Mit Analyse zum Erfolg
Moderne Analytik in der digitalen Unternehmenssteuerung führt zur wissens- und datengetriebenen Entscheidungskultur.
Wirtschaftliche Entscheidungen in projektorientierten Unternehmen werden zunehmend komplexer und vielschichtiger. Eine gute Analyse ist entscheidend um neue Erkenntnisse zu gewinnen, die als Basis für datengetriebene Entscheidungen dienen kann. Grundlegend sind dabei Datenqualität sowie die vorhandene Menge an relevanten Daten. Werden die Daten durch in der Praxis erprobte Methoden (wie beispielsweise strukturierte deckungsbeitragsorientierte Kostenträgermodelle) in einen Kontext eingebunden und damit zweckorientiert verwendet, ergeben sich daraus wertvolle Informationen. Ermittelt und kommuniziert man Informationen zum Beispiel mittels KPIs (Key Performance Indicators) in einem modernen lebendigen System, so vernetzt man nicht nur die Informationen, sondern generiert Wissen im Unternehmen.
Wissen setzt sich damit aus Daten und Informationen zusammen. Wissen entsteht aber erst durch das Zusammenfügen verschiedener Informationen zu Handlungsmustern und führt damit zu praktischen alltäglichen Anwendungen. Ähnlich wie Wissen ist Erkenntnis mit dem Anspruch der Richtigkeit verbunden. Man möchte mit Wissen und Erkenntnis die richtigen Entscheidungen treffen, um das Unternehmen in eine positive ertragreiche Zukunft zu steuern und seine Ziele zu erreichen. Es reicht natürlich nicht aus, nur neue Erkenntnisse als Selbstzweck zu gewinnen und Wissen aufzubauen. Es braucht erfahrene, kompetente und motivierte Mitarbeiter, die dann auch die richtigen Maßnahmen umsetzen. Kombiniert mit einer herausragenden Dienstleistung kann so die Wettbewerbsfähigkeit des Unternehmens nachhaltig verbessert werden.
Die vier Stufen der Analytik
Wie kommt man nun zu besseren Entscheidungen? Durch die rasche technologische Entwicklung verfügen wir heute über eine Vielzahl von Daten bei gleichzeitig erprobten Methoden und Modellen, die eine gute Datenqualität zur Verfügung stellen. Wir können uns also darauf konzentrieren, was uns diese Daten an entscheidungsrelevanten Informationen liefern können. An dieser Stelle kommt die Analyse ins Spiel. Die zugrundeliegende Analytik liefert uns vier Stufen, anhand der im Unternehmen generierte Daten analysiert werden können.
In vielen Unternehmen dominiert die Suche nach den Ursachen für Abweichungen. Hier stehen die analytischen Themenbereiche der Descriptive und Diagnostic Analytics im Mittelpunkt. Es wird also analysiert, was passiert ist (Descriptive Analytics) und warum es passiert ist (Diagnostic Analytics). In projektorientierten Unternehmen sucht man zum Beispiel nach den Gründen für Projektabweichungen im Gross Margin. Eine systemische Analyse könnte hier Abweichungen zwischen geplanten und tatsächlich gelieferten Materialmengen oder den Überzug an geplanten Leistungsstunden ermitteln. Soweit der Standard von gestern. Auch hier kommen zunehmend moderne Technologien zum Einsatz.
Mit Hilfe von statistischen und KI-basierten Methoden sucht eine intelligente Analyse nach Häufungen und Mustern in den Daten, kategorisiert und visualisiert die Ergebnisse. Dadurch können zuvor nicht bemerkte Zusammenhänge aufgedeckt werden. Beispielsweise ein Zusammenhang bei Projekten zwischen Materialintensität, Angebotsdatum, Reisekosten, Kundensegment und negativen Entwicklungen im Deckungsbeitrag. Diese Erkenntnis kann völlig neu sein und schafft neue Möglichkeiten für Handlungsoptionen. Zum Beispiel die Erkenntnis, dass es möglicherweise nicht zielorientiert ist, Aufträge in dieser Material- und Reisekostenintensität in diesem Kundensegment im ersten Quartal (Angebotsdatum) anzubieten. Die Ergebnisqualität des gesamten Projektportfolios könnte damit mehr Stabilität gewinnen.
