Bringen Sie die Unternehmensleitung dazu, Ihre Analysen nicht länger zu ignorieren
Sie können so viele datengestützte Analysen erstellen, wie Sie wollen, aber sie sind nutzlos, wenn nicht jemand in einer Machtposition ihnen tatsächlich Aufmerksamkeit schenkt. Vergewissern Sie sich, dass Sie die wichtigste Zutat einbeziehen, um Interesse zu wecken: den Kontext.
Früher haben viele Führungskräfte datengestützte Erkenntnisse gemieden, um unternehmensweite Entscheidungen nach ihrem Bauchgefühl zu treffen. Bei der Führung aus dem Bauch heraus nutzten die Entscheidungsträger in der Regel ihren eigenen Hintergrund und ihre Erfahrungen bei der Arbeit, um Vermutungen darüber anzustellen, was für das Unternehmen gut oder schlecht sein könnte. Wichtig ist, dass dieser Entscheidungsprozess auf dem in der Praxis erworbenen Wissen über Arbeitsplätze, Unternehmen und Branchen beruhte.
Angesichts dieser Geschichte ist es nicht verwunderlich, dass Entscheidungen, die auf so abstrakten Größen wie Zahlen und Statistiken beruhen, tückisch erscheinen, vor allem, wenn man bedenkt, wie schnell sich die Technologien zur Datenakkumulation und -verbreitung in den letzten 20 Jahren entwickelt haben. Obwohl die Möglichkeiten datengestützter Schlussfolgerungen schon seit Jahrhunderten bekannt sind, haben sich ihre Anwendungen erst in jüngster Zeit durchgesetzt. Um diesem Eindruck entgegenzuwirken und die Entscheidungsträger zu ermutigen, sich datengestützte Erkenntnisse zu eigen zu machen, müssen Analysten den Wert datengestützter Entscheidungsfindung klar vermitteln. Aber wie?
WIE NUTZE ICH MEINE DATEN?
Um die Vorteile datengestützter Schlussfolgerungen voll ausschöpfen zu können, müssen Praktiker statistische Erkenntnisse in einer Sprache formulieren, die für das Zielpublikum relevant, verständlich und vor allem kontextbezogen ist. Ziel ist es, die statistischen Erkenntnisse zu nutzen, um die Neugierde der Entscheidungsträger zu wecken.
Einblicke klar machen
Um die Vorteile datengestützter Schlussfolgerungen voll ausschöpfen zu können, müssen die Praktiker statistische Erkenntnisse in einer Sprache vermitteln, die für die Zielgruppe relevant, verständlich und vor allem kontextbezogen ist. Ziel ist es, die statistischen Erkenntnisse zu nutzen, um die Neugier der Entscheidungsträger zu wecken.
Wenn Sie erklären, wie und warum die Daten ein bestimmtes Problem angehen, sollten Sie die zentrale Frage, die an die Daten gestellt wird, in den Vordergrund der Diskussion stellen. Wenn ein Teil der Analyse zu komplex ist, um ihn im Zusammenhang mit dem Problem zu erklären, gehört er in den Anhang. Dieser Grundsatz geht darüber hinaus, die Ergebnisse in den Vordergrund zu stellen. Die Forscher müssen alle Facetten ihrer Analyse in den Kontext der Fragestellung einbetten, wenn sie ihre Ergebnisse kommunizieren.
Stellen Sie sich zum Beispiel vor, das zu untersuchende Problem bestünde darin, dass die Zahl der freiwilligen Kündigungen in einer großen Bank in letzter Zeit gestiegen ist. Die Geschäftsleitung vermutet, dass diese Kündigungen ein Nebenprodukt von möglicherweise betrügerischen Verkaufspraktiken sein könnten. Daher möchte sie das Ausmaß solcher unangemessenen Praktiken untersuchen, falls es solche gibt.
Die Geschäftsleitung könnte Informationen sammeln, indem sie sich an einzelne Mitglieder des Unternehmens wendet oder eine Stichprobe von Führungskräften in anderen Branchen befragt, um herauszufinden, wie es um den Umsatz in ihrem jeweiligen Sektor bestellt ist. Um ein schnelles und genaues Bild der Fluktuation zu erhalten, wäre es jedoch am besten, Daten aus dem Personalwesen und statistische Schlussfolgerungen zu verwenden, um ein Bild der Situation zu zeichnen.
Der beste Weg, diese kohärente Erzählung bei der Erklärung statistischer Ergebnisse aufzubauen, besteht darin, dass die Forscher ihre Arbeit als Konstruktion eines statistischen Falles und nicht als Suche nach einer Grundursache betrachten. Die Darstellung von Ergebnissen im Sinne einer Anhäufung von Beweisen für oder gegen eine Schlussfolgerung funktioniert auch viel besser als eine Präsentation, die die Analyse in einzelne Komponenten aufteilt (z. B. "Ergebnisse", "Methoden", "Datenquellen" usw.). Bei der Erstellung eines statistischen Falles formulieren die Forscher die Datenergebnisse automatisch im Hinblick darauf, wie und warum sie die zentrale Frage behandeln, die für die Entscheidungsträger von Interesse ist.
