Teil I – Neue Erkenntnisse durch Nutzung vorhandener Strategiedaten

Eine robuste Strategie zu entwickeln war noch nie einfach. Hohe Komplexität der Geschäfte, Dynamik in den Märkten und Verkürzung der Planungshorizonte führen zu Unsicherheiten und es wird schwieriger, die richtigen Entscheidungen zur rechten Zeit zu treffen. Die Halbwertszeit einer Strategie wird kürzer, die Bedeutung einer Strategie nimmt zu. Der Ruf nach mehr Agilität in der strategischen Planung ist nachvollziehbar. Ein Hebel liegt in einem neuen Umgang mit den bereits vorhandenen Strategie-Datenschätzen. Methoden des Machine Learning entwickeln sich zu nutzenstiftenden Dienstleistern der „strategischen Kommandozentrale“.

Im Einkauf, der Produktion oder in der Lagerhaltung bedienen sich viele Unternehmen bereits erfolgreich intelligenter Datenanalyse und -auswertung zur Entscheidungsunterstützung. Über die frequent und strukturiert vorliegenden großen Datenmengen der Vergangenheit werden Muster entdeckt, Ausreißer identifiziert und mögliche Entwicklungen als Grundlage für künftige Szenarien vorhergesagt. Erweiterte Statistik und maschinelles Lernen machen dies möglich und die praktischen Erfolge sprechen für diesen „digitalen Berater“.

Der Strategieprozess und die strategische Planung gehören zu den wesentlichen Treibern eines Geschäftes. Trotz der zentralen Bedeutung stecken die Nutzung dieser „undurchsichtigen“ Methoden zur Entscheidungsunterstützung hier noch in den Kinderschuhen.

Dabei sind die Grundvoraussetzungen dafür gut:

• Die meisten mittelständischen Unternehmen haben ihren Strategieprozess systematisiert und organisatorisch auf den unterschiedlichen Planungsebenen bereits verankert
• Dieser Prozess wird seit mehreren Jahren in regelmäßigen Zeitabständen durchlaufen
• Methodisch existieren Minimalstandards und es finden sich vergleichbare Datenstrukturen für die Strategieentwicklung mit wiederkehrenden Eingabegrößen
• Es werden jeweils quantitative sowie qualitative Daten erhoben und es liegen Plan- und Ist-Daten auf rollierender Basis vor

Strategie-Datenpotenzial für intelligente Auswertung ist größer als man denkt

In der Praxis ist es üblich, dass der Strategieprozess eines komplexeren Geschäfts für insgesamt 30 bis 50 Planungseinheiten jährlich in unterschiedlicher Granularität durchlaufen wird. Gehen wir davon aus, dass eine Geschäftseinheit (zum Beispiel eine Business Unit) aus mehreren Teilmärkten (beispielsweise Marktsegmente, Applikationsfelder) besteht. Innerhalb jeder Planungseinheit werden oft Daten für weitere Segmentierungsdimensionen gesammelt (zum Beispiel Region, Produkte, Kunden). Diese Sammlung hat eine vergleichbare Datenstruktur und gemeinsame Nenner. Damit entstehen jährlich eine Fülle neuer quantitativer und qualitativer Informationen, die aktiv für Erkenntnisgewinne genutzt werden können.

Die Hypothese lautet, dass es über Planungseinheiten hinweg gemeinsame qualitative und auch quantitative Nenner mit rollierender, wiederkehrender Aktualisierung gibt:

• Die Marktvolumenentwicklungen für die jeweilige Planungseinheit und Detaillierung nach Regionen, Produktgruppen o. Ä. (Plan/Forecast und Ist)
• Umsatz- und Profitentwicklungen der eigenen Planungseinheit und des direkten Wettbewerbs (jeweils Plan/Forecast und Ist)
• Umsatz- und Profitentwicklungen nach Regionen, Ländern, Produktgruppen (jeweils Plan/Forecast und Ist)
• Treiber, Trends und Hypothesen zum relevanten Umfeld
• Stärken, Schwächen, Chancen und Gefahren (SWOT) für das eigene Unternehmen und für unseren Wettbewerb
• Strategische Schlüsselfragen oder Herausforderungen, die es zu lösen gilt
• Strategische Optionen beziehungsweise Alternativen, Initiativen und Projekte, die es voranzutreiben gilt

Verglichen mit anderen Machine Learning Anwendungsfällen haben wir es bei der Strategiearbeit mit relativ kleinen Datenmengen und einer überschaubaren Anzahl an Zeitreihenpunkten zu tun. Überschaubar zwar für die Maschine, für den Menschen aber bereits schwierig in seiner Ganzheit zu erfassen und für Erkenntnisgewinne weiter zu prozessieren. Die richtigen Methoden in der richtigen Form angewendet öffnen uns neue Türen „strategischer Erkenntnis“.

