^

29. Münchner Management Kolloquium

Unternehmenstransformation 2.0

Resilienz und Innovation durch Data Science

Unternehmenstransformation 2.0

Transformation 2.0 verändert die Arbeitswelt


In allen Branchen stehen die Unternehmenslenker vor großen Transformationsaufgaben. 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. Den betriebswirtschaftlichen Wert von Datenspuren zu verstehen und schnelles Lernen daraus, ziehen sich als Blaupausen durch die meisten Strategiepapiere. Obwohl viele Algorithmen schon älter als 30 Jahre sind, nimmt die selbststeuernde Wertkette und das Lernen aus Datenspuren erst jetzt Fahrt auf. Warum? Das liegt an der Vernetzung Cyber-physischer-Systeme und des Internet-of-Things sowie der Leistungsfähigkeit des überwachten Lernens. Diese Kombination führt zu erstaunlichen Ergebnissen: eine Automatisierung von Erkenntnisprozessen, welche das gebündelte Erfahrungswissen erfahrener Wertstromsteuerer herausfordert. 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.

Wie können Algorithmen gute Manager noch erfolgreicher machen?


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 sind uralt und 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.

Disziplin 1: Mit smarter Automatisierung zu neuen Produktivitätsniveaus

Vor rund 100 Jahren, zu Zeiten Frederick Taylors, genügt dem Fabrikanten eine technokratische Systematisierung von Arbeitsabläufe, um hinreichend wettbewerbsfähig zu sein. Eine Stoppuhr und Arbeitspläne waren die damaligen Werkzeuge um Produktivität zu steigern. Vor 50 Jahren traten Industrieroboter und EDV-Systeme in den Unternehmen ihre Erfolgsgeschichte an und führten zu neuen Produktivitätsniveaus. Die Manager mussten keine manuelle Ablaufplanungen mehr durchführen und die Stoppuhr wich dem computergestützten Line-Balancing. Die Konsequenz: die Manager hatten fortan mehr Zeit, sich um das Aufspüren attraktiver Opportunitäten in immer globaleren Märkten zu kümmern.

Disziplin 2: Mustererkennung unterstützt bei der Marktanalyse

Muster in den Kundenanforderungen zu erkennen und betriebswirtschaftlich attraktive Nischen zu besetzen war der Erfolgsfaktor im Zeitalter der Mass Customization: Auch das ist Mustererkennung! Denn das Portfoliomanagement hat in den letzten zwei Jahrzehnten deutlich an methodischer Reife gewonnen. Mittlerweile ist die Entscheidung über Modellpaletten keine einsame Entscheidung mehr von Generaldirektoren, sondern das Ergebnis wird beeinflusst von angewandten Cluster-Algorithmen. Der CEO muss den Lösungsbeitrag, den Marktanalysen und Kundenbefragungen ermöglichen, zwar bewerten, aber die Entscheidungsgrundlage ist nun deutlich besser. Portfoliomanagement ist sicher eine der wichtigsten Disziplinen aller erfolgreichen Unternehmen und methodische Finesse dabei bedeutet keinen Kniefall vor technokratischer Formelmagie. Aber wer mit hybriden Leistungsbündeln die individuellen Kundenbedürfnisse von multi-regionale Märkte möglichst präzise und effizient bedienen will, kommt um smarte Tools nicht herum.

Disziplin 3: Motivation und Führung bleiben eine menschliche Domain – oder?

