Von Daten zu Taten: So gelingen datenbasierte Entscheidungen

Fragestellung, Kennzahlen, Datenqualität und die Grenzen der Zahlen: ein Leitfaden für Entscheidungen im Unternehmensalltag
Aktualisiert:
Abstract
- #Datenanalyse
- #Entscheidungsfindung
- #Data Literacy
- #Kennzahlen
- #Datenqualität
- #Datenbasierte Entscheidungen
- #KI
- #Machine Learning
Gute Entscheidungen beginnen nicht mit den Daten, sondern mit der richtigen Frage
Montagmorgen, Vertriebsrunde. Auf dem Bildschirm leuchtet ein Dashboard mit 40 Kacheln: Umsatz nach Region, Besucherzahlen der Website, offene Angebote, Retourenquote. Nach einer Stunde Diskussion steht die Entscheidung fest, die der Vertriebsleiter schon vor dem Termin im Kopf hatte. Die Zahlen haben sie nicht begründet, sondern nur begleitet.
So sieht „datenbasiert“ in vielen Unternehmen aus. Es fehlt selten an Daten. Warenwirtschaft, CRM, Webanalyse und Buchhaltung liefern mehr, als je ausgewertet wird. Es fehlt an einem Weg von der Zahl zur Entscheidung: an einer klaren Frage, an Kennzahlen, die zu dieser Frage passen, an Daten, denen man trauen kann, und an einem nüchternen Blick darauf, was Zahlen nicht beantworten können.
Warum mehr Daten nicht automatisch bessere Entscheidungen bringen
Die Erwartung ist verständlich: Wer mehr weiß, entscheidet besser. In der Praxis kippt das ab einem gewissen Punkt. Je mehr Kennzahlen auf dem Tisch liegen, desto leichter findet sich eine, die die eigene Meinung stützt. Fachleute sprechen von Bestätigungsfehler (Confirmation Bias), der Neigung, Informationen so auszuwählen, dass sie zur eigenen Erwartung passen.
Hinzu kommt, dass Daten immer eine Vergangenheit beschreiben. Sie zeigen, was unter den damaligen Bedingungen geschehen ist. Ob das auf die nächste Entscheidung übertragbar ist, sagen sie nicht von selbst. Datenbasiert zu entscheiden heißt deshalb nicht, Zahlen anzuhäufen, sondern sie gezielt zu befragen.
Dieser Beitrag beschäftigt sich mit genau diesem Weg im Alltag. Wie die vier Analysestufen von der Beschreibung bis zur Handlungsempfehlung funktionieren, steht ausführlich im Beitrag über prädiktive und präskriptive Analytik. Hier geht es um die Frage davor: Wie wird aus einer Auswertung eine Entscheidung, die man begründen kann?
Erst die Frage, dann die Daten
Der häufigste Fehler steht ganz am Anfang. Ein Team öffnet das BI-Werkzeug, also die Business-Intelligence-Software für Berichte und Dashboards, und sucht nach „interessanten Auffälligkeiten“. Das kann zu Ideen führen, aber selten zu Entscheidungen. Besser ist der umgekehrte Weg: Zuerst wird festgehalten, was entschieden werden soll.
Eine brauchbare Entscheidungsfrage hat drei Merkmale:
- Sie ist konkret. „Wie läuft der Onlineshop?“ ist keine Entscheidungsfrage. „Sollen wir die kostenlose Rücksendung für Bestellungen unter 30 Euro abschaffen?“ ist eine.
- Sie hat Alternativen. Wenn nur eine Option denkbar ist, braucht es keine Analyse, sondern eine Umsetzung.
- Sie hat ein Kriterium. Vorab steht fest, woran gemessen wird, welche Alternative besser ist: Deckungsbeitrag, Kundenzufriedenheit, Durchlaufzeit.
Hilfreich ist eine zweite Frage, die fast nie gestellt wird: Welches Ergebnis würde unsere Entscheidung ändern? Angenommen, der Shop schafft die kostenlose Rücksendung ab. Wenn die Bestellungen danach um ein Prozent zurückgehen, ist das verkraftbar. Bei zehn Prozent wäre es ein Fehler. Wer diese Schwelle vorher festlegt, schützt sich davor, das Ergebnis nachträglich schönzurechnen.
Kennzahlen, die eine Entscheidung tragen
Kennzahlen (englisch KPI, Key Performance Indicators) übersetzen ein Ziel in etwas Messbares. Gute Kennzahlen haben einen direkten Bezug zur Entscheidungsfrage. Viele Dashboards zeigen dagegen, was sich leicht messen lässt, und nicht, was wichtig ist.
