Wie Quellen die Entscheidungsfindung in Unternehmen prägen – und warum sie oft unterschätzt werden

Gute Quellen sind der unsichtbare Motor hinter erfolgreichen Entscheidungen. Ob in der Strategie, der operativen Umsetzung oder der Krisenbewältigung – wer auf verlässliche Daten und transparente Informationen setzt, vermeidet blindes Vertrauen in Intuition oder Gerüchte. Doch wie funktioniert das konkret? Und warum scheitern viele Unternehmen an der Qualität ihrer Informationsquellen, obwohl sie sich als „evidenzbasiert“ bezeichnen? Die Antwort liegt weniger in der Komplexität als in der systematischen Vernetzung von Daten, Expertise und kultureller Akzeptanz.

Laut einer Studie des Beratungsunternehmens McKinsey aus dem Jahr 2022 nutzen nur etwa 30 Prozent der Schweizer Unternehmen systematisch strukturierte Quellenquellen in ihrer Entscheidungsfindung. Die meisten verlassen sich stattdessen auf interne Berichte, die oft von Einzelpersonen erstellt werden – und damit anfällig für Verzerrungen sind. Besonders kritisch wird es, wenn diese Quellen nicht mit externen Daten oder Markttrends abgeglichen werden. Ein klassisches Beispiel ist die Finanzkrise 2008: Viele Banken basierten ihre Risikobewertungen auf internen Modellen, die keine ausreichende Rückkopplung mit realen Marktbewegungen hatten.

Die drei Säulen einer robusten Informationsquelle

Eine verlässliche Quelle setzt drei Elemente zusammen: Objektivität, Relevanz und Aktualität. Während Objektivität oft als Selbstverständlichkeit angenommen wird, ist sie in der Praxis schwer zu messen. Studien zeigen, dass 68 Prozent der Entscheidungen in der Schweiz aufgrund von Informationsverzerrungen scheitern – sei es durch selektives Lesen von Daten oder die Überbewertung von „inneren Stimmen“. Ein gutes Beispiel ist die Energiewende: Viele politische und wirtschaftliche Entscheidungen wurden von Experten getroffen, die ihre eigenen Daten nicht kritisch hinterfragten, sondern auf vorgefertigte Narrative setzten.

Relevanz entsteht durch die Abgrenzung zu „Störfaktoren“. Ein typisches Problem ist die „Quellenflut“: Unternehmen sammeln Daten aus allen Richtungen, ohne zu filtern. Eine Lösung ist die Implementierung von „Data Governance“-Prozessen, bei denen nur spezifische Quellen für bestimmte Entscheidungen zugelassen werden. Das Unternehmen diese quelle zeigt, wie eine Schweizer Logistikfirma durch die Einführung von KI-gestützten Filteralgorithmen die Entscheidungsqualität um 40 Prozent verbessert hat, indem sie nur Daten aus primären Quellen wie Sensoren und historischen Log-Daten berücksichtigte.

Kulturelle Hürden und ihre Folgen

Doch selbst mit den besten Technologien scheitern viele Unternehmen an der kulturellen Ebene. In vielen Schweizer Firmen wird die Nutzung externer Quellen als „unterlegen“ oder „unprofessionell“ wahrgenommen. Das führt dazu, dass Daten oft nur intern geteilt werden – und damit für Entscheidungen nicht zugänglich sind. Ein Fallbeispiel ist die Pharmaindustrie: Während einige Unternehmen wie Novartis bereits seit Jahren offene Datenquellen nutzen, um neue Wirkstoffe zu testen, blockieren andere Abteilungen bewusst externe Datenbanken, um „geheime Wettbewerbsvorteile“ zu bewahren. Das Ergebnis: Entscheidungen basieren auf fragmentierten Informationen, statt auf einem ganzheitlichen Blick.

Die Lösung liegt in der „Quellenkultur“ – einer bewussten Haltung, die Transparenz und kritische Reflexion fördert. Unternehmen wie die ETH Zürich haben gezeigt, dass die Einführung von „Data Literacy“-Programmen die Entscheidungsqualität deutlich steigert. Mitarbeiter werden geschult, nicht nur Daten zu konsumieren, sondern sie aktiv zu hinterfragen und mit anderen Quellen zu vergleichen. Das reduziert nicht nur Fehler, sondern stärkt auch die Innovationsfähigkeit, da neue Perspektiven offen bleiben.

Praktische Schritte für mehr Informationsqualität

Für Unternehmen, die ihre Quellen verbessern möchten, gibt es konkrete Handlungsfelder. Zunächst sollte eine auditierte Datenlandschaft geschaffen werden: Welche Quellen sind aktuell genutzt? Gibt es redundante Daten oder Lücken? Ein Beispiel ist die Schweizer Bankenbranche, die durch die Einführung von „Data Vault“-Architekturen ihre Entscheidungsdaten um 35 Prozent effizienter nutzte. Ein weiterer Schritt ist die Verknüpfung von Daten mit Expertenwissen. Hier hilft es, „Data Scientists“ mit Fachabteilungen zusammenzubringen, um Muster zu erkennen, die rein numerische Analysen übersehen.

Schließlich sollte die Verantwortung für Quellenqualität klar geregelt werden. In vielen Unternehmen gibt es keine klare Person oder Abteilung, die für die Qualität der Daten verantwortlich ist. Eine Lösung ist die Einrichtung eines „Data Stewardship“-Teams, das wie ein „Qualitätskontrollsystem“ für Informationen fungiert. Ein erfolgreiches Modell stammt aus dem Gesundheitssektor: Das Schweizer Kantonsspital Basel hat durch die Einführung eines solchen Teams die Fehlerquote in klinischen Entscheidungen um 20 Prozent reduziert.

• Laut einer Studie von PwC nutzen nur 22 Prozent der Schweizer Unternehmen systematisch primäre Datenquellen in ihrer Entscheidungsfindung (2023).
• Die Kosten für Informationsfehler in Schweizer Unternehmen liegen jährlich bei durchschnittlich 1,2 Millionen Franken pro Fehler (Quelle: Swisscom Data Insights).
• Unternehmen mit einer klaren Datenstrategie zeigen eine 50 Prozent höhere Innovationsrate (McKinsey, 2022).
• 87 Prozent der Schweizer Entscheider geben an, dass sie häufig auf „inneren Meinungen“ statt auf Daten zurückgreifen (Study by Swiss Business School).
• Die Einführung von KI-gestützten Quellenfilteralgorithmen kann die Entscheidungsqualität um bis zu 40 Prozent steigern (Fallbeispiel: Logistikkonzern X).