Predictive Analytics im Einsatz
Wenn man auf Basis der vorhandenen Daten, also mit Hilfe von historischen Informationen, auf die Zukunft schließen möchte, dann spricht man von Predictive Analytics (Was wird passieren?). Mit Predictive Analytics ergeben sich interessante Möglichkeiten im Performance Management und der Projektsteuerung. Mit Hilfe von KI-Methoden und maschinellem Lernen können Planung und Forecasting mit automatisierten Vorschlägen unterstützt werden. Unter Berücksichtigung komplexer Entwicklungen in der Vergangenheit können beispielsweise die zu erwartenden zukünftigen Stundenentwicklungen von Programmierer-Teams oder Montagemitarbeitern automatisiert ermittelt werden. Diese Vorschläge kann ein Projektleiter seiner eigenen „händischen“ Projektplanung gegenüberstellen. In modernen Systemen werden die Ergebnisse aus der händischen Planung den automatisierten Vorschlägen in einem Konfidenzintervall gegenübergestellt, gewichtet und vorgeschlagen.
Der Projektleiter erhält auf seine Frage: „Was im kommenden Monat bei den Montagestunden passieren wird?“ einen Wert vorgeschlagen, den er in seine Planung übernehmen oder korrigieren kann. Dabei berücksichtigen die Algorithmen vergangene Entwicklungen in allen zur Verfügung stehenden Perioden, ähnlichen Projekten, Kunden, Sublieferanten oder sogar Wetterverhältnissen. 
Predictive Analytics kann auch dazu genutzt werden, Produktivität und Effizienz im Unternehmen zu verbessern. Denken wir an die Generierung von Vorschlägen bei der Erstanlage von Stammdaten. Hinweise wie „andere Benutzer haben für ähnliche Projekte die Kategorisierung A in den Stammdaten eingegeben“ könnten schon bald zum Standard gehören.
Mit Prescriptive Analytics zu Szenarien
Die bisher dargestellten Stufen der Analytik sind auf die Analyse von bereits vorhandenen Daten beschränkt. Wird auf dieser Basis der Vorhersage zusätzlich ein Entscheidungsmodell zur Lösung verwendet, spricht man von Prescriptive Analytics und ist damit bei der Fragestellung angelangt: Was ist zu tun? Man möchte ableiten was passieren wird, um damit die bestmögliche Entscheidung für die Zukunft zu treffen. Prescriptive Analytics bietet sich damit hervorragend an, um unterschiedliche Szenarien zu prüfen. Wie wirken sich also verschiedene Vorgehensweisen auf ein Ergebnis aus? In Zukunft könnte damit die Entscheidungsfindung weitgehend automatisiert werden. Unternehmen erhalten konkrete Handlungsempfehlungen, welche die Möglichkeiten bei der Entscheidung deutlich erweitert und neue Perspektiven ermöglicht. Prescriptive Analytics stellt hohe Anforderungen an die Analyse und erfordert die Integration und Kombination heuristischer Optimierung und künstlicher Intelligenz mit Modellierung und Simulation.
Mit Analyse zur Wissens- und datengetriebenen Entscheidungskultur
Die Analyse ist also nach wie vor das Mittel schlechthin, um erfolgreich seine Ziele zu erreichen. Neue Technologien schaffen neue Formen von Analysefähigkeit basierend auf bekannten Grundlagen der Analytik. Verbunden mit den Erfolgsmodellen in den Performance Systemen werden neue Erkenntnisse gewonnen, Informationen vernetzt und automatisierte Handlungsempfehlungen generiert. Damit wird Wissen generiert und die Nutzer solcher Systeme erhalten mehr Zeit für Qualitätsarbeit, Weiterentwicklung und Optimierung. So gesehen kann eine intelligente Analyse in der digitalen modernen Unternehmenssteuerung auch zur Initialzündung einer wissens- und datengetriebenen Entscheidungskultur im Unternehmen werden.