Spät- und Frühindikatoren
Spätindikatoren zeigen ein Ergebnis, wenn es bereits eingetreten ist: Umsatz, Gewinn, Kündigungsquote. Sie sind verlässlich, kommen aber für eine Kurskorrektur oft zu spät. Frühindikatoren deuten eine Entwicklung an, bevor sie im Ergebnis sichtbar wird. Im Wartungsgeschäft kann das die Zahl der Supportanfragen pro Kunde sein, im Vertrieb die Zahl qualifizierter Erstgespräche. Ein Kennzahlenset sollte beide Arten enthalten.
Vorsicht bei Kennzahlen, die gut aussehen
Seitenaufrufe, Follower oder die Zahl versendeter Newsletter steigen gern und sagen wenig. Solche Werte heißen im Englischen treffend „Vanity Metrics“, also Eitelkeitskennzahlen. Die Prüffrage lautet: Würden wir etwas anders machen, wenn diese Zahl halb so hoch wäre? Wenn nicht, gehört sie nicht in die Entscheidungsrunde.
Ein zweites Risiko beschreibt das sogenannte Goodhart’sche Gesetz, benannt nach dem britischen Ökonomen Charles Goodhart. In der gängigen Fassung, die auf die Sozialanthropologin Marilyn Strathern zurückgeht, lautet es: Sobald eine Kennzahl zum Ziel wird, verliert sie ihre Aussagekraft. Wird ein Supportteam nur an der Zahl geschlossener Tickets gemessen, werden Tickets schneller geschlossen, aber nicht unbedingt Probleme gelöst. Kennzahlen sollten deshalb paarweise betrachtet werden, etwa Bearbeitungszeit zusammen mit der Quote wieder geöffneter Tickets.
Datenqualität: Woran viele Auswertungen scheitern
Eine Analyse ist nur so gut wie die Daten, auf denen sie beruht. Das klingt banal, ist aber der Punkt, an dem in der Praxis die meisten Auswertungen wackeln. Typische Probleme:
- Uneinheitliche Definitionen: Der Vertrieb zählt einen Auftrag bei Unterschrift, die Buchhaltung bei Rechnungsstellung. Beide Zahlen sind richtig und passen trotzdem nicht zusammen.
- Lücken und Dubletten: Ein Kunde steht dreimal im CRM, einmal mit alter Adresse. Pflichtfelder werden mit Platzhaltern gefüllt, damit die Maske gespeichert werden kann.
- Veraltete Stände: Ein Bericht zieht Daten aus einer Exportdatei, die seit Monaten niemand aktualisiert hat.
- Stille Systemwechsel: Nach einer Umstellung des Webanalyse-Werkzeugs werden Besuche anders gezählt. Die Kurve knickt ein, obwohl sich am Verhalten der Kunden nichts geändert hat.
Gegen diese Fehler hilft weniger Technik als Disziplin. Für jede wichtige Kennzahl sollte schriftlich festgehalten sein, wie sie berechnet wird, aus welchem System sie stammt und wer dafür verantwortlich ist. Ein solches Kennzahlenglossar wirkt bürokratisch, erspart aber viele Diskussionen darüber, wessen Zahl die richtige ist. Vor einer wichtigen Entscheidung lohnt außerdem eine kurze Plausibilitätsprüfung: Passen die Größenordnungen? Gibt es Ausreißer, die sich erklären lassen?
Zahlen richtig lesen: typische Denkfehler
Auch saubere Daten lassen sich falsch deuten. Einige Fehler tauchen so regelmäßig auf, dass es sich lohnt, sie im Team beim Namen zu kennen.
Zusammenhang ist keine Ursache. Wenn Filialen mit mehr Personal mehr Umsatz machen, kann das am Personal liegen. Es kann aber auch sein, dass umsatzstarke Filialen schlicht mehr Personal bekommen. Erst ein Vergleich unter kontrollierten Bedingungen, etwa ein A/B-Test, bei dem zwei Varianten zufällig verteilt gegeneinander antreten, liefert belastbarere Hinweise.
Kleine Zahlen schwanken stark. Eine Filiale mit zehn Reklamationen im Monat, die im Folgemonat 15 hat, verzeichnet ein Plus von 50 Prozent. Das klingt dramatisch und kann reiner Zufall sein. Prozentangaben sollten immer zusammen mit den absoluten Zahlen gezeigt werden.
