Scorecard-Kennzahlen durch Data Mining

Abstract

Betriebliche Scorecards haben bereits seit einigen Jahren ihre feste Position im Werkzeugkasten der Manager. Unternehmen wollen damit ihre Strategien in konkrete operative Aktionen umsetzen. Eine solche Möglichkeit bieten die Berichtsbögen, die nach dem Muster der Zählkarten beliebter amerikanischer Sportarten entwickelt wurden — z. B. die Balanced Scorecard. In ihr werden aussagefähige statistische Werte eingetragen, die es erlauben, das Unternehmen zielorientiert zu steuern.

Aber woher kommen die Werte, die in den Berichtsbogen eingetragen werden? Werte, die aussagekräftig und realistisch sind, die nicht durch den subjektiven Blick Einzelner verfälscht werden und dabei unerbittlich die eigenen Schwächen aufdecken sowie ohne Euphorie die Stärken zeigen. Diese Daten entstehen im Wettbewerb — im Sport und in den Unternehmen. Das nachträgliche Erheben solcher Daten, um die Scorecard zu füllen, hat viele Schwächen. Es ist weiter weg, von der Entstehung der Daten, es besteht ein größeres Risiko der Verfälschung und vor allem ist es sehr aufwändig.

Um die im Wettbewerb entstehenden Daten für eine Scorecard zu nutzen, muss es nur gelingen, die vorhandenen aber in der Fülle der Daten versteckten und verstreuten Informationen zu lokalisieren und verfügbar zu machen. Hierfür lassen sich die Werkzeuge des Data Mining nutzen. Dieser Beitrag zeigt, wie es gelingen kann, durch das verfahrensgesteuerte Entdecken der in den großen Datenmengen verborgenen Informationen methodisch abgesichert eine Scorecard zu erstellen (zu weiteren Informationen vgl. Pietsch u. Memmler 2003).