Ich begann mich bereits Anfang der 2000er Jahre für KI zu interessieren und gewann sogar einen Juniorenwettbewerb mit einem Projekt, das sich auf handschriftliche OCR (optische Zeichenerkennung) konzentrierte. Interessanterweise hatten wir schon im Jahr 2000 nahezu alle Kernalgorithmen, die auch heute noch verwendet werden. Was uns damals noch fehlte, war ausreichend Rechenleistung …
Im Laufe der Zeit verlagerten sich meine Interessen hin zur Leistungsmessung und später hin zum breiteren Feld der Strategieumsetzung. Heute, da LLMs die Schlagzeilen dominieren, gehen wir nur selten zu den Grundlagen zurück.
Was macht Lernen in neuronalen Netzen eigentlich möglich?
Einige einfache mathematische Prinzipien bilden den Kern der modernen KI. Und ich sehe klare Parallelen darin, wie dieselben Prinzipien von Organisationen bei der Umsetzung ihrer Strategien genutzt werden können und sollten.
Was Es KI Ermöglicht Zu Lernen
Eine der mathematischen Grundlagen neuronaler Netze ist die Kettenregel der Analysis, angewendet auf Verkettungen von Funktionen. Neuronale Netze sind geschichtete Systeme, die aus vielen einfachen, differenzierbaren Operationen aufgebaut sind. Die Kettenregel ermöglicht es, Gradienten durch die gesamte Verkettung zu berechnen. Das ist es, was Lernen in großem Maßstab möglich macht.
- Während eines Vorwärtsdurchlaufs erzeugt ein neuronales Netz eine Ausgabe, die zunächst falsch ist.
- Mithilfe gelabelter Daten und einer Verlustfunktion können wir messen, wie stark das Ergebnis vom gewünschten Ergebnis abweicht.
- Da alle internen Operationen differenzierbar sind, können wir lokale Ableitungen für jede Transformation berechnen.
- Durch Anwendung der Kettenregel werden diese lokalen Ableitungen zu Gradienten des Verlusts in Bezug auf jeden Parameter im Modell kombiniert.
Das System erkennt nicht nur, dass ein Fehler aufgetreten ist. Es bestimmt, wie jeder einzelne Parameter zu diesem Fehler beigetragen hat und in welche Richtung eine Änderung ihn das Ergebnis verschieben würde.
Strategieumsetzung als organisatorisches Lernsystem
Dasselbe Problem besteht in Organisationen…
Eine gute Strategieumsetzung ist ein strukturiertes System aus Zielen, Unterzielen, Initiativen und Leistungsindikatoren.
Während der Umsetzung müssen Organisationen Abweichungen von ihrer beabsichtigten Richtung so früh wie möglich erkennen. Deshalb gibt es Leistungskennzahlen. Sie liefern das erste Signal, dass die Realität von den Annahmen abweicht.
Aber:
Zu wissen, dass „etwas schiefgelaufen ist“, ist für sich genommen nahezu nutzlos…
Die Umsetzung verbessert sich erst, wenn die Organisation erkennen kann, welche Elemente des Systems angepasst werden müssen und wie diese Anpassungen die Ergebnisse voraussichtlich beeinflussen.
In neuronalen Netzen wird dies mathematisch durch die Kettenregel ermöglicht. In der Strategieumsetzung wird es nur dann möglich, wenn die Strategie ordnungsgemäß zerlegt, an den Erwartungen der Stakeholder ausgerichtet und von vagen Zielvorstellungen in mehrere Ebenen konkreter, kausal miteinander verknüpfter Ziele und Indikatoren übersetzt wird.
Eine Ordnungsgemäß Implementierte Strategie Umsetzen
In diesem Sinne ähnelt die effektive Strategieumsetzung zunehmend einem gut konzipierten neuronalen Netzwerk.
Wenn Abweichungen auftreten, kann die Organisation schnell lernen – nicht nur, dass die Leistung unter den Erwartungen liegt, sondern auch, welche Initiativen, Prozesse, Fähigkeiten oder Annahmen angepasst werden sollten, um den Erwartungen der Stakeholder näherzukommen.