Der Durchschnitt verdeckt Unterschiede. Eine durchschnittliche Lieferzeit von drei Tagen kann bedeuten, dass alle Kunden nach drei Tagen beliefert werden. Oder dass die Hälfte nach einem Tag und die andere Hälfte nach fünf Tagen beliefert wird. Für die Kundenzufriedenheit ist das ein großer Unterschied. Median und Verteilung sagen hier mehr.
Es fehlen die Unsichtbaren. Eine Umfrage unter aktiven Kunden zeigt hohe Zufriedenheit. Wer unzufrieden war, ist allerdings längst gegangen und wurde gar nicht befragt. Dieser sogenannte Survivorship Bias, die Verzerrung durch die „Überlebenden“, steckt in vielen Auswertungen von Bestandsdaten.
Die Fähigkeit, solche Fallen zu erkennen, ist ein Kern dessen, was unter Datenkompetenz oder Data Literacy verstanden wird. Wie Unternehmen sie im Team aufbauen und eine gemeinsame Sprache für Daten entwickeln, beschreibt der Beitrag Daten zum Sprechen bringen.
Datengesteuert oder dateninformiert: Wer entscheidet?
In der Diskussion um datenbasierte Entscheidungen werden zwei Begriffe oft vermischt. Datengesteuert (data-driven) bedeutet, dass eine Regel oder ein Modell die Entscheidung trifft und Menschen nur noch die Rahmenbedingungen setzen. Dateninformiert (data-informed) bedeutet, dass Menschen entscheiden und Daten eine wichtige, aber nicht die einzige Grundlage sind.
Welcher Ansatz passt, hängt vor allem von zwei Faktoren ab: wie oft eine Entscheidung fällt und wie teuer ein Fehler ist. Automatisierung lohnt sich bei häufigen, gleichartigen Entscheidungen mit begrenztem Schaden im Einzelfall. Beispiele sind Nachbestellungen von Standardartikeln, die Sortierung eingehender Anfragen oder die Reihenfolge von Produkten im Onlineshop. Seltene, folgenreiche Entscheidungen wie eine Standortwahl, eine Preisstrategie oder eine Personalentscheidung gehören dagegen in menschliche Hände, gestützt auf Daten.
Bei Entscheidungen über Menschen kommt eine rechtliche Ebene hinzu. Artikel 22 der Datenschutz-Grundverordnung (DSGVO) gibt betroffenen Personen grundsätzlich das Recht, keiner ausschließlich automatisierten Entscheidung unterworfen zu werden, die ihnen gegenüber rechtliche Wirkung entfaltet oder sie ähnlich erheblich beeinträchtigt. Die europäische KI-Verordnung (AI Act) stellt KI-Systeme in sensiblen Bereichen wie Personalauswahl oder Kreditvergabe zusätzlich unter besondere Anforderungen. Wer solche Verfahren plant, sollte die Rechtslage im Einzelfall fachkundig prüfen lassen.
Mit generativer KI hat sich die Frage zuletzt verschoben. Sprachmodelle können Berichte zusammenfassen, Abfragen formulieren und Auffälligkeiten in Tabellen beschreiben. Das senkt die Schwelle, Daten überhaupt zu nutzen. Es ersetzt aber nicht die Prüfung, ob eine Auswertung stimmt. Sprachmodelle formulieren auch falsche Schlüsse flüssig und überzeugend. Für Entscheidungen gilt deshalb: Die Zahlen müssen aus nachvollziehbaren Abfragen stammen, nicht aus der Erinnerung eines Chatbots.
Die Grenzen von Daten
Daten helfen, Unsicherheit zu verringern. Beseitigen können sie sie nicht. Es gibt Situationen, in denen sie wenig beitragen:
- Neue Märkte und neue Produkte: Für etwas, das es noch nicht gibt, existieren keine historischen Daten. Hier helfen eher kleine Experimente, Gespräche mit potenziellen Kunden und begründete Annahmen.
- Strukturbrüche: Eine Pandemie, ein neuer Wettbewerber oder eine Gesetzesänderung können Muster aus der Vergangenheit schlagartig entwerten. Modelle, die auf alten Daten trainiert wurden, merken das nicht von selbst.
- Werte und Ziele: Ob ein Unternehmen Wachstum oder Stabilität, Marge oder Marktanteil höher gewichtet, ist keine Frage der Daten, sondern der Strategie.
