Schluss mit der Zahlenhörigkeit! Eine kritische Überprüfung von Big-Data-Analysen

Immer mehr Unternehmen möchten maschinelles Lernen für die Auswertung riesiger Datenmengen nutzen und hierzu ihre Algorithmen mit geeigneten, aussagekräftigen Kennzahlen füttern. Ihnen sei die Lektüre des neuen Buches von Jerry Z. Muller empfohlen, das sich kritisch mit dem Thema Kennzahlen auseinandersetzt.

Jerry Z. Muller ist Geschichtsprofessor an der Catholic University of America und hat selbst erlebt, welche Folgen übertriebene Zahlengläubigkeit haben kann, als seine Hochschule neue Kennzahlen für studentische Leistungen einführte. Die Kennzahlen boten keinerlei Mehrwert gegenüber der bisherigen Leistungsbewertung in Form von Noten. Als er feststellte, dass diese Kennzahlen reine Zeitverschwendung waren und lediglich Mehraufwand bedeuteten, befasste er sich näher mit den allgemeinen Mechanismen der Leistungsmessung in Unternehmen.

Jerry Z. Muller, dessen Forschungsschwerpunkt Kapitalismus und Politik sind, hinterfragt in seinem neuen Buch The Tyranny of Metrics die Prämisse, dass das Quantifizieren der Unternehmensleistung und das Offenlegen der Ergebnisse automatisch zu mehr Verantwortlichkeit, besseren Entscheidungsprozessen und besseren Ergebnissen führen. Die Mitarbeiter zu zwingen, ihre Arbeit an standardisierten Bewertungsmaßstäben auszurichten, gebe den Unternehmen allenfalls das Gefühl einer adäquaten Leistungsüberwachung, so sein Argument. Innovation werde dadurch nicht gefördert.

Warum wir im Zeitalter von Big Data Zahlen nicht immer trauen sollten

Wir wollten von Jerry Z. Muller wissen, wie Führungskräfte diese Zahlenhörigkeit vermeiden können.

Sie vertreten die Ansicht, dass zu häufig Kennzahlen erhoben werden, die wenig aussagekräftig sind, und Unternehmen die Ergebnisse falsch anwenden. Wie kann die Unternehmensführung eine Kurskorrektur vornehmen?

Jerry Z. Muller: In vielen Unternehmen wurde das mittlere Management stark ausgedünnt – also die Ebene, die sich mit den Bereichen des Unternehmens auskennt, die Produkte herstellen und Kundenkontakt haben. Die Führungsebene greift deshalb auf standardisierte Bewertungsmaßstäbe zurück, um sich ein Bild von der Lage zu machen. Messen ist jedoch nicht gleichbedeutend mit verstehen.

Um wieder zu einem besseren Verständnis zu gelangen, wäre eine Kehrtwende denkbar, was den Abbau des mittleren Managements betrifft. Denn gerade diese Führungskräfte kennen die Abläufe im Unternehmen wie ihre eigene Westentasche. Wir sollten uns außerdem vor Augen halten, dass wir zwar auf mehr Daten als je zuvor zugreifen können, das Erheben und Veröffentlichen dieser Daten jedoch kein Allheilmittel ist. Im Wesentlichen müssen wir uns von der Überzeugung verabschieden, dass Kennzahlen immer objektiv und damit dem menschlichen Urteilsvermögen überlegen sind.

1986 schrieb der Managementexperte Tom Peters: „Was gemessen wird, wird auch erledigt“. Daraus entwickelte sich die Vorstellung, dass das Quantifizieren von Dingen der notwendige erste Schritt zur Verbesserung ist. Wenn man sich jedoch ausschließlich auf die Kennzahlen konzentriert, ergeht es einem wie Wells Fargo: Der Finanzdienstleister musste Bußgelder in Millionenhöhe zahlen, da Mitarbeiter ohne Erlaubnis der Kunden Konten eingerichtet hatten, um ihre Cross-Selling-Quoten zu erreichen.

Man muss nicht nur wissen, ob die Daten präzise sind, sondern auch, ob sie relevant sind.

Wodurch wird eine Kennzahl aussagekräftig?