Wenn die Strategie schlecht formuliert ist (abstrakte Ziele, keine Ursache-Wirkungs-Beziehungen, keine aussagekräftigen Indikatoren), befindet sich die Organisation letztlich in derselben Lage wie ein Modell ohne nutzbare Gradienten. Sie erkennt, dass die Ergebnisse schlecht sind, hat jedoch keine verlässliche Möglichkeit zu entscheiden, was geändert werden sollte.
Sowohl in neuronalen Netzwerken als auch in Organisationen wird Lernen erst möglich, wenn ein System aus miteinander verbundenen Komponenten aufgebaut ist, durch die sich Feedback fortpflanzen kann.
Wenn es Folgendes gibt:
- Struktur,
- lokale Verantwortlichkeit und
- messbare Treiber
… wird kontinuierliche Verbesserung möglich. Ohne diese bleiben Organisationen kaum mehr als Erfolgs-/Misserfolgssignale – und ohne einen Mechanismus, um zu verstehen, wie sie sich verbessern können.
Wissen Wir Also Endlich, Wohin Die Marketingausgaben Fließen?
Die kurze Antwort lautet: „nein“ (und neuronale Netze wissen es auch nicht).
In der KI können wir nicht auf ein einzelnes Neuron zeigen und sagen: „Das hat das Ergebnis verursacht.“ Lernen ist dennoch möglich, weil das System so aufgebaut ist, dass Rückmeldungen durch viele verbundene Teile fließen und diese nach und nach umformen.
Zu sagen „Marketing funktioniert“ ist ähnlich wie zu sagen „das Modell hat sich verbessert“. Es zeigt eine Richtung, aber es sagt Ihnen nicht, was Sie als Nächstes ändern sollten.
Nützlich wird es, Muster innerhalb des Systems zu erkennen.
Zum Beispiel: Der Umsatz kann gleich bleiben, während der Traffic steigt, das Content-Engagement sich verbessert und mehr Leads erzeugt werden, aber die Abschlussquoten bei Deals sinken und Deals länger brauchen, um abgeschlossen zu werden.
Analytisch ist es nicht mehr ein simples Erfolg/Misserfolg. Es ist ein Muster von Signalen, das zeigt, dass sich einige Teile des Systems verbessern, während andere nicht aufeinander abgestimmt sind.
Das System identifiziert keine einzelne schuldige Kampagne. Es zeigt an, wo Anpassungen erforderlich sind.
So sieht Lernen aus, wenn es funktioniert.
Es sagt Ihnen vielleicht nicht genau, wohin jeder Dollar geflossen ist, aber es sagt Ihnen etwas weitaus Wertvolleres: wohin sich die Organisation als Nächstes bewegen sollte.
Bekannte Schwächen: Finde Ein Lokales Minimum
Ähnlich wie bei neuronalen Netzen sollten Organisationen angesichts der bekannten Einschränkung, ein lokales Minimum statt eines globalen zu finden, ihren Messrahmenwerken nicht zu 100 % vertrauen.
Die Strategieumsetzung ist ein fortlaufender Prozess, bei dem Hypothesen in der Praxis validiert werden. Manchmal validieren wir Hypothesen auf niedriger Ebene, und alles ergibt Sinn. Manchmal bewegen wir uns entlang des Dekompositionsbaums nach oben und stellen schließlich unser Verständnis der Stakeholder und ihrer Bedürfnisse infrage.
Alexis Savkin ist ein Architekt für Strategieumsetzung und Gründer von BSC Designer, einer Softwareplattform für Strategieumsetzung und Balanced Scorecard. Er unterstützt Organisationen dabei, das Leistungsmanagement zu automatisieren und Strategie in messbare Ergebnisse zu überführen. Alexis ist der Entwickler des „Strategy Execution Canvas“, Autor von über 100 Artikeln zu Strategie und Leistungsmessung sowie regelmäßiger Redner auf Branchenveranstaltungen.