In der heutigen schnelllebigen digitalen Landschaft wird der Einsatz von Daten und KI im Ressourcenmanagement für Organisationen, die wettbewerbsfähig bleiben wollen, immer wichtiger. Das gilt besonders in Agenturen, wo die Ressourcenzuteilung eine zentrale Rolle bei der Umsetzung wichtiger Programme und Initiativen spielt.
Galen Low spricht mit Grant Hultgren (Agentur-Betriebsberater bei Parallax), Marcel Petitpas (Mitbegründer & CEO bei Parakeeto) und Ann Campea (VP Project Management Operations bei TrueSense Marketing) über die Chancen und Herausforderungen der Integration von Daten und KI im Ressourcenmanagement.
Interview-Highlights
- Datenreinheit und menschliche Faktoren [02:17]
- Daten sind von Natur aus unordentlich und Menschen unvorhersehbar, was das Ressourcenmanagement erschwert.
- Gen-KI zeigt Potenzial bei der Interpretation von Daten und der Bereitstellung von Erkenntnissen.
- Aktuelle Gen-KI-Demos setzen perfekte, saubere, konsistent strukturierte Daten voraus, die in realen Szenarien selten vorhanden sind.
- Die Art und Weise, wie wir mit Daten interagieren, wird sich erheblich verändern – heute gängige Methoden wie Tabellenfilterungen werden in zehn Jahren veraltet wirken.
- Saubere und genaue Daten sind unerlässlich, damit KI sinnvolle Ergebnisse liefert, aber von Menschen erzeugte Daten werden immer Unvollkommenheiten aufweisen.
- Produkt- und Betriebsleiter müssen diese Unvollkommenheiten bei der Gestaltung von Prozessen und Datensystemen berücksichtigen.
- Gute Daten zu erfassen ist aufgrund menschlicher Unberechenbarkeit herausfordernd.
- Die Zuverlässigkeit der Daten wird durch unterschiedliche Arbeitsbelastungen, Urlaubszeiten und individuelle Arbeitsstile beeinflusst.
- Für wirksame KI-Tools müssen menschliche Faktoren in den Daten berücksichtigt werden.
- Organisationen stehen vor Herausforderungen, alte Technologien mit neuen KI-Systemen zu integrieren.
- Ein ausgewogenes Zusammenspiel zwischen Technologie und dem menschlichen Faktor ist unerlässlich.
- Wichtige Datenpunkte für präzises Ressourcenmanagement [05:35]
- Tools allein sind keine Wunderlösung; Vertrauen in die Systeme ist entscheidend.
- Eine konsistente Definition von Daten über die Teams hinweg ist wichtig, auch wenn die Terminologien unterschiedlich sind.
- Zentrale KPIs umfassen Erlös pro Mitarbeiter, Projektmargen und P&L-Analysen.
- Der Spagat zwischen alten und neuen Tools bleibt eine Herausforderung in Dateneinrichtungen.
- KI ist noch nicht zuverlässig genug für wichtige Entscheidungen; menschliche Verantwortung bleibt essenziell.
- Gemeinsame Themen innerhalb der Kennzahlen erleichtern das Verständnis und die Entscheidungsfindung.
- Zu Beginn sollte man verstehen, wie eine Organisation Kapazität definiert (Fähigkeiten, Aufgaben, Rollen).
- Beitragende in 5–8 einfache Gruppen einteilen, um Präzision und Wartbarkeit auszubalancieren.
- Zu präzise Systeme vermeiden, da sie zu unübersichtlichen, schwer beherrschbaren Daten führen.
- Konsistente Namenskonventionen bei Planung, Zeiterfassung und Ist-Daten verwenden.
- Metadaten (z. B. Arbeitstyp, Kundentyp, Phase) ergänzen, um die Datenanalyse zu verbessern.
- Strukturierte Daten erleichtern Prognosen und zeigen vorhersehbare und weniger vorhersehbare Bereiche auf.
- Prozessinkonsistenzen können genaue Prognosen erschweren, unabhängig von der Datenqualität.
- Systeme müssen sich an ständige Veränderungen wie Kundenanforderungen oder externe Faktoren (z. B. COVID) anpassen.
- Fachkräfte an der Front müssen genaue, aktuelle Daten liefern.
- Erfolg erfordert einen gleichmäßigen Rhythmus und eine gute Kommunikation auf allen Ebenen der Organisation.
- Die Kodifizierung von Datenprozessen sichert Ausrichtung, Genauigkeit und Präzision.
- Zusammenarbeit mit Experten oder Beratern kann helfen, wirksame Lösungen zu implementieren.
Es braucht kein großes Datenset, um eine aussagekräftige Ausgleichsgerade zu erzeugen, die uns ein gutes Maß an Genauigkeit liefert und dabei hilft zu erkennen, was vorhersehbar und was sehr unberechenbar ist.
Marcel Petitpas
- Stakeholder-Engagement für die Datenerfassung gewinnen [13:30]
- Bringen Sie die Stakeholder mit einer klaren Struktur zur Messung von Ressourcen und Kapazitäten auf einen Nenner.
- Die Zustimmung der Stakeholder ist entscheidend; fehlt sie, ist das ein wesentliches Hindernis.
- Berücksichtigen Sie bei der Datenerhebung den menschlichen Faktor und die damit verbundene Subjektivität.
- Präsentieren Sie Daten transparent und betonen Sie, dass sie zwar nicht zu 100 % exakt, aber ausreichend genau für Entscheidungen sind.
- Bauen Sie Vertrauen auf, indem Sie Daten als Werkzeug zur Prozessverbesserung und nicht als Belastung für Mitarbeitende darstellen.
- Gamification und automatisierte Werkzeuge können die Einhaltung verbessern, lösen aber nicht das Grundproblem des Buy-ins.
- Indem Sie die Rückkopplungsschleife schließen und Mitarbeitende einbinden, fördern Sie Vertrauen; lassen Sie sie sehen und diskutieren, wie Daten genutzt werden.
- Teams verweigern oder missverstehen Datenanforderungen oft, wenn ihnen nicht deren Einfluss auf Planung und Entscheidungen aufgezeigt wird.
- Auch unvollständige Daten können wertvolle Diskussionen anregen und Teams im Laufe der Zeit zu höherer Genauigkeit bewegen.
- Vereinfachen Sie die Datenerfassung – große, sinnvolle Zeitblöcke sind für die Einhaltung und Erkenntnisgewinnung besser als zu viele Details.
- Passen Sie Methoden zur Ressourcenplanung und -erfassung gezielt an die zu beantwortenden Fragen an, um Überkomplexität zu vermeiden.
- Erfolgsgeschichten und Erkenntnisse [21:07]
- Grant teilte eine Erfolgsgeschichte aus seiner Zeit bei einer Digitalagentur.
- Er lernte, seinem Team beim Berechnen von Projektmargen zu vertrauen und sie dafür zu sensibilisieren, warum Ressourcenmanagement wichtig ist.
- Im Mittelpunkt stand, dem Team das Kostenbewusstsein für einzelne Rollen und deren Bedeutung für die Zielerreichung zu vermitteln.
- Der größte Erfolg waren nicht KPIs, sondern die persönlichen Meilensteine der Teammitglieder (z. B. Familien gründen, Eigenheim kaufen).
- Der Geschäftsführer bezeichnete es als das erfüllendste Jahr, in dem Teamvertrauen und Stabilität erreicht wurden.
- Grant betonte die Bedeutung von Führungsvorbild und nachhaltigem Wachstum – wichtiger als kurzfristige Sorgen, zum Beispiel über künftige Auslastung.
- Ungeachtet anhaltender Herausforderungen durch Daten und KI reflektierte er den Wert von Teamvertrauen und Zusammenarbeit.
- Ziel war es, einen schlanken Betrieb 2024 mit Expansionsplänen für 2025 auszubalancieren.
- Er unterstrich, wie wichtig es ist, sowohl erfahrene als auch neue Mitarbeitende zu fördern und berufliche Entwicklungsmöglichkeiten zu bieten.
- Grant erkannte Erfolge und Fehler an, schätzte aber die positive Wirkung auf das Team in dieser Zeit besonders.
- Erfolg ist nicht linear; der Markt entscheidet, was erfolgreich ist.
- Grant hob die Notwendigkeit hervor, bei der Datenimplementierung anpassungsfähig und iterativ vorzugehen.
- Er betonte die Bedeutung ständiger Reflexion und Anpassung bei alltäglichen Aufgaben wie Zeiterfassung und Projektaufgaben.
- Ziel ist, Effizienz zu erhöhen und Überlastung im Prozess zu vermeiden.
- Grant teilte eine Erfolgsgeschichte aus seiner Zeit bei einer Digitalagentur.
Wenn Sie sich auf einen einzelnen Datenpunkt konzentrieren, sind Sie kurzsichtig. Aber wenn Sie die Daten aggregieren, können Sie strategisch werden und eine Geschäfts-Roadmap entwickeln, die Einzelnen zugutekommt. So können Sie Entwicklungspfade schaffen, die ihnen berufliche Weiterentwicklung und Erfüllung in ihrem Leben bieten.
Grant Hultgren
- Ann berichtete, dass ihre Rolle oft darin besteht, mithilfe von Daten eine Geschichte zu erzählen und die Zustimmung des Teams zu gewinnen.
- Sie konzentriert sich darauf, Burnout zu verhindern, indem sie zusätzliche Ressourcen und Personal anspricht.
- Ihr Ziel ist es, der Organisation die Komplexität der Arbeit und deren Auswirkungen auf die Mitarbeitenden verständlich zu machen.
- Ann betonte die Bedeutung von „ausreichend guten“ Daten, um die Führungsebene über die Arbeit und das Wohlbefinden der Mitarbeitenden zu informieren.
- Sie hob hervor, dass alle auf dieselben Ziele hinarbeiten: Profitabilität, Kundendienst und qualitativ hochwertige Arbeit.
- Die Daten helfen, die Geschichte des Ressourcenmanagements und dessen Auswirkungen auf das Team zu erzählen.
- Marcel erzählte eine Erfolgsgeschichte über einen langjährigen Kunden mit starker externer Reputation, der jedoch intern Schwierigkeiten hatte.
- Die Agentur hatte eine Burnout-Kultur: Während arbeitsreicher Phasen waren die Mitarbeitenden überlastet, während ruhigen Zeiten gab es Entlassungen.
- Es gab eine fehlende Abstimmung zwischen Projektmanagement, Vertrieb und Kreativen, mit Problemen bezüglich Zeit, Geld und dem Projektumfang.
- Die Agentur hatte Schwierigkeiten mit der Preisgestaltung und dem Projektumfang; Budget und Zeit wurden falsch dargestellt, um Kundenerwartungen zu erfüllen.
- Marcels Team half, indem sie Preisgestaltung und Umfang trennten und die Datenerfassung neu strukturierten.
- Sie identifizierten risikoarme und risikoreiche Arbeiten und fanden heraus, dass Videoproduktion – eine Dienstleistung mit geringer Marge – erheblichen Stress und Risiken verursachte.
- Profitablere Dienstleistungen wie Marken- und Webdesign waren weniger riskant und deutlich stabiler.
- Sie führten ein lineares Preissystem für das Vertriebsteam ein, eliminierten Subjektivität und setzten realistische Erwartungen.
- Dadurch wuchs die Agentur um 60–90% pro Jahr, steigerte die Gewinnmargen um mehr als 500%, während die Mitarbeitenden weniger abends und an Wochenenden arbeiteten.
- Marcel betonte die Bedeutung von Projektmanager:innen und Operations Manager:innen bei der Beseitigung von Subjektivität und bei datenbasierten Entscheidungen.
- Er hob den Wert fundierter Annahmen und effektiver Prognosen für die zukünftige Planung hervor, was allen Beteiligten zugutekommt.
Wir wollen als Unternehmen profitabel sein, unsere Kund:innen gut bedienen und qualitativ hochwertige Arbeit leisten. Aber die Daten erzählen dir die Geschichte darüber, was mit deinen Ressourcen passiert.
Ann Campea
- Ethik und Sicherheit in der Generativen KI [31:45]
- Unternehmen müssen die Datensicherheit beim Einsatz von KI-Tools gewährleisten, beispielsweise durch von der Firma genehmigte Plattformen.