Die richtigen Talente zu identifizieren und mit einer Vision auf ein gemeinsames Ziel auszurichten wird heute zu einer der wichtigsten Kompetenzen auf allen Märkten. Diese Visionen wirken auf zwei Arten: Einerseits ersetzen Sie starre 10-Jahrespläne, denn agil sein bedeutet zwar in Sprints zu denken, aber das Ziel vor Augen nicht zu verlieren. Zudem sind es die Visionen großer Vordenker, welche die attraktivsten Köpfe auf dem internationalen Markt anziehen. Menschen wollen nicht mehr für Unternehmen arbeiten, sondern für Marken und weil sie von deren Zweck und der größeren Idee angezogen werden: Corporate Purpose ist soziale Legitimation, Kundenmagnet und Recruiting-Instrument in einem. Auch wenn das Recruiting bereits KI zum Talent Screening einsetzt – bis auf Weiteres können nur Menschen andere Menschen führen. Denn es geht um mehr als die bloße transaktionale Führung im Sinne von Tasklisten. Es geht um den Einfluss von moralischen Entscheidungen, Fingerspitzengefühl für die Verschiedenartigkeit von Kulturen und den Spagat, eine Team-Kultur trotz Remote zu erzeugen.
Wettbewerbsfähige Unternehmen müssen das Beste aus den Mitarbeitern herausholen. Das gelingt aber nicht durch Autokratie, Mikromanagement oder mangelnde Perspektiven, sondern eben durch das Entwerfen von Visionen, welche die Menschen fesseln. Mitarbeiter möchten das Gefühl, Teil von etwas Großem zu sein.
Was hat das alles mit KI zu tun? Es wird auch in Zukunft auf die Kompetenzen zur Steigerung der Produktivität, die Fähigkeit zu scharfsinniger Beobachtung und die Motivation der Mitarbeiter ankommen. Und kein Manager kann sich gänzlich aus diesen Domänen zurückziehen – aber die Entscheidungen werden durch KI besser. KI ist mehr Werkzeug als Substitut für die Manager, denn es ermöglicht die Digitalisierung von Erfahrungswissen, wenn Algorithmen von Menschen trainiert werden und lernen aus Dateninput Auffälligkeiten zu erkennen. Für Führungskräfte wird es in den kommenden Jahren also darauf ankommen, die Möglichkeiten und Limitationen dieser neuen Technologie zu verstehen und das wird nicht ohne Try-and-Error funktionieren. Wie bei jedem Werkzeug, kommt es darauf an die Anwendung in konkreten Fallbeispielen zu erproben, zu lernen, nachzuschärfen.

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. CEOs welche ihre Mittelmanager veranlassen, Data Science Projekte in einen 3-Jahres ROI zu pressen, vergessen eine wichtige Lektion: Innovation lässt sich nicht planen wie eine inkrementelle Produktneuentwicklung. Innovation lässt sich abschnittsweise organisieren aber nicht in starren Zeitplänen vorsehen. Wer Datenprojekte nicht angeht, weil die Datenstruktur nicht passt, wird nie lernen, auf welche Daten es ankommt und wie deren Struktur auszusehen hat. Wer auf Sicherheit spielt, wird keine großen Sprünge machen. Viele Manager verwechseln Data Science nach wie vor mit einer App, in die Daten fließen und die kluge Entscheidungen ausgibt. Modelle und Hypothesen müssen aber getestet werden um etwa herauszufinden, welche Umfelddaten tatsächlich eine bessere Risikoprognose für den Halbleiterbereich ermöglichen. 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.

Algorithmen-Training mit Domainwissen

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. Ausschlaggebend für einen erfolgreichen Piloten ist also der Schulterschluss zwischen Daten-Experten und den Erfahrungsträgern im Unternehmen um Modelle zu entwickeln, welche reale Abläufe möglichst gut abbilden. Kein Modell reicht aber beliebig nahe an die Realität heran und auch Vorhersagen sind selten präzise. Aber darum geht es nicht, sondern um eine bessere Entscheidungsgrundlage basierend auf dem menschlichen Erfahrungswissen, angereichert mit den ausgelesenen Spuren, welche die eigenen Prozessdaten hinterlassen. Domänenwissen ist der Schlüssel, denn Mathematik ohne Applikations-Know-how ist wertlos.
Es braucht also den kreativen Willen, betriebswirtschaftliche Optimierungsprobleme in ein Datenproblem zu übersetzen und genau diesen Weg gehen bereits viele Unternehmen. Auch ein Data Science Modell funktioniert jedoch am Ende wie eine industrielle Maschine, Input-Daten nach einer Veredelung in einen Output – in dem Fall oftmals Aha-Effekte - übersetzt. Was für die Entwicklung von Maschinen gilt, gilt also auch für die Entwicklung von Data Science Modellen: Der Weg ist durch Iterationen und Experimente geprägt. Es ist oftmals zu Beginn schwer abzuschätzen, welches Modell am Ende das beste Ergebnis bringen wird. Aber das sich der Mut zur Tüftelei lohnt, zeigen die Erfolge von den Unternehmen verschiedensten Branchen. Fazit: Bei genauerer Betrachtung zeigt sich, KI ersetzt nicht sondern erweitert und ergänzt den Methodenbaukasten fähiger Manager - ist aber ohne das Domainwissen eben dieser Manager völlig wertlos.