3 häufige Fehler bei der datengesteuerten Entscheidungsfindung

Von Yongxing Deng, Mitbegründer und CTO von Aloft, ein Startup für Immobilientechnologie mit Sitz in Seattle, WA.

Als Führungskraft wird von Ihnen oft erwartet, dass Sie Daten verwenden, um eine fundierte Entscheidung zu treffen, unabhängig davon, ob Ihre Berufsbezeichnung das Wort "Daten" enthält oder nicht. Alles vom Budget, das einer Marketingkampagne zugewiesen werden soll, über die Anzahl der zu genehmigenden Mitarbeiter bis hin zur Umsatzprognose. Datengesteuerte Entscheidungen zu treffen ist jedoch nicht nur ein Slogan, sondern ein Werkzeug, dem Best Practices zu folgen sind. Hier sind drei häufige Fehler, die Führungskräfte machen, wenn sie Daten verwenden, um Entscheidungen zu treffen.

Datenvalidierung überspringen

Wenn wir mit einem engen Zeitplan (wie wir es oft haben) und einem Datensatz konfrontiert sind, ist es verlockend, sofort mit der Analyse des Datensatzes zu beginnen. Ihre Ergebnisse können jedoch nur so nützlich und aussagekräftig sein wie die Qualität der zugrunde liegenden Daten, daher ist es entscheidend, dass Sie ausreichend Zeit und Energie darauf verwenden, die Genauigkeit Ihres Datensatzes zu validieren.

Wenn es um die Datenvalidierung geht, beginnen Sie damit, den Daten gegenüber skeptisch zu sein. Setzen Sie Ihren Detektivhut auf und versuchen Sie, die Fehler in den Daten zu finden. Verwenden Sie Ihr vorhandenes betriebswirtschaftliches Wissen, um den folgenden Satz zu vervollständigen: Wenn die Daten richtig sind, dann ______. Verwenden Sie dann SQL oder Excel, um diese Annahmen zu validieren, bevor Sie die eigentliche Analyse durchführen.

Unterschätzung der Auswirkungen von Ereignissen mit geringer Wahrscheinlichkeit

Ereignisse, deren Eintreten weniger wahrscheinlich ist, können manchmal einen übergroßen Einfluss auf die Ziele haben, die Sie zu erreichen versuchen. Während beispielsweise Pandemien selten vorkommen, waren nur wenige Unternehmen auf der ganzen Welt in den letzten Jahren nicht erheblich von Covid-19 betroffen. Als Führungskraft ist es Ihnen unmöglich, alle Ereignisse vorherzusehen, die mit geringer Wahrscheinlichkeit eintreten könnten, aber Sie müssen oft trotzdem eine Entscheidung treffen. Was machst du?

Ein Ansatz besteht darin, sich explizit zu fragen: Angesichts der Zeitspanne, in der die Daten verfügbar sind, was könnten die Daten möglicherweise nicht "gesehen" haben? Wenn Sie beispielsweise über zwei Jahre Verkaufsdaten verfügen, können Sie davon ausgehen, dass alle seltenen Ereignisse, die einmal im Jahr auftreten, wahrscheinlich in Ihren Daten enthalten waren. Daher erfordern die Ereignisse keine besondere Aufmerksamkeit, um in Ihrer Analyse berücksichtigt zu werden. Wenn Sie andererseits nur über sechs Monate Verkaufsdaten verfügen, müssen Sie mit Ihrem Team zusammenarbeiten, um über Situationen nachzudenken, die möglicherweise nur einmal im Jahr auftreten (Saisonabhängigkeit kommt mir in den Sinn) und Ihr geschäftliches Urteilsvermögen einsetzen, um Ihre Datenergebnisse zu überschreiben. Das Präsentieren einer Liste von Ereignissen mit geringer Wahrscheinlichkeit und großer Auswirkung neben Ihrer Analyse kann Ihren Stakeholdern oft dabei helfen, viel bessere Entscheidungen zu treffen.

Vernachlässigen Sie den Power-User-Effekt in Ihrer Analyse

Angenommen, Sie besitzen ein Fitnessstudio und möchten schätzen, wie oft Ihre Mitglieder durchschnittlich in Ihrem Fitnessstudio trainieren. Ein "einfacher" Weg, es zu tun: Stellen Sie sich an die Rezeption, fragen Sie die nächsten 20 Mitglieder, die vorbeikommen, wie oft sie im letzten Monat im Fitnessstudio waren, und nehmen Sie einen Durchschnitt dieser 20 Antworten. Bitte beachten Sie, dass der Durchschnitt, den Sie auf diese Weise erhalten haben, nicht Ihre gesamte Mitgliederpopulation repräsentiert. Wieso den? Denn ein regelmäßiger Fitnessstudio-Teilnehmer wird viel eher von Ihnen interviewt als ein Mitglied, das nur einmal im Monat das Fitnessstudio besucht.

Wenn Sie eine Produktnutzungsanalyse durchführen, müssen Sie sorgfältig abwägen, ob die von Ihnen verwendete Methodik zu voreingenommenen Ergebnissen zugunsten Ihrer Power-User führt. Dies bedeutet nicht, dass Sie die Ergebnisse, die Sie auf diese Weise erhalten, ignorieren sollten, aber es bedeutet, dass Sie mit Vorsicht vorgehen sollten.

Es ist keine Übertreibung zu sagen, dass sich ein Großteil unseres Berufslebens heute um Daten dreht. Als Entscheidungsträger in Unternehmen müssen wir die Datenanalyse als ein leistungsstarkes Werkzeug behandeln, das auch Fallstricke und Fehler sowie ernsthafte Möglichkeiten hat, Schaden anzurichten. Indem wir Daten mit unserer eigenen Intuition kombinieren und unsere eigenen Methoden ständig hinterfragen, können wir den Nutzen der Datenanalyse maximieren.