- Es bestehen ethische Bedenken hinsichtlich der Erhebung und Nutzung personenbezogener Arbeitsdaten wie Präferenzen, Qualifikationsniveau und bisheriger Leistungen.
- Transparenz ist beim Einsatz von generativer KI besonders wichtig, insbesondere im Marketing oder bei Anwendungen mit Kundenkontakt.
- Interne Datennutzung ist mit geeigneten Compliance-Maßnahmen (z. B. DSGVO, SOC 2) sicherer, bei Kundendaten ist jedoch Vorsicht geboten.
- Datenanonymisierung kann dazu beitragen, Compliance sicherzustellen und Datenschutzrisiken zu vermeiden.
- Agenturen sollten mit Kundendaten vorsichtig umgehen und sie nicht ohne ausdrückliche Zustimmung verwenden.
- Generative KI sollte Prozesse unterstützen, aber die menschliche Fachkompetenz bei Kundenentscheidungen nicht ersetzen.
- Die rechtlichen und ethischen Rahmenbedingungen für KI-Nutzung und Datenverarbeitung entwickeln sich noch.
- Generative KI beinhaltet inhärente Vorurteile, weshalb ihr Einsatz mit Bedacht erfolgen muss.
- PMI hat eine eigene KI-Plattform mit überprüften Projektmanagement-Quellen eingeführt.
- Beim Einsatz von Daten aus KI-Quellen entstehen insbesondere hinsichtlich ihrer Anwendung ethische Fragestellungen.
- Bei der Präsentation von Daten an Stakeholder sollte darauf geachtet werden, sie nicht für bestimmte Zwecke zu manipulieren.
- Daten sollten Entscheidungen untermauern, aber beim Einsatz müssen ethische Grenzen respektiert werden.
- Die Zukunft der KI im Projektmanagement [37:48]
- Vollständige Automatisierung von Projektkomplexität und menschlichem Urteilsvermögen ist in naher Zukunft unwahrscheinlich.
- Aktuelle Tools können vielleicht 98% Effizienz erreichen, aber menschliches Eingreifen ist weiterhin für Ermessensentscheidungen erforderlich.
- Die letzten 2% der Automatisierung, ähnlich wie bei selbstfahrenden Autos, sind äußerst herausfordernd.
- Selbst bei automatisierten Datenpipelines ist eine hohe Beobachtbarkeit notwendig, um Genauigkeit sicherzustellen.
- KI-Tools tun sich schwer mit differenzierten Entscheidungen, etwa bei der Überprüfung von Zeiteinträgen oder Kategorisierung von Aufgaben.
- Menschen werden weiterhin für Endkontrollen benötigt, insbesondere bei Sonderfällen und komplexen Situationen.
- KI sollte sich auf die Automatisierung von Aufgaben und Effizienzsteigerung konzentrieren, nicht auf strategische Entscheidungen.
- Tools können Nutzer dazu anregen, Anpassungen wie beispielsweise mehr Zeit für Aufgaben zu berücksichtigen.
- KI ist noch nicht zuverlässig genug, um ein Unternehmen zu leiten oder große Ereignisse wie COVID vorherzusagen.
- Menschliches Urteilsvermögen ist für Entscheidungen mit finanziellen Vereinbarungen oder Projektanpassungen unerlässlich.
- KI kann bei Entscheidungen auf Projektebene helfen, aber moralische und Beziehungskomponenten benötigen menschlichen Input.
- Führungskräfte müssen Entscheidungen auf Basis von Werten, Standards und strukturiertem Denken treffen.
- Der Einsatz von Tools wie Daten und generativer KI kann die Entscheidungsfindung unterstützen, wenn dies durchdacht implementiert wird.
- Objektivität bei Entscheidungen hilft, emotionale Verzerrungen zu reduzieren.
- Gezielte Leitplanken und eine sorgfältige Systempflege sind für eine effektive Tool-Implementierung unerlässlich.
- Tools können Führungskräfte dabei unterstützen, rationale und vorteilhafte Entscheidungen für das Unternehmen zu treffen.
- Mitarbeiter verlassen Führungskräfte, nicht Jobs.
- Vorgesetzte sollten nicht vom Einsatz der Mitarbeitenden profitieren, sondern Wachstum und Erfüllung fördern.
- Technologie kann Effizienz verbessern, muss sich aber an Werten orientieren.
- Das Erkennen und Fördern des Potenzials der Belegschaft ist entscheidend für das Wachstum.
- Die Balance zwischen Unternehmensherausforderungen und gerechten, wertebasierten Entscheidungen hilft, Talente zu halten.
- Generative KI ist ein Werkzeug, um zu informieren, nicht um Menschen zu steuern.
- PMI setzt sich für den “Human-in-the-Loop”-Ansatz bei generativer KI ein.
- Generative KI kann wiederkehrende Aufgaben übernehmen und so kreative Arbeit ermöglichen.
- Führung wandelt sich von Management hin zu empathischer Begleitung.
- Maschinen können menschliche Empathie und persönliche Beziehungen nicht ersetzen.
- Diskussion: Datenpräzision vs. Genauigkeit [45:37]
- Daten als Bereich statt als absolute Werte zu präsentieren, hilft, menschliche Faktoren zu berücksichtigen.
- Präzision vs. Genauigkeit: Bereiche bieten realistischere Antworten als exakte Zahlen.
- Höhere Organisationsebenen haben mit mehr Unsicherheiten und wahrscheinlichkeitbasierten Entscheidungen zu tun.
- Bereiche in Daten spiegeln die Realität besser wider und erleichtern die Entscheidungsfindung.
- Parakeeto befürwortet den Einsatz von Bereichen für bessere Diskussionen und Entscheidungen.
- Eine präzise Prognose für 4-6 Wochen aufrechtzuerhalten ist schwierig und oft ungenau.
- Die Verwendung von Bereichen hilft, potenzielle Hochs und Tiefs zu verstehen.
- Bereiche informieren Entscheidungen über Kunden, Projekte und die Ausrichtung des Unternehmens.
- Dieser Ansatz ist entscheidend für wirksame Führung und tägliche Abläufe.
