mit unterschiedlicher Lieferadresse?
  • Was nützt das beste CRM-System der Welt, wenn am Ende der Lead-Kontakt schon seit 10 Jahren nicht mehr im Kundenunternehmen arbeitet?
  • Was wenn Artikel in der Warenwirtschaft doppelt erfasst wurden und vielleicht sogar mit unterschiedlichem Lagerort?

Je früher man damit startet, ein generelles Datenbewusstsein im Unternehmen zu schaffen, desto eher kann man Fehler abschalten. Dies setzt jedoch auch eine regelmäßige Kontrolle der Datenqualität voraus, um Fehler schnell zu identifizieren.

PRAXISHINWEIS:

Falls man Altdaten für die Analysen benötigt, kann man diese als Vorarbeit ggf. in einem Data Warehouse bereinigen. Zudem gibt es Tools, um Fehler schon an der Quelle zu vermeiden. Sprechen Sie uns gerne hierauf an.

2. Beobachtung:

Die Metriken und Dimensionen im Unternehmens-Controlling zahlen nicht auf die Unternehmensstrategie ein!

Erstaunlicherweise findet man im Controlling und Rechnungswesen noch viel zu selten Ziel-Metriken und alle Dimensionen, die auf die Unternehmensstrategie einzahlen.

Berichte und Reporting sind auf vergangene Geschäftsmodelle ausgerichtet.

Kontenrahmen folgen z.B. aus der Vergangenheit einem Standardkontenrahmen (SKR03 oder SKR04), obwohl diese oftmals digitale Geschäftsmodelle vollkommen außer Acht lassen.

Hier ein paar gängige Praxis-Beispiele

  • Ein Händler hat die Strategie seinen E-Commerce-Anteil signifikant zu steigern. Es fehlt jedoch an Daten und Kennzahlen, um die Strategie umzusetzen. Der Umsatz nach Channel und Plattform (eigene Shops, Webseite, Fremdseiten, Vergleichsportale, Amazon,  Anzeigen, etc), die Marge, die Retoure-Quote, die Werbeaufwendungen (Customer Aquisition costs), etc. werden nicht oder nur partiell gemessen.
  • Ein Software-Anbieter stellt sein Geschäftsmodell von Lizenzverkauf auf Software-as-a-Service (SaaS) Es fehlt an Metriken, den Lizenz- vom Cloud Erlös zu trennen. Die Entwicklungsaufwendungen für die Weiterentwicklung, der Software wird nicht anhand eines richtigen Allokationsschlüssels verteilt.
  • Ein Unternehmen möchte oder muss internationalisieren. Es fehlt aber an der gleichen Metrik (z.B. einheitlicher Kontenrahmen, Kostenstellenstruktur), wie im Mutterunternehmen und die Interpretation der Zahlen ist schwierig.

Die Auswahl der Zielmärkte basiert zudem eher auf Zufall als auf demographische und strategische Marktdaten.

PRAXISHINWEIS:

Im Grunde sollte man bereits im Rahmen der Strategie- und Jahresplanung dazu übergehen, sich Gedanken über die relevanten Daten und deren Messung zu machen. Ansonsten wird es schwierig, die strategischen Ziele konsequent zu messen und umzusetzen.

3. Beobachtung:

Die Daten kommen nicht an die Stelle, die die Entscheidungen trifft oder werden dort nicht verstanden!

Was nützen mir die besten Erkenntnisse über mein Unternehmen, wenn diese am Ende nicht an der Stelle ankommt, die die Entscheidung umsetzt?

Genau, nicht viel!

Es ist daher wichtig zusammen mit den entscheidenden Stellen zu besprechen, was man aus den gewonnenen Kenntnissen macht und wie man diese Daten nutzen kann.

Messe ich z.B. den Zusammenhang zwischen Transportschäden und bestimmten Verpackungsarten oder -größen, so kann ich ggf. in der Distribution hieran arbeiten. Voraussetzung, die Kollegen in der Distribution haben diese Daten und den Zusammenhang.

PRAXISHINWEIS:

Relevante Daten und Erkenntnisse sollten in regelmäßigen Zeitabständen (bis hin zur täglichen Information) an die Stelle kommuniziert werden, die mit den Daten Entscheidungen treffen kann.

Hierbei sollte man konkrete Erkenntnisse kommunizieren und nicht nur KPIs.

Ggf. können auch Methoden wie Objective Key Results (OKR) bei der Zielerreichung helfen.

4. Beobachtung:

Es wird zu wenig auf das Ziel geschaut. Die Performance-Verbesserung kommt zu kurz!

Jedes Projekt sollte, wenn nicht sogar müsste, einen Return-on-Investment (ROI) haben.

In den Überlegungen, „irgendetwas“ mit Daten zu tun, kommt dieser Aspekt aber vielfach viel zu kurz. Das macht im Unternehmenskontext auch der Begriff „Data Science“ nicht besser.

Es geht darum, sich schon vorher bewusst zu machen, welche Informationen man aus den Daten ziehen kann und wie diese das Geschäftsmodell positiv beeinflussen können (siehe auch 2.).

5. Beobachtung:

Es fehlt an der Zeit und Investitionen für datenbasierte Entscheidungsfindung!

Der letzte Punkt ist vielleicht einer der größten Blocker | „deal breaker“ für datenbasierte Entscheidungen in Unternehmen. Statt sich die Zeit zum Schleifen der viel zitierten Axt zu nehmen, wird mit der stumpfen Axt gefällt.

Das operative Geschäft geht vor und die strategischen Projekte leiden hierunter.

Das die operative Performance einer Controlling-Abteilung aber über ein Business Intelligence-Projekt dauerhaft und langfristig erheblich gesteigert werden. lassen viele Unternehmen außer Betracht.

FAZIT:

DATA DRIVEN DECISION MAKING beginnt bei der Unternehmensstrategie, nicht beim sammeln der Daten.
 
Weiß man, wohin man sein Unternehmen entwickeln will, so kann man anhand einer Daten-Inventur, die notwendigen Systeme und Daten identifizieren und als Steuerungsinstrument nutzen.
 
Steuern muss man dort, wo die Entscheidungen umgesetzt werden. Mitarbeiter benötigen nicht nur die Daten, sondern auch den Kontext und das Ziel, dass man erreichen möchte. Methoden wie OKR können hierbei behilflich sein.
 
Man muss sich die notwendige Zeit geben und an den richtigen Stellen investieren.
 
Am Ende sollte immer ein messbarer Return-on-Invest stehen.

Sie wollen auf Grundlage von Daten Entscheidungen treffen?

Vereinbaren Sie gerne einen kostenlosen Termin mit uns!