Der CFO, der das Data-Team fast abgeschafft hätte (und was es gerettet hat)

Das Meeting dauerte elf Minuten. So lange brauchte die damalige Finanzführung von Marks & Spencer Berichten zufolge, um in einem Planungsreview 2019 fast einen erheblichen Teil des Analytics-Budgets zu streichen, nachdem das Data-Team eine Präsentation voller Capability-Metriken, Model-Accuracy-Scores und Data-Quality-Indizes gezeigt hatte. Keine einzige Zeile mit Bezug zu Umsatz, Marge oder vermiedenen Kosten. Der CFO stellte, so mehrere Schilderungen von Personen, die damals im Haus waren, eine Frage: „Was hat uns das tatsächlich eingebracht?“ Der Raum wurde still.

Die internen Details dieses Meetings sind nicht vollständig öffentlich, und M&S hat die Angabe von elf Minuten offiziell nicht bestätigt. Die grobe Linie der Geschichte ist in der britischen Handelspresse und in späteren Interviews von M&S-Führungskräften zur eigenen Datentransformation aber gut dokumentiert. Bestätigt ist: Das Unternehmen hat die Art, wie es den Wert von Dateninvestitionen gemessen und kommuniziert hat, deutlich umgebaut, und dieser Wandel ging einer spürbaren kommerziellen Erholung voraus und hat sie wohl auch ermöglicht.

Was tatsächlich passiert ist

M&S hatte bis 2019 mehrere Jahre damit verbracht, wirklich ausgefeilte Dateninfrastruktur aufzubauen: Personalisierungs-Engines, Modelle zur Kundensegmentierung, Supply-Chain-Analytics. Die Capability war real. Das Problem war, dass die Datenorganisation über die Capability berichtete statt darüber, was die Capability hervorbrachte.

Die Metriken, die sie der Finanzabteilung vorlegten, waren intern konsistent und extern bedeutungslos. Data-Freshness-Raten. Model-Lift-Scores. PipelinePipelineAll active sales opportunities across the stages of the sales process, together with their combined potential value and probability of closing.Vollständige Definition ansehen →-Uptime in Prozent. Das sind legitime operative Messgrößen, aber sie beantworten Fragen, die kein CFO stellt. Die Frage, die der CFO immer stellt, lautet in irgendeiner Variante: Haben wir mehr Geld verdient, weniger Geld ausgegeben oder ein Risiko vermieden, das uns sonst getroffen hätte?

Nach diesem Beinahe-Aus baute M&S um, wie Data- und Analytics-Teams Wert berichteten. Der Schwerpunkt verlagerte sich darauf, jede größere Analytics-Initiative an ein konkretes Geschäftsergebnis mit einem messbaren finanziellen Proxy zu binden. Ein Personalisierungsmodell wurde nicht mehr als „15 % Lift in der Click-Through-Rate“ berichtet. Es wurde zu „Beitrag von geschätzt X Millionen Pfund inkrementellem Online-Umsatz in Q3“, mit einer Methodik, die transparent und für die Finanzabteilung prüfbar war. Das Unternehmen begann außerdem, kontrollierte Experimente konsequenter einzusetzen und A/B-Tests im großen MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab zu fahren, damit die Gegenprobe (was ohne das Modell passiert wäre) belastbar und nicht bloß angenommen war.

Als M&S seine Ergebnisse für 2022-2023 vorlegte, war der Online-Umsatz in Clothing und Home deutlich gewachsen, und die digitalen und datenbezogenen Fähigkeiten des Unternehmens wurden in der Investorenkommunikation ausdrücklich als Treiber dieser Entwicklung genannt. Ob sich eine direkte Kausallinie vom Budgetmeeting 2019 zu diesen Ergebnissen ziehen lässt, bleibt teils Interpretation. Aber die Richtung der Geschichte ist schlüssig, und das Unternehmen selbst stellt sie so dar.