Lernen Sie unsere Gäste kennen
Ann bringt über 14 Jahre Erfahrung in der Förderung von operativer Exzellenz und der Verbesserung von Projektmanagement-Praktiken über verschiedene Branchen hinweg mit. Ann besitzt die PMP- und CSM-Zertifikate und strebt derzeit einen Doktortitel in Veränderungsmanagement und Führung in Organisationen an, um ihre berufliche Entwicklung fortzusetzen. Weitere Einblicke von Ann erhalten Sie im The Everyday PM Podcast.

Gen AI ist hier, um mit uns zusammenzuarbeiten und uns zu unterstützen, nicht, um uns als Menschen zu steuern.
Ann Campea
Marcel ist CEO von Parakeeto, einem Unternehmen, das sich auf Profitabilitäts-Tools und Software für Agenturen spezialisiert hat. Mit einer Leidenschaft für die Optimierung von Agenturabläufen hat er hunderten von Agenturen weltweit geholfen, die richtigen Kennzahlen zu messen sowie ihre Abläufe und Rentabilität zu verbessern. Wenn er gerade keine Agenturen erfolgreicher macht, schaut er wahrscheinlich „The Office“ oder „Parks and Rec“ in einer Endlosschleife.

Daten sind chaotisch, und Menschen sind unberechenbar.
Marcel Petitpas
Grant bringt über 16 Jahre Erfahrung im Projektmanagement und in der Betriebsführung mit. Er brennt dafür, Organisationen durch Unternehmenskultur, Werte und Zusammenarbeit beim Wachstum zu unterstützen. Grant nutzt ausgeprägtes unternehmerisches Verständnis, operatives Know-how und Expertenwissen, um optimale Strategien zu definieren und das Umsatzwachstum voranzutreiben.

Menschen kündigen nicht ihre Jobs; sie kündigen wegen ihrer Vorgesetzten.
Grant Hultgren
Ressourcen aus dieser Folge:
- Werden Sie Teil der Digital Project Manager Community
- Abonnieren Sie den Newsletter, um unsere neuesten Artikel und Podcasts zu erhalten
- Vernetzen Sie sich mit Grant, Marcel und Ann auf LinkedIn
- Schauen Sie sich Parallax, Parakeeto und TrueSense Marketing an
Verwandte Artikel und Podcasts:
Lesen Sie das Transkript:
Wir probieren das Transkribieren unserer Podcasts mit einem Softwareprogramm aus. Bitte entschuldigen Sie eventuelle Tippfehler, da der Bot nicht immer 100% korrekt ist.
Galen Low: Willkommen zu unserer Podiumsdiskussion über die Nutzung von Daten und KI als Ihre „Resourcing-Glaskugel“. Und um es nicht zu übertreiben: Wir werden darüber diskutieren, wir werden es hinterfragen, wir werden herausfinden, worum es wirklich geht. Das ist etwas, das wir gerne jeden Monat mit unseren Mitgliedern und unseren VIP-Gästen tun.
Eine Möglichkeit, direkt mit Experten und den Personen zu sprechen, die bei uns beim Digital Project Manager beitragen und zusammenarbeiten. Für alle, die mich noch nicht kennen: Mein Name ist Galen, ich bin Gründer, Mitgründer des Digital Project Manager, und heute auch Ihr Gastgeber. Das heißt, Sie müssen mich eine Weile ertragen – aber ich habe auch eine fantastische Runde großartiger Agentur-Operations-Experten dabei – Ann Campea, Marcel Petitpas und Grant Hultgren.
Ressourcenmanagement ist ein unglaublich populäres Thema in der Agenturwelt – und ehrlich gesagt für viele Organisationen. Das hat auch einen guten Grund: Denn wenn nicht die richtigen Ressourcen für wichtige Programme und Initiativen zur Verfügung stehen, ist das ein Risiko, das das Erreichen Ihrer Ziele gefährden kann – und sogar die Arbeitsplätze von Ihnen und Ihren Kollegen binnen der Organisation.
Deswegen findet Ressourcenmanagement auch auf so vielen verschiedenen Ebenen innerhalb einer Organisation statt: Von den richtigen Teammitgliedern in Projekten über das richtige Setup und Talent im Hintergrund, damit alles funktioniert. Aber wenn es darum geht, die Zukunft vorherzusagen, machen wir Menschen bestenfalls eine Schätzung – und im schlimmsten Fall idealisierte Annahmen mit rosaroter Brille.
Manchmal nehmen wir an, dass Surrender eine Aufgabe genauso schnell erledigen wird wie Kathy, wenn sie nicht unerwartet krank gewesen wäre. Manchmal gehen wir davon aus, dass Kelvin an acht verschiedenen Projekten acht Stunden pro Tag ohne Zeitverlust durch Kontextwechsel arbeiten kann. Und manchmal nehmen wir an, dass Elena und Leila die gleichen Arbeitsweisen, Wissensstände und Verständnis für die Arbeit haben, weil sie denselben Jobtitel tragen.
Am Ende des Tages ist Ressourcenmanagement schwierig, vor allem weil es in der Regel Variablen betrifft, die wir nicht kontrollieren – vor allem Menschen. Während sich unser Ansatz zum Ressourcenmanagement in den letzten Jahrzehnten kaum verändert hat, hat die Technik dies durchaus. Daher stellte ich mir die Frage: Angesichts all der Tools, die wir nutzen, und der Daten, die wir sammeln – könnten wir diese nicht nutzen, um bessere Prognosen und Entscheidungen zu treffen? Genau das wollen wir heute erkunden.
Und ehrlich gesagt fange ich mit der breitesten Frage an: Alle Organisationen werden datenorientierter und generative KI kommt dazu – warum ist Ressourcenmanagement dann nicht schon „automagisch“ einfach?
Vielleicht geht die Frage zuerst an Marcel. Ich setze dich mal in den Hot Seat.
Marcel Petitpas: Klar. Die einfache Antwort lautet: Daten sind chaotisch – und Menschen sind unvorhersehbar. Es ist extrem spannend, was GenAI zukünftig leisten kann, um uns bei der Interpretation und beim Nutzen von Daten zu unterstützen. Aber die zugrundeliegende Annahme – und das stört mich immer bei jedem Demo einer GenAI-Firma, die behauptet: „Schau, du kannst deine Berichte automatisieren“ – ist: Man füttert die KI mit perfekt sauberen, konsistent strukturierten Daten mit eindeutiger Schema- und Namenskonvention – ohne Fehler, ohne Ausreißer. Dann kann GenAI natürlich Fragen zu den Daten beantworten und alles schneller verarbeiten als ein Mensch.
