Vom Schnellstart bis zur komplexen Markov-Entscheidung — geführte einfache Entscheidung, Entscheidungsbaum, Markov-Prozess, unabhängige Bewertung und geführtes Training. Alles im Browser, nichts verlässt Dein Gerät.
Definiere Optionen und Zustände zentral. Die „→"-Knöpfe schieben sie in Baum, Bewertung bzw. Markov; ein Umbenennen hier aktualisiert die verknüpften Stellen (per Namensabgleich).
Für überschaubare Entscheidungen ohne Zufall und ohne Folgeentscheidungen: Optionen sammeln, 3–5 Kriterien gewichten, bewerten — die Empfehlung ist die gewichtete Summe (einfaches Linearmodell, das Bauch-Gesamturteile oft schlägt; Dawes 1979). Die Frage selbst gibst Du der Entscheidung oben als Namen.
Baue den Baum aus ▢ Entscheidung (Du wählst), ◯ Zufall (der Zustand wechselt mit Wahrscheinlichkeiten — die Markov-Kante) und ◇ Ende (Auszahlung/Nutzen). Der erwartete Wert wird per Rückwärtsinduktion an jedem Knoten berechnet; der optimale Ast bekommt ★.
Klicke links einen Knoten an, um ihn zu bearbeiten.
Wie robust ist der empfohlene erste Zug? Je Zufalls-Ast wird die Wahrscheinlichkeit um ±20 Prozentpunkte variiert (die übrigen Äste desselben Knotens werden proportional angepasst, die Summe bleibt erhalten). Die Balken zeigen die Spanne des Wurzelwerts; der Kipppunkt — das p, ab dem die optimale Entscheidung wechselt — wird per Intervallsuche über die Rückwärtsinduktion bestimmt (Tornado-Diagramm der Entscheidungsanalyse; Howard 1988).
Kein fester Baum, sondern wiederkehrende Zustände: In jedem Zustand wählst Du eine Aktion, die mit Wahrscheinlichkeiten P(s'|s,a) in den nächsten Zustand führt und die Belohnung R(s,a) bringt. Value-Iteration löst die Bellman-Gleichung V(s)=maxa[R(s,a)+γ·Σ P(s'|s,a)·V(s')] und liefert die optimale Dauer-Strategie.
Erzeugt eine neue Entscheidung: Entscheidungsknoten (Aktion) → Zufallsknoten (Übergänge) über N Schritte; die Blätter erhalten den langfristigen Wert V*(s) als Fortführungswert.
Ein einzelner Erwartungswert wirkt präziser, als er ist. Bewerte die Optionen deshalb unabhängig vom Baum-Modell nach mehreren Kriterien (Mehrkriterien-Analyse) und vergleiche beide Rangfolgen. Weichen sie ab, ist genau das der Lernmoment (Triangulation; Dawes' Befund, dass ein einfaches gewichtetes Modell die Bauch-Gesamtbewertung oft schlägt).
Bewerte jede Zelle 0–10 (10 = am besten für dieses Kriterium). Gewicht je Kriterium beliebig; es wird automatisch normiert.
Acht Fragen, die verhindern, dass Du Dich in Dein eigenes Modell verliebst. Je mehr Du ehrlich abhaken kannst, desto robuster die Entscheidung.
Realistische Organisations-Entscheidungen zum Üben. Ein geladenes Szenario wird als eigene Entscheidung angelegt und füllt Entscheidungsbaum, unabhängige Bewertung und Vokabular konsistent (feste ID-Bindung). Schätze zuerst selbst und decke dann Modell und Forschungshinweise auf.
Gute Entscheidungen entstehen nicht durch Glück, sondern durch Qualität in sechs Anforderungen. Die Kette ist so stark wie ihr schwächstes Glied (Decision-Quality-Ansatz, Howard/Matheson). Schätze jede Anforderung 0–100.
Warum diese Werkzeuge? Weil Organisationen systematisch an vermeidbaren Stellen scheitern — und weil die Entscheidungsforschung dafür konkrete Gegenmittel kennt.
Paul Nutt untersuchte 358 Entscheidungen in mittleren und großen Organisationen: rund die Hälfte scheiterte. Wiederkehrende Ursachen: Führungskräfte drücken eine fertige Lösung durch, begrenzen die Suche nach Alternativen und setzen Macht statt Überzeugung ein. Erfolgreicher entscheiden, wer den Handlungsbedarf klärt, Ziele setzt, breit nach Optionen sucht und Schlüsselpersonen beteiligt.
Der Trainer setzt genau hier an: erst Optionen und Zustände explizit machen, dann rechnen, dann unabhängig gegenprüfen.
Der Entscheidungsbaum trennt, was Du wählst (Entscheidungsknoten), von dem, was der Zufall bestimmt (Zufallsknoten mit Wahrscheinlichkeiten). Über Rückwärtsinduktion (Rollback) berechnet man von den Blättern her den erwarteten Nutzen: an Zufallsknoten der wahrscheinlichkeitsgewichtete Mittelwert, an Entscheidungsknoten das Maximum. Das Fundament ist die Erwartungsnutzentheorie (von Neumann & Morgenstern, 1944) und die Entscheidungsanalyse (Raiffa 1968; Howard).
Grenze: Der Baum ist nur so gut wie seine Wahrscheinlichkeiten und Nutzenwerte. Menschen sind bei beidem überzuversichtlich — deshalb die unabhängige Gegenprüfung. Die Sensitivitätsanalyse (Tornado-Diagramm) prüft zusätzlich, wie stark einzelne Wahrscheinlichkeiten das Ergebnis treiben und ab welchem p die Empfehlung kippt (Howard 1988, Decision Analysis: Practice and Promise).
Wenn eine Entscheidung nicht einmalig ist, sondern sich in wiederkehrenden Zuständen immer wieder stellt (Anlage läuft / wackelt / Krise; Kunde aktiv / passiv / abgewandert), ist ein Markov-Entscheidungsprozess (MDP) das passende Modell. Die Bellman-Gleichung beschreibt den optimalen Wert eines Zustands rekursiv; Value-Iteration löst sie iterativ bis zur Konvergenz und liefert die beste Dauer-Strategie je Zustand. Der Diskontfaktor γ gewichtet die Zukunft (γ→1: weitsichtig, γ→0: kurzfristig).
Quellen: Bellman (1957), Dynamic Programming; Puterman (1994), Markov Decision Processes; Sutton & Barto (2018), Reinforcement Learning.
Robyn Dawes zeigte, dass einfache gewichtete Linearmodelle menschliche Gesamturteile in vielen Feldern schlagen („The robust beauty of improper linear models“, 1979) — im Einklang mit Meehls Vergleich klinisches vs. statistisches Urteil (1954). Die Mehrkriterien-Bewertung im Tab „Unabhängige Bewertung“ zwingt genau zu so einem expliziten, unabhängigen Modell. Weicht es vom Baum-Ergebnis ab, ist das ein Signal, nicht ein Ärgernis.
Das Vroom-Yetton-Modell hilft zu klären, ob eine Entscheidung allein, beratend oder im Team fallen sollte (nach Qualitätsbedarf und Akzeptanz). Evidenzbasiertes Management (Pfeffer & Sutton 2006; Rousseau) fordert, Entscheidungen auf die beste verfügbare Evidenz zu stützen statt auf Nachahmung, Ideologie oder ungeprüfte „Best Practices“.
Hinweis: Alle Zahlenbeispiele im Trainer sind illustrativ und dienen der Methode, nicht der empirischen Aussage.