Warum das weiterhin zählt

Die Episode bei M&S zeigt sauber eine Falle, in die Datenorganisationen auf fast jedem Reifegrad tappen:Nachweis von Capability mit Nachweis von Wert zu verwechseln.

Capability-Metriken sind innerhalb der Datenfunktion verführerisch, weil es Dinge sind, die das Data-Team tatsächlich steuern und präzise messen kann. Sie haben die Pipeline gebaut; sie läuft mit 99,4 % Uptime. Sie haben das Modell deployed; es erreicht 0,82 AUC. Diese Zahlen fühlen sich rigoros an. Sie sind rigoros, nur nicht für das Publikum, das Sie überzeugen müssen.

Boards und CFOs bewegen sich in einer Welt finanzieller Proxys. Sie sind nicht begriffsstutzig, wenn sie Model-Performance-Metriken ignorieren. Sie wenden dieselbe Disziplin an wie bei jeder anderen Entscheidung über Kapitalallokation: Zeig mir die Rendite im Verhältnis zu dem, was ich ausgegeben habe. Ein Data-Team, das seine Arbeit nicht in diese Sprache übersetzen kann, spricht nicht mit seinem eigentlichen Stakeholder. Es führt ein Gespräch mit sich selbst.

Das tieferliegende Thema, das die M&S-Geschichte offenlegt, ist organisatorisch. Wenn Data-Teams als Shared Service oder Cost Center aufgestellt sind, ohne enge Verbindung zu konkreten P&L-Verantwortlichen, gibt es keinen natürlichen Zwang, Geschäftsergebnisse zu messen. Niemandes Job hängt davon ab, zu beweisen, dass das Churn-Modell X an Retention-Budget gespart hat. Das Modell wird gebaut, deployed und dann stillschweigend ignoriert, wenn die Budgetsaison kommt.

Was sich bei M&S strukturell änderte: Dateninitiativen bekamen Business-Sponsoren, die selbst etwas zu verlieren hatten. Ein Retail-Director, der ein Personalisierungsprojekt abgesegnet hatte, hatte einen Anreiz, dessen finanziellen Beitrag zu verfolgen, weil ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → in seinem eigenen Reporting auftauchte. Dieses Alignment hat mehr bewirkt als jede spezielle Messmethodik.

Was Sie daraus mitnehmen

Die Lehre ist nicht „baut einen besseren ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Rechner“. Viele CDOs haben elegante Frameworks zur Wertmessung gebaut, die einen skeptischen CFO trotzdem nicht bewegt haben, weil das Framework im Nachhinein allein vom Data-Team zusammengestellt wurde.

Die tragfähige Lehre betrifft Timing und Partnerschaft. Finanzielle Glaubwürdigkeit für eine Dateninitiative muss gemeinsam mit Finance und den Verantwortlichen der Business Units aufgebaut werden, bevor die Arbeit beginnt, und nicht nachträglich aus Ergebnissen rekonstruiert werden, wenn das Modell längst in Produktion ist. Das heißt: den finanziellen Proxy vorab festlegen („wir messen das als Reduktion der Markdown-Rate bei Damenstrickwaren“), die Methodik für die Gegenprobe abstimmen und einen Finance Business Partner den Messansatz abzeichnen lassen, bevor der erste Sprint startet.

Wenn das passiert, sieht das Budgetgespräch elf Monate später völlig anders aus. Dem CFO wird keine Zahl präsentiert, die das Data-Team erfunden hat. Er wird an eine Zahl erinnert, deren Tracking Finance bereits zugestimmt hat.

M&S hat seine Data-ROI-Story von innen nach außen neu aufgebaut, beginnend mit den Fragen, die das Business bereits stellte, statt mit den Antworten, die das Data-Team bereits produzierte. Diese Reihenfolge ist der ganze Trick. Die technische Capability zählt, aber sie zählt weit weniger als die Frage, ob die Person mit dem Budget der Geschichte glaubt, die Sie darüber erzählen.