Ein Puzzle aus Daten: Wo andere nur Chaos sehen, entdecken Unternehmen unter anderem mit KI und Machine Learning verborgene Schätze und lösen das dynamische DDDM-Puzzle.

Bevor wir in das Thema Data-Driven Decision-Making (DDDM) einsteigen, möchte ich Ihre Aufmerksamkeit auf das abgebildete Puzzle lenken. Welche Gedanken kommen Ihnen in den Sinn, wenn Sie die verstreuten Puzzleteile sehen? Vielleicht empfinden Sie ein Gefühl der Unordnung oder eine gewisse Frustration darüber, dass das Gesamtbild unvollständig ist? Oder sehen Sie Potenzial – etwas, das darauf wartet, zusammengesetzt zu werden?  Dieses verstreute Puzzle spiegelt die Berichterstattung in vielen Unternehmen wider. Daten sind über verschiedene Systeme und Abteilungen verstreut, einige Teile sind schwer zugänglich, andere verändern sich ständig mit neuen Vorschriften.  Das kann ziemlich herausfordernd sein, oder?

Herausforderungen

• Verlässlichkeit der Daten: Die Qualität und Verlässlichkeit von Daten sind essenzielle Faktoren für fundierte Geschäftsentscheidungen – sowohl im finanziellen als auch im nicht-finanziellen Bereich. Wie beim Puzzle müssen alle Komponenten vollständig, aktuell und richtig sein.
• Finanzielles Umfeld: Im finanziellen Bereich sind Prüfungsnormen bereits fest etabliert. Standards wie IFRS oder HGB sorgen für eine klare Struktur und ermöglichen eine hohe Vergleichbarkeit der Daten, da sie überwiegend quantitativ erfasst werden. Dies schafft eine belastbare Grundlage für interne und externe Analysen sowie für die Berichterstattung gegenüber Stakeholdern. Das Puzzle ist strukturiert.
• Nicht-finanzielles Umfeld: Das nicht-finanzielle Berichtswesen stand bislang vor großen Herausforderungen: Fehlende verbindliche Prüfungsstandards schränkten die Vergleichbarkeit von ESG-Daten (Environmental, Social, Governance) ein. Mit der Corporate Sustainability Reporting Directive (CSRD) werden nun strengere Vorgaben geschaffen.

Da nicht-finanzielle Daten oft qualitativ sind und bisher nicht systematisch erfasst wurden, müssen Unternehmen geeignete Methoden zur Erhebung, Standardisierung und Prüfung entwickeln. Die richtigen Puzzleteile müssen gefunden und zusammengefügt werden, um ein klares Bild zu erhalten. Fehlerhafte oder fehlende Teile können zu falschen Entscheidungen führen. Transparenz, Standardisierung und Automatisierung sind daher entscheidend bei der Datenerfassung und –verarbeitung.

Wandelnde Regulatorik – ein Puzzle, das sich stetig verändert

Stellen Sie sich ein dynamisches Puzzle vor: Kaum ist es fertig, verändert sich das Motiv. Neue Teile tauchen auf, bestehende passen nicht mehr, andere müssen ersetzt werden. So erleben Unternehmen oft die Entwicklung regulatorischer Anforderungen.

CSRD, EU-Taxonomie & Co. – Neue Puzzleteile kommen hinzu

Mit der Einführung von Regularien wie der CSRD oder der EU-Taxonomie steigen die Anforderungen an die Erfassung und Offenlegung von Daten. Unternehmen müssen nun zusätzliche Informationen zu ESG-Kriterien bereitstellen, die zuvor entweder gar nicht oder nur vereinzelt erfasst wurden. Plötzlich fehlen Puzzleteile und das bisherige Bild ist nicht mehr vollständig.

Ein statisches Puzzle lösen zu können reicht nicht mehr. Unternehmen benötigen Prozesse und Technologien, die neue Puzzleteile schnell integrieren, bestehende effizient aktualisieren und das Gesamtbild klar und nachvollziehbar halten.

Notwendigkeit von Technologien

Können Sie erraten, wie viele Stunden Mitarbeitende im Durchschnitt jede Woche damit verbringen, Informationen zu suchen und zusammenzutragen? Laut einer McKinsey-Studie sind es unglaubliche 9,3 Stunden – als wäre ein Viertel des Puzzles ständig versteckt.

Technologie fungiert als geschickte Hand, die verstreute Puzzleteile zusammenbringt. Fortschrittliche Analysetools, KI und Machine-Learning-Algorithmen revolutionieren die Erfassung, Verarbeitung und Interpretation von ESG-Daten durch:

• Zentralisierung und Integration von Daten aus unterschiedlichen Quellen. Durch den Einsatz fortschrittlicher Technologien werden verstreute Daten in einer einheitlichen Plattform zusammengeführt, was fundierte Entscheidungen erleichtert.
• Identifikation von verborgenen Mustern und Insights durch Datenanalyse. Mithilfe von fortschrittlicher Analytik und Machine Learning können Unternehmen Muster erkennen, die zuvor unbemerkt blieben.
• Echtzeit-Datenanalyse für schnelle, fundierte Entscheidungen. Daten können in Echtzeit verarbeitet und analysiert werden, um unmittelbare, datengestützte Entscheidungen zu treffen.
• Visuelle Aufbereitung komplexer Daten für eine bessere Entscheidungsfindung. Durch ansprechende Datenvisualisierungen werden komplexe Datensätze so aufbereitet, dass sie schnell und effizient interpretiert werden können.
• Vorausschauende Analysen zur Vorbereitung auf zukünftige Trends und Risiken. Predictive Analytics hilft dabei, zukünftige Entwicklungen und potenzielle Risiken frühzeitig zu identifizieren und darauf zu reagieren.
• Automatisierte Datenaufbereitung zur Gewinnung von strukturierten Erkenntnissen. Unstrukturierte Daten werden in strukturierte, handlungsrelevante Informatio-nen umgewandelt, um schnell fundierte Entscheidungen zu treffen.
• Kontinuierliche Verbesserung der Entscheidungsprozesse durch datengestützte Optimierung. Der stetige Einsatz von Analysetools und Feedbackschleifen verbessert langfristig die Qualität der Entscheidungen.

Fazit

Das Puzzle der datengesteuerten Entscheidungsfindung ist dynamisch. Neue Vorschriften und sich verändernde Unternehmenslandschaften fügen ständig neue Teile hinzu. Erfolgreich sind Unternehmen, die Technologie als flexiblen Assistenten nutzen, der sich anpassen und das Erfolgs-Bild kontinuierlich verfeinern kann.

Die Herausforderung liegt nicht im einmaligen, sondern im kontinuierlichen Lösen komplexer Puzzles. Eine Studie von Precisely und dem LeBow College of Business zeigt: 76 Prozent der Unternehmen sehen datengestützte Entscheidungsfindung als Hauptziel, aber nur 33 Prozent vertrauen ihren Daten vollständig. Das Puzzle bleibt für viele Unternehmen eine große Herausforderung, die sie schnellstmöglich angehen müssen.