Gewinne:
- Fähigkeit, eine mehrdeutige Kundenfrage in eine klare, lösbare Problemstellung umzuwandeln und mit künstlicher Intelligenz einen MECE-Hypothesenbaum (Issue Tree) zu erstellen
- Fähigkeit, mithilfe künstlicher Intelligenz Hypothesen zu generieren, blinde Flecken zu erkennen und nach eigenem Ermessen zu entscheiden, welche Hypothese zuerst getestet wird.
- Fähigkeit, häufige Fallstricke bei der Problemstrukturierung zu erkennen und zu vermeiden (widersprüchliche Zweige, von der Lösung im Voraus ausgehen, falsche Frage).
Der teuerste Fehler eines Beratungsprojekts ist die Lösung der falschen Frage. Der Kunde fragt: „Unsere Umsätze gehen zurück, was sollen wir tun?“ kommt: Aber die eigentliche Frage ist: „In welchem Segment, warum und wie viel davon steht unter unserer Kontrolle?“ es könnte sein. Ein erfahrener Berater beginnt damit, das Problem richtig zu definieren, nicht mit der Suche nach Antworten. Künstliche Intelligenz ist in dieser Phase der perfekte Denkpartner: Sie generiert innerhalb von Minuten Dutzende möglicher Ursachen, Unterfragen und Hypothesen. Aber um zu entscheiden, welche Frage die richtige ist, bedarf es eines Urteils, und dieses Urteil liegt bei Ihnen.
In dieser Einheit kombinieren wir zwei Werkzeuge, die das Rückgrat der Beratung mit künstlicher Intelligenz bilden: den Hypothesenbaum (Themenbaum, ein Baumdiagramm, das ein Problem in Unterfragen verzweigt) und das MECE-Prinzip (Mutually Exclusive, Collectively Exhaustive – die Zweige überschneiden sich nicht und decken zusammen das Problem vollständig ab).
Von der vagen Frage zum lösbaren Problem
Eine gute Problemstellung umfasst vier Dinge: Wer (Entscheidungsträger), Was (Entscheidung), Kriterien (woran der Erfolg gemessen wird), Grenze (Umfang und Dauer). „Umsätze gehen zurück“ ist eine Klage; „Welches sind die 3 wirksamsten Hebel, um mit dem aktuellen Budget den Umsatz im B2B-Segment in den nächsten 12 Monaten um 10 % zu steigern?“ ist eine Problemstellung. Sie können diese Transformation mit künstlicher Intelligenz bewirken, aber zuerst müssen Sie die Ausgangssituation klar erklären.
Ihre Rolle: Problemstrukturierungscoach für den Unternehmensberater. Ich gebe Ihnen die grobe Beschwerde des Kunden. Ihre Aufgabe: 1) Wandeln Sie dies in eine messbare Problemstellung in einem Satz um (muss Entscheidungsträger, Entscheidung, Erfolgskriterien, Umfang und Dauer enthalten). 2) Zeigen Sie die drei impliziten Annahmen auf, auf denen diese Aussage basiert. 3) Schlagen Sie zwei alternative Problemrahmen vor, um dem Risiko entgegenzuwirken, „die falsche Frage zu lösen“. Rohe Beschwerde: „[in den Worten des Kunden...]“
Tipp: Lesen Sie dem Kunden die Problembeschreibung noch einmal vor. „Erfolg bedeutet für Sie also eine Steigerung des B2B-Umsatzes um 10 % in 12 Monaten, richtig?“ Dieser einzige Satz legt die Richtung des Projekts und die anschließende „Wir wollten das nicht“-Debatte von Anfang an fest.
Aufbau des Hypothesenbaums mit künstlicher Intelligenz
Sobald das Problem klar ist, verzweigen Sie es. Die Wurzel des Baumes ist die Hauptfrage; Zweige sind mögliche Reaktionsachsen; Blätter sind überprüfbare Hypothesen. Zum Beispiel: „Warum steigt der B2B-Umsatz nicht?“ Die Frage lässt sich in zwei Hauptzweige unterteilen: (1) Die Neukundenakquise ist schwach, (2) Der Bestandskundenumsatz geht zurück. Jeder Zweig ist in eigene Unterzweige unterteilt. Ein guter Baum ist MECE.
