Wie auf anderen Gebieten auch, kommt man auch im Bereich des Innovationsmanagements nicht ohne eine Erfolgskontrolle aus. Daher müssen auch die Investitionen in das Thema „Innovationen“ gelegentlich begründet werden.
Hierfür benötigt man Metriken. Der weiter unten angegebene Artikel fasst einige Möglichkeiten zusammen, zeigt aber auch Schwierigkeiten auf.
Der unten verlinkte Artikel „Fuzzy Metrics for Quantifying Innovation“ der US Beratungsfirma „Enterprise Garage Consultancy“ befasst sich mit den Schwierigkeiten, Innovationen zu messen, und schlägt einen Ansatz vor, der die Prinzipien des Fuzzy Calculus verwendet.
Im vorderen Teil werden die Vor- und Nachteile der üblichen Metriken besprochen. Solche Metriken sind z.B. die Anzahl der generierten Ideen, oder die Investitionen in Forschung und Entwicklung („Basis-Metriken Typ 1„). Diese sagen allesamt nur bedingt etwas über die Innovationskraft einer Firma aus.
Die wirtschaftsorientierten Metriken (Typ 2) bedienen sich der Effekte, die man beobachtet, wenn eine Firma besonders innovationskräftig ist. Beispiele sind die (gemessene) Kundenzufriedenheit, oder die Markenwahrnehmung, um nur einige zu nennen.
Normalerweise verwenden Firmen eine regelrechten Kriterienbündel, d.h man beleuchtet hiermit das Thema von mehreren Seiten. Damit ergeben diese Metriken schon genauere Einblicke in das Innovationsgeschehen. Leider beziehen sich die Metriken aber nach wie vor auf „harte Fakten“, und übersehen dabei die eher weichen Faktoren, die eine innovative Firma ausmachen.
Hierfür schlägt er „Fuzzy Metriken (Typ 3)“ vor, sagt aber gleich, daß ein großes Problem hierbei ist, daß sich die Faktoren, auf die diese Metriken Bezug nehmen ebenfalls ändern.
Er schlägt hier konkret vor, die „Risikobereitschaft“ zu messen, oder den „Umfang der zwischenbetrieblichen Zusammenarbeit“.
Die Idee, Fuzzy Technologien zu verwenden, hört sich nicht schlecht an. Wenn man allerdings in die Literatur schaut, wird man feststellen, daß Fuzzy eigentlich weniger als eine Methode gedacht ist komplexe Messungen anzustellen, wie „Wieviel arbeiten Teams zusammen“, sondern es eher eine Methode ist, mit dessen Hilfe man Entscheidungsverhalten berechenbar macht.
Was das bedeutet, sieht man vielleicht am einfachsten in einer konkreten Methodenbeschreibung. So hat Prof H.-J- Zimmermann auf dem Gebiet viel gearbeitet, und u.a. das Buch „Fuzzy Set Theory“ veröffentlicht.
Anbei findet sich ein erweitertes Review, das 2010 im John Wiley Verlag erschienen ist. Neben der Mathematik findet man dort ein Beispiel, wie Fuzzy dabei helfen kann die linguistische Variable „Alter“ berechenbar zu machen. Dieses Beispiel macht es vielleicht deutlicher.
Die Idee hierbei ist, daß man die Variable „Alter“ in Wertebereiche aufteilt, wie „sehr jung“, „jung“…. „sehr alt“, und diese Werte auf eine Basisvariable abbildet, wie z.B. das numerische Alter von 20 bis 80.
Die Bewertung läuft dann wie bei Menschen. Unter „sehr jung“ versteht man vielleicht das Aber von 20 bis 30 in verschiedenen Graden, und unter „jung“ da Alter von vielleicht 25 bis 40 in Abstufungen. Mit 40 geht man eher weniger als „jung“ durch, als mit 30, und mit 25 ist man fast noch „sehr jung“.
Über diese Abstufungen ist „Alter“ nun nicht ein diskreter Wert, sondern eher ein Bereich.
Hiermit kann man dann interessante Rechnungen anstellen. So kann man zum Beispiel Analysen durchführen, oder Computern das Schlussfolgern beibringen, oder Optimierungsmodelle erstellen.
Das Original dieses Artikels ist auf →Der Produktmanager erschienen (©Andreas Rudolph). Folgeartikel zum Thema gibt es über die (→Mailingliste), oder indem Sie →mir auf Twitter folgen.
In der Online Version des Artikels finden Sie hier die versprochenen weiterführenden Links: