Was ist Entscheidungswissenschaft?
Die Entscheidungswissenschaft ist ein neuer Ansatz der Datenwissenschaft, der darauf abzielt, die Qualität von Entscheidungen zu verbessern und sie im gesamten Unternehmen umzusetzen. Sie kombiniert datengestützte Erkenntnisse mit anderen Bereichen wie der Kognitionswissenschaft und der Organisationspsychologie, um Schwächen in der individuellen und kollektiven Entscheidungsfindung zu überwinden.
EXEKUTIVE Zusammenfassung
Die Hauptverantwortung einer Führungskraft besteht darin, Entscheidungen zu treffen. Die täglichen Aufgaben einer Führungskraft, wie z.B. das Leiten von Abläufen, das Entwickeln von Strategien und das Definieren der Unternehmenskultur, erfordern die Auswertung von Hintergrundinformationen und Alternativen, die dann zur Entscheidungsfindung in einem komplexen Umfeld genutzt werden. Betriebsleiter/innen treffen ebenfalls Entscheidungen, um die größtmögliche Effizienz in einer Organisation zu erreichen.
Daten sind ein mächtiges Werkzeug für Entscheidungsträger auf allen Ebenen, von der Unternehmensstrategie auf höchster Ebene bis hin zum Tagesgeschäft. Die explosionsartige Zunahme von Daten in der Marktforschung hat dazu geführt, dass es immer mehr Datenwissenschaftler/innen gibt, die Erkenntnisse aus Daten ableiten, und dass ganz neue Branchen entstanden sind, die auf Datenwissenschaft basieren.
Doch viele Unternehmen stützen ihre Entscheidungsprozesse immer noch auf Methoden, die vor der Datenwissenschaft entwickelt wurden. Diese Unternehmen brauchen einen Weg, um Datenerkenntnisse zu nutzen, um Entscheidungsprozesse zu erleichtern und konkrete Geschäftsprobleme zu lösen. Außerdem müssen sie Schwachstellen in der individuellen und organisatorischen Entscheidungsfindung angehen, um sicherzustellen, dass die Führungskräfte die richtigen Entscheidungen treffen und das Unternehmen diese Entscheidungen in die Tat umsetzt.
Dieses Rätsel führte zur Entstehung eines neuen Bereichs, der Entscheidungswissenschaft, die datengestützte Erkenntnisse mit anderen Bereichen wie der Kognitionswissenschaft und der Organisationspsychologie kombiniert, um Entscheidungsprozesse zu verbessern.
Die Herausforderung: die richtige Entscheidung zu treffen und die Menschen dazu zu bringen, sie auszuführen
Die modernen Märkte entwickeln sich schneller als je zuvor, und ehrgeizige Unternehmen sind bestrebt, sich anzupassen. Die Entscheidungsträger von heute müssen schnelle und präzise Entscheidungen auf der Grundlage zuverlässiger Daten treffen. Die Datenwissenschaft selbst konzentriert sich jedoch oft darauf, Erkenntnisse zur Beantwortung von Geschäftsanfragen zu liefern, ohne den Prozess zu berücksichtigen, der erforderlich ist, um die richtige Entscheidung zu treffen und die Menschen dazu zu bringen, sie auszuführen.
Der Entscheidungsprozess ist mit zahlreichen Formen menschlicher Fehlbarkeit behaftet, sowohl auf individueller als auch auf organisatorischer Ebene:
Individuen haben kognitive Voreingenommenheit
Unser Gehirn hat sich so entwickelt, dass es ein System von Abkürzungen oder Faustregeln verwendet, um schnelle, fast unbewusste Entscheidungen zu treffen. Aber diese Entscheidungen sind nicht immer genau oder optimal: Sie sind mit Vorurteilen behaftet. Dazu gehören:
- Verankerung: Wir neigen dazu, uns zu sehr auf die erste Information zu verlassen, die wir lesen oder hören;
- Survivorship Bias: Wir konzentrieren uns auf erfolgreiche Programme, Menschen oder Dinge und ignorieren diejenigen, die gescheitert sind;
- Sunk cost bias: Wir setzen Programme oder Bemühungen fort, weil wir zuvor Ressourcen investiert haben.
In der Datenwissenschaft kann ein Mensch, der Daten interpretiert, diese in geografische Regionen oder Rassengruppen einteilen, obwohl es keinen erkennbaren Unterschied im Verhalten zwischen diesen Klassifizierungen gibt. Und wenn es darum geht, Millionen oder Milliarden von Datenpunkten zu interpretieren, sind wir in der Lage, grundlegende Aggregate zu verstehen, haben aber Schwierigkeiten, über Beziehungen zwischen Variablen nachzudenken - Informationen, die für die Entscheidungsfindung entscheidend sind.
