Korrelation ist nicht gleich Kausalität

Achtung! Viele Vertriebsleiter oder Geschäftsführer im B2B Bereich verwechseln Korrelation und Kausalität, wenn es um Datenanalysen geht.

Datenbasierte Entscheidungen im Vertrieb sind nicht immer automatisch die besseren Entscheidungen. Der Grund dafür liegt in der häufigen Verwechslung der Begriffe Kausalität und Korrelation.

Wie schön wäre es doch, wüssten Geschäftsführer oder Führungskräfte im Vertrieb immer sofort, warum etwas so und so passiert. Warum bestimmte Kunden abwandern, warum sich ein Produkt nicht oder schwieriger als ein anderes verkauft, warum aus einem erfolgversprechenden Lead am Ende doch kein Kunde wird, obwohl alles dafür getan wurde, dass er kauft.

Fragen über Fragen, die man allzu gerne schnell und einfach beantwortet haben möchte.

Der Mensch ist auf Kausalität trainiert

Der rational denkende und handelnde Mensch fühlt sich dann wohl, wenn er die Gründe für etwas kennt. Oft werden Gründe geradezu krampfhaft gesucht, nur, um eine Erklärung für einen bestimmten Sachverhalt zu bekommen. Der auf „Verstehenwollen“ trainierte Geist ist darauf aus, für alles eine verantwortliche Variable zu finden, eine Kausalität herzustellen.

Beispiel Preispolitik: Wenn Kunden ein bestimmtes Produkt weniger oder gar nicht mehr nachfragen, dann liegt das selbstverständlich ausschließlich am zu hohen Preis. Wenn das so einfach wäre.

Ist es aber nicht. Das Leben ist nicht so simpel, wie wir es oft gerne hätten. Es läuft nicht immer nach Schema F oder lässt sich mit dem Ursache-Wirkungsprinzip erklären. Das Leben spielt sich mehr oder weniger in Graubereichen ab, die eben nicht immer eindeutig sind.

So etwas verunsichert, gerade im harten Business, wenn es um KPIs und Controlling geht. Deshalb suchen Firmenlenker und Führungskräfte im Vertrieb umso mehr nach einfachen Erklärungen.

Denn wer den Grund für ein bestimmtes Kundenverhalten kennt, der kann seine Vertriebsstrategie danach (neu) ausrichten. Der kann etwa den Preis fürs eigene Produkt senken, kann es besser machen als der Wettbewerb oder es günstiger herstellen, um einen Kostenvorteil zu erlangen.

Bei einer überschaubaren Anzahl von Produkten, die ein Unternehmen anbietet, mag das vielleicht noch funktionieren. Doch die steigende Sättigung der Märkte bringt es mit sich, dass Kunden nicht zwischen einigen wenigen, sondern zwischen immer mehr Anbietern die Wahl haben. Um sich von der Konkurrenz abzugrenzen, differenzieren diese Anbieter deshalb ihr Leistungsangebot immer häufiger. Die Folge: eine wachsende Komplexität.

Mit steigender Komplexität wächst die Anzahl möglicher Korrelationen

Die zunehmende Komplexität lässt sich deutlich an einer Prognose des Statistischen Bundesamts belegen, bei der es um das Volumen der jährlich generierten digitalen Datenmenge weltweit geht. Lag das prognostizierte Volumen im Jahr 2018 noch bei schlappen 33 Zettabyte (ein Zettabyte sind 1021 Bytes, also Sextillionen Bytes, also eine 1 mit 21 Nullen), lautet die Prognose für 2025 schon 175 (!) Zettabyte.

Die Megatrends Digitalisierung und Industrie 4.0 bringen es mit sich, dass Unternehmen immer mehr Daten zur Verfügung stehen. Da liegt es nah, auch unternehmerische Entscheidungen auf Basis von Daten zu treffen. Daten sind schließlich Fakten, über die nicht hinweggegangen werden kann. Und: Daten lügen nicht. Oder vielleicht doch?

Die Antwort ist: Kommt darauf an. Darauf, wie man Daten liest – und was Entscheider und Führungskräfte letztlich daraus ableiten. Wofür Daten erhoben werden, zeigt der Begriff Business Analytics. Er umfasst sämtliche Methoden von der deskriptiven bis zur prädiktiven Datenauswertung. Dabei kann es sich um rückwärts gerichtete, also sich auf die Vergangenheit beziehende Datenanalysen handeln, aber auch um vorausschauende Prognosen und Entscheidungsempfehlungen.

Business Analytics umfasst sämtliche Methoden von der deskriptiven bis zur prädiktiven Datenauswertung.

Verfeinert man diese beiden Kategorien weiter, so gibt es die Bereiche der Diagnostic Analytics zur Analyse und Mustererkennung, Predictive Analytics zur datenbasierten Prognose sowie Prescriptive Analytics zur prädiktiven Ableitung von Handlungsempfehlungen.

Mit Daten lässt sich also viel anstellen. Und nicht wenige Entscheider und Führungskräfte im Vertrieb glauben, nur weil sie über eine Menge an Kundendaten verfügen, könnten sie ab sofort die besseren Entscheidungen treffen.

Das Problem dabei: Datenbasierte Entscheidungen sind nicht immer automatisch die besseren Entscheidungen! Der Grund dafür liegt in einer Verwechslung der Begriffe Kausalität und Korrelation.

Was bedeutet Korrelation im Vergleich zu Kausalität?