Ihre Rolle: Experte für MECE-Hypothesebäume. Hauptfrage: „[Problemstellung]“ Aufgabe: Verzweigen Sie diese Frage in nicht mehr als zwei Ebenen. Regeln: – Zweige der ersten Ebene müssen MECE sein (keine Überlappung, keine Lücken). „MECE-Audit“ kennzeichnen die Filialen.
KI liefert Ihnen in 3 Sekunden einen Baum mit 15 Hypothesen. Aber Ihre Arbeit endet hier nicht, sie beginnt: Sie entscheiden, welche Zweige wirklich MECE sind und welche Hypothese am wahrscheinlichsten und am einfachsten zu testen ist.
Priorisierung: Welche Hypothese soll zuerst getestet werden?
Es bleibt keine Zeit, alle Hypothesen zu testen. Verwenden Sie zwei Achsen: Auswirkung (wie groß es zur Lösung beiträgt, wenn es wahr ist) und Leichtigkeit (wie schnell/billig es zu testen ist). Diejenigen mit großer Wirkung und hohem Komfort stehen an erster Stelle. Dies wird als „Quick-Win-Sweep“ bezeichnet.
Hypothese
Wirkung (1-5)
Einfaches Testen (1-5)
Priorität
Die Preise liegen hinter denen der Konkurrenz
5
4
Vorher
Das Vertriebsteam ist im B2B-Bereich unzureichend
4
3
dann
Es besteht eine Lücke bei den Produktfunktionen
4
2
Forschung
Die Markenbekanntheit ist gering
3
2
halten
Sie können diese Matrix mit künstlicher Intelligenz füllen; Aber überprüfen Sie die Wirkungs- und Komfortwerte anhand Ihrer eigenen Branchenkenntnisse. Das Modell überschätzt häufig die Testfreundlichkeit.
Ihre Rolle: Priorisierungsanalyst. Platzieren Sie die folgende Liste von Hypothesen in einer Impact-Ease-Matrix. Für jede Hypothese: Auswirkung (1–5), einfache Testbarkeit (1–5), einzelne Datenquelle erforderlich, Empfehlung (vorher/nachher/untersuchen/halten). Regeln: Leichtigkeit optimistisch bewerten, Begründung aufschreiben. Markieren Sie die beiden Hypothesen mit dem höchsten „Impact × Ease“-Multiplikator. Hypothesen: [Liste]
drei Mini-Koffer
Fall 1 – Falsche Frage korrigiert. Eine Einzelhandelskette fragte: „Wir haben eine hohe Mitarbeiterfluktuation, sollten wir die Gehälter erhöhen?“ er fragt. Der Berater öffnet den Problemrahmen mit künstlicher Intelligenz; Das Modell veranschaulicht drei implizite Annahmen: Die Bezahlung ist das Problem, der Umsatz ist in allen Filialen gleich und die Bezahlung ist die Lösung. Die Daten werden gezogen: 70 % der Fluktuationsrate findet in drei Filialen und immer im gleichen Team aus zwei Managern statt. Die eigentliche Frage ist das Verhalten des Managers. Eine Gehaltserhöhung um 14 Millionen TL wäre die falsche Lösung.
Fall 2 – Nicht-MECE-Baum. Ein Berater fragt das Modell: „Warum sinken die Gewinne?“ Er will den Baum. Das Modell gibt den Branchen „Einkommen ist niedrig“, „Kosten sind hoch“ und „Wettbewerb hat zugenommen“ an. Die ersten beiden Zweige sind MECE (Gewinn = Umsatz − Kosten), aber „verstärkter Wettbewerb“ ist eine Ursache und Umsatz/Kosten eine Wirkung; Die Zweigebenen sind gemischt. Der Berater legt den Baum fest: Ebene eins sind nur Einnahmen und Kosten; Der Wettbewerb führt zu einem Teilzweig des Einkommens.
Fall 3 – Priorisierung hat sich ausgezahlt. In einem B2B-Softwareunternehmen werden 12 Hypothesen generiert. Die Impact-Convenience-Matrix ordnet die Hypothese „Der Onboarding-Prozess ist lang“ in die Box „High Impact – High Convenience“ ein. Bestätigt durch eine wöchentliche Datenanalyse: Die Kündigungsrate von Kunden, die nicht innerhalb von 30 Tagen aktiviert werden, ist 3-mal höher. Ein kleiner Eingriff (geführte Installation) reduziert den Ausfall um 22 %. Das erste Testen der richtigen Hypothese verkürzt das Projekt.
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Machen Sie mir eine Liste, warum die Gewinne dieses Unternehmens sinken.