Die meisten Geschäftsleute sind sich der kognitiven Voreingenommenheit bewusst, aber dieses Bewusstsein hat wenig dazu beigetragen, die Auswirkungen von Voreingenommenheit auf die individuelle Entscheidungsfindung zu verringern.
Menschen handeln nicht konsequent nach den besten, rationalen Entscheidungen
Das tatsächliche Verhalten der Menschen stimmt nicht mit dem überein, was die besten Methoden vorhersagen. Wir sind vorhersehbar irrational, wie es der Buchtitel von Dan Ariely ausdrückt. Menschen, die an Entscheidungen beteiligt sind, haben fast immer eine Kombination aus Eigeninteresse, Selbstüberschätzung und Anhaftung an die Vergangenheit, die ihre Entscheidung trübt.
An Entscheidungen sind mehrere Parteien mit konkurrierenden Interessen beteiligt
Parteien mit konkurrierenden Interessen einigen sich oft auf eine Entscheidung, die die Interessen jeder Partei befriedigt, anstatt die beste Lösung unter Berücksichtigung der Parameter der einzelnen Parteien zu optimieren. Daher müssen Wettbewerb und Verhandlungsstrategien im Entscheidungsprozess eine Rolle spielen.
Konflikte nach der Entscheidung sind giftig
Konflikte vor der Entscheidung sind normal und gesund, aber die Parteien müssen sich zu der Entscheidung bekennen, damit sie richtig umgesetzt werden kann. Wenn sie sich nicht für die Entscheidung einsetzen, werden sie sie entweder nicht umsetzen oder sie aktiv sabotieren, wenn die Entscheidung ihren eigenen Interessen zuwiderläuft. Selbst wenn das Unternehmen die beste Entscheidung getroffen hat, ist es eine weitere Herausforderung, sie im täglichen Betrieb umzusetzen.
Traditionelle Datenwissenschaft berücksichtigt nicht die Entscheidungsfindung
Entscheidungsträger verlassen sich auf Data Science und andere Informationsquellen, um ihre Schritte zu bestimmen, aber Data Science berücksichtigt die Entscheidungsfindung nicht. Datenwissenschaftler/innen müssen den Entscheidungsfindungsprozess ihres Unternehmens verstehen und wissen, was die Entscheidungsträger/innen brauchen, um sicherzustellen, dass ihre Erkenntnisse ihr volles Potenzial im Unternehmen entfalten.
Die Daten selbst stellen Hindernisse dar
Zusätzlich zu den menschlichen Faktoren, die in den Entscheidungsprozess einfließen, stehen Unternehmen auch vor Herausforderungen im Zusammenhang mit Daten. Sie haben Zugang zu riesigen Mengen komplexer Daten, die jedoch oft in einem unstrukturierten Format vorliegen. Es fehlt ihnen der geschäftliche Kontext. Sie sind für die anstehende Entscheidung irrelevant.
Darüber hinaus existieren die wertvollsten Daten außerhalb des Unternehmens in endlosen Quellen wie Blogbeiträgen, Forschungspapieren, Patentanmeldungen und Pressemitteilungen. Um aus diesen Daten nützliche Erkenntnisse zu gewinnen, sind fortgeschrittene Kenntnisse in Mathematik, Finanzen und Analyse erforderlich, aber es ist schwer, Talente mit diesen Fähigkeiten zu finden.
Schließlich erfordert die Nutzung von Daten für Entscheidungen mehr als Datenwissenschaft. Wie wir gesehen haben, muss die Datenwissenschaft in den Entscheidungsfindungsprozess integriert werden, damit die Führungskräfte die richtige Entscheidung treffen und die Organisation sie umsetzen kann.
Den Entscheidungsprozess verstehen
Um die Dilemmata bei der Entscheidungsfindung zu lösen, ist es wichtig, den Prozess zu verstehen, der bei jedem Schritt einer Entscheidung abläuft.
Die Ebenen der strategischen Entscheidungen
In einem modernen Unternehmen gibt es drei Ebenen für strategische Entscheidungen:
- Entscheidungen auf Führungsebene: Das sind weitreichende, unternehmensweite Entscheidungen, z. B. welche Produkte oder Dienstleistungen angeboten werden sollen und wo, wann und wie sie angeboten werden sollen.
