Wie zielgerichtetes Fragen Business Cases schärft und eine Data Inspired Culture vorantreibt

Die Entwicklung einer erfolgreichen Data & AI-Strategie beginnt nicht mit Daten, sondern mit der Unternehmensstrategie – und den richtigen Fragen. Zu oft wird der Fokus auf Technologien und Tools gelegt, während der tatsächliche Mehrwert durch die Identifikation relevanter Business Cases entsteht. Nur wenn diese Business Cases klar definiert und priorisiert sind, können Daten, KI-Modelle und Automatisierung den gewünschten Geschäftswert liefern.

Die Auswahl der richtigen Business Cases erfordert eine strukturierte Denkweise. Hierbei bietet die Methodik der guten Fragen einen entscheidenden Vorteil: Sie ermöglicht es, relevante Herausforderungen zu identifizieren, Innovationspotenziale zu erkennen und Handlungsfelder zu definieren. Unternehmen wie Nvidia, Citi oder Hermes setzen auf eine systematische Herangehensweise durch die richtigen Fragen – und diese Vorgehensweise ist auch auf die Entwicklung einer Data & AI-Strategie übertragbar.

1. Warum die Auswahl der richtigen Business Cases entscheidend ist

Eine Data & AI-Strategie ohne klare Business Cases bleibt abstrakt. Business Cases definieren den konkreten Mehrwert, den KI und Datenprojekte für das Unternehmen liefern sollen. Doch wie findet man die "richtigen" Business Cases? Eine der größten Herausforderungen besteht darin, die wichtigsten Use Cases aus einer Vielzahl von Möglichkeiten zu identifizieren.

Ein zielführender Ansatz besteht darin, Business Cases direkt aus der Unternehmensstrategie abzuleiten. Dies stellt sicher, dass sich die Data & AI-Projekte direkt auf die übergeordneten Unternehmensziele auswirken.

Beispiel aus der Praxis:

Ein Logistikunternehmen möchte die Lieferzeiten verkürzen und die Kundenzufriedenheit erhöhen. Mögliche Data & AI-Business-Cases könnten sein:

• Predictive Analytics zur Vorhersage von Lieferengpässen
• Echtzeit-Tracking von Paketen durch IoT und KI
• Automatische Optimierung der Routenplanung

Der zentrale Ausgangspunkt für die Ableitung dieser Business Cases sind die richtigen Fragen:

• "Wie können wir Lieferverzögerungen frühzeitig vorhersagen?"
• "Wo entstehen die größten Ineffizienzen in der Lieferkette?"
• "Wie können wir die Kundenerfahrung durch mehr Transparenz verbessern?"

2. Die Methodik der guten Fragen als strategisches Werkzeug

Um die richtigen Business Cases zu identifizieren, müssen Unternehmen die richtigen Fragen stellen. Eine strukturierte Fragemethodik schafft die Basis für dateninspirierte Entscheidungen.

Laut der Forschung lassen sich Fragen in fünf Kategorien unterteilen, die für die Ableitung von Data & AI-Business-Cases besonders relevant sind:

1. Investigative Fragen – zur Klärung von Fakten und Daten.
2. Spekulative Fragen – zur Identifikation von Zukunftsszenarien und Chancen.
3. Produktive Fragen – zur Ableitung konkreter Maßnahmen und Lösungen.
4. Interpretative Fragen – zur Erkennung von Mustern und Beziehungen in Daten.
5. Subjektive Fragen – zur Einholung von Meinungen und Einschätzungen von Teams und Führungskräften.

Diese Kategorien sind für die Identifikation von Business Cases von zentraler Bedeutung. Im Folgenden wird gezeigt, wie jede dieser Fragetypen in der Praxis angewendet werden kann.

3. Die 5 Fragetypen zur Ableitung von Business Cases

1. Investigative Fragen

Ziel: Klärung der aktuellen Datenlage und Faktenbasis.
Beispiel: „Welche internen Datenquellen stehen uns zur Verfügung?“

Praxisbeispiel:
Ein Handelsunternehmen möchte die Retourenquote senken. Eine investigative Frage könnte lauten:

• "Welche Datensätze enthalten Informationen zu Retouren?"
• "Wie vollständig und korrekt sind die Retourendaten?"

Das Unternehmen stellt fest, dass es bereits viele unstrukturierte Kundendaten (z. B. E-Mails) hat, die Rücksendegründe enthalten. Dies führt zur Entwicklung eines NLP (Natural Language Processing)-Modells, das die Gründe automatisch analysiert und die Top-Gründe priorisiert. Auf dieser Basis wird ein Business Case zur Reduktion der Retourenrate entwickelt.

2. Spekulative Fragen

Ziel: Zukunftsszenarien und mögliche Potenziale identifizieren.
Beispiel: „Was wäre, wenn wir alle Kundendaten in Echtzeit analysieren könnten?“

Praxisbeispiel:
Ein Finanzdienstleister möchte die Kundenerfahrung verbessern. Eine spekulative Frage könnte lauten:

• "Was wäre, wenn wir unseren Kunden personalisierte Finanzempfehlungen in Echtzeit geben könnten?"

