Modellbasiertes Denken in vier Dimensionen üben: Methodenkompetenz, Toolkompetenz, Analytik und Abgrenzung — mit geführtem Canvas, Methoden- und Werkzeugkatalog sowie Kompetenz-Check. Alles läuft lokal in Deinem Browser.
Ein geführter Canvas für eine konkrete Frage. Arbeite die Schritte von oben nach unten durch — alles wird automatisch in diesem Browser gespeichert.
Welche Entscheidung oder Frage soll das Modell beantworten? Ein Modell ohne klaren Zweck lässt sich nicht bewerten.
Wähle, wofür das Modell in erster Linie dienen soll — das lenkt Methoden- und Werkzeugwahl.
Jedes Modell braucht eine bewusste Grenze. Ohne Abgrenzung wird ein Modell entweder zu simpel oder unbeherrschbar komplex.
Annahmen, die Systemgrenze, Ebene oder Zeithorizont betreffen — Rechen-/Ergebnisannahmen gehören unten in „Analytik“.
Welche Modellierungsmethode passt zu Deiner Frage? Wähle aus dem Katalog und begründe die Wahl.
Welche Werkzeug-Klasse setzt die Methode am schnellsten um?
Was fließt hinein, was kommt heraus, und was treibt das Ergebnis am stärksten?
Was trägt das Ergebnis, wie gut ist es geprüft, und wo hört die Aussagekraft auf?
Annahmen, die das Ergebnis inhaltlich/rechnerisch treiben — nicht der Rahmen (dafür siehe „Abgrenzung“ oben).
Welche einzelne Annahme dominiert das Ergebnis am stärksten, wenn Du sie veränderst?
Wie prüfst Du das Modell gegen die Realität — Daten, Erfahrungswerte, Plausibilitätscheck, Rückblick?
16 Modellierungsmethoden, gruppiert nach qualitativ/System, quantitativ und Prozess/diskret — durchsuchbar. Darunter die Werkzeug-Klassen für die Toolkompetenz (bewusst ohne Produktnamen).
Schätze Dich in den vier Dimensionen modellbasierten Denkens ein — je 5 Aussagen, Skala 1 (trifft nicht zu) bis 5 (trifft voll zu). Das Ergebnis zeigt ein Profil mit gezielten Förder-Tipps und passenden Methoden aus dem Katalog.
Ein Modell ist eine zweckgebundene, vereinfachte Repräsentation eines Ausschnitts der Wirklichkeit — gebaut, um eine bestimmte Frage zu beantworten, nicht um die Wirklichkeit vollständig abzubilden.
Der Statistiker George E. P. Box formulierte in seinem Aufsatz „Science and Statistics“ (1976) den heute meistzitierten Satz der Modellierungsliteratur: „All models are wrong, but some are useful.“ Kein Modell erfasst die Realität vollständig — die Frage ist nicht, ob ein Modell „wahr“ ist, sondern ob es für seinen Zweck nützlich ist.
Quelle: G. E. P. Box, „Science and Statistics“, Journal of the American Statistical Association 71(356), 1976.
In Thinking in Systems: A Primer betont Donella Meadows, dass Systemgrenzen nicht in der Realität vorgegeben, sondern gedanklich gezogen werden — je nach Zweck der Betrachtung. Eine Systemgrenze falsch (zu eng oder zu weit) zu ziehen, ist einer der häufigsten Modellierungsfehler.
Quelle: D. H. Meadows, Thinking in Systems: A Primer, Chelsea Green Publishing, 2008.
John Sterman zeigt in Business Dynamics: Systems Thinking and Modeling for a Complex World, dass jede Entscheidung auf einem mentalen Modell beruht — formale Modelle machen diese impliziten Annahmen explizit und damit kritisierbar. Er betont Validierung als fortlaufenden Prozess (Tests auf Struktur, Verhalten und Grenzen), nicht als einmaligen Haken.
Quelle: J. D. Sterman, Business Dynamics: Systems Thinking and Modeling for a Complex World, McGraw-Hill, 2000.
Scott E. Page ordnet in The Model Thinker die Nutzungsarten von Modellen im Akronym REDCAPE: Reason (Begründen), Explain (Erklären), Design (Entwerfen), Communicate (Vermitteln), Act (Handeln), Predict (Vorhersagen), Explore (Erkunden). Sein zentrales Argument für „Many-Model-Thinking“: Wer mehrere Modelle für dieselbe Frage kennt, ist weniger anfällig für die blinden Flecken eines einzigen Modells — Modelle als Disziplin gegen kognitive Verzerrungen wie Bestätigungsfehler oder Ankereffekt.
Quelle: S. E. Page, The Model Thinker: What You Need to Know to Make Data Work for You, Basic Books, 2018.
Joshua Epstein listet in seinem Aufsatz „Why Model?“ 16 