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:
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:
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“.
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:
Intelligente Algorithmen verschaffen uns einen Perspektivenwechsel und einen neuen Zugang zur Beantwortung relevanter Fragen der strategischen Steuerung und Planung.
Ein paar Beispiele:
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.
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.
Unsere Mission bei Evolutionizer ist es, das strategische Management in Unternehmen durch innovative Software zu unterstützen.
Erfahren Sie mehr über unsere Plattform Solyp – Enterprise Cloud for Strategy und wie unsere Technologie Sie im strategischen Entscheidungsprozess und der Umsetzung unterstützen kann.
Die hohe Veränderungsgeschwindigkeit in vielen Märkten macht deutlich, wie wichtig es ist, bei unvorhergesehenen Ereignissen möglichst frühzeitig und abgestimmt zu handeln. Was hilft uns, mit Unsicherheiten umzugehen?
Wir freuen uns, Dr. Christoph Kollatz als neuen Strategic Advisor bei Evolutionizer zu begrüßen.
Im Webinar „ALTANA als Strategie getriebenes Unternehmen stärken“ referierten Dr. Benjamin Erb und Ronald Herse Anfang Dezember zum Thema Ende-zu-Ende Strategieprozess mit Solyp 4.0.
Für die übergreifende Strategiearbeit sind ein paar notwendige und hinreichende Elemente ausreichend, um einen gemeinsamen robusten Kern zu bilden. Prozess, Methodik und die Art der Zusammenarbeit müssen jedoch für die einzelnen Planungseinheiten individuell gestaltet und an den realen Bedarfen ausgerichtet werden. Worauf ist in der Praxis zu achten?
