Strategic Insights: Von der Dokumentenhalde zur Landkarte der Erkenntnis

In der Publikationsreihe Strategic Insights haben wir in Teil II praktische Möglichkeiten aufgezeigt, um die Prognosequalität und -zuverlässigkeit in der Planung zu verbessern.

Dieser Beitrag widmet sich einem weitaus größeren Potenzial für strategische Erkenntnisgewinne – das endlich dank moderner Methoden wie Machine Learning (ML) und Künstlicher Intelligenz (KI) auch realisiert werden kann: die volle inhaltliche Nutzung des vorliegenden qualitativen Strategie-Datenschatzes, der in unzähligen Ordnern, PowerPoint- und Excel-Dateien einer Organisation vor sich hinschlummert.

Die bereits vorhandenen und immer wieder neu entstehenden qualitativen Informationen sind − bezogen auf Mengen und Qualitäten − noch weitaus interessanter als die quantitativen Daten.

Die Gründe sind plausibel: Die geplanten Umsatz- und Ertragswerte sind jeweils das Endergebnis eines intensiven Dialogs und persönlichen Erfahrungswerten. Entscheidend sind dabei die zugrunde liegenden Annahmen und die Interpretationsleistungen, die daraus folgen und im besten Fall zu begründbaren Handlungen führen. Dies ist der eigentliche Kern der Strategiearbeit und in den meisten Unternehmen in Form von qualitativen Beschreibungen bereits Realität. Die „Waffen der Wahl“ solcher Überlegungen sind standardisierte Vorlagen, die jährlich im Rahmen des Strategie- und Planungsprozesses bearbeitet und aktualisiert werden.

Meist sind auch Beschreibungen zu Treibern und Trends aus dem Umfeld verfügbar; daraus resultierende Chancen und Risiken für das Unternehmen selbst und bezogen auf seinen Wettbewerb. Stärken und Schwächen, auch in Bezug zu relevanten Spielern werden erkannt, strategische und operative Herausforderungen werden formuliert und strategische Optionen und Aktivitäten, die vorangetrieben werden sollen, festgehalten. Dies erfolgt regelmäßig für eine Vielzahl an Planungseinheiten und unter Berücksichtigung von methodischen Minimalstandards. Das Wissen dieser brillanten Köpfe wird damit selektiv als Information dokumentiert und konserviert. Erkenntnisgewinn entsteht hieraus nicht. Möglich ist es aber!

Simple but not easy ...

So eingängig und groß der potenzielle Nutzen für strategische Interpretationen aus der Verwendung all dieser Textbausteine auch ist, so oft steckt der Teufel wieder einmal im Detail.

Diese Informationen liegen in hunderten von Ordern und Dateien verteilt und oft in unterschiedlichen Sprachen vor. Unterschiedliche Formate, Detaillierungsgrade und Qualitäten tun ihr Übriges und hindern erfolgreich daran, mit diesem Datenschatz mehr zu tun, als „nur“ zu konservieren und sehr selektiv nach Kombinationen und Interpretationsmöglichkeiten zu suchen.

Text Mining und Natural Language Processing (NLP) sind der Schlüssel

Die Herausforderungen, die die vielzitierte VUCA-Welt für uns bereithält, können nicht mehr mit den herkömmlichen Methoden der reinen Texterkennung gemeistert werden. Neue Herausforderungen brauchen neue Lösungen und die bereits heute vorhandenen Technologien öffnen die Tore zu einer völlig neuen Welt hochwertiger und handlungsleitender strategischer Interpretation.

Bei Text Mining geht es im Kern um das Extrahieren relevanter Informationen aus (sehr) großen Mengen an Text durch intelligente, selbstlernende Algorithmen aus dem Bereich NLP. Im besten Fall liefert Text Mining Informationen, von denen die Benutzer zuvor gar nicht wussten, ob und dass sie in den verarbeiteten Texten enthalten sind.

