Management by Big Data mechanics

Big Data – eine Begriffshülse, die viele Interpretationen zulässt, da sie in aller Munde ist aber inhaltlich sehr unterschiedlich genutzt wird. Für mich steht Big Data für die Nutzung großer Datenmengen in komplexem Wirkungsumfeld, die über automatische Algorithmen zu neuen Erkenntnissen führen soll.
Ein Kritikpunkt lt. Wikipedia:

Fehlende Substanz der Auswertungen
Ein anderer kritischer Ansatz setzt sich mit der Frage auseinander, ob Big Data das Ende aller Theorie bedeutet. Chris Anderson, Chefredakteur bei WIRED beschrieb 2008 das Glaubwürdigkeitsproblem jeder wissenschaftlichen Hypothese und jedes Modells bei gleichzeitiger Echtzeitanalyse lebender und nicht lebender Systeme. Korrelationen werden wichtiger als kausale Erklärungsansätze, die sich oft erst später bewahrheiten oder falsifizieren lassen.

Was heißt das?
Es bedeutet, dass heute große Datenmengen hinsichtlich Muster und Korrelationen untersucht werden, deren Entdeckung unmittelbar zu Entscheidungen für die Zukunft führen ohne tieferes Verständnis über die ggf. zugrundeliegende Ursache-Wirkungsverkettung.
Einfaches Beispiel: Wenn ein Händler feststellt, dass eine Person heute Babysachen sucht, die aber vorher immer moderne Musik bestellt hat, dann wird der Person in Zukunft alles täglich notwendige fürs Kleinkind angeboten. Wenn die Person sich dagegen vorher für Kleidung für ältere Erwachsene interessiert hat, wird sie in Zukunft speziell auf Geschenke für Kleinkinder hingewiesen werden. Diese Entscheidung erfolgt ohne tieferes Verständnis, dass in Fall 1 offenbar der Schluss auf eigene kleine Kinder erfolgt ist, während im zweiten Fall eher großelterliche Interessen vermutet werden. Für die persönliche Angebotsentwicklung reicht einfach eine ausreichend große Anzahl sich ähnlich verhaltender Kunden im Kundenstamm aus.

Warum wird aber obige Kritik geäußert?
Weil das ganze natürlich ziemlich daneben gehen kann. Folgende Probleme können beispielsweise auftreten:

  • Die Korrelation kann über eine dritte, unbekannte Größe kausal begründet sein. Bekanntes Beispiel ist die Auswertung, dass in Gebieten mit vielen Störchen viele Geburten stattfinden. Dies könnte Big Data-Gläubige dazu bringen, Störche in der von ihnen verantworteten Region auszuwildern, sollten sie den Auftrag haben, die Geburtenrate zu steigern. Dass die Korrelation wohl eher etwas mit dem sowohl für Störche als auch für werdende Eltern attraktiven Umfeld zu tun hat, bleibt auf der Strecke.
  • Es kann eine Scheinkorrelation ohne Kausalzusammenhang zu Grunde liegen. Witzige Beispiele siehe. Gründe sind beispielsweise Zufälle, zu geringe Datenmengen oder eine ungeschickte Einschränkung (zeitlich, regional …) der Daten.
  • Die entdeckte Korrelation gilt nur für die Vergangenheit aber nicht mehr für die Zukunft. Wer auf dem Aktienmarkt unterwegs ist, kennt die Lächerlichkeit von Expertenratschlägen auf Basis von Vergangenheitsdaten. Gerade für Anleger wichtige Einschnitte wie die Krise 2008 sind über die Analyse von Vergangenheitsdaten nahezu nicht zu prognostizieren. Ähnliches gilt für den Produkterfolg von markengetriebenen Produkten. Wird eine Marke plötzlich „altmodisch“, nutzen einem die Erfolge der Vergangenheit nichts mehr.

Warum diese Erklärungen in diesem Blog?
Ich bin selber sehr stark motiviert, jedes System mit seinen Wirkzusammenhängen zu verstehen, in dem ich mich befinde. Das führte dazu, dass ich in meiner beruflichen Laufbahn bewusst immer wieder Methoden erlernen wollte und konnte, die hierfür hilfreich sind. Seien es beispielsweise im Produktionsumfeld die Methoden des Toyota-Produktionssystems, in der Logistik das Prozessmanagement oder im allgemeinen Management Methoden wie die Balanced Scorecard oder ähnliches.
Mir selber erschienen diese Methoden immer sehr hilfreich beim Entwickeln des eigenen Systemverständnisses und im Vermitteln der eigenen Systemsicht an andere.
Da ich mich gerne mit solchen Methoden auseinandergesetzt habe, wurde ich immer wieder von meinem Management für die generelle Einführung der Arbeit mit diesen Methoden in der Organisation eingesetzt.

War ich erfolgreich damit?
Ich würde lügen, würde ich mit ja antworten.

Woran lag das?
Heutige Manager sind sehr erfolgreich darin, mit einem maximal sehr oberflächlichen Systemverständnis in der Organisation vorwärts zu kommen. Wie arbeiten sie? Sie sind sehr geschickt, einfache Management-Muster zu erkennen und musteradäquat zu reagieren. Da das so gut funktioniert, ist jede Beschäftigung mit Ursache-Wirkungsbeziehungen aus ihrer Sicht Verschwendung von eigenen Kapazitäten, vor allem, da sie spätestens alle drei Jahre ihre Position wechseln. Sie managen also schlicht mit den selben Methoden wie der einfache Big Data Ansatz zu seinen Entscheidungen kommt. Allerdings auch mit allen hieraus resultierenden Problemen und Konsequenzen, sollte z.B. eine Krise auf das Unternehmen zukommen.
Wer nämlich dann sein System nicht verstanden hat, wird meist mit dem System untergehen, da keine der in guten Zeiten erprobten Muster noch auf die Realität passen.
All das lässt sich wunderbar in jedem Großkonzern in jeder Krise bewundern. Bis schließlich ein Sanierer kommt. Der versteht zwar auch nicht das System, dessen Mustererkennung ist aber dann wenigstens wieder passend zum Umfeld.

Advertisements
Dieser Beitrag wurde unter Beispiel, Theorie abgelegt und mit , , , , verschlagwortet. Setze ein Lesezeichen auf den Permalink.

Kommentar verfassen

Trage deine Daten unten ein oder klicke ein Icon um dich einzuloggen:

WordPress.com-Logo

Du kommentierst mit Deinem WordPress.com-Konto. Abmelden / Ändern )

Twitter-Bild

Du kommentierst mit Deinem Twitter-Konto. Abmelden / Ändern )

Facebook-Foto

Du kommentierst mit Deinem Facebook-Konto. Abmelden / Ändern )

Google+ Foto

Du kommentierst mit Deinem Google+-Konto. Abmelden / Ändern )

Verbinde mit %s