Die Betrachtung von Daten und statistischen Schätzungen als Beweise für oder gegen ein bestimmtes Ergebnis dient dazu, den Blick auf die Frage zu lenken, die ihrer Verwendung zugrunde liegt. Dies steht im Gegensatz zu der oben beschriebenen kontextlosen "wissenschaftlichen Arbeit als Präsentation", bei der die Analyseergebnisse den Fragen gegenübergestellt werden, die die Forscher mit ihnen beantworten wollen.
Im Zusammenhang mit der Untersuchung des Kontenbetrugs könnten die Forscher mit ihren wichtigsten Schlussfolgerungen beginnen, nachdem sie das Problem und die Frage dargelegt haben. Nehmen wir weiter an, dass die Forscher statistische Beweise für Betrug gefunden haben. Von diesem Ausgangspunkt aus präsentieren die Forscher ihre Ergebnisse in Form von Fallbeispielen mit Daten, Methoden und visuellen Darstellungen, um die einzelnen Beweise für die Gesamtschlussfolgerung zu untermauern, dass betrügerische Aktivitäten der wahrscheinliche Schuldige für erhöhte Kündigungsraten sind.
So wäre es zum Beispiel ein guter Anfang, darzulegen, dass die Aufhörquoten in diesem Jahr deutlich über ihrem historischen Durchschnitt liegen. Von hier aus könnten die Forscher weiter aufzeigen, welche Geschäftsbereiche für den größten Teil des Anstiegs verantwortlich waren, und auf mögliche Anreize für unlautere Geschäftspraktiken hinweisen. Wenn beispielsweise die Zunahme der Privatkonten oder der Aufgaben im Privatkundengeschäft den Gesamttrend im Vergleich zu anderen Geschäftsbereichen vorantreibt, könnten die Forscher darauf hinweisen, dass die Generierung neuer Konten in Verbindung mit Boni oder Werbeaktionen einen Anreiz für betrügerische Aktivitäten schafft. Die Darstellung möglicher Ursachen in Verbindung mit den statistischen Ergebnissen trägt dazu bei, die Nützlichkeit der einzelnen statistischen Daten zu untermauern.
Was könnte es sonst noch sein?
Eine weitere nützliche Methode zur Kontextualisierung von Ergebnissen besteht darin, über relevante kontrafaktische Szenarien nachzudenken. Vergleichsbasen für mehrere mögliche Antworten führen zu einer kritischen Bewertung potenzieller Lösungen und bringen die Entscheidungsträger dazu, über Kompromisse nachzudenken. Fragen Sie einfach, was die wahrscheinlichste Alternative ist, die hätte eintreten können. Auch dies trägt dazu bei, das gesamte Ausmaß des Problems zu kontextualisieren, und zeigt implizit, dass datengestützte Analysen bei der Bestimmung dessen, was letztendlich geschehen ist und was in Zukunft wahrscheinlich geschehen wird, Vorrang haben.
Wenn man sieht, wie empirische Daten den Fokus von möglichen Erklärungen für das Geschehene auf andere verlagern, wird deutlich, wie nützlich sie für die Entscheidungsträger sind, wenn es darum geht, konkurrierende Erklärungsansätze zu analysieren. Wenn die Entscheidungsträger die von der Statistik gebotenen Einsichten erkennen und andere wahrscheinliche Szenarien, die nicht eingetreten sind, hervorheben, stärkt dies die Fähigkeit der Statistik, andere wahrscheinliche Erklärungen für die betreffende Frage probabilistisch auszuschließen.
In unserem hypothetischen Beispiel wären also alternative Faktoren, die Arbeitnehmer zur Beendigung des Arbeitsverhältnisses veranlassen könnten, gute kontrafaktische Szenarien, die es zu untersuchen gilt. Ein Kontrapunkt könnte sein, dass die erhöhten Kündigungsraten auf eine alternde Belegschaft zurückzuführen sind oder darauf, dass junge oder kurz beschäftigte Arbeitnehmer eher im Vertrieb kündigen. Um dies herauszufinden, sollten die Analysten das Durchschnittsalter und die Dauer der Betriebszugehörigkeit der kündigenden Mitarbeiter untersuchen.
Ein weiterer Anhaltspunkt wäre die Frage, ob die Kündigungen überproportional häufig von Arbeitnehmern der unteren Ebenen im Vergleich zu Arbeitnehmern in Führungspositionen ausgesprochen werden. Diese Muster könnten auch historischen Trends gegenübergestellt werden, um zu klären, warum die Kündigungsrate in den genannten Branchen so hoch ist.