Das Statistik-Lexikon sagt zum Begriff der Korrelation:

„Eine Korrelation misst die Stärke einer statistischen Beziehung von zwei Variablen zueinander. Bei einer positiven Korrelation gilt: Je mehr Variable A, desto mehr Variable B beziehungsweise umgekehrt. Eine negative Korrelation bedeutet: Je mehr Variable A, desto weniger Variable B beziehungsweise umgekehrt. Korrelationen sind immer ungerichtet, das heißt, sie enthalten keine Information darüber, welche Variable eine andere bedingt – beide Variablen sind gleichberechtigt.“

Zum Begriff der Kausalität heißt es:

„Wenn zwischen zwei Merkmalen ein Zusammenhang aus Ursache und Wirkung besteht, spricht man von einer Kausalität. Korrelationen können einen Hinweis auf kausale Zusammenhänge geben. Wer etwa viel raucht (Merkmal X), hat ein höheres Risiko an Lungenkrebs (Merkmal Y) zu erkranken. Wichtig: Eine Korrelation allein ist noch kein Beweis für einen ursächlichen Zusammenhang.“

Eigentlich ganz einfach, oder?

Warum Korrelationen zwischen Daten wichtig sind

Viele Geschäftsführer und Führungskräfte im Vertrieb verwechseln Korrelation und Kausalität trotzdem noch häufig oder negieren, dass es sich bei der Gegenüberstellung von Daten um Korrelationen handelt, statt um Kausalitäten.

Wir erinnern uns: Mit dem Gedanken an eine Ursache-Wirkungsbeziehung, sprich mit einer vermeintlich rationalen Erklärung schlafen viele besser ein als mit dem Gedanken, dass es sich lediglich um einen Hinweis auf eine mögliche Kausalität handelt. Die Unsicherheit, etwas könnte zusammenhängen, ohne dass man das tatsächlich weiß, kann und will man sich im Wettbewerb nicht leisten.

Doch gerade Korrelationen zwischen Daten beziehungsweise definierten KPIs geben dem Vertrieb wichtige Hinweise darauf, wo es möglicherweise sinnvoll ist, die Vertriebsstrategie anzupassen oder zu ändern.

So kann Predictive Analytics zum Beispiel zeigen, welche Kunden in Zukunft mehr von einem bestimmten Produkt kaufen könnten. Oder es lassen sich Handlungsempfehlungen ableiten, mit denen der Vertrieb insgesamt bessere Ergebnisse erreichen könnte.

Es lassen sich Handlungsempfehlungen ableiten, mit denen der Vertrieb insgesamt bessere Ergebnisse erreichen könnte.

Korrelationen können also helfen zu priorisieren, in welche Strategien und daraus abgeleitete Maßnahmen Zeit investiert wird, um ein bestimmtes Ergebnis zu erzielen.

Kausalität und Korrelation am Beispiel von KPIs im Vertrieb

Key Performance Indicators (KPI) spielen eine wichtige Rolle für erfolgreiches Vertriebscontrolling und für die Unternehmensführung.

Nehmen wir an, der Umsatz für ein Produkt A entwickelt sich im Vergleich zu der von Produkt B rückläufig. Produkt A ist teurer als Produkt B. Nun liegt der Schluss nahe, dass der höhere Preis den Umsatzrückgang rechtfertigt, also ursächlich dafür ist. Diese Schlussfolgerung muss aber nicht zwingend wahr sein, denn beide Variablen – höherer Preis und Umsatzentwicklung – bedeuten zunächst einmal nichts anderes als eine negative Korrelation: Je mehr Variable A (Preis), desto weniger Variable B (Umsatz).

Doch Führungskräfte im Vertrieb wollen schnelle Lösungen, und sind damit auf ebenso schnelle Erklärungen angewiesen. Das ist zu kurz gedacht. Der fallende Umsatz bei Produkt A kann vielleicht mit dem höheren Preis im Vergleich zu Produkt B begründet werden. Er kann, muss es aber nicht.

Der Preis ist eben nur eine Variable von vielen anderen. Eine andere kann zum Beispiel auch die Kombination der einzelnen Zutaten sein, die das Produkt enthält. Möglicherweise mag die Mehrzahl der Kunden diese Kombination nicht. Oder: Der Produktname von A „zieht“ bei den Kunden im Vergleich zum Produktnamen von B weniger, was wiederum eine Sache des Marketings wäre.

BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE

Entscheidungen muss der Vertrieb immer noch selbst treffen

Datenanalysen sind eine hilfreiche Unterstützung, wenn es um Prognosen oder das Ableiten von Handlungsempfehlungen geht. Mittels einer Gegenüberstellung unterschiedlicher Daten beziehungsweise KPIs aus dem Vertrieb können bestimmte Korrelationen visualisiert werden. Sie geben den Ist-Zustand eines Verhältnisses zwischen zwei Variablen (KPIs) wieder.

Welche Schlussfolgerungen der Vertrieb daraus zieht und welche Entscheidungen er aufgrund der Datenbasis am Ende trifft, bleibt immer noch ihm selbst überlassen. Eine Analyse und Auswertung korrelierender Daten kann Entscheidungen also immer nur unterstützen.

 

Ich möchte jetzt mit Predictive Analytics anfangen!
 

 

Kostenloses eBook zum gratis Download: Customer Lifetime Value steigern mit Predictive Sales Analytics

Kurz erklärt: Wie Sie den Customer Lifetime Value Ihrer B2B-Kunden berechnen und steigern können.

Downloaden Sie jetzt das kostenlose eBook.


  • Wir verwenden diese Daten nur zur Beantwortung Ihre Anfrage. Hier können Sie unsere Datenschutzerklärung finden.
  • Customer Lifetime Value mit Predictive Analytics steigern