In einer Zeit, in der Kundenorientierung fast die einzige Marketingregel ist, wird „Big Data“ zunehmend diskutiert — weil die Verfügbarkeit von Kundendaten wächst und Analysen des Konsumentenverhaltens gemeinsam mit Marktforschung betrachtet werden. Unternehmen sammeln von jedem erreichbaren Punkt Daten und führen vielfältige Analysen durch, um das Verhalten ihrer Kunden zu prognostizieren und den Umsatz zu steigern. Doch es gibt auch einen Satz, der vielen Führungskräften nicht von den Lippen geht: „Wir haben sehr viele Daten, aber wir wissen nicht, was wir damit anfangen sollen.“
In der Marktforschung sieht es kaum anders aus. Mal bitten wir Teilnehmende in einstündigen Befragungen, seitenweise Fragen zu beantworten, und erhalten einen Datenberg. Mal führen wir mit 15-minütigen Fragebögen scheinbar einfache Studien durch. Institute erstellen aus den gewonnenen Daten Berichte für ihre Auftraggeber. Sie bilden aus den Felddaten Analysetabellen und versuchen, die Daten mit verschiedenen Diagrammen verständlicher zu machen.
Für Marktforschungsinstitute reichen Dokumente im PowerPoint-Format über Hunderte von Seiten, die nur solche Tabellen und Diagramme enthalten, nur bis zu einem gewissen Punkt. Weitaus wichtiger ist es, die gewonnenen Daten in Erkenntnis zu überführen. Aber was heißt das? Wie entsteht die Erkenntnis, der alle hinterherjagen? Ohne allzu sehr in die Tiefe zu gehen, möchte ich meine Gedanken dazu teilen, wie die Daten von Instituten und/oder Auftraggebern zu Erkenntnis werden können.
Gehen wir dazu von einem Beispiel aus dem Leben unserer möglichen Vorfahren aus. Stellen wir uns vor, in der Steinzeit geht ein Mann mit seinem fünf- oder sechsjährigen Kind spazieren, und plötzlich steht ein Dinosaurier vor ihnen. Der Mann, der sich schnell bewegt, entkommt; das Kind, das nicht fliehen kann, wird vom Dinosaurier getötet. Mit den Daten, die er hat, schloss der Mann vermutlich, dass Dinosaurier schlecht sind und man sich von ihnen fernhalten muss.
Nun stellen wir uns vor, derselbe Mann geht sechs oder sieben Jahre später mit seinem zweiten Kind spazieren; das Kind stirbt an einer von außen nicht erkennbaren Krankheit, und genau in diesem Moment fliegt ein Vogel über Vater und Kind hinweg. Mit den Daten, die er hat, wird der Vater schließen, dass der fliegende Vogel ebenso gefährlich ist wie der Dinosaurier. Von da an wird er das Bedürfnis verspüren, sich zu verstecken, sobald er einen Dinosaurier sieht und sobald ein Vogel über ihn hinwegfliegt. Sein Glaube, beide Situationen seien schlecht, und der Aufwand, den er betreibt, um die Folgen zu verhindern, werden erst abnehmen, wenn seine Beobachtungen zu Vögeln und Dinosauriern zunehmen und er erkennt, dass Vögel gar nicht so schlimm sind.
An diesem Beispiel möchte ich die Unterschiede zwischen den Begriffen Daten, Information und Erkenntnis erläutern. Der von Dinosaurier und Vogel verursachte Schaden lässt sich als Daten betrachten. Wenn der Steinzeitmensch mit diesen Daten entscheidet, vor welchem Tier er fliehen muss, verwandelt er Daten in Information. Führt seine Schlussfolgerung dazu, dass er vor beiden fliehen will, hat er die Daten nicht richtig gelesen. Genauer: Weil er nicht genügend Beobachtungen gemacht hat, hatte er Schwierigkeiten, Daten in Information zu überführen. Korrekte und ausreichende Daten sind daher das kritischste Element von Information. Auch in der Marktforschung können Studien ohne hinreichende Stichprobengröße falsche Informationen liefern, so schön sie auch aufbereitet sein mögen.
Um Daten in Information zu überführen, genügen ausreichende Beobachtungen allein nicht. Man muss sich der Existenz unterschiedlicher Dynamiken bewusst sein und das Umfeld (den Markt) gut lesen. Das heißt: Ursache-Wirkungs-Beziehungen müssen sauber hergestellt und die Quellen dieser Ursachen ergründet werden. Anders gesagt: In diesem Schritt wird es möglich zu entscheiden, welche Daten korrekt und verlässlich sind, und zu erkennen, wie sich diese Entscheidung auf unser Leben auswirkt. So lassen sich begrenzte Ressourcen für die richtigen Zwecke einsetzen und die angestrebten Ziele erreichen. Zurück zum Beispiel: Zu wissen, dass Vögel keinen Tod verursachen und die eigentliche Ursache ein Gesundheitsproblem war, verändert auch die zu ergreifenden Maßnahmen.
Im letzten Schritt gilt es, die vorhandenen Daten in Erkenntnis zu überführen. Dazu muss man verstehen, zu welchen Handlungen die gewonnene Information führt, und die dahinterliegenden Hauptgründe offenlegen. Keine Information, die sich nicht in Handlung überführen lässt, sollte als Erkenntnis gelten. Denn Erkenntnis heißt zu sehen, dass die Maßnahmen gegen Dinosaurier andere sind als die gegen Vögel, zu entscheiden, wer der Hauptfeind ist, Prioritäten zu setzen und dann zu erkennen, was wann getan werden sollte.
Zu wissen, dass ein Marathon 42,195 km lang ist und Läufer im Schnitt 3 Liter Wasser verlieren, sind Daten. Dass den Läufern in diesem Marathon Wasser bereitgestellt werden sollte, ist die daraus gewonnene Information. Den Läufern jedoch bei Kilometer 11 mineralhaltige Flüssigkeit zu reichen, ist Erkenntnis — die Verdichtung aller vorhandenen Informationen.
Ein weiteres Beispiel: Türk Telekom erreicht mit seinem Festnetz-Internetdienst über kabelgebundene oder kabellose Modems mehr als 6 Millionen Punkte (Haushalte und Betriebe) in der Türkei. Stromausfälle in einem beliebigen Stadtviertel können dadurch sogar früher erkannt werden als von den Stromverteilern selbst, denn es lässt sich feststellen, dass alle Modems im Viertel gleichzeitig ausfallen. Mit diesen Daten ist es möglich zu bestimmen, in welchen Vierteln zu welcher Uhrzeit Stromausfälle auftraten, die Verteilunternehmen zu informieren und — durch Messung der Trends dieser Ausfälle — Input für die Priorisierung von Infrastrukturverbesserungen zu liefern.
Wenn die Formel zur Überführung von Daten in Erkenntnis also klar ist: Warum entsteht Erkenntnis nur in manchen Forschungsprojekten? Warum enthalten manche Forschungsberichte nicht eine einzige Zeile mit einer Handlungsempfehlung?
Auf diese Fragen gibt es viele mögliche Antworten. Ich glaube jedoch, der Hauptgrund liegt darin, dass qualifizierte Fachkräfte zu wenig eingesetzt werden. Die technische Qualität der Studien, mit denen die zu interpretierenden Daten gewonnen werden (Stichprobengröße, Stichprobenverteilung, Fragetypen und weitere Faktoren, die die Datenqualität beeinflussen), sowie Defizite bei der Überführung dieser Daten in Information (Analysequalität, gezogene Kreuztabellen, eingesetzte statistische Modelle usw.) können an einen Punkt führen, an dem Erkenntnis von vornherein nicht möglich war. Und wer in all diesen Prozessen entscheidet, was wie zu tun ist, sind letztlich Menschen. Entscheidungen von Menschen, die ihr Handwerk beherrschen, sind die Garantie für die Erkenntnis, die am Ende der Studie steht.
Marktforschungsunternehmen bewegen sich heute leider in einem Teufelskreis. Auf der einen Seite stehen die Ausgaben, die für gute Arbeit nötig sind (Honorare für qualifizierte Projektleitungen, gute Feldinstitute, kompetente Analystinnen und Analysten), auf der anderen die stetig wachsende Zahl an Einkaufsverantwortlichen (Personen, die anstelle von Forschenden oder Marketingverantwortlichen über den Einkauf von Studien entscheiden). Die Führungskräfte der Institute versuchen täglich, den Forderungen von Menschen gerecht zu werden, deren Expertise das Verhandeln ist und die mehr für weniger wollen — und zugleich interne Umsatz- und Ergebnisziele zu erreichen. Diese Gleichung geht nur auf eine Weise auf: mit kostengünstigem Personal und automatisierten Analyse- und Reportingsystemen.
Forschende, die die Marktstruktur richtig deuten, darüber nachdenken, was die gewonnenen Daten bedeuten, und daraus Erkenntnisse mit Handlungsempfehlungen ableiten, arbeiten naturgemäß zu höheren Gehältern. Und Institute, die diese Summen zahlen, können kaum günstige Angebote abgeben. Deshalb werden viele wertvolle Forschungsprojekte in einer Form berichtet, in der am Ende nur zwei Zahlen im Bericht betrachtet werden — und die Auftraggeber verlieren ihren Glauben an Forschung.
Mein Vorschlag, um aus dieser Spirale herauszukommen: Institute und der Berufsverband sollten gemeinsam oder getrennt umfassende Schulungen anbieten. Schulungen, in denen erfahrene Forschende anhand von Beispielen erklären, wie sich aus echten Daten Erkenntnisse gewinnen lassen, und weniger erfahrenen Kolleginnen und Kollegen vermitteln, warum das wichtig ist. Ebenso wäre es sinnvoll, wenn Auftraggeber bei der Wahl des Instituts nicht nur auf den Preis schauen, sondern einen Entscheidungsbaum aufbauen, der es ermöglicht, Unternehmen mit fachkundigem, qualifiziertem Personal auszuwählen. Um beide Elemente zusammenzubringen, könnte unter Federführung des Berufsverbands ein Zertifizierungsprogramm geschaffen werden: So wie es ein Qualitätsbewertungssystem für Institute gibt, könnten auch die Teilnehmenden solcher Schulungen ein entsprechendes Zertifikat erhalten. In Angeboten anzugeben, dass je Projekt mindestens ein bis zwei Personen mit diesem Zertifikat mitarbeiten, würde sowohl dem Institut als auch dem Auftraggeber bei der Preisfindung Orientierung geben. Auch Einkaufsabteilungen erhielten damit ein objektiv nutzbares Bewertungskriterium.
Am Ende des Tages sind es die in Erkenntnis überführten Daten, die wertvoll sind und zu Geschäftsergebnissen beitragen. Und wer aus Daten die richtige Erkenntnis zieht, sind qualifizierte Menschen.