- Operative Entscheidungen werden von Führungskräften der mittleren Ebene getroffen: Auf den unteren Ebenen der Organisation steht das Handeln im Vordergrund. Die Entscheidungen konzentrieren sich darauf, wie die betriebliche Effizienz verbessert werden kann.
- Automatisierte Entscheidungen auf individueller Ebene: Zum Beispiel ein Eignungstest für potenzielle Arbeitnehmer/innen, der vorprogrammierte Algorithmen und Einstellungskriterien verwendet.
Alle drei Ebenen nutzen die Erkenntnisse der Datenwissenschaft, aber sie leiden unter den zuvor besprochenen individuellen und organisatorischen Mängeln.
Gute Entscheidungen folgen einem System
Rationale, umsetzbare Entscheidungen erfordern einen klaren Prozess, der wiederholbar und verlässlich ist. Sie beginnen mit relevanten, vertrauenswürdigen Daten. Sie erwägen kreative Optionen mit klaren Werten und Vorteilen. Sie wenden einen systematischen Denkprozess an, der individuelle oder gruppenbezogene Voreingenommenheiten umgeht. Sie berücksichtigen den geschäftlichen Kontext der Entscheidung und holen dann den Konsens aller beteiligten Parteien ein, damit die Entscheidung umgesetzt werden kann.
Unternehmen benötigen relevante Erkenntnisse, um Entscheidungen zu treffen
Solide Entscheidungen fangen damit an, dass die Entscheidungsträger/innen verstehen, dass sie eine gut durchdachte und gut präsentierte Entscheidung treffen wollen. Kurz gesagt, sie wollen die bestmögliche Entscheidung treffen. Dafür brauchen sie zeitnahe, gut verpackte Erkenntnisse, die sie in ihren Entscheidungsprozess einfließen lassen können.
Entscheidungen erfordern kollektives Engagement
Und schließlich brauchen die Entscheidungsträger ein kollektives Engagement, um ihre Entscheidung innerhalb der Organisation vollständig umzusetzen. Dies erfordert eine Konfliktlösung, um der Meinungsvielfalt gerecht zu werden, denn an jeder Entscheidung sind mehrere Parteien beteiligt, die jeweils ihre eigenen Werte und Vorstellungen haben.
Entscheidungswissenschaft bringt alles zusammen
Vorausschauende Unternehmen gestalten die Datenwissenschaft so um, dass sie mit der Art und Weise, wie ihre Führungskräfte und Manager Entscheidungen treffen, in Einklang gebracht werden kann. Dieser neue Ansatz der Datenwissenschaft, der als Entscheidungswissenschaft bekannt ist, ermöglicht es Unternehmen, systematisch die Prozesse der Entscheidungsfindung zu verbessern, anstatt einfach nur Probleme mit Daten zu lösen.
So können sie komplexe, analytische Entscheidungsprobleme angehen, sich für die beste Alternative entscheiden und die Entscheidung im gesamten Unternehmen umsetzen. Entscheidungswissenschaft geht über das Finden der richtigen Antwort hinaus. Sie ermöglicht das Engagement aller Beteiligten, indem sie sie angemessen in den gesamten Prozess einbezieht.
Datenwissenschaft vs. Entscheidungswissenschaft
Kurz gesagt: Data Science ermöglicht bessere Entscheidungen, aber Decision Science vervollständigt das Puzzle. Dateningenieure und -wissenschaftler haben immer noch einen Platz am Tisch: Die Entscheidungsfindung ist zukunftsorientiert, aber sie basiert auf aktuellen und vergangenen Daten. Sie erfordert anwendbare und verlässliche Daten als Entscheidungsgrundlage sowie ein vorausschauendes Element, um zu verstehen, was in der Zukunft passieren wird. Sie erfordert Analysetechniken und Möglichkeiten, die Erkenntnisse für Entscheidungsträger/innen darzustellen.
Es gibt eine glückliche Rückkopplungsschleife zwischen Datenwissenschaftlern und Entscheidungsträgern. Die Datenwissenschaft gibt den Entscheidungsträgern neue Alternativen an die Hand und kann den Kontext der Entscheidung mithilfe von Erkenntnissen aus der Marktforschung neu gestalten. Die Entscheider wiederum geben den Datenwissenschaftlern Feedback, damit sie später noch nützlichere Daten abrufen können.
Die Entscheidungswissenschaft findet auf jeder Ebene der Organisation Anwendung
Laut McKinsey gibt es eine Handvoll wichtiger Maßnahmen, die die leistungsstärksten Unternehmen von den übrigen unterscheiden. Dazu gehören disziplinierte Fusionen und Übernahmen (M&A), die Umverteilung von Ressourcen auf vielversprechende Geschäfte und Märkte sowie die Steigerung der Bruttomarge durch innovative Geschäftsmodelle und die Entwicklung von Preisvorteilen.
