Die meisten erfolgreichen Unternehmen betrachten datengestützte Entscheidungsfindung als ein vorrangiges Ziel und verfolgen es mit religiösem Eifer. Die datengesteuerte Entscheidungsfindung, die Schritte, die zu ihr führen, und die Art und Weise, wie KI sie verändert, sind jedoch nicht klar definiert.

In einem KI-erfahrenen Unternehmen bedeutet datengesteuerte Entscheidungsfindung

• Strategische Entscheidungen werden von einer heterogenen Gruppe getroffen, zu der auch Führungskräfte gehören, die sich auf einen ausreichend umfassenden, qualitativ hochwertigen Satz von Informationen stützen. Definitionsgemäß sollte eine schlechte strategische Entscheidung so wichtig sein, dass sie zum Scheitern des Unternehmens führt.
• Es wird operative Entscheidungen mit erheblichen geschäftlichen Auswirkungen geben, bei denen Standardlösungen keine zufriedenstellenden Ergebnisse liefern. Diese werden durch maßgeschneiderte maschinelle Lernmodelle generiert. Diese Modelle können im Rahmen von Data-Science-Wettbewerben, von internen Teams oder in Zusammenarbeit mit Branchenführern entwickelt werden.
• Die meisten anderen betrieblichen Entscheidungen werden von kontinuierlich lernenden maschinellen Lernmodellen getroffen, die erklärbare Entscheidungen liefern. Operative Entscheidungen sind häufig (einmal pro Woche oder häufiger) und nicht kritisch (ein einziger Fehler wird wahrscheinlich nicht zum Scheitern des Unternehmens führen).
• Operative Entscheidungen, die nicht mit guter Genauigkeit automatisiert werden können, werden an Menschen delegiert.
  • Wenn Daten fehlen, werden meinungsbasierte Entscheidungen getroffen.
  • Wenn Daten vorhanden sind und analysiert wurden, verlässt sich der Entscheidungsträger auf die Analyse.
  • Wenn Daten vorhanden sind, aber noch nicht analysiert wurden, bestimmen die Kosten der Analyse, ob eine meinungs- oder datenbasierte Entscheidung getroffen wird.

Bevor wir uns auf diesen Rahmen für die Entscheidungsfindung in modernen Unternehmen einigen, müssen wir herausfinden, wie wir verschiedene Entscheidungsmodelle bewerten können. Wenn Sie möchten, können Sie jedoch direkt zu den Abschnitten springen, die Sie interessieren:

Warum ist es wichtig?

Auch wenn es offensichtlich ist, dass datengestützte Entscheidungsfindung wichtig ist, wäre es doch schade, wenn wir nicht datengestützt vorgehen würden, um dies zu beweisen. Obwohl quantitative Daten über datengestützte Entscheidungsfindung schwer zu bekommen sind, gibt es deutliche Hinweise darauf, dass

• die Menge der erzeugten Daten zunimmt. Laut einer Analyse von Domo aus dem Jahr 2017 erzeugen wir jeden Tag 2,5 Quintillionen Bytes an Daten. 90 % der Daten, die heute auf der Welt sind, wurden in den letzten zwei Jahren erstellt.
• Unternehmen investieren mehr in Daten und maschinelle Lerntechnologien, um Erkenntnisse aus diesen Daten zu gewinnen.

Eine einschlägige Umfrage wurde von New Vantage Partners über Big-Data-Investitionen von Unternehmen durchgeführt. Die Ergebnisse zeigen, dass Unternehmen versuchen, sich durch die unternehmensweite Implementierung von Big Data einen Vorteil zu verschaffen. Hier sind die Zahlen der Umfrage:

Wie werden verschiedene Modelle zur Entscheidungsfindung bewertet?

Entscheidungsfindung hat 3 KPIs: Geschwindigkeit, Qualität, Überprüfbarkeit. Das Fehlen einer dieser Kennzahlen kann zu kritischen Fehlern führen.