Was wirklich spannend ist: Die Art, wie wir mit Daten interagieren, wird sich komplett ändern. In zehn Jahren werden wir vermutlich zurückblicken und das Klicken durch Tabellen und Filtern, bis wir die Visualisierung bekommen, als veraltet empfinden. Aber das Problem bleibt: Du brauchst gute, saubere Daten, damit KI auch wirklich diesen Mehrwert liefern kann.
Die Realität ist: Als Produkt- und Operationsmanager arbeiten wir mit Datensätzen, die von Menschen erzeugt wurden – und die sind zwangsläufig unperfekt. Wir müssen unsere Prozesse und Datensysteme darauf ausrichten und das entsprechend berücksichtigen.
Galen Low: Boom. Gute Einordnung zur Notwendigkeit sauberer Daten! Darauf kommen wir später nochmal zurück – Datenkompetenz: Was heißt das eigentlich in der heutigen Zeit und wer braucht sie? Spoiler: wahrscheinlich alle.
Ann, hast du noch etwas hinzuzufügen zu der Frage, warum Ressourcenmanagement trotz aller Technik noch nicht „magisch“ läuft?
Ann Campea: Ich kann da anknüpfen: Entscheidend sind gute Daten. Und dabei gibt es immer diese menschliche Komponente. In meiner Erfahrung: Wir bauen Tools, denken, wir haben die richtigen Reports, beobachten die entsprechenden Metriken – doch dann geht es wieder zurück zu den Daten. Gute Daten zu bekommen, ist wie ein Blitz im Glas zu fangen, oder?
Das ist schwierig und manchmal unzuverlässig, weil der menschliche Faktor mit reinspielt. Menschen sind wunderbar – aber auch wunderbar unvorhersehbar. Beispiel: Susie hat 50 Projekte, die sie in einer Woche abarbeiten will, aber Joe muss drei Tage krank machen. Joe schafft entsprechend weniger Projekte als Susie. Wie erfasst man diesen menschlichen Kontext – bei der Zeiterfassung, der Projektkomplexität oder der Leistungsfähigkeit des Teams? Alle arbeiten unterschiedlich.
Ich kann also Marcel beipflichten: Gute Daten sind die Grundlage. Dann kann man Technik und KI darum aufbauen. Und ein weiteres Beispiel: Ich war in Organisationen mit alter und neuer Technik. Jetzt kommt noch KI obendrauf. Wie bringt man alles dazu, zusammenzuspielen – und hat trotzdem noch den Menschen in der Schleife?
Galen Low: Gefällt mir.
Und das knüpft an das an, was Grant eingangs sagte: Das Tool allein ist nicht die Wunderlösung. Es gibt viele andere Variablen. Vielleicht ist das der Übergang – es ist kompliziert.
Warum ist es nicht einfacher? Datenqualität und Menschen. Es stellt sich also die Frage: Welche Daten sollten wir überhaupt sammeln? Grant, aus deiner Sicht – was sind wichtige Datenpunkte, die etwa eine Agentur erfassen sollte, um genauer planen zu können?
Gibt es auch unkonventionelle, kontroverse Daten, die man sammeln sollte?
Grant Hultgren: Letztlich läuft es darauf hinaus: Woran glauben wir? Gerade als Agenturbesitzer – wenn man startet oder in eine Agentur einsteigt, herrscht oft die Einstellung: Ich kann es besser als mein vorheriger Arbeitgeber. Das heißt aber auch, dass man plötzlich verschiedene Datenpunkte unterschiedlich definiert. Marcel würde vermutlich sagen: Ihr könnt eure eigenen Begriffe nutzen, aber im Kern sprechen wir alle über das Gleiche. Bei den wichtigsten KPIs stimme ich voll zu. Von unserer Seite, im SaaS-Kontext, schaut man auf: Umsatz pro abrechenbarem Mitarbeiter, Umsatz pro Mitarbeiter insgesamt, Projektmargen gegenüber GuV-Quartals- und Jahreswerten, in Bezug auf Gemeinkosten, Vollkosten. Es gibt viele Überschneidungen.
Im Digital-Projektmanagement ist alles Teil eines Ökosystems, das auf diese übergeordneten KPIs einzahlt. Es gibt viele Tools, einige uralt, andere neu. Und genau darin liegt die Herausforderung – vor allem: Vertrauen wir unseren internen Systemen, damit KI-Modelle verlässliche Entscheidungen treffen? Ich glaube, da sind wir noch nicht. Darum bleiben Menschen so wichtig. KI wird niemanden für eine verpasste Projektmarge zur Rechenschaft ziehen. Das macht das Team: „Was ist hier passiert? Interpretier‘ die Daten für uns.“ – „Jemand war krank.“ – „Tja, warum wurde nichts unternommen?“ – „KI hat es nicht erkannt.“ – Das ist nicht akzeptabel.
Das wird sich irgendwann ändern, aber die Messgrößen vermutlich nicht groß. Eher die Art, wie sie zusammenwirken. Marcel, ich sehe dich nicken – stimmst du zu?
Marcel Petitpas: Ja. Ich schildere mal kurz, wie wir bei Parakeeto vorgehen, wenn wir jemanden in unser Prognosesystem bringen. Wir beginnen damit, zu verstehen, wie die Firma über Kapazitäten denkt. Das variiert. Manche fokussieren auf Skills: Design, Projektmanagement, Entwicklung, Text. Andere auf Aufgaben: Diese Person erledigt diese Tätigkeiten. Egal ob Aufgabenbereiche, Rollen oder Titel – uns interessiert das Denkmodell.
Wir versuchen, eine simple Abstraktionsschicht zwischen individuellen Beitragenden und größeren Kapazitätsgruppen zu schaffen. Hier ein Begriff, über den ich vermutlich noch öfter reden werde: Präzision und Genauigkeit. Das sind verschiedene Dinge! Viele Projektmanager verwechseln diese aber – und die beiden stehen oft sogar im Widerspruch.
