Wie Führungskräfte gute Entscheidungen treffen: Sind Faustregeln “nur” gut genug?

Wie Führungskräfte gute Entscheidungen treffen: Sind Faustregeln “nur” gut genug?

Wie Führungskräfte gute Entscheidungen treffen: Sind Faustregeln “nur” gut genug? (Teil 2)

Autor: Jan Dirk Capelle (capelle@actusone.com)

Hier geht es zum ersten Teil.

Wie im vorherigen Artikel gezeigt, verspricht Data & Analytics (D&A) völlige neue Möglichkeiten, geschäftliche Entscheidungen zu treffen.

D&A als Entscheidungshilfe hat jedoch auch seine Grenzen. Zum einen erfordert der Aufbau eines Systems zur Sammlung und Analyse großer Datenmengen beträchtliche finanzielle Investitionen, die insbesondere für kleine und mittlere Unternehmen (KMU) oft nicht umsetzbar sind. Zum anderen ist die strategische und strukturelle Integration von D&A in ein Unternehmen erforderlich, um die gewonnenen Erkenntnisse tatsächlich gewinnbringend nutzen zu können. Das bedeutet zum Beispiel, dass die gewonnenen Daten und Erkenntnisse überhaupt relevant sind für geschäftliche Entscheidungen oder dass sie denjenigen zur Verfügung stehen, die diese Entscheidungen treffen müssen.

Diese Herausforderung hat laut Harvard Business Review bisher weniger als ein Viertel der befragten Unternehmen gemeistert (Carande et al., 2017).

Ein weiteres, profanes Problem ergibt sich allerdings auch aus der Natur bestimmter Situationen: Oftmals gibt es schlicht keine oder nur wenige Daten bzw. Erfahrungswerte, auf die man für eine bestimmte Entscheidung zurückgreifen kann (Busenitz & Barney, 1997). Unsicherheit lässt sich eben nicht immer auf Risiko reduzieren (zu der Unterscheidung, siehe Teil 1 des Artikels). Doch wie sollten Manager_innen und andere Executives in diesen Situationen Entscheidungen treffen?

Herbert A. Simon dokumentierte bereits 1955, dass die Entscheidungsfindung von Managern mit begrenzter Zeit, Informationen und Rechenkapazität in der Praxis kaum denen klassischer Entscheidungstheorien entsprechen.

Vielmehr beobachtete er, dass sich Manager und Geschäftsführer auf einfache Faustregeln, sogenannte kognitive Heuristiken, verließen, um Entscheidungen zu treffen, die mindestens “gut genug” waren. Das möglichst gute Entscheiden unter hoher Unsicherheit wird entsprechend in der Literatur als “eingeschränkte Rationalität” (Bounded Rationality) bezeichnet.

Bedeutet das, dass eine Entscheiderin etwa in KMU notwendigerweise zwischen Investition (Zeit, Geld, kognitive und personelle Ressourcen) und Qualität einer Entscheidung abwägen muss (effort-accuracy trade-off; vgl.: MacKay,1982)? Nicht unbedingt.

Weniger kann mehr sein: Adaptive Heuristiken

Die Erkenntnisse von Herbert Simon waren durchaus optimistischer als der Begriff “eingeschränkte Rationalität” nahelegt. Tatsächlich implizierte Simon, dass kognitive Heuristiken in einer gegebenen Situation oftmals (nahezu) optimale Entscheidungsstrategien darstellen. Eine (vereinfachte) Version der 37%-Regel oder Satisficing-Heuristik illustriert dies:

Angenommen, Sie möchten eine neue Position in ihrem Unternehmen besetzen und dafür den besten Kandidaten bzw. die beste Kandidatin aus 100 BewerberInnen auswählen. Dazu laden Sie die Bewerber nacheinander zum Gespräch. Allerdings müssen Sie sich direkt nach dem jeweiligen Bewerbungsgespräch entscheiden, ob Sie diesen Kandidaten einstellen oder den nächsten Kandidaten einladen. Wann sollten Sie Ihre Suche stoppen und einen Kandidaten einstellen? Die Antwort lautet hier 37. Das heißt natürlich nicht, dass Sie einfach den oder die Kandidatin Nummer 37 einstellen. Vielmehr stellen Sie bis dahin niemanden ein und kalibrieren gewissermaßen Ihren Erwartungshorizont (“aspiration level”). Danach stellen Sie den ersten ein, der Ihren Erwartungshorizont übertrifft. Mathematisch maximieren Sie so die Wahrscheinlichkeit, den besten Kandidaten zu finden und einzustellen¹ (vgl.: Christian & Griffiths, 2016).

Das Forschungsprogramm zur ökologischen Rationalität hat herausgefunden, dass in Situationen von Unsicherheit einfache, adaptive Entscheidungsheuristiken nicht nur aufgrund begrenzter Ressourcen die beste Wahl sind, sondern komplexen Entscheidungsverfahren teilweise sogar überlegen sind (Gigerenzer & Brighton, 2009). Dies liegt unter anderem daran, dass fehlende Daten oft nur schwer geschätzt werden können oder der Einfluss bestimmter Faktoren überhaupt nicht bekannt ist (sogenannte “unkown Unkowns”). Zudem gibt es einen Unterschied zwischen der detaillierten retrospektiven Erklärung von Ereignissen und der Vorhersage von Ereignissen (Neth, 2014).