• Langsame Entscheidungsfindung lähmt Unternehmen und ermöglicht es Konkurrenten, Marktanteile zu gewinnen.
• Schlechte Entscheidungen führen zu Misserfolgen. Eine schlechte Entscheidung, egal wie gut sie ausgeführt wird, wird wahrscheinlich keinen Wert schaffen. Die Entscheidung von Motorola, weiterhin in Iridium-Satelliten zu investieren, die Milliarden von Dollar kosteten, führte beispielsweise zu einer großen Abschreibung für das Unternehmen. Eine gute Ausführung konnte das Ergebnis nicht ändern, da die Mobilkommunikation zu dem Zeitpunkt, als die Iridium-Telefone auf den Markt kamen, eine billigere und hochwertigere Alternative zu den Satellitentelefonen darstellte.
• Wenn Entscheidungen nicht überprüft werden können, sind sie schwer zu verbessern. Die Qualität von Entscheidungen lässt sich zum Zeitpunkt der Entscheidung nur schwer messen, kann aber später unter Berücksichtigung anderer Alternativen und der aktuellen Marktbedingungen eingeschätzt werden. Eine solche Postmortem-Analyse sollte zu besseren Entscheidungen führen

Was sind die verschiedenen Modelle der Entscheidungsfindung?

Entscheidungsmodelle, beginnend mit der niedrigsten Ausbaustufe, sind:

1- Meinungsbasierte Modelle

Sie ermöglichen zwar schnelle Entscheidungen, aber die Qualität der Entscheidungen kann gering sein, was für strategische Entscheidungen gefährlich ist. Sie kann jedoch für eine schnelle Entscheidungsfindung in den Fällen eingesetzt werden, in denen:

• keine qualitativ hochwertigen Daten verfügbar sind
• die Kosten für die Analyse höher sind als der Wert einer guten Entscheidung

2- Angetrieben durch eine begrenzte Datenmenge

Organisationen, die Probleme mit der Datenqualität oder -verfügbarkeit haben, verlassen sich wahrscheinlich auf begrenzte Datenmengen, um Entscheidungen zu treffen. Dies ist potenziell das gefährlichste Entscheidungsfindungsmodell, da Entscheidungsträger begrenzte Daten nutzen könnten, um ihre Meinungen zu untermauern, was zu weithin unterstützten, aber meinungsbasierten Entscheidungen führt.

Ein erheblicher Anteil der Beratungsprojekte fällt in diese Kategorie, bei der Berater einen Anreiz haben könnten, begrenzte Datenpunkte zu finden, um meinungsbasierte Hypothesen zu unterstützen.

Die Entscheidungsqualität kann besser sein als die meinungsbasierte Entscheidungsfindung, wenn die Entscheidungsträger offen für neue Informationen sind, psychologische Voreingenommenheit berücksichtigen, ihren Ansatz für die Vorhersage variieren (Innensicht vs. Außensicht) und nach Antworten suchen, anstatt nach Daten zu suchen, die ihre Meinung stützen.

3- Datengestützte Entscheidungsfindung durch manuelle Analyse

Für dieses Modell müssen die Daten verfügbar und von hoher Qualität sein, und es muss ein Konsens über die Richtigkeit der Daten bestehen. Es ist der bevorzugte Ansatz für wichtige Entscheidungen, bei denen das Timing nicht kritisch ist und bei denen die Kosten der Automatisierung im Vergleich zu ihrem Nutzen unerschwinglich sind.

Um dies zu ermöglichen, müssen Unternehmen:

• ihre Daten effizient und effektiv verwalten
• die Qualität ihrer Daten sicherstellen
• auf leistungsstarke Analyse-/Business-Intelligence-Tools setzen

4- Automatisierte datengestützte Entscheidungsfindung

Daten sind verfügbar und von hoher Qualität, und es besteht ein Konsens über die Korrektheit der Daten, und sie wurden verarbeitet, so dass Entscheidungen automatisch getroffen werden. Auf der Grundlage der Ergebnisse verbessert sich das Entscheidungsfindungsmodell im Laufe der Zeit kontinuierlich. Die Prüfung ist jedoch eine Herausforderung, wenn keine Gründe für Entscheidungen angegeben werden.

Um dies zu erreichen, müssen Unternehmen die neuesten Ansätze des maschinellen Lernens und der KI anwenden, um automatisierte, operative Modelle auf der Grundlage ihrer Daten zu erstellen.

5- Automatisierte datengesteuerte erklärbare Entscheidungsfindung

Zusätzlich zur automatisierten datengesteuerten Entscheidungsfindung werden erklärbare Modelle des maschinellen Lernens verwendet, um Entscheidungen zu treffen. Erklärungen helfen bei der Überprüfung von Entscheidungen und der kontinuierlichen Verbesserung des zugrunde liegenden Modells durch manuelle Eingriffe zusätzlich zum automatisierten kontinuierlichen Lernen.