Das Modell zählt zufällige, sich überschneidende und unbegründete Ursachen auf; Es legt keinen Denkrahmen fest.
Kraftvolle Aufforderung:
Ihre Rolle: MECE-Problemstrukturierungsspezialist. Hauptfrage: „Unternehmen baut gerade.“
Prüffragen einer guten Problemstruktur
Wenn Sie Ihren Baum fertiggestellt haben, stellen Sie diese Fragen: Sie können auch künstliche Intelligenz fragen, aber die endgültige Entscheidung treffen Sie:
- Ist die Grundfrage wirklich die Frage, über die der Kunde entscheiden möchte? - Überlappen sich die Zweige der ersten Ebene? (Schließt sich gegenseitig aus?) – Wird etwas ausgelassen? (Ist es zusammen vollständig?) - Kann jedes Blatt anhand von Daten getestet werden, oder ist es eine Meinung? - Habe ich die Lösung im Voraus angenommen? (Zum Beispiel: „Gehalt ist die Lösung“)
Häufige Fehler
- Betten Sie die Lösung in die Frage ein. „Sollten wir den Preis senken?“ Die Frage setzt die Lösung voraus und macht die anderen Hebel unsichtbar. Fragen Sie zuerst nach dem „Warum“.
- Überlappende Zweige. Handelt es sich bei „Firmenkunden“ und „Großkunden“ um getrennte Filialen, wird derselbe Kunde an zwei Stellen gezählt; MECE ist kaputt.
- Mischstufe. Setzt man die Ursache (Konkurrenz) auf die gleiche Ebene wie die Wirkung (Umsatzrückgang), wird der Baum irrational.
- Untestbare Blätter. „Schlechtes Management“ ist ein Urteil, keine Hypothese. „Die Entscheidungszeit beträgt durchschnittlich 40 Tage, in der Branche 12 Tage“, lautet die überprüfbare Hypothese.
- Den Baum des Modells so akzeptieren, wie er ist. KI gibt einen kurzen Überblick; Die MECE-Prüfung und -Priorisierung ist Ihre Aufgabe.
Achtung: KI stellt einen Hypothesenbaum sehr überzeugend dar. Überzeugung ist nicht Genauigkeit. Untersuchen Sie den Baum immer manuell auf MECE; Das Zeichnen von Ästen mit Stift und Papier zeigt oft Überlappungen, die das Modell übersehen hat.
Zusammenfassend
In der Beratung liegt der Wert in der richtigen Frage vor der richtigen Antwort. KI ist in der Lage, eine vage Beschwerde in eine messbare Problemstellung umzuwandeln, implizite Annahmen aufzudecken und schnell einen Hypothesenbaum zu entwerfen. Es liegt jedoch an Ihnen, zu entscheiden, ob der Baum MECE ist, wie die Hypothesen überprüfbar sind und welche Hypothese Sie zuerst testen möchten. Das Modell erstellt einen Entwurf; Es ist die Aufgabe des Beraters, das Problem zu erkennen, zu kontrollieren und zu priorisieren.
Anwendungsaufgabe
Wählen Sie eine echte oder eingebildete Kundenbeschwerde (ein Satz). Wandeln Sie dies zunächst in eine messbare Problemstellung und drei implizite Annahmen mit einer starken Aufforderung zur Problemformulierung um. Erstellen Sie dann mit der MECE-Hypothesebaum-Eingabeaufforderung einen zweistufigen Baum. Überprüfen Sie den Baum manuell, um mindestens einen Konflikt oder eine Lücke zu finden und zu beheben. Füllen Sie abschließend die Effekt-Einfachheits-Matrix aus und wählen Sie zwei Hypothesen aus, die Sie zunächst testen möchten.
Checkliste
- [ ] Ich habe die Rohbeschwerde in eine Problemstellung mit Wer/Was/Kriterien/Umfang/Dauer umgewandelt.
- [ ] Ich habe implizite Annahmen aufgedeckt.
- [ ] Ich habe die erste Ebene meines Hypothesenbaums als MECE untersucht.
- [ ] Ich habe überprüft, dass jedes Blatt eine überprüfbare Hypothese ist.
- [ ] Ich habe darauf geachtet, dass ich die Lösung nicht in der Frage vergrabe.
- [ ] Ich habe mit der Impact-Ease-Matrix Prioritäten gesetzt.
- [ ] Ich habe den Baum des Modells nicht blind akzeptiert und ihn manuell korrigiert.