Das richtige Führungs-Mindset für den Umgang mit KI und Daten
Unternehmen und Einzelpersonen erzeugen bereits heute eine überwältigende Menge an Daten und dieser Trend wird weiterhin rasant zunehmen. Um Daten erfolgreich in Wissen und dann in Ergebnisse umzuwandeln und um zu vermeiden, dass man sich von den Daten erdrückt fühlt, müssen Führungskräfte wissen, welche Art von Daten sie benötigen und welche Qualität und Quelle diese haben.
Dabei müssen Führende zunächst die Verfügbarkeit von Daten und deren Qualität verstehen und anschließend diesen nicht verfeinerten und ungefilterten Daten eine Bedeutung verleihen und sie in Informationen umwandeln, d.h. Daten in einen Kontext stellen, sie verarbeiten und sie nutzbar machen. Bei den meisten strukturierten und routinemäßigen Entscheidungsprozessen kann die Datenanalyse automatisiert werden, und die Ergebnisse können ohne menschliches Eingreifen in Entscheidungen umgesetzt werden. Bei komplexen Entscheidungen, an denen mehrere Perspektiven und Interessengruppen beteiligt sind, müssen Führungskräfte jedoch Fähigkeiten erwerben - oder bei anderen entwickeln -, die ihnen helfen, die Daten und das Umfeld zu verstehen. Zu diesen Fähigkeiten gehören strategische Analyse, Datenanalyse, statistische Modellierung, Kommunikation und Beziehungsfähigkeit.
Diese Aspekte sind im Besonderen dann relevant wenn Algorithmen für maschinelles Lernen angewendet werden. Diese sind nur so gut, wie die Daten, auf denen sie trainiert werden. KI-Anwendungen suchen nach Mustern in den Daten, und jede Verzerrung spiegelt sich in der anschließenden Analyse und den Empfehlungen in einer Art "Garbage in, Garbage out"-Szenario wider - oder besser gesagt: "Bias in, Bias out"-Szenario. Dadurch kann die Algorithmische Entscheidungsfindung bestehende Diskriminierungsmuster reproduzieren, die auf Vorurteilen beruhen, die in der Gesellschaft fortbestehen, oder die die Vorurteile früherer Entscheidungsträger widerspiegeln. Dies kann zu diskriminierenden Praktiken und Ergebnissen führen, die in bestimmten Situationen, wie etwa bei Personalentscheidungen, nicht nur unethisch, sondern auch illegal sind.
Im Laufe dieses Artikels wurde bereits mehrmals der Begriff „Datenqualität“ verwendet. Aber was bedeutet oder beinhaltet "Datenqualität"? Und woher weiß man, dass die eigenen Daten von ausreichender Qualität sind?
Ein nützlicher und benutzerfreundlicher Ansatz zum Verständnis und zur Bestimmung der Datenqualität wurde 2011 von Sauter vorgeschlagen. Diesem Rahmen zufolge ist die Datenqualität gegeben, wenn die Daten:
Relevant für die zu prüfende Entscheidung: Die Daten beziehen sich auf die Entscheidung bzw. die zu treffenden Entscheidungen oder stehen mit ihnen in Zusammenhang.
Rechtzeitig: Die Daten und die nachfolgenden Informationen für die Entscheidungsfindung sind schnell genug verfügbar, um nützlich zu sein.
Ausreichend: Es sind genügend Daten vorhanden, um die zu treffende Entscheidung zu unterstützen.
Disaggregiert: Die Daten sind auf niedrigen Aggregationsstufen verfügbar, so dass der Entscheidungsträger sie nach Bedarf aggregieren kann.
Verständlich: Die Bedeutung der Datenfelder ist für die Benutzer aufgrund eines klaren Kodierungsschemas, eines Datenwörterbuchs oder anderer Mittel klar.
Frei von Verzerrungen: Die Daten sind in Bezug auf den Zeithorizont, die Felder und die Stichproben repräsentativ. Mit anderen Worten: Die Daten wurden weder aus Bequemlichkeit, Nachlässigkeit oder aufgrund einer bereits bestehenden Agenda ausgewählt noch ausgeschlossen.
Vergleichbar: Die Daten können mit anderen relevanten Daten verglichen werden, und zwar in Bezug auf den Zeitraum, den Detaillierungsgrad, die Messbedingungen und andere Faktoren.
Zuverlässig: Alle Daten sind verrauscht und weisen Fehler auf, aber um nützlich zu sein, müssen sie ausreichend genau und zuverlässig sein.
Redundant: Idealerweise sollte genügend Redundanz vorhanden sein, um Daten aus mehreren Quellen miteinander zu verknüpfen.
Und Kosteneffizient sind: Der Nutzen, der sich aus der Verwendung der Daten ergibt, ist größer als die Kosten für die Erhebung oder Beschaffung der Daten. (Sauter, 2011)
Mit der Weiterentwicklung KI-gestützter Lösungen und dem Druck, den digitalen Wandel zu vollziehen, stehen Führungskräfte vor zusätzlichen Herausforderungen in Bezug auf die Einhaltung von Vorschriften und ethische Implikationen. Führungskräfte in Unternehmen müssen Stellung beziehen und ausführliche Diskussionen führen, um sicherzustellen, dass solche Maschinen den Menschen nicht schaden und gleichzeitig Chancen für die wirtschaftliche, soziale und kulturelle Entwicklung bieten. Transparenz, Vorhersehbarkeit, Überprüfbarkeit und Unbestechlichkeit sind einige der Grundsätze, die Unternehmen bei der Einführung von KI-Lösungen in den Arbeitsablauf beachten sollten. Führungskräfte müssen KI-Mensch-Organisationen entwerfen, die Mechanismen zum Schutz von Dateneigentümern und anderen Interessengruppen enthalten, die durch unrechtmäßige und unethische KI-Anwendungen geschädigt werden können. Dies ist heute besonders wichtig, da KI-Systeme eine neue Stufe der Komplexität erreicht haben, die eine sinnvolle menschliche Kontrolle erfordert.
Es ist wichtig zu betonen, dass nicht alle Führende zu KI und Daten Experten werden müssen. Jedoch müssen sich Führungskräfte darüber bewusst sein, auf welcher Datengrundlage sie Entscheidungen treffen und das diese Daten oder die Ergebnisse von KI-Algorithmen Verzerrungen oder Fehler beinhalten können.
Quellen:
Sauter, V. (2011). Decision Support Systems for Business Intelligence, 2nd. Ed. Hoboken, NJ: John Wiley & Sons. Tableau. (n.d.). How to create a data management strategy: 5 recommended steps for every enterprise. https://www. tableau.com/learn/articles/data-management-strategy.