„Wir arbeiten datengetrieben“
Über Zahlen, Narrative und blinde Flecken

Es gibt einen Satz, den man in Unternehmen erstaunlich oft hört: „Wir arbeiten datengetrieben.“ Er klingt gut. Rational, modern, professionell. Er suggeriert eine Welt, in der Entscheidungen nicht aus Bauchgefühl oder Hierarchie entstehen, sondern aus messbaren Fakten. In der Realität bedeutet dieser Satz allerdings oft etwas ganz anderes.

Das eigentliche Problem: Interpretation ist nicht neutral

Ich arbeite beruflich viel mit Daten. Tabellen, Dashboards, Kampagnenauswertungen, Reports, Präsentationen. Letztlich alles Versuche, komplexe Prozesse auf eine Reihe von Zahlen zu reduzieren, damit man zumindest ungefähr versteht, was funktioniert und was nicht. Und genau hier beginnt das eigentliche Problem.

Zahlen wirken objektiv. Aber die Geschichten, die wir über sie erzählen, sind es selten. Daten werden nämlich nicht manipuliert, zumindest nicht in den meisten Fällen. Sie werden interpretiert. Und Interpretation ist zunächst vollkommen legitim, denn ohne sie wären Daten nur eine Ansammlung von Zahlenkolonnen. Erst wenn man sie in einen Kontext setzt, Zusammenhänge herstellt, Zeiträume vergleicht, erst dann entsteht eine Aussage.

Das Problem: Der Übergang zwischen Analyse und Schönrechnung ist erschreckend fließend. Und er beginnt selten mit einer großen Täuschungsabsicht, sondern mit einem sehr banalen Ziel: Die Zahlen sollen funktionieren.

Wie es passiert, Schritt für Schritt

Vielleicht erwartet ein Kunde Wachstum. Vielleicht hat ein Team eine Kampagne entwickelt, in die viel Zeit und Budget geflossen ist. Vielleicht hat ein Manager intern bereits kommuniziert, dass eine bestimmte Strategie erfolgreich sein wird. Wenn die Realität dann nicht ganz mit dieser Erwartung übereinstimmt, beginnt ein Prozess, der nach außen weiterhin wie Analyse aussieht, intern aber immer stärker zu einer Suche nach einer passenden Darstellung wird:

• Man verschiebt den Betrachtungszeitraum ein wenig, weil der erste Monat ungewöhnlich schwach war.
• Man entscheidet, dass eine bestimmte Kennzahl eigentlich nicht die richtige sei und ersetzt sie durch eine, die besser aussieht.
• Man nimmt eine Kampagne aus der Vergleichsgruppe heraus, weil sie „nicht repräsentativ“ war.
• Oder man erklärt, dass ein bestimmter Effekt langfristig gedacht werden müsse und deshalb jetzt noch nicht sichtbar sei.

All das lässt sich argumentativ begründen. Und genau deshalb funktioniert es so gut.

Es passiert fast immer kollektiv

Das eigentlich Interessante ist nicht, dass solche Dinge passieren, sondern wie sie passieren. Selten sitzt jemand allein vor einem Datensatz und beschließt bewusst, ihn zu manipulieren. Viel häufiger sitzen mehrere Menschen in einem Raum, betrachten dieselben Zahlen und entwickeln gemeinsam eine Interpretation, die sich für alle Beteiligten plausibel genug anfühlt, um sie in eine Präsentation zu schreiben. Und sobald sie dort steht, passiert etwas Merkwürdiges.