Auf betrieblicher Ebene sind Produktivitätsverbesserungen ein weiterer wichtiger Prädiktor für herausragende Leistungen. Eine kürzlich durchgeführte Umfrage unter 1.300 CEOs weltweit ergab, dass 77 % der Befragten angaben, dass ihr Hauptaugenmerk zur Steigerung des Umsatzwachstums auf der Verbesserung der betrieblichen Effizienz liegt. Diese Betriebsleiter/innen setzen auf automatisierte Technologien wie Selbstbedienungs-Kundenservice, Überwachungsgeräte im Internet der Dinge (IoT) und Roboter, um die Effizienz zu steigern und das Kundenerlebnis zu verbessern.
Auf jeder Ebene müssen Führungskräfte schwerwiegende Entscheidungen treffen, die darüber entscheiden, ob ein Unternehmen herausragt oder untergeht. Bei Fusionen und Übernahmen zum Beispiel muss eine Pipeline potenzieller Ziele entwickelt werden, eine kleinere Anzahl hochwertiger Ziele wird einer Due-Diligence-Prüfung unterzogen, und für eine Handvoll werden Angebote abgegeben. Und die Entscheidung, einen menschlichen Kundenbetreuer durch einen Selbstbedienungskiosk zu ersetzen, kann zu höheren Umsätzen führen, aber auch erhebliche Entlassungen nach sich ziehen.
Manager/innen und Führungskräfte brauchen einen ausgefeilten, fundierten Entscheidungsprozess, um sicherzustellen, dass sie die beste Entscheidung treffen und diese im Unternehmen umsetzen können.
KI ist ein Wendepunkt in der Entscheidungswissenschaft
Neue Technologien der künstlichen Intelligenz (KI) versprechen, die Entscheidungsanalyse in den kommenden Jahren neu zu gestalten. Es ist wichtig zu unterscheiden, was Daten und KI für die Entscheidungsfindung bedeuten.
Daten helfen dabei, faktenbasierte Entscheidungen zu treffen. Bevor es Datenerfassungs- und Analysetools wie Excel gab, mussten sich die Menschen bei ihren Entscheidungen auf ihre eigene Intuition verlassen. Wie wir gesehen haben, sind diese Entscheidungen aufgrund kognitiver Verzerrungen fehleranfällig. Daten ermöglichen es Entscheidungsträgern, über ihre Intuition hinauszugehen und auf der Grundlage von Datenanalysen faktenbasierte Entscheidungen zu treffen.
KI hilft bei der Verarbeitung dieser Daten. Durch das Internet und die Verbreitung von persönlichen Geräten wird jede Sekunde eine riesige Menge an Daten erzeugt. Für Menschen ist es unmöglich, all diese Daten zu nutzen. KI kann Daten aus Hunderten von Quellen sammeln, diese Daten von ihrer Rohform in eine strukturierte Version umwandeln und leistungsstarke Analyseverfahren anwenden, um Beziehungen zwischen Datenelementen aufzudecken. Außerdem kann sie helfen, Beziehungen zwischen Variablen aufzudecken, die sonst unbemerkt bleiben würden.
Aber KI wird den Menschen nicht ersetzen. Stattdessen befreit sie Menschen von der Aufgabe, strukturierte Daten zu verarbeiten, damit sie sich auf übergeordnete Tätigkeiten wie die Entwicklung von Unternehmensstrategien, Werten und Visionen konzentrieren können.
Über Skai
Skai ist eine fortschrittliche Analyseplattform, die Entscheidungsträgern in Unternehmen Einblicke in Echtzeit und umsetzbare Daten ermöglicht. Unsere Gründer, zwei israelische Offiziere des militärischen Nachrichtendienstes, erkannten, dass sie die gleichen Verfahren, die sie auf dem Schlachtfeld einsetzten, auch in der Vorstandsetage anwenden können, um bessere Entscheidungen zu treffen. Wir sind einzigartig in unserer Fähigkeit, mehr als 13.000 externe Datenquellen mit Hilfe von NLP und maschinellen Lernverfahren zu verknüpfen. Zu unseren Kunden zählen viele der weltweit führenden Verbrauchermarken.
-------------
*DieserBlogbeitrag erschien ursprünglich auf Signals-Analytics.com. Kenshoo hat Signals-Analytics im Dezember 2020 übernommen. Lies die Pressemitteilung.
Mehr wie dies