Zwei Beispiele aus der Geschäftswelt illustrieren, dass weniger manchmal mehr sein kann (für eine ausführlichere Beschreibung siehe Artinger et al., 2014):

Hiatus Heuristik

Wübben und Wangenheim (2008) untersuchten, wie Führungskräfte Ihre Kundinnen und Kunden als “aktiv” und “inaktiv” einstufen. Sie nutzen die einfache Hiatus Heuristik: Wenn ein Kunde in einem bestimmten Zeitraum nichts gekauft hat, wird er als inaktiv eingestuft. Die jeweilige Zeitspanne variierte je nach Bereich: Bei einer Fluggesellschaft und einem Einzelhändler für Kleidung betrug der Zeitraum neun Monate, bei einem Online-CD-Händler sechs Monate. Bezeichnenderweise sagte diese Heuristik das zukünftige Kaufverhalten der Kunden mindestens genauso gut und teils besser vorher als komplexere statistische Verfahren (z.B. Pareto/Negative Binomial Distribution Modell), die zusätzliche Informationen wie Kauffrequenz, Volumen von Bestellungen und den Zeitpunkt zurückliegender Käufe berücksichtigten.

“Naive” Diversifikation

Wie diversifizieren Sie am besten Ihre Aktienoptionen? Laut einer Studie von DeMiguel und anderen (2009) am besten, indem Sie ihr Geld gleichmäßig auf die verfügbaren Stock-Optionen verteilen (daher wird sie auch “1/N” genannt, wobei “N” der Anzahl der verfügbaren Optionen entspricht). Die Forscher verglichen die Performanz von 14 Anlagemethoden. Neben der “naiven Diversifikationsstrategie” (Benartzi & Thaler, 2001) der Gleichverteilung wurden 13 komplexe statistische Modelle wie die relativ komplexe Mean-Variance- Methode (“Sample-based Mean-Variance Model”) des Nobel-Gedächtnispreis-Trägers Markowitz und anderen (2000) getestet.

Dabei wurden die 13 komplexen Verfahren mit den Daten von 10 Jahren des US-Aktienmarktes “trainiert”, um ihre Parameter zu kalibrieren (1/N erfordert hat keine Parameter, die geschätzt werden müssen. Ziel war es) und sollten damit Monat für Monat die Performanz der Aktien vorhersagen. Gemessen anhand üblicher Finanzkriterien (Sharpe ratio, certainty-equivalent return) konnte keine der komplexen Methoden 1/N konstant schlagen. Vielmehr erzielte 1/N langfristig oft höhere Gewinne².

Oftmals folgt unser Bauchgefühl bzw. unsere Intuition kognitive Heuristiken (etwa beim ersten Eindruck, den wir von jemandem haben). Heuristiken können aber auch ganz bewusst entwickelt und eingesetzt werden.

Wie können Sie Entscheidungen in Ihrem Unternehmen verbessern?

In Ermangelung einer magischen Kristallkugel, die Ihnen in jeder Situation die Zukunft ganz genau vorhersagen kann: Was ist die beste Möglichkeit, um Ihre eigenen Entscheidungen und die Entscheidungen Ihres Unternehmens zu verbessern? Die Antwort lautet wohl, dass Sie Ihre mentale Adaptive Toolbox, die all Ihre Entscheidungsstrategien enthält, erweitern, kultivieren und verfeinern. Drei Ansatzpunkte scheinen dabei besonders vielversprechend zu sein:

1. Entscheidungssituation kennen (Strategieselektion).

Keine Entscheidungsstrategie ist in jeder Situation sinnvoll. Daher ist es wichtig, dass Sie einschätzen können, in was für einem Entscheidungskontext (auch: Entscheidungsumwelt) Sie sich befinden. Eine hilfreiche Unterscheidung ist die zwischen Entscheidungen unter Risiko und unter Unsicherheit. Genau genommen handelt es sich hierbei um ein Kontinuum zwischen Situationen, in denen Sie eher über viele Erfahrungswerte, Zeit und Ressourcen verfügen (Risiko) und solchen, in denen Zeit und Ressourcen knapp sind und Ihnen nur wenige Daten und Erfahrungswerte zur Verfügung stehen (Unsicherheit; vgl.: Gaissmaier & Neth, 2016). Im ersten Falle sind komplexe Entscheidungsverfahren wie Logik und Statistik die beste Wette. Im zweiten Falle eher einfache, heuristische Entscheidungsstrategien und Ihre Intuition³.