Eine Zahl in einer Präsentation wird schnell zur Realität. Sie wird Teil eines Narrativs. Und Narrative haben in Organisationen eine erstaunliche Stabilität, weil sie nicht nur Fakten beschreiben, sondern auch Rollen definieren: Wer hat die richtige Strategie gewählt? Wer hat Wachstum erzeugt? Wer hat gute Arbeit geleistet? Sobald dieses Narrativ einmal etabliert ist, wird es sehr schwierig, es wieder einzufangen, selbst dann, wenn alle Beteiligten wissen, dass die ursprüngliche Interpretation zumindest großzügig formuliert war. Denn wer den Finger hebt und sagt, dass die Daten vielleicht doch etwas anderes nahelegen, stellt nicht nur die Zahlen infrage, sondern auch die Geschichte, die sich inzwischen darum gebildet hat. Und Geschichten haben in Organisationen oft mehr Gewicht als Zahlen.

Ein gängiges Szenario: Der Umgang mit unvollständigen Daten

Ein typisches Phänomen zeigt sich oft dann, wenn Maßnahmen ausgewertet werden sollen, für die von Beginn an kein lückenloses Tracking aufgesetzt wurde. Man steht vor der Aufgabe, den Erfolg zu bewerten, doch die Datengrundlage ist unvollständig. Einige Kennzahlen fehlen schlichtweg oder wurden technisch nicht valide erfasst. In einer idealen Welt würde man an dieser Stelle transparent kommunizieren: „Wir können diesen spezifischen Aspekt nicht belastbar auswerten, weil uns die historischen Daten fehlen.“

In der Praxis entsteht jedoch oft ein anderer Reflex, besonders wenn Erwartungshaltungen erfüllt werden müssen. Man beginnt, die Lücken zu schließen. Fehlende Werte werden durch Annahmen, grobe Hochrechnungen oder allgemeine Benchmarks ersetzt. Irgendwann stehen sehr präzise wirkende Zahlen auf einer Folie, die eine Gewissheit ausstrahlen, welche die tatsächliche Datenlage gar nicht hergibt.

Ich habe diese Dynamik im Laufe der Jahre in verschiedenen Agenturen beobachten können. Das Spektrum reicht vom vermeintlich harmlosen Auffüllen von Lücken bis hin zur völlig dreisten, nachträglichen Änderung von Zahlen. Die treibende Kraft dahinter ist oft eine fatale Fehleinschätzung: Die unausgesprochene Annahme, die Kundenseite sei nicht versiert genug, um die Berechnungen zu hinterfragen.

Wie riskant diese Überheblichkeit ist, zeigte sich in einem Fall besonders deutlich. Eine Kundin, die analytisch wesentlich tiefer im Thema steckte als das Agenturteam vermutet hatte, verschaffte sich kurzerhand selbst Zugang zu den Rohdaten. Beim Abgleich mit dem glattgezogenen Report merkte sie völlig zu Recht an, dass die präsentierten Zahlen mathematisch schlichtweg nicht stimmen konnten. Das Vertrauen war in diesem Moment irreparabel beschädigt. Wenn die Story über den Daten steht, fällt das Konstrukt zusammen, sobald jemand wirklich nachrechnet.

Der schleichende Effekt: Man beginnt, sich selbst zu glauben

Mit der Zeit passiert etwas fast Ironisches. Menschen beginnen, an ihre eigene Darstellung zu glauben. Was zunächst nur eine wohlwollende Interpretation war, wird irgendwann zur offiziellen Version der Realität. Und weil diese Version immer wieder wiederholt wird, in Meetings, Reports und Präsentationen, wirkt sie stabiler als die ursprünglichen Daten, aus denen sie entstanden ist.

Das Problem zeigt sich selten sofort. Kurzfristig funktioniert diese Praxis sogar gut. Die Präsentation überzeugt, der Kunde ist zufrieden, niemand muss erklären, warum ein teures Projekt den erhofften Effekt nicht hatte. Langfristig aber hat diese Datenkultur eine sehr unangenehme Nebenwirkung: Sie entkoppelt Entscheidungen von der Realität. Budgets werden verteilt, Kampagnen skaliert, ganze Abteilungen richten ihre Arbeit an Kennzahlen aus, die ursprünglich nur eine günstige Interpretation eines eher durchschnittlichen Ergebnisses waren. Irgendwann lässt sich ein angeblich erfolgreiches Modell nicht mehr reproduzieren. Dann beginnt das große Rätselraten. Dabei ist die eigentliche Ursache viel banaler: Man hat irgendwann aufgehört, ehrlich auf die Zahlen zu schauen.

