Wie Algorithmen die Führungsstrategien von Managern verändern

Technologische Innovation, Krisensicherheit und das in einem New Work-Umfeld, welches durch völlig neue Arbeitsbedingungen gekennzeichnet ist. Viele vergleichen die anstehende Aufgabe mit dem Wechseln eines Rades bei voller Fahrt: mit hart erkämpften Effizienzgewinnen aus dem laufenden Geschäft, müssen die Investitionen in neue Technologien und Geschäftsmodelle finanziert werden - von denen heute oft nicht klar ist, ob sie sich durchsetzen werden. Vieles dreht sich um Daten. Selbst gestandene Manager haben Respekt vor dieser Aufgabe. Wir können ihnen diese Aufgabe nicht abnehmen, aber es sind in der Vergangenheit durchaus Muster entstanden, die helfen, Krisen zu bewältigen, den Unternehmenswert zu steigern und gleichzeitig ein neues Risikoverständnis zu etablieren.

Wie können Algorithmen gute Manager noch erfolgreicher machen?

Wo bleibt die Souveränität des Menschen in einer Welt, in der Maschinen aus gesammelten Daten die Auffälligkeiten filtern und selbst Beobachtungen und smarte Schlussfolgerungen anstellen können? Der Mensch verkommt dabei aber nicht zum willfährigen Handlanger superintelligenter Systeme sondern ist der Schlüssel, um das Potenzial von mathematischer Algorithmen erst nutzen zu können. Die Frage, wie das smarte Lernen aus Datenspuren unsere Arbeitswelt verändert, ist dennoch berechtigt.

Exzellente Manager glänzen in 3 Disziplinen:

• Produktivität: Ihnen gelingt es, durch smarte Ressourcenallokation das Verhältnis von Input zu Output zu optimieren.
• Mustererkennung: Sie haben die Fähigkeit, Trends und Auffälligkeiten im Dauerrauschen multiglobaler Märkte aufzuspüren.
• Motivationsfähigkeit: Sie verstehen es Visionen zu kreieren, welche viele 1000 Menschen auf der Welt motiviert, in die gleiche Richtung zu denken und das Beste zu geben.

Diese Kompetenzfelder werden auch weiterhin Bestand haben. Das Einzige was sich in den letzten Dekaden geändert hat, sind die Hilfsmittel, die den Managern zur Verfügung stehen um in diesen Disziplinen zu reüssieren. Die Anforderungen an die Wettbewerbsfähigkeit werden weiter steigen und das bedeutet, Manager müssen schneller, komplexere Entscheidungen unter immer risikoreicheren Umweltbedingungen treffen. Dafür braucht es schon das Lernen aus Daten, um die anstehende Transformation zu meistern und dabei gleichzeitig robust gegen Außenangriffe zu bleiben.

Am Anfang steht die Hypothese

Data Science ist im Kern immer der Versuch, betriebswirtschaftliche Zusammenhänge mathematisch abzubilden. Dieses modellhafte Abbild der Realität öffnet die Türen, um verborgene Zusammenhänge zu erkennen, Prognosen abzuleiten und Optimierungspfade auszumachen. Am Anfang jedes Data Science Projektes steht die Hypothese - also die Überzeugung, dass gewisse Datenmuster statistisch mit der Variable zusammenhängen, für die man sich interessiert – Engpässe, Fehlteile oder auch schwache Signale, welche Unheil im Materialstrom ankündigen. Die Entwicklung eines Hypothesenmodells steht also am Anfang jedes Experiments. Wenn a dann b, ist die Gleichung, welche die Suche nach den Indikatoren und den Zusammenhängen für die Optimierung von Unternehmensprozessen prägt. Erfolgsbeispiele innovativer Unternehmen zeigen: Wer dieses Strickmuster der Data Science Optimierung versteht, erzeugt Produktivität aus dem Nichts.