Viele Projektmanager scheitern, weil sie ultra-präzise Systeme schaffen wollen, die dann nicht mehr handhabbar sind. Am Ende gibt es nur noch chaotische Daten, von denen niemand mehr profitiert.
Darum geht’s: Wie können wir mit wenigen (5-8) Kapazitäts-Buckets starten, dann Planungen konsistent nach denselben Namenskonventionen strukturieren, und sogar bei der Zeiterfassung darauf achten, dass jede Buchung ein Meta-Tag bekommt, der wieder zu einem Bucket führt? So entsteht ein strukturierter Datenpool, in dem wir nach Belieben weitere Kategorien zufügen können: Projektart, Kundentyp, Leistungsangebot, Phasen. Dann wird es einfach, mit lineärer Algebra Fragen zu beantworten wie: „Pro Dollar Website-Budget, wie viel Design-Zeit brauchen wir im Schnitt?“ – Es braucht kaum Daten, um dabei schon gute Genauigkeit zu bekommen und vorhersehbare versus unvorhersehbare Faktoren zu erkennen – und letztlich auch Prozessprobleme zu identifizieren.
Wenn man Informationen also so strukturiert: 1. Kapazitätsmodell, 2. Planungsmodell, 3. Abgleich Ist-Zeiten – und alles am gleichen Schema orientiert, spart man sich die Übersetzung zwischen drei unterschiedlichen Datenstrukturen bei der Analyse. Das reduziert Reibung und ermöglicht wirklich gute Antworten.
Galen Low: Interessant: Es gibt vorhersehbare und nicht vorhersehbare Sachen. Der Ansatz ist wichtig, weil es um Chaos und Unberechenbarkeit geht. Unser menschlicher Wunsch ist, alles zu lösen – aber das geht nicht immer! Was mich bei deinem Ansatz begeistert: Gute, saubere Daten – dafür kann Technik helfen. Ich erinnere mich, wie ich für die Agentur mal eine Skill-Matrix in Google Sheets erstellen sollte – es war der totale Daten-Chaos. Unsere Intention war gut: „Wie willst du arbeiten? Welche Projekte interessieren dich?“, aber das alles konsistent zu erfassen war eine Riesenherausforderung für Menschen.
Das ist viel Modellstruktur, viel Taxonomie. Aber genau da kann Technologie ansetzen.
Grant Hultgren: Du kannst alles perfekt planen, aber in einer Stunde ist wieder alles anders – Kunde unterschreibt ein neues Statement of Work, Change Order, kürzt Scope, es kommt zu Veränderungen wie durch Covid. Brauchen wir noch ein Büro, ist das Gemeinkosten? Genau das meint Marcel mit der Notwendigkeit von Routine und kleinen Anpassungen – die Menschen an der Front liefern die besten Daten und können laufend kleine Anpassungen einbringen.
Genau darum existiert unser Unternehmen. Marcel ist neutral – aber wir versuchen, genau das in Daten zu kodifizieren. Es ist dieselbe Messlogik, ob du Consultants engagierst oder alles selbst abbildest. Die Herausforderungen bleiben: Wie nimmt jede Ebene von Eigentümer bis Ausführender das System an? Verstehen alle, wo Präzision und wo Genauigkeit wichtig ist?
Galen Low: Gehen wir noch mal auf das Thema „saubere Daten“. Das klingt wie ein Mythos – weniger wegen Taxonomie als wegen der menschlichen Komponente. Vielleicht an Ann: Wie überzeugt man Menschen davon, dass sie von mehr Datenerfassung profitieren, obwohl sie Zeiterfassung schon hassen?
Ann Campea: Das ist wirklich schwer – besonders alle Hierarchie-Ebenen mitzunehmen. Shout-out an Marcel für deinen LinkedIn-Post dazu: Es braucht die eine magische Formel, mit der Stakeholder sagen können: „Jetzt messen wir Ressourcen, Kapazität usw.“.
Und Grant gerade gesagt hat: Es verändert sich ständig alles. Wie kontrolliert man diese Unbekannte? Im Kern kommt es darauf an, auf ein gemeinsames Modell hinzuarbeiten – egal ob es komplett anders ist als die anderer Agenturen. Wenn Team, Kultur und Führung dahinterstehen, ist schon viel gewonnen. Denn oft ist gerade das Buy-in der größte Blocker.
Wir investieren Zeit in den Aufbau unserer Tools, Reports, Zeiterfassung, Kennzahlen zur Komplexität unterschiedlicher Projekte – aber ohne Zustimmung von oben fehlt der Hebel. Es bleibt ein „menschliches“ Problem. Und beim Stakeholder-Überzeugen: Oft ist die Annahme, man hätte ultraharte, quantitative Daten. Aber selbst darin ist Subjektivität, weil Menschen Zeit erfassen. Ich stelle meine Daten daher immer mit dem Hinweis vor: „Das ist eine Zeitstudie, mit Abweichungen, weil wir mit Menschen arbeiten.“ Auch quantitative Daten enthalten immer subjektive Komponenten, die man offenlegen sollte.
Bei der Präsentation für Stakeholder gilt: Bleiben Sie ehrlich. Die Daten sind nicht perfekt – und werden es auch nie sein. Aber sie kommen nah dran. Das hilft beim „Verkaufen“ des Ansatzes.
Galen Low: Gefällt mir – der partizipative Ansatz! Nicht top-down „in den Hals drücken“, sondern die Variabilität zugeben. Zu oft neigen wir dazu, Ressourcenmanagement als absolut zu verkaufen – jeder arbeitet genau 40 Stunden, alles ist lückenlos. Aber mit der richtigen Präsentation und Transparenz…
Marcel, geht das in dein Konzept von Präzision und Genauigkeit über?
Marcel Petitpas: Absolut. Es gibt viele Compliance-Taktiken – Gamifizierung mit Slackbots, automatische Zeiterfassungsunterstützung usw. – aber entscheidend ist wie Ann sagte das Buy-in. Oft wird auch der letzte Schritt, der Feedback-Loop, nicht gemacht – die Mitarbeiter bekommen nie mit, wie ihre Zeitdaten am Ende genutzt werden. Sie stellen sich wilde Geschichten vor – nie zu ihrem Vorteil!
