Datenbasierte Entscheidungsfindung (und zwei Fehler, die zu Fehlentscheidungen führen)

Grundlagen der datenbasierten Entscheidungsfindung

Angenommen wir möchten neue Leads generieren und stehen vor der Frage, ob das in einem bestehenden Segment erreicht werden kann oder ein neuer Markt erschlossen werden muss; oder bestehende Kund:innen konfrontieren uns mit Kündigung unseres Services oder Dienstleistung. Die Unsicherheit in solchen Situationen können wir anhand historischer Daten, die wir in einem CRM-System wie Salesforce Customer 360 sammeln, minimieren. 

Dazu braucht es allerdings nicht nur Daten an sich, sondern auch die Auswirkungen, die vergangene Entscheidungen in einer vergleichbaren Situation bewirkt haben. Wollen wir beispielsweise wissen, wie wir Leads in einem bestimmten Segment am besten zu Opportunities konvertieren, ist es notwendig zu dokumentieren, welche Maßnahmen dabei erfolgreich waren – aber auch, welche es nicht waren. War der Messebesuch das ausschlaggebende Element oder doch die E-Mail-Kampagne oder der persönliche Kontakt am Telefon? Welche Unterlagen wurden wo erfolgreich und wo erfolglos eingesetzt?

Basierend auf diesen Informationen können Prognosemodelle erstellt werden, die uns mit einer gewissen Wahrscheinlichkeit dabei helfen, in einer gleichen zukünftigen Situation effektive Entscheidung zu treffen.

Aber Achtung: Wie der österreichische Simulationsforscher und Hochschullehrer Niki Popper bei unserem CRM-Summit in Graz 2023 betont hat, soll niemals nur basierend auf den Daten selbst entschieden werden. Daten dienen in einem entsprechenden Prognosemodell nur als Entscheidungshilfe – am Ende muss immer noch eine Person entscheiden, die den jeweiligen Geschäftsfall und Kontext versteht, sonst drohen bei der datenbasierten Entscheidungsfindung Fehler.

Konkret gibt es zwei mögliche Fehlerquellen, die wir uns jeweils anhand eines Beispiels ansehen wollen: ein falsch interpretiertes Ergebnis oder ein falsch kalibriertes Modell.

Fehler Nr. 1 – ein falsch interpretiertes Ergebnis

Unser Prognosemodell bewertet Opportunities aus dem südeuropäischen Bereich als besonders wertvoll, da die Abschlusswahrscheinlichkeit sehr hoch ist. Daraus schließen wir, dass wir unsere Marketingaktivitäten für erfolgreiche Abschlüsse zukünftig auf Südeuropa fokussieren sollten. 

In der Realität wurden die Opportunities allerdings immer erst dann im System erfasst, wenn der Deal ohnehin schon als sehr sicher empfunden wurde. Die Daten, mit denen das Prognosemodell gefüttert wurde, wurden also schon im Vorhinein nach Erfolg „gefiltert“. Bevor wir diesem Prognosemodell also vertrauen können, muss die Datenerfassung verbessert werden (vielleicht sollte auch das Bonus-Modell noch einmal unter die Lupe genommen werden, wenn rein eine hohe Opportunity-Win-Rate bonifiziert wird 😉).

Fehler Nr. 2 – ein falsch kalibriertes Modell

Unser Prognosemodell ermittelt auffallend oft, dass eine Opportunity gewonnen werden wird, obwohl wir den oder die potenzielle:n Kund:in kaum kennen (also wenig Interaktion hatten oder wenige Hintergrundinformationen erfasst wurden). Das wäre einerseits natürlich wünschenswert (wenn es denn stimmt), andererseits benötigen wir Prognosemodelle ja eher für den Fall, wenn uns negative Outcomes angezeigt werden – damit wir mit möglichen Handlungsvorschlägen ausgestattet sind, die uns doch noch einen positiven Abschluss erzielen lassen.

Der Grund für den häufig positiv vorhergesagten Verlauf kann beispielsweise darin liegen, dass in den Trainingsdaten des Modells (die oben angesprochenen historischen Daten, mit denen wir das Modell füttern) fast nur gewonnene Opportunities vorhanden sind, während die verlorenen Opportunities nicht konsequent im CRM-System erfasst wurden.

Fazit der datenbasierten Entscheidungsfindung

Modelle müssen im CRM-System nicht nur richtig erstellt werden. Sie müssen einerseits auch den zugrundeliegenden Daten nach richtig kalibriert und andererseits mit fachkundigem Geschäftswissen auch richtig interpretiert werden. Nur dann werden datenbasierte Entscheidungen auch langfristig und nachhaltig zu guten Ergebnissen führen. 

Und genau dabei können wir als allUpp unterstützen. Unsere Data Analyst:innen, Consultants und Developer:innen stehen Ihnen bei der Erstellung von Prognosemodellen mit umfangreicher Erfahrung aus verschiedenen Branchen zur Seite. Gemeinsam machen wir das Beste aus Ihren Daten und sorgen dafür, dass Sie sich in der Zukunft in unsicheren Situation auf Ihre Daten als Entscheidungshilfe verlassen können.

Sie haben Fragen zu diesem Thema? Dann kontaktieren Sie uns einfach über unsere Website. 

Über den Autor dieses Artikels

Über den Autor dieses Artikels

Michael Brandstätter ist als erfahrener Data Analyst der perfekte Ansprechpartner für alle Themen rund um datengetriebene Business Intelligence und KI-gestützte Prognosemodelle. Als Head of Data Analytics von allUpp bietet er Expertise in der Identifikation, Nutzung und Weiterentwicklung von Potenzialen in Geschäftsprozessen und weiß genau, wie man das meiste aus den gesammelten Daten herausholt.

Folgen Sie Michael Brandstätter auf LinkedIn.