Diversity im Data Science Team hat nichts mit Geschlechterrollen zu tun

Ausschlaggebend für einen erfolgreichen Piloten ist der Schulterschluss zwischen Daten-Experten und den Erfahrungsträgern im Unternehmen um Modelle zu entwickeln, welche reale Abläufe möglichst gut abbilden. Diversity im Team-Building hat im Unternehmenskontext nicht nur was mit kulturellen Hintergründen zu tun, vielmehr geht es im die Kompetenzaddition und die Verheiratung unterschiedlicher Sichtweisen auf das gleiche Problem. Unternehmen sollten bei der Besetzung von Teams deswegen nicht nur auf datenaffine IT-Spezialisten setzen. Eine wichtige Fähigkeit wird häufig unterschätzt: bei der Modellentwicklung muss auch das nötige Domain-Knowledge der Unternehmensfunktion am Tisch sitzen, für das Antworten gesucht werden. Wichtig ist ein interdisziplinäres Team aus Ingenieuren, Marktexperten oder Fachbereichsexperten. Es gilt das Domain-Wissen in das Projektteam zu integrieren, um zu wissen, welche Faktoren etwa im Supply Chain Management wichtig sind. Wo liegen etwa die Zeitfresser in der Verwaltung, welche durch Automatisierung der Abwicklungsprozesse adressiert werden können. Wer nur die nackten Zahlen sieht, kann wenig ausrichten, geht es doch darum auch etwas von der Materie zu verstehen. Wir können nicht 20 Knöpfe auf einmal bedienen oder nichtlineare Reaktionen von technischen Systemen beurteilen. Gleichwohl sind wir aber gut darin, statistische Auffälligkeiten zu plausibilisieren, einzelne Muster in eine Gesamtstrategie einzuordnen und zu entscheiden, wie blind man den Empfehlungen aus dem Computer folgen sollte. Die Paarung aus menschlichem Erfahrungswissen und künstlich intelligenter Analyse-Kraft ist die Grundvoraussetzung für die Generierung von neuen Erkenntnissen.

Die Mär der schlechten Datenqualität

Freilich wird man zu Beginn eines KI-Projektes immer vor der Herausforderung stehen, dass die Datenqualität nicht optimal ist. Mir ist in all den Jahren auch nie ein Unternehmen untergekommen, dass völlig zufrieden mit den eigenen Stammdaten war. Doch im Kern ist dieser Konflikt auch ein Henne-Ei-Prinzip, dass sich nur durch die Flucht nach vorne lösen lässt: wenn ich nie beginne mit Daten zu arbeiten, werde ich auch niemals gute Daten haben. Daten werden nur besser, wenn man sie nutzen will. Meine Erfahrung ist, dass jedes Unternehmen ausreichend Daten erzeugt, um zumindest einige wertstiftende Anwendungsfälle auszumachen. Allen Skeptikern, die an der Qualität der eigenen Daten zweifeln, kann gesagt werden – auch hier haben Unternehmen Werkzeuge geschaffen. Auch das Sammeln, Verknüpfen und selbst die Bereinigung fehlerhafter Daten können mittlerweile durch intelligente Werkzeuge angegangen werden.

Die Rolle der Machtpromotoren

Einen Masterplan aus der Schublade gibt es für kein Unternehmen, auch ein Copy/Paste von Data Science Modellen funktioniert nur in den seltensten Fällen. Manager, die sich aber auf dieses Experiment einlassen, sind schon eine Lektion voraus, denn sie haben das Naturell der Technologie verstanden. Hierfür braucht es aber die Marschrichtung und die Budgetmittel aus dem oberen Management und den Mut Neues auszuprobieren. Innovation lässt sich nicht planen wie eine inkrementelle Produktneuentwicklung. Innovation lässt sich abschnittsweise organisieren aber nicht in starren Zeitplänen vorsehen. Wie für so viele Transformationsprojekte zeigt sich, am besten geht es Top-Down: Der CEO gibt die Richtung vor und die Budgets frei und schenkt den Mittelmanagern dann auch das Vertrauen, das Beste daraus zu machen. Wer früher anfängt, kommt schneller auf Kammlinie und eines ist klar: Kein Unternehmen kann es sich heute mehr leisten, nicht aus den eigenen Daten zu lernen, denn die anderen tun es bereits.