Deshalb: Schließe den Loop, beziehe Mitarbeitende in die Auswertungen und Diskussionen ein. Führungskräfte haben oft Angst, dass die Daten „noch nicht gut genug“ sind – aber macht trotzdem das Meeting! Was dabei herauskommt: Wenn ihr nur die Einhaltung von Budgets lobt, ohne den Zusammenhang zu prüfen, beginnen Mitarbeitende zu hinterfragen, ob wirklich alle ihre Zeiten eingetragen wurden. So entwickelt sich ein Gefühl für Genauigkeit – und das dient letztlich allen im Unternehmen.
Eine weitere Sache: Je mehr ihr verlangt, dass Leute sekundengenau subtasks erfassen, desto geringer die Beteiligung und Qualität. Weniger Komplexität, größere Zeitblöcke, schneller statistische Relevanz – und Compliance steigt.
Ressourcenplanung auf Personenebene für einen Sechs-Monats-Ausblick? Unrealistisch! Das ist zu komplex und ändert sich laufend. Passe immer die Methode an die Fragestellung an.
Galen Low: Das ist ein „intrinsisch schlauer“ Ansatz, man zieht qualitative Aspekte heraus. Du startest mit den Daten, endest aber nicht dabei – sie sind immer Teil einer weiterführenden Diskussion. Auf die richtige Unternehmenskultur kommt’s an! Niemand will Daten freiwillig liefern, wenn sie nur als Munition genutzt werden. Lieber einfach und unperfekt als zu kompliziert und dann unbrauchbar.
Storytime: Gibt’s Erfolgsgeschichten rund um Buy-in und gesteigerte Datenkompetenz in Sachen Ressourcenmanagement? Und auch „Geistergeschichten“, wie Blocker alles behindert haben?
Grant Hultgren: Ich habe eine Erfolgsgeschichte: Ich habe mich bei einer Digitalagentur mit genau dem Ansatz von Ann und Marcel zurückgenommen – das Team in die Datendiskussion eingebunden, alle geschult, wieso wir Margen pro Projekt berechnen, Kosten pro Rolle etc., ohne Individualgehälter offenzulegen, aber Transparenz zwischen Senior- und Junior-Dev geschaffen. Plötzlich wurde deutlich, warum Resourcing so wichtig ist.
Das Ergebnis nach einem Jahr war: Nicht nur KPIs erreicht, sondern drei Mitarbeitende gründeten Familien, zwei kauften ein Haus. Der CEO meinte dann: Das war sein erfüllendstes Jahr. Das ist das eigentliche Warum. Die Sorge um die Zukunft des Teams bleibt immer bestehen, es ist die Verantwortung der Führung. Aber der größte Gewinn war: Dass das Team mit ihren Entscheidungen und Lebenswegen zeigte, dass sie Vertrauen ins Unternehmen hatten.
Das sind die Momente, auf die ich mit Stolz zurückblicke – und natürlich gibt’s auch Horror-Stories, wo etwas schiefging. Aber für diesen Augenblick hat es sich gelohnt.
Galen Low: Das „Why“ ist nicht nur Agenturwachstum, sondern persönliches Wachstum, Karriere, Gemeinschaft. In manchen Kulturen klappt das nicht – dort geht’s nur um Boni für die Chef-Etage. Aber ich mag dein Beispiel!
Grant Hultgren: Wachstum ist nie linear – der Markt entscheidet, was funktioniert. Adaptivität und Iteration sind entscheidend: Nutzen wir Daten wirklich, um laufend zu optimieren?
Galen Low: Genau!
Ann Campea: Schwer, Grants Geschichte zu toppen – aber es sind oft die kleinen Erfolge, wenn man mit guten Daten Führungskräfte überzeugen, Überlastung im Team sichtbar machen und bessere Balance schaffen kann. Zeigen, wie Komplexität der Arbeit, Belastung und Ressourcen wirklich zusammenhängen, bringt konkrete Verbesserungen.
Galen Low: Marcel, eine Geschichte?
Marcel Petitpas: Ja, ich habe eine Wendegeschichte von einem Kunden: Auf den ersten Blick lief die Agentur glänzend – Top-Kunden, preisgekrönte Arbeiten. Aber intern: kreative, ausgebrannte Mitarbeitende, periodisch extreme Überlastung, dann Leerlauf und Entlassungen, Schuldzuweisungen zwischen Teams, falscher Zusammenhang zwischen Zeit und Geld in Kalkulation und Preisen. Also: Preise und Aufwände wurden je nach Kundenbudget einfach „passend“ gemacht.
Wir haben Strukturen, Trennung von Preis (für den Kunden) und Scope (fürs Team) eingeführt, einen Datenrahmen aufgebaut, nachverfolgt, was tatsächlich passierte, Risiken identifiziert, Margen analysiert. Ein Bereich – Videoproduktion – stark schwankend, Stress, Überstunden, niedrige Margen. Andere Bereiche wie Brand und Webdesign profitabler.
So entstanden verbindliche Kalkulationsmodelle, das Team stand hinter den Schätzungen, Erwartungen wurden realistisch. Am Ende: 60, dann 90 % Wachstum bei gleichzeitig 500 % Margensteigerung – bei weniger Überstunden und Burnout. Aber das Beste war: Bessere Balance und gesündere Prozesse. Das ist die Kraft, die Operations-Leute haben. Es geht letztlich darum, Annahmen durch Daten zu verifizieren und sauber in die Zukunft zu projizieren. Dann profitieren alle Stakeholder.
Galen Low: Boom. Meine kleine Story: In Gesprächen im Hochschulbereich sagten einige, sie würden gerne die eigene Kapazitätsüberlastung objektiv belegen können – ohne Zeitdaten bleibt das nur Anekdote. Mit den richtigen Daten wird die Diskussion ermöglich: Sollen wir das „unnötige“ Projekt weitermachen, wenn es nur überlastet und kaum Marge bringt?
Kommen wir zu den Fragen aus dem Publikum: Thema GenAI, Daten und Ethik. Wenn wir Projektdaten in ein GenAI-Tool geben – wie sichern wir die Daten und müssen wir firmeneigene Lösungen nutzen? Und wo liegt die ethische Grenze beim Datensammeln über Menschen?