- Nicht Gemessenes: Vertrauen eines Großkunden, Stimmung im Team oder die Erfahrung einer langjährigen Fachkraft tauchen in keiner Tabelle auf und sind trotzdem entscheidungsrelevant.
Erfahrung und Bauchgefühl sind deshalb kein Gegensatz zu datenbasierten Entscheidungen. Sie werden nur ehrlicher, wenn sie offen benannt werden. Ein guter Satz in jeder Entscheidungsvorlage lautet: „Die Daten zeigen X. Wir entscheiden uns trotzdem für Y, weil …“
Ein einfacher Ablauf für datenbasierte Entscheidungen
Aus den Abschnitten oben lässt sich ein schlanker Prozess ableiten, der auch ohne eigenes Data-Science-Team funktioniert:
- Entscheidung formulieren: Was genau steht zur Wahl, bis wann, und wer entscheidet?
- Kriterium und Schwelle festlegen: Woran wird gemessen, und ab welchem Ergebnis fällt die Entscheidung anders aus?
- Daten prüfen: Woher stammen die Zahlen, wie sind sie definiert, wie aktuell sind sie, was fehlt?
- Auswerten und gegenlesen: Ein Kollege, der nicht an der Analyse beteiligt war, prüft die Schlussfolgerung auf die typischen Denkfehler.
- Entscheiden und dokumentieren: Ergebnis, Begründung und die Annahmen, auf denen sie beruht, werden festgehalten.
- Nachhalten: Nach einigen Wochen oder Monaten wird geprüft, ob die erwartete Wirkung eingetreten ist.
Der letzte Schritt fehlt in den meisten Unternehmen. Dabei ist er der wertvollste: Erst der Abgleich zwischen Erwartung und Ergebnis zeigt, ob die Kennzahlen taugen und ob die Organisation aus ihren Entscheidungen lernt.
Was das für Ihr Unternehmen bedeutet
Unsere Einschätzung: Die meisten mittelständischen Unternehmen brauchen für bessere Entscheidungen weder ein großes Datenprojekt noch KI. Sie brauchen ein Dutzend sauber definierter Kennzahlen, eine verlässliche Datenquelle je Kennzahl und die Gewohnheit, vor jeder Auswertung die Frage aufzuschreiben. Überschätzt wird dagegen der Nutzen immer neuer Dashboards, unterschätzt der Aufwand für Datenqualität und Definitionen.
Ein sinnvoller Einstieg ist eine einzelne, wiederkehrende Entscheidung, etwa die monatliche Einkaufsplanung oder die Priorisierung von Vertriebskontakten. Wer dort den Ablauf einmal durchspielt, sieht schnell, wo Daten fehlen und wo sie schon heute reichen. Für die Auswahl von Kennzahlen, den Aufbau von Auswertungen und die Schulung von Fachabteilungen bietet MARTINSFELD Beratung und Seminare zu Data Analytics an.
Häufige Fragen zu datenbasierten Entscheidungen
Braucht ein kleines Unternehmen dafür eine eigene Datenabteilung?
Nein. Für die meisten Entscheidungen in kleinen und mittleren Betrieben reichen beschreibende und erklärende Auswertungen, wie sie Tabellenkalkulation oder gängige BI-Werkzeuge liefern. Wichtiger als eine eigene Abteilung ist eine Person, die für die Definition der Kennzahlen verantwortlich ist und auf Datenqualität achtet.
Wie viele Kennzahlen sind sinnvoll?
Eine feste Zahl gibt es nicht. Als Faustregel gilt: Für eine einzelne Entscheidung sollten wenige Kennzahlen reichen, die sich direkt auf das Kriterium beziehen. Ein Managementbericht, der mehr Werte enthält, als in einer Besprechung diskutiert werden können, lenkt eher ab, als dass er hilft.
Was tun, wenn Daten und Erfahrung sich widersprechen?
Zuerst die Daten prüfen: Stimmen Definition, Zeitraum und Quelle? Hält die Auswertung stand, lohnt es sich, die Erfahrung genauer zu fassen. Oft steckt dahinter Wissen, das in den Daten nicht abgebildet ist. Entscheidet man sich gegen die Zahlen, sollte die Begründung festgehalten und später überprüft werden.
Kann KI die Entscheidung übernehmen?
Bei häufigen Routineentscheidungen mit klarer Zielgröße können Modelle gute Vorschläge liefern oder Entscheidungen in festen Grenzen automatisieren. Bei seltenen, strategischen oder personenbezogenen Entscheidungen sollte die Verantwortung beim Menschen bleiben, auch aus rechtlichen Gründen.