Die Verwendung von Daten, um den Schwerpunkt auf eine Hypothese und weg von anderen zu verlagern, macht konkurrierende "Business as usual"-Berichte überflüssig. In diesem Fall ging es um betrügerische Aktivitäten und nicht um die konkurrierende Alternative von Kündigungen aufgrund erwarteter demografischer Muster wie Pensionierungen und typischerweise hohe Kündigungsraten bei neuen Vertriebsmitarbeitern. Die Widerlegung alternativer Szenarien veranschaulicht die leistungsstarke Verwendung statistischer Daten zur Abwägung von Entscheidungen im Kontext.
Über die Visualisierung hinaus
Wenn Sie also eine überzeugende Argumentation für eine wahrscheinliche Lösung erarbeitet und mögliche Alternativen behandelt haben, müssen Sie die Ergebnisse auf überzeugende Weise präsentieren. Eine verlockende Methode zur schnellen Erläuterung ist die Verwendung von Grafiken und Zahlen, wann immer dies möglich ist. Die Visualisierung von Zahlen hat im letzten halben Jahrzehnt enorm an Bedeutung gewonnen, insbesondere durch die beschleunigte Einführung neuer Technologien, die die Visualisierung erleichtern. Zu den jüngsten Beispielen gehören Tableau, Shiny, Power BI und andere.
Obwohl die Visualisierung von Ergebnissen für das Verständnis von entscheidender Bedeutung sein und beim kontrafaktischen Denken helfen kann, ist zu beachten, dass Visualisierungen keine Patentlösung für die schwierige Aufgabe sind, statistische Ergebnisse für Entscheidungsträger relevant zu machen. Überzeugende Grafiken sind wichtig, um Daten und geschätzte Ergebnisse zu veranschaulichen, aber sie sind nur eine Methode der Kommunikation und nicht die Kommunikation selbst. Man könnte auch sagen, dass fesselndes Bildmaterial manchmal notwendig ist, um sicherzustellen, dass Führungskräfte statistische Ergebnisse als Entscheidungsgrundlage nutzen. Die Schlussfolgerungen, auf die die visuellen Beweise hinweisen, sind jedoch viel wichtiger. Ansprechende Grafiken und Zahlen können ein wirkungsvolles Mittel sein, um analytische Ergebnisse zu vermitteln, aber sie werden nicht die Argumente der Forscher für sie übernehmen.
Es reicht nicht aus, einfach nur visuelle Darstellungen von Zeitreihentrends bei den Kündigungsraten zwischen den Sektoren einzubinden, um den Verantwortlichen der Bank zu zeigen, dass betrügerische Kontoaktivitäten stattgefunden haben. Eine Präsentation der Ergebnisse, die nur aus einem Sammelsurium von Diagrammen und Grafiken besteht, ist chimärisch. Ihre Anordnung, ihre Komplementarität und ihre Kohärenz sind entscheidend für die Untermauerung des Gesamtergebnisses, dass betrügerische Kontobewegungen die wahrscheinlichste Ursache für den jährlichen Anstieg der freiwilligen Kündigungen sind. Es reicht nicht aus, vor Gericht einfach Exponate aufzustellen und sich darauf zu verlassen, dass die Richter und Geschworenen sie bewundern, um ihr Urteil zu begründen. Sie müssen für sie eintreten.
Führen mit Daten
Statistische Ergebnisse und der Kontext, in dem sie entstanden sind, müssen den Forschern als Richtschnur für mögliche Lösungen dienen. Wenn der wahrscheinliche Verursacher des Problems, wie im obigen Beispiel, perverse Anreize sind, muss das Umfeld, in dem das Problem auftrat, auch das Umfeld sein, in dem das Problem gelöst wird. Die einfache Entlassung und Ersetzung betrügerischer Akteure oder die Schließung bestimmter Standorte, an denen Betrug stattgefunden hat, sind verlockende Lösungen. Sie werden jedoch das grundlegende Problem nicht lösen. Deshalb ist es so wichtig, dass die Forscher immer wieder betonen, dass statistische Ergebnisse das Ergebnis eines Prozesses oder von Prozessen sind, die sie hervorbringen.
Dieser letzte Punkt sollte dazu dienen, datenbasierte Erkenntnisse in ein solches Bauchgefühl umzuwandeln. Eine kohärente Erzählung, die durch das Gewicht der statistischen Beweise untermauert wird, fesselt und informiert die Interessengruppen des Unternehmens. Die Kontextualisierung der statistischen Ergebnisse weckt ihre Neugier und gibt den Entscheidungsträgern die Relevanz, die sie benötigen, um fundierte Entscheidungen zu treffen.