Grant Hultgren: Ich war bei einer Marketingagentur – dort haben wir uns zuerst gefragt: Offenlegen, dass wir GenAI nutzen? Sind wir mit der Qualität zufrieden? Wenn ja, dann als neues Tool nutzen. Wichtig ist: Intern eine klare Linie zu ziehen. Im Bereich Kundendaten sind wir (wegen Compliance wie SOC 2, GDPR) sehr zurückhaltend, KI kommt da nicht überall ran. Zur Sicherheit: Daten wo möglich anonymisieren; ohne Kunden- oder Personennamen. Im Zweifel: Lieber davon ausgehen, dass man Kundendaten nicht einbinden darf – es lohnt sich nicht, die Beziehung zu gefährden.
Viele Tools draußen, nicht alle sind sicher und marktreif – immer abwägen. Technik zur Ideenfindung nutzen, aber nie zur finalen Diagnostik oder Entscheidung – dafür gibt es den Menschen.
Galen Low: Compliance ist entscheidend – manche Tools sind sicher, andere gerade noch im MVP-Stadium. Da muss man unterscheiden.
Grant Hultgren: 100%. Wir achten intern streng auf Datenschutz – haben wir Daten, heißt das noch lange nicht, dass wir sie jedem Tool anvertrauen sollten.
Galen Low: Boom. Gut so.
Ann Campea: Zur ethischen Grenze: GenAI kann Bias beinhalten und muss sorgfältig genutzt werden. PMI (Project Management Institute) bietet z.B. eine eigene KI-Plattform mit geprüften Projektmanagement-Quellen an. Die ethische Grenze ist, wie man Daten einsetzt: Daten können genutzt oder missbraucht werden – etwa wenn sie zur Durchsetzung individueller Ziele genutzt werden. Also: Daten dürfen informieren, aber nie manipuliert oder „passend gemacht“ werden.
Galen Low: Das ist die Kehrseite von „Storytelling mit Daten“ – Daten für einen Zweck gesucht, statt sauber analysiert.
Weitere Frage: Werden Tools in Zukunft das Menschliche / die Projektkomplexität berücksichtigen – oder bleibt das manuell?
Marcel Petitpas: Ich denke, komplette Automatisierung in dem Bereich wird sehr lange nicht möglich sein. Siehe autonomes Fahren: Die letzten 2% sind extrem schwer! Buchhalter und Steuerberater braucht es weiterhin, trotz jahrzehntelanger Softwareunterstützung. Viele Prozesse kann man effizient automatisieren, aber am Ende braucht es menschliche Wertung – insbesondere bei Black-Box-Modellen von KI. Beispiele: 99-Stunden-Zeiteintrag vergessen? Falschkategorisierung? Das kann die KI nicht sicher entscheiden. Es bedarf menschlichen Qualitätsmanagements.
Grant Hultgren: Stimme zu: Memes wie „Ich dachte, KI würde mir die Hausarbeit abnehmen, nicht Kunst machen“. Am besten muss KI erstmal Routineaufgaben automatisieren, als Ideengeber agieren – aber das Geschäft steuern? Eher nicht! Unerwartete Events (wie Covid) oder Bewertung von Arbeitsstunden (soll man sie schreiben oder aus Kulanz streichen?) – das kann kein Algorithmus endgültig einschätzen!
Galen Low: Thema KI als Beratungstool: Beispiel – „Willst du wirklich Tony einplanen? Tony ist langsam, Sergio ist verfügbar und schneller, Tony landet immer öfter auf der Ersatzbank – entwickelt keine Karriere...“. Sollte ein Tool solche Ratschläge geben?
Marcel Petitpas: Das sind notwendige Diskussionen in der Führung. Objektive Daten helfen, emotional schwierige Personalentscheidungen zu hinterfragen – aber es braucht klare Werte und Standards im Unternehmen. Mit Bedacht implementiert, kann KI im Entscheidungsprozess unterstützen – aber nie die finale Instanz sein.
Grant Hultgren: Menschen kündigen wegen Chefs, nicht wegen Jobs. Technik darf nicht zum reinen Profiteurwerkzeug werden – hoffentlich verlässt sonst das ganze Team das Unternehmen! Technik soll Entwicklung und Fairness fördern – und auch Talente entdecken und fördern helfen.
Galen Low: Schwierige Fragen bleiben schwierig, ganz gleich wie viel Technik man hat. Ann?
Ann Campea: GenAI ist ein Partner und Unterstützer, aber kein Entscheider. „Human in the loop“ sollte immer gelten. Ich habe GenAI dazu befragt: Es sagte, KI kann langweilige Aufgaben übernehmen und Menschen Zeit für Kreativität schaffen. Maschinen können keinen Trost spenden – das bleibt menschlich.
Galen Low: Gut trainierte KI. Eine letzte Frage: Daten als Bereich statt als absolute Zahl präsentieren – hilft das, menschliche Unsicherheiten abzubilden?
Marcel Petitpas: Perfektes Beispiel: Präzision vs. Genauigkeit. Wie beim Wetter: Lieber sagen „zwischen 22 und 26 Grad“ als eine Einzelzahl, denn das ist akkurater. Je höher in der Organisation, desto unsicherer die Datenlage, desto wahrscheinlicher ist ein Range realistischer als ein exakter Wert.
Galen Low: Boom. Danke!
Grant Hultgren: Präzise Forecasts vier Wochen oder sechs Monate im Voraus? Haha, die Realität sieht jedes Mal anders aus – daher ist Range bzw. Bandbreite essenziell für Führung und Steuerung.
Galen Low: Boom – zu viel Präzision ist trügerisch.
Super. Damit sind wir am Ende. Nochmals danke an Grant, Marcel, Ann – danke, dass ihr eure Zeit hier eingebracht habt.
Wie immer: Wenn Sie sich mit mehr als tausend Projektmanagement-Interessierten austauschen wollen, werden Sie Teil unserer Community: thedigitalprojectmanager.com/membership. Und wenn Sie heute Neues gelernt haben: Bleiben Sie dran und abonnieren Sie unseren Newsletter auf thedigitalprojectmanager.com. Bis zum nächsten Mal – danke fürs Zuhören!
