Äste durch spezifische, falsifizierbare Hypothesen testen

Verwandle jeden Ast in eine testbare Hypothese, bevor du Daten sammelst.

Why it works

Ein Issue-Tree-Ast ist eine Hypothese über die Welt – „der Umsatzrückgang wird durch Kundenabwanderung getrieben, nicht durch geringere Neukundengewinnung“. Ihn vor der Datensammlung als Hypothese zu behandeln fokussiert die Datensammlung: Man sucht nach spezifischer Evidenz, die den Ast bestätigt oder widerlegt, statt allgemein zu erkunden. Diese Struktur verhindert das Abdriften, bei dem die Datensammlung endlos weitergeht, weil niemand festgelegt hat, was als ausreichend Evidenz gilt, um den Ast abzuschließen.

How to do it

1. Schreibe für jeden priorisierten Ast eine Ein-Satz-Hypothese: „Der Umsatz sank, weil X in Segment Y geschah.“
2. Lege im Voraus fest, welche Daten die Hypothese bestätigen oder widerlegen würden.
3. Sammle die minimal nötigen Daten, um den Ast in die eine oder andere Richtung zu klären.
4. Markiere den Ast als bestätigt, widerlegt oder unschlüssig und geh dann zum nächsten über.

Evidenz

Hypothesengetriebene Analyse ist Standardpraxis bei McKinsey und in der Beratungsbranche. Hypothesentests als wissenschaftliche Methode haben umfassende philosophische und praktische Rechtfertigung; ihre Anwendung auf Geschäftsanalyse folgt daraus. (mechanistic)

In der Geschäftsanalyse ist „falsifizierbar“ weicher als in der Wissenschaft – Evidenz ist oft mehrdeutig, und der Astabschluss erfordert Urteilsvermögen. Die Praxis reduziert Mehrdeutigkeit, statt sie zu beseitigen.

Quellen

• Popper (1963), Conjectures and Refutations — on falsifiability as the criterion of scientific claims

Häufiger Fehler

Daten sammeln, bevor die Hypothese formuliert ist, sodass die Datensuche davon geleitet wird, was auftaucht, statt davon, was die Frage klären würde – das ist explorativ, nicht analytisch.