Jerry Z. Muller: Man muss nicht nur wissen, ob die Daten präzise sind, sondern auch, ob sie relevant sind. Unternehmen messen ihren Gewinn, weil diese Kennzahl für den unternehmerischen Erfolg konkret und einfach zu verstehen ist. Das langfristige Florieren eines Unternehmens wird jedoch auch von anderen Faktoren beeinflusst, beispielsweise von den Kundenbeziehungen, der Innovation, der Zusammenarbeit und der Betreuung der Mitarbeiter. Diese Faktoren lassen sich weniger gut verallgemeinern und quantifizieren, sind aber dennoch sehr wichtig. Um sie zu bewerten, benötigt man keinen Algorithmus, sondern eine erfahrene Führungskraft.

Ein weiteres Beispiel für einen solchen Fehlschluss ist die Bewertung eines gemeinnützigen Unternehmens danach, wie hoch die Verwaltungskosten im Vergleich zu den Kosten für die Durchführung von Programmen sind. Niedrige Gemeinkosten sind zwar eine präzise Kennzahl, jedoch nicht wirklich aussagekräftig. Wir gehen davon aus, dass in Relation zu den Programmkosten hohe Gemeinkosten auf Betrug oder schlechtes Management schließen lassen. Doch in den meisten Fällen lassen sich umgekehrt niedrige Gemeinkosten nicht mit hoher Produktivität gleichsetzen. Ganz im Gegenteil: Der Organisation fehlen die geschulten Mitarbeiter, die funktionalen Büros und die Programm-Managementtools, die sie für ihre Arbeit eigentlich benötigt.

Zudem verlieren Kennzahlen ihre Bedeutung, wenn man sie nicht zur Diagnose und Analyse verwendet, sondern dazu, Leistung zu belohnen oder unzureichende Leistung zu bestrafen. Wenn eine Kennzahl mit Belohnung und Bestrafung verknüpft ist, führt dies unweigerlich dazu, dass die Zahlen manipuliert werden. Und dabei kann es um Leben und Tod gehen: Im US-Bundesstaat New York etwa sank die Sterblichkeitsrate nach Herzoperationen, als Kennzahlen zu den Erfolgsquoten der einzelnen Chirurgen veröffentlicht wurden – weil die Chirurgen nicht mehr so häufig Hochrisikopatienten behandelten, deren Tod sich negativ auf ihre Erfolgsquote auswirken würde.

Potenzial von künstlicher Intelligenz: Übersehene Variablen aufdecken

Aktuellen Untersuchungen zufolge können Systeme mit künstlicher Intelligenz, die mithilfe von Fotos trainiert wurden, Hautkrebs präziser diagnostizieren als erfahrene Dermatologen. Verschwimmt die Grenze zwischen dem Einsatz von Daten zur Unterstützung menschlicher Entscheidungsprozesse und Systemen, bei denen Daten die Entscheidungen für uns treffen?

Jerry Z. Muller: Dieses Beispiel ist nur der Anfang dessen, was durch die Aggregation von Daten in der medizinischen Diagnose künftig möglich sein wird. Daten für die Diagnose von Hautkrebs zu verwenden, ist absolut sinnvoll. Das eigentliche Potenzial von künstlicher Intelligenz liegt darin, klar messbare, jedoch bislang übersehene Variablen aufzudecken, aus denen sich bessere Rückschlüsse ziehen lassen, als ein erfahrener Experte dies könnte, oder die weiterhelfen, wenn eine intuitive Entscheidung aufgrund von mangelnder Erfahrung nicht möglich ist.

Was Algorithmen nicht können, ist eine Vision, neue Ideen oder auch gemeinsame Zielvorstellungen in einem Unternehmen zu entwickeln.

Was Algorithmen nicht können, ist eine Vision, neue Ideen oder auch gemeinsame Zielvorstellungen in einem Unternehmen zu entwickeln. Visionen und Risikobereitschaft sind wichtige Aspekte des Unternehmertums und der Innovation. Kennzahlen können nur das quantifizieren, was bereits vorhanden ist. Wenn sich ein Unternehmen ausschließlich an Kennzahlen orientiert, ohne menschliches Urteilsvermögen walten zu lassen, entsteht ein risikoscheues Unternehmen – das letztlich keine Überlebenschance hat.