Gewinnen Sie neue Erkenntnisse aus Ihren Daten: Fragen Sie immer wieder nach dem „Warum“

Hinweis: Dieser Text ist zuerst in der ComputerWorld erschienen.

Wir alle sind schon einmal einem neugierigen kleinen Kind begegnet, das unaufhörlich „Warum“ fragt. Haben Sie schon einmal daran gedacht, dass es im Geschäftsleben sinnvoll sein kann, in die Rolle dieses Kindes zu schlüpfen? Das liegt daran, dass Menschen – ob Kinder, Journalisten, Wissenschaftler, Manager oder Datenanalysten – nicht erfolgreich sein können, wenn sie nur nach dem „Was“ fragen.

Angenommen, der Umsatz ist niedrig, die Kosten sind hoch und die Ressourcen nicht ausgelastet – ein Szenario, das Ihnen nicht unbekannt sein dürfte. Solche Probleme zu erkennen, ist noch der einfache Teil der Aufgabe. Der schwierige, aber entscheidende Punkt ist dagegen, zur Ursache eines Problems vorzustoßen, um auf dieser Basis korrigierende Maßnahmen ergreifen zu können.

Wie gehen Sie dabei vor? Indem Sie immer wieder nach dem „Warum“ fragen.

Vielleicht ist Ihnen schon eine Technik bekannt, die als die „5-W-Methode“ („5 Warum“) bezeichnet wird. Sie stammt von Sakichi Toyoda, dem Gründer von Toyota Motors, der in Japan auch als „König der japanischen Erfinder“ bezeichnet wird.

Kurz gesagt, fragen Sie dabei, warum ein erkanntes Problem aufgetreten ist. Bei jeder Antwort oder dazu vorgebrachten Erklärung fragen Sie dann immer weiter nach dem „Warum“ . Das primäre Ziel dieser Methode ist, festzustellen, was die eigentliche Ursache eines Missstandes ist, um diesen beheben zu können.

Viele Unternehmen sind dazu zu ihrem eigenen Nachteil nicht in der Lage. Eine Reihe von Unternehmen setzt auf Dashboards oder Berichte. Damit lassen sich hervorragend Fragen nach dem „Was“ beantworten. Was machen Sie aber, wenn Sie mehr wissen wollen als die Daten Ihnen zeigen? Um die „5-W-Methode“ anwenden zu können, müssen Sie in der Lage sein, die Daten jenseits von Dashboards auszuwerten. Nur dann lassen sich ad-hoc auftretende Fragen beantworten.

Oder anders ausgedrückt: Dashboards können nur der Anfang sein, nicht das Ende.

Ich möchte das anhand eines Beispiels zeigen. Nehmen wir an, Sie sind Fachhändler und verfügen über herrliche Dashboards, die Ihren Umsatz und Gewinn anzeigen. Wie in der unteren Abbildung dargestellt, gibt Ihnen ein Balkendiagramm die Antwort auf folgende Frage: Wie hoch sind Umsatz und Gewinn in unseren Hauptwarengruppen? Das Diagramm weist auf ein Problem hin: Wie Sie sehen können, hat der Bereich „Möbel“ sein Gewinnziel weit verfehlt.

Was können wir da machen? Wir fragen nach dem „Warum“.

Eine Möglichkeit besteht darin, nach unterschiedlichen Regionen aufzuschlüsseln oder auf eine Warengruppe zu klicken, um mehr Details in der Karte und im Liniendiagramm unten darzustellen:

Wie oben zu sehen ist, erhalten wir damit auf jeden Fall mehr Informationen. Die Frage „Warum ist der Gewinn bei Möbeln so niedrig?“ wird aber nicht wirklich beantwortet. Dies verdeutlicht das zentrale Problem: Es ist sicher sinnvoll, die Untersuchung einer Fragestellung mit einer Detaillierung und Auswahl der Informationen starten. Jedoch erhalten wir damit immer nur neue Darstellungen derselben Frage. Wir werden zur eigentlichen Ursache nur vordringen, wenn wir mit den Daten des Dashboards direkt kreativ arbeiten, über die reduzierten Möglichkeiten von Filtern und interaktiver Aufschlüsselung hinaus.

Deshalb wollen wir die Daten für die Beantwortung unserer Frage neu zusammenstellen. So können wir z. B. einen Blick auf den Umsatz und den Gewinn unterschiedlicher Typen von verkauften Möbeln werfen:

Dies verrät uns, dass wir mit Tischen tatsächlich Geld verlieren. Also fragen wir weiter: Warum?

Eine Idee wäre, sich den Umsatz und Gewinn für die einzelnen Hersteller von Tischen genauer anzusehen.

Es ergibt sich, dass nur zwei von ihnen profitabel sind. Warum kosten uns so viele Hersteller Geld? Erneut sollen die Daten so aufbereitet werden, dass wir eine Antwort finden können.

Am besten, wir schlüsseln alle unsere Tischverkäufe für diese Hersteller auf und betrachten dann die verschiedenen Versandarten. Es sind keine Auffälligkeiten zu erkennen. Also differenzieren wir nach Kundensegment. Wieder dieselbe Sache. Wir müssen weiter nach dem „Warum“ suchen.

Wir können z. B. die Rabatte unter die Lupe nehmen. Dabei stellen wir fest, dass unser Vertrieb für diese Tische hohe Rabatte einräumt und damit unsere Gewinnspannen komplett aushebelt.

Interessant – wenn wir einen Rabatt gewähren, machen wir also einen Verlust. Wir sind damit bei der eigentlichen Ursache des Problems angekommen. Das wiederholte Fragen nach dem „Warum“ hat uns zu einem praktisch umsetzbaren Schritt geführt (Überprüfung unserer Rabattstrategie), mit dem sich das in unserem Dashboard dargestellte ursprüngliche Problem (fehlender Gewinn bei Möbeln) lösen lässt.

Diese Methode kann also tatsächlich Einfluss auf das Geschäftsergebnis haben, wie in diesem Beispiel mit den unrentablen Tischverkäufen gezeigt. Eine anderes Beispiel aus der Praxis ist Aer Lingus. Jonathan Capper, Production Planning Manager von Aer Lingus, hat mit dieser Art von recherchierender Datenanalyse seine zentrale Aufgabe optimiert: die niedrigsten Kosten pro Sitz für Aer Lingus-Passagiere sicherzustellen.

Das Interessante daran war, so Jonathan Capper, dass stets davon ausgegangen wurde, dass das Unternehmen gut dasteht – bis sich herausstellte, dass hohe negative Kosten vorhanden sind. Und dann hörten die Warum-Fragen gar nicht mehr auf. Durch visuelle Auswertung der Daten konnte Jonathan Capper der Flut der Warum-Fragen mithilfe von Daten wie Durchschnitt pro Monat, Durchschnitt pro Tag usw. nachkommen.

„Innerhalb von zwei Tagen habe ich die ganze Anweisung buchstäblich neu ausgearbeitet, an die Mitarbeiter versandt und los ging es. Im Ergebnis konnten wir einen erheblichen Unterschied in absoluten Zahlen verbuchen“, sagt Jonathan Capper.

Solche Erkenntnisse sind nur mit einer tief gehenden Analyse möglich, die unaufhörlich nach dem „Warum“ fragt. So ist aus dem neugierigen kleinen Kind tatsächlich ein Held der Datenanaylse geworden!