Diese Frage führt zu einem Business Case für den Einsatz von KI-gestütztem Echtzeit-Scoring. So können Angebote wie Kreditvorschläge oder Investitionstipps auf Basis des Kundenverhaltens personalisiert werden.

3. Produktive Fragen

Ziel: Konkrete Maßnahmen zur Lösung eines Problems definieren.
Beispiel: „Welche Maßnahmen können wir ergreifen, um die Datenqualität zu verbessern?“

Praxisbeispiel:
Ein Einzelhändler möchte die Prognosegenauigkeit der Lagerbestände verbessern. Produktive Fragen könnten lauten:

• "Welche Maßnahmen zur Bereinigung von Datenfehlern sind am wichtigsten?"
• "Wie können wir Lieferverzögerungen durch Predictive Analytics vermeiden?"

Das Unternehmen priorisiert Datenqualitätsinitiativen und erstellt einen Business Case für ein Data Quality Management Tool.

4. Interpretative Fragen

Ziel: Muster, Trends und Beziehungen in den Daten erkennen.
Beispiel: „Welche Muster erkennen wir in unseren Verkaufsdaten?“

Praxisbeispiel:
Ein E-Commerce-Unternehmen analysiert Kaufmuster. Eine interpretative Frage könnte lauten:

• "Welche Produkte werden häufig zusammen gekauft?"

Durch die Analyse von Mustern entdeckt das Unternehmen, dass Kunden oft Zubehör mit Hauptprodukten kaufen. Daraus entwickelt es einen Business Case zur Einführung von Cross-Selling-Empfehlungen auf der Website.

5. Subjektive Fragen

Ziel: Wahrnehmungen, Einschätzungen und Präferenzen ermitteln.
Beispiel: „Wie schätzen unsere Führungskräfte die Bedeutung von datengetriebenen Entscheidungen ein?“

Praxisbeispiel:
Ein Unternehmen möchte eine Data-Inspired-Kultur aufbauen. Subjektive Fragen könnten lauten:

• "Wie bewerten unsere Führungskräfte die Bedeutung von datengetriebenen Entscheidungen?"
• "Wie hoch schätzen wir die Bereitschaft der Mitarbeitenden zur Nutzung von KI-Tools ein?"

Die Antworten zeigen, dass Schulungen erforderlich sind. Daraus ergibt sich ein Business Case für Schulungsprogramme zur Datenkompetenz.

4. Von der Fragemethodik zur Data-Inspired-Culture

Die Methodik der guten Fragen ist mehr als ein Instrument zur Identifikation von Business Cases – sie ist ein Treiber der dateninspirierten Kultur. Eine solche Kultur zeichnet sich durch kontinuierliche Neugier, Lernen und datengestützte Entscheidungen aus.

Merkmale einer Data-Inspired-Culture

• Offene Feedback-Kultur: Führungskräfte fördern die kontinuierliche Reflexion durch Fragen.
• Fokus auf Fragen statt Antworten: Mitarbeitende werden ermutigt, Fragen zu stellen, statt vorgefertigte Antworten zu präsentieren.
• Ständige Weiterentwicklung: Der Status Quo wird regelmäßig überprüft und hinterfragt.

Fazit

Eine erfolgreiche Data & AI-Strategie erfordert eine klare Auswahl der richtigen Business Cases – und diese ergeben sich aus den richtigen Fragen. Die Fragemethodik bietet ein systematisches Werkzeug, um Potenziale zu entdecken, Lösungen zu entwickeln und neue Business Cases zu identifizieren. Unternehmen wie Nvidia, Citi oder Hermes zeigen, wie mächtig die richtige Fragemethodik sein kann.

Indem Unternehmen investigative, spekulative, produktive, interpretative und subjektive Fragen stellen, schaffen sie die Grundlage für eine zukunftsfähige Data-Inspired-Kultur. Der Wandel von einer Antwort-getriebenen zu einer Frage-getriebenen Denkweise ist entscheidend für die digitale Transformation.

Key Takeaway: „Die Qualität der Fragen bestimmt die Qualität der Antworten – und die Qualität der Business Cases.“

(Quelle: Dieser Blog-Artikel wurde inspiriert durch den Artikel vom Harvard Business Manager, Ausgabe Oktober 2024; Titel: Gute Fragen; Autoren: Arnoud Chevallier, Frédéric Dalsace, Jean-Louis Barsoux.)

Weitere interessante Artikel:

• Advisory | Impulse Talks | Trainings
• Das Hub & Spoke Modell: Wegweiser zur Data Inspired Organisation
• Vom traditionellen "Thinking outside the Box" zum dateninspirierten und systemischen Denken
• Data Culture: Der Schlüssel zur erfolgreichen Transformation zur Data Driven Company
• Dateninspirierte Entscheidungen: Der Schlüssel zu mehr Transparenz und Akzeptanz in Organisationen