Typische Anwendungsgebiete von Text Mining/NLP sind Dokumentenklassifizierung und automatisches Verschlagworten von Dokumenten, Übersetzungen, Mustererkennung in Texten bis hin zu automatisierten Text-Zusammenfassungen und Hypothesenbildungen. Der rasante Fortschritt im Bereich NLP in den vergangenen Jahren basiert auf der hohen verfügbaren Rechenleistung, der Menge an verfügbaren Daten im Internet und Deep Learning Technologie.

Transfer Learning schafft einheitliche und vergleichbare Strategiesprache

Beim Transfer Learning wird ein universales Sprachmodell, welches auf massiv vielen Daten trainiert wurde, durch Feintuning auf ein spezifisches Problem angepasst.

Oftmals sind die Datenmengen bei ML und KI die kritische Größe, die über Erfolg oder Scheitern bestimmen. Transfer Learning bietet einen entscheidenden Vorteil: Der Erfolg wird nicht durch eine zu geringe Menge an Daten verhindert. Wir können auf einem State-of-the-Art Sprachmodell aufbauen und wir nutzen dessen vorhandene Fähigkeiten für die eigene strategische Planungsarbeit. Das Sprachmodell „übersetzt“ damit die vielen Textbausteine unserer Planungseinheiten aus den unterschiedlichen Segmenten und Regionen in eine einheitliche Strategiesprache für die eigene Organisation.

An einem praktischen Beispiel: 30 Planungseinheiten beschreiben einzeln im Rahmen des Planungsprozesses jeweils Entwicklungen im Umfeld – Chancen und auch Risiken – entlang von einzelnen Regionen. Außerdem werden Trends für Produktgruppen erfasst, die teilweise Regionen übergreifend relevant sind. Dies passiert rollierend mit einer Historie von zehn Jahren, mit unterschiedlichen Detaillierungsgraden bei der Beschreibung, in vier Sprachen und mit unterschiedlicher Grammatik und Wortwahl. Gleichzeitig steht eine Vielzahl an faktisch nicht systematisch auswertbaren und teils widersprüchlichen Studien zur Verfügung.

Wir sehen den Wald vor lauter Bäumen nicht mehr. Spätestens wenn wir über Planungseinheiten hinweg auf unser Geschäft blicken möchten, wissen wir, wo unsere menschlichen Interpretationsgrenzen liegen.

Text Mining und NLP lösen einige der bekannten Knoten und Schmerzpunkte der Strategiearbeit auf eine neue Art und Weise. Alle vorhandenen Texte und auch kleinste Fragmente aus dem Strategie- und dem Planungsprozess werden mit Blick auf inhaltliche Bedeutung und die „Nähe“ zu anderen über die Zeit berücksichtigt, prozessiert und synthetisiert.

Aufräumen mit der babylonischen Strategie-Sprachverwirrung

Text Mining und NLP bieten einen neuen Weg, bedeutsame, strategisch verwertbare Muster auf Basis aller verfügbaren qualitativer Daten und Informationen zu erkennen! Darüber hinaus wird ein gemeinsames Verständnis auch sprachlich erzeugt.

Mit KI/ML und NLP nutzen wir erstmals den historisch komplett verfügbaren Strategie-Datenschatz – und dazu noch vollkommen automatisch. Dadurch wird die Entwicklung von Strategie-Inhalten im Querschnitt und über die Zeit endlich faktenbasiert und erkenntnisorientiert diskutierbar. Jetzt können begründbare und nachvollziehbare Antworten auf Fragen gegeben werden, die mit alten Mitteln praktisch nicht zu geben waren.

So können wir beispielsweise wesentlich besser erkennen, wie einzelne Trends in den Regionen im Zeitverlauf und mit welchem zeitlichen Versatz entstehen und welche Chancen-Muster sich für unsere einzelnen Geschäfte herausbilden. Das schlaue Clustern und Abgleichen unserer eigenen Stärken, Schwächen und Aktivitäten im Zeitverlauf hebt den Erkenntnisgewinn und strategischen Dialog auf ein neues Qualitäts-Niveau und ermöglicht mit höchster Effizienz eine überlegene strategische Planung.

‍Im vierten Teil der Publikationsreihe Strategic Insights erhalten Sie wichtige Erkenntnisse zum Umfeldmonitoring durch Korrelations- und Zeitreihenanalysen.‍