Kernfrage der Unternehmensführung

Machine Learning und Künstliche Intelligenz adressieren eine der Kernfragen der Unternehmensführung: Wie kommen wir über Daten zu Informationen und darüber zu handlungsleitendem Wissen? Wir leiden heutzutage nicht unter einem Mangel an Daten oder Strategie-Informationen. Im Gegenteil. Wir stoßen durch die vorliegende Datenfülle und die Komplexität unserer Geschäfte an praktische und mentale Grenzen, um relevantes und handlungsleitendes Wissen zu generieren.

Machine Learning Ansätze werden uns dabei helfen, ein paar der Limitationen zu überwinden und bereits vorhandene Erfahrungsdaten noch schlauer für bessere Entscheidungen zu nutzen:

• Die gesamte Fülle an vorliegenden Informationen über alle Planungseinheiten und Zielgrößen hinweg wird in Echtzeit und unter Berücksichtigung aller möglichen Kombinationen und Datenschnitte nutzbar (zum Beispiel korrelierende Muster von Marktsegmenten gekreuzt mit Produktgruppen und Regionen bezogen auf Umsätze und Profitabilität).
• Erstmals lassen sich quantitative und qualitative Strategiedaten nicht nur durch intelligente Methoden über die Zeit hinweg analysieren, sondern auch sinnhaft und nachvollziehbar zueinander in Beziehung setzen.
• Die Maschine identifiziert relevante Muster(-brüche) und Auffälligkeiten aus den vorliegenden Daten und deren Reihen selbst. Die lästige Suche nach „der Nadel im Heuhaufen“ durch manuelles Vergleichen und Filtern wird auf ein Minimum reduziert.
• Durch menschliche Korrekturen und die Aktualisierung der Daten über die Zeit trainieren wir die Modelle. Die Maschine lernt und wird besser.

Perspektive wechseln: bekannte Fragen neu gedacht …

Intelligente Algorithmen verschaffen uns einen Perspektivenwechsel und einen neuen Zugang zur Beantwortung relevanter Fragen der strategischen Steuerung und Planung.

Ein paar Beispiele:

• ‍Verbesserung der eigenen Planungsqualität durch relativ „einfache“ Statistik
  Wie zuverlässig ist unsere Planungsarbeit wirklich? Wo und weshalb über- oder unterschätzen wir uns regelmäßig und warum? Welches ist der „richtige“ Planungshorizont für uns entlang unserer Teilmärkte?
• ‍Verstehen gemeinsamer Muster in unseren Geschäften über Zeitreihen- und Korrelationsanalysen/Clusterverfahren
  Welche unserer (Teil-)Märkte weisen gemeinsame Muster in deren Entwicklung auf? Welche Teilmärkte laufen ähnlich und mit welchem Muster bzw. welchen Zeitversatzen? Wo finden sich „Cluster“ mit auffälligen Ähnlichkeiten im Geschäft?
• ‍Unterstützte Prognose und Plausibilisierung der Planung durch Predictive Modeling
  Wie könnte sich unser Geschäft auf Basis aller Muster der Vergangenheit in den kommenden zwei Jahren entwickeln?
• ‍Tieferes inhaltliches Verstehen des Geschäfts durch Text Mining und Semantik
  Welches sind inhaltliche Gemeinsamkeiten, relevante Unterschiede und übergreifende Muster bei Markt-, Wettbewerbs- und Kundentrends? Sind unsere Annahmen zur Entwicklung von Markt, Umsatz und Profitabilität plausibel unter Berücksichtigung der Umfeldbedingungen und definierten Stärken, Schwächen, Chancen und Gefahren?

Gute Antworten auf diese Fragen berücksichtigen die einzelne Planungseinheit und auch die Querschnitte über mehrere Einheiten hinweg durch unterschiedliche „Schnitte“ in den Planungsdimensionen (zum Beispiel durch Regionen, Produktgruppen, Applikationsfelder) und Planungsgrößen (beispielsweise Umsatz, Profit, Volumen). Die Dimension Zeit und die rollierende Datenaktualisierung findet Berücksichtigung in Form von Planwerten und den tatsächlichen Daten. Qualitative und quantitative Erkenntnisse sind „Partner auf Augenhöhe“ und bestätigen sich gegenseitig oder stellen sich begründet in Frage.

Vorhandenes strategisches Wissenspotenzial entdecken und aktiv nutzen

Jährlich fließen quantitativ und qualitativ hochwertige Strategie-Informationen von Seiten vieler beteiligter Akteure in beachtlichen Mengen über unterschiedliche Formate in unsere Organisationen.

Dies für die Organisation dauerhaft zu konservieren ist richtig und gut. Diesen verborgenen Schatz an Information aktiv zu nutzen scheint noch schlauer und ist praktisch möglich. Die Firma wird sich wundern, was sie alles weiß!

‍Dieser Artikel ist der erste Teil der Publikationsreihe Strategic Insights. Ronald Herse wird Ihnen künftig weitere spanndene Einblicke in die Welt der Strategie und Daten geben.