Was „datengetrieben“ wirklich bedeutet

Was mich an dieser Dynamik am meisten erstaunt, ist nicht, dass sie existiert. Menschen neigen nun einmal dazu, Dinge im günstigen Licht darzustellen. Es ist die Hartnäckigkeit, mit der Organisationen sich gleichzeitig das Etikett „datengetrieben“ geben, während sie in der Praxis alles tun, um Daten an ein bestehendes Narrativ anzupassen. Dabei ist das Wort selbst das Problem. „Datengetrieben“ klingt nach Disziplin, nach einem Prozess, der größer ist als einzelne Meinungen oder Hierarchien. Es verspricht, dass Entscheidungen nicht davon abhängen, wer am lautesten argumentiert oder den höchsten Titel trägt, sondern davon, was die Zahlen sagen.

Das ist ein attraktives Versprechen. Nur funktioniert es eben nur dann, wenn man bereit ist, das Ergebnis auch dann zu akzeptieren, wenn es unbequem ist. Wirklich datengetrieben zu arbeiten bedeutet etwas anderes, als die meisten Unternehmen darunter verstehen. Es bedeutet nicht, Daten zu nutzen, um Entscheidungen zu illustrieren, die bereits feststehen. Es bedeutet:

• Zahlen auszuhalten, die einem nicht gefallen.
• Kampagnen als Misserfolg zu akzeptieren, auch wenn viel Arbeit darin steckt.
• Strategien zu korrigieren, obwohl man sie noch wenige Wochen zuvor voller Überzeugung präsentiert hat.

Das erfordert eine organisationale Kultur, in der schlechte Nachrichten nicht bestraft werden. Denn das eigentliche Problem liegt selten bei den einzelnen Analysten oder den Teams, die Daten aufbereiten. Es liegt in den Anreizen, die Organisationen setzen. Wer Misserfolge offen benennt, riskiert, als Pessimist zu gelten. Wer Erfolge kommuniziert, wird belohnt. In einem solchen System ist die Versuchung, Daten in die richtige Richtung zu interpretieren, keine Charakterschwäche. Sie ist eine rationale Reaktion auf eine irrationale Umgebung.

Echte Datenkultur beginnt deshalb nicht mit besseren Dashboards oder ausgefeilterer Analyse-Software. Sie beginnt mit der Frage, ob eine Organisation tatsächlich in der Lage ist, auf unangenehme Wahrheiten zu reagieren, ohne den Überbringer der Botschaft zu bestrafen. Solange das nicht der Fall ist, bleibt „datengetrieben“ ein Label, das man sich verleiht, ohne die Konsequenzen tragen zu wollen. Vor allem aber bedeutet es, zwischen Analyse und Selbsttäuschung zu unterscheiden. Das ist schwieriger, als es klingt, weil der Übergang fließend ist und weil niemand im Raum ein Interesse daran hat, ihn klar zu benennen.

Datenmanipulation (genauer: die Manipulation der Interpretation) basiert auf einer simplen Fehlannahme: dass Realität verhandelbar ist. Dass man, wenn man nur lange genug sucht, eine Darstellung findet, die sowohl den Zahlen als auch den Erwartungen gerecht wird. Sie ist es nicht. Realität ist kein Verhandlungsgegenstand, auch wenn man sie eine Zeit lang so behandeln kann, als wäre sie einer. Früher oder später meldet sie sich zurück. Nicht als moralisches Problem, sondern als praktisches. Als Budget, das keine Wirkung zeigt. Als Strategie, die sich nicht reproduzieren lässt. Als Frage, auf die man keine ehrliche Antwort mehr hat, weil man sie sich schon zu lange nicht mehr gestellt hat.