Warum ich das geschrieben habe?

Ich habe die meiste Zeit meiner beruflichen Laufbahn bei McKinsey verbracht, wo die datengesteuerte Entscheidungsfindung eines der Kernprinzipien ist. Es war ein großartiges Prinzip, aber als Berater ohne Zugang zu internen Daten ziemlich schwierig zu erreichen. Angesichts meiner aktuellen Erfahrungen mit KI wollte ich darüber nachdenken, wie wir datengesteuerte Entscheidungsfindung besser definieren können.

Wie kann Ihr Unternehmen im Zeitalter der KI zu einem datengesteuerten Unternehmen werden?

1. Unternehmen müssen die digitale Transformation erreichen, um sicherzustellen, dass sie digitale Prozesse haben. Wir haben zum Beispiel einen detaillierten Leitfaden zum Einsatz von RPA, um sich wiederholende Prozesse zu digitalisieren und zu automatisieren. Die digitale Transformation ermöglicht es dem Unternehmen, Daten zu generieren, die zur Erstellung von Modellen und zur Operationalisierung der Entscheidungsfindung verwendet werden. Die Daten müssen von hoher Qualität und zugänglich sein, um eine weitere Transformation zu ermöglichen.
2. Die KI-Transformation kann mit der Digitalisierung von Prozessen beginnen. Hochwertige Prozesse, für die es ausgereifte Out-of-the-Box-Lösungen gibt, sind die ersten Bereiche für die KI-Transformation.
3. Wenn Unternehmen mehr maschinelles Lernen/AI-basierte Lösungen einsetzen, wird es Bereiche geben, in denen Out-of-the-Box-Lösungen unzureichend sind. Unternehmen müssen damit beginnen, maßgeschneiderte KI-Lösungen einzusetzen, um die Entscheidungsfindung in solchen Bereichen zu automatisieren.
4. Da Modelle immer häufiger bei der Entscheidungsfindung eingesetzt werden, müssen Unternehmen sicherstellen, dass sie erklärbar und frei von Verzerrungen sind.
5. Auf diesem Weg muss auch das Management datengesteuerte Entscheidungen akzeptieren. Es müssen bewusste Abwägungen zwischen dem Aufwand für die Datenanalyse und der Qualität der Entscheidung getroffen werden. Dieser Kulturwandel ist kein separater Schritt, sondern sollte in dem Maße entwickelt werden, wie die analytischen Fähigkeiten des Unternehmens reifen. Ein Unternehmen mit ausgereiften digitalen Prozessen kann es sich leisten, einen größeren Teil seiner Entscheidungen datengesteuert zu treffen als ein Unternehmen mit Offline-Prozessen, da es einen erheblichen Aufwand bedeutet, die Ergebnisse solcher Prozesse im Detail zu analysieren.

Nach diesen Schritten hat das Unternehmen den eingangs beschriebenen Reifegrad erreicht. Die genauen Schritte, um dorthin zu gelangen, hängen vom aktuellen Reifegrad des Unternehmens ab. Unternehmen können mit verschiedenen Partnern zusammenarbeiten, um Unterstützung auf diesem Weg zu erhalten:

• Beratungsunternehmen für die digitale Transformation, um die dx-Roadmap zu ermitteln und Schlüsselinitiativen zu implementieren
• Analytik-Berater, um das Analytik-Framework des Unternehmens einzurichten, das es ermöglicht, kritische Entscheidungen mit einer Mischung aus automatisierten und manuellen Analysen zu treffen
• Data-Science-/KI-Berater, um die Daten des Unternehmens zu operationalisieren, indem Erstellung von benutzerdefinierten Modellen, die autonom Geschäftsentscheidungen treffen, wie z. B. die Bearbeitung von Krediten oder Forderungen
• Organisatoren von Data-Science-Wettbewerben, um Unternehmen dabei zu helfen, die Weisheit der Massen zu nutzen, um effektive Modelle zu begrenzten Kosten zu erstellen

Wenn Sie über relevante Daten verfügen, um Ihre Machine-Learning-Probleme zu lösen, aber Unterstützung von Partnern bei der Erstellung von Machine-Learning-Modellen benötigen, we can help:

Identifizieren Sie Partner für den Aufbau maßgeschneiderter KI-Lösungen

Wenn Sie weitere Fragen haben, helfen wir Ihnen gerne weiter:

Lassen Sie uns den richtigen Anbieter für Ihr Unternehmen finden