2. Risikokompetenz entwickeln

Für Risikosituationen bzw. bei der Verwendung von Data & Analytics ist es sinnvoll, ein grundlegendes Verständnis für Statistik zu entwickeln. Das muss nicht bedeuten, dass Sie Formeln auswendig lernen: Vielmehr geht es darum, einige Grundkenntnisse zu gewinnen und eine gewisse Kompetenz bei der Einschätzung von statistischen Ergebnissen zu entwickeln: Wie gut messen die mir vorliegenden Daten das, was für mich wichtig ist? Kann man von einer Stichprobe gut verallgemeinern oder ist sie möglicherweise zu klein, verzerrt oder hat wichtige Faktoren außer Acht gelassen? Zusätzlich ist es hilfreich, wenn Sie sich mit den wichtigsten kognitiven Verzerrungen (Biases) vertraut machen und sich und Ihre Mitarbeiter darin trainieren, diese zu vermeiden (Debiasing).

3. Adaptive Heuristiken kultivieren

Die gute Nachricht ist, dass Sie bereits über einen reichen Schatz an Faustregeln und relativ einfachen, wenig zeitaufwändigen Entscheidungsstrategien verfügen. Auch Unternehmen entwickeln ihr eigenes Set an Heuristiken, das sie im Laufe der Zeit verfeinern (vgl.: Bingham & Eisenhardt, 2011). Doch auch hier können Sie aller Wahrscheinlichkeit nach noch mehr herausholen – etwa, in dem Sie Ihre Heuristiken explizit machen und (wenn möglich) variieren. Adaptive Heuristiken sind im übrigen auch im D&A-Bereich anwendbar. Tatsächlich sind viele kognitive Heuristiken vereinfachte Varianten von komplexeren statistischen Verfahren, die unter bestimmten Umständen bessere Vorhersagen erlauben, indem sie bewusst verfügbare Informationen ignorieren.

_____________________________________________________________________________________________________________

¹Eine solche Situation wird in der Computerwissenschaft als “Optimal Stopping Problem” bezeichnet. Für dieses konkrete Beispiel muss man einige vereinfachende Annahmen treffen. Unter anderem geht

²In diesem Beispiel waren 10 Jahre “Training” für die komplexen Modelle noch zu wenig.  Schätzungen zufolge hätte die Markowitz-Optimierung für 50 zur Verfügung stehende Optionen ca. 500 Jahre gebraucht, damit ihre Vorhersage konstant besser wird als 1/N (Gaissmaier & Neth, 2016).

³Es sollte erwähnt werden, dass Sie sich vor allem dann auf Ihre Intuition verlassen können, wenn Sie die Gelegenheit hatten, diese in vergleichbaren Situationen mit direktem, aussagekräftigem Feedback zu trainieren (vgl.: Hogarth)

 

Quellen

Artinger, F., Petersen, M., Gigerenzer, G., & Weibler, J. (2015). Heuristics as adaptive decision strategies in management. Journal of Organizational Behavior, 36(S1).

Benartzi, S., & Thaler, R. H. (2001). Naive diversification strategies in defined contribution saving plans. American economic review, 79-98.

Bingham, C. B., & Eisenhardt, K. M. (2011). Rational heuristics: the ‘simple rules’ that strategists learn from process experience. Strategic Management Journal, 32(13), 1437-1464.

Busenitz, L. W., & Barney, J. B. (1997). Differences between entrepreneurs and managers in large organizations: Biases and heuristics in strategic decision-making. Journal of business venturing, 12(1), 9-30.

Carande, C., Lipinski, P., Gusher, T. (2017). How to Integrate Data and Analytics into Every Part of Your Organization. Harvard Business Review

URL: https://hbr.org/2017/06/how-to-integrate-data-and-analytics-into-every-part-of-your-organization; abgerufen: 28.09.2017

Christian, B., & Griffiths, T. (2016). Algorithms to live by: The computer science of human decisions. Macmillan.

DeMiguel, V., & Nogales, F. J. (2009). Portfolio selection with robust estimation. Operations Research, 57(3), 560-577.

Gaissmaier, W., & Neth, H. (2016). Die Intelligenz einfacher Entscheidungsregeln in einer ungewissen Welt. Controller Magazin, 41(2), 19-26.

Gigerenzer, G., & Brighton, H. (2009). Homo heuristicus: Why biased minds make better inferences. Topics in cognitive science, 1(1), 107-143.

MacKay, D. G. (1982). The problems of flexibility, fluency, and speed–accuracy trade-off in skilled behavior. Psychological Review, 89(5), 483.

Markowitz, H. M., Todd, G. P., & Sharpe, W. F. (2000). Mean-variance analysis in portfolio choice and capital markets (Vol. 66). John Wiley & Sons.

Neth, H. (2014). Warum Controller auf Heuristiken setzen sollten. Controlling & Management Review, 58(3), 22-29.

Simon, H. A. (1955). A behavioral model of rational choice. The quarterly journal of economics, 69(1), 99-118.

Tversky, Amos; Kahneman, Daniel (1981). “The Framing of decisions and the psychology of choice”. Science. 211 (4481): 453–458.

Wübben, M., & Wangenheim, F. V. (2008). Instant customer base analysis: Managerial heuristics often “get it right”. Journal of Marketing, 72(3), 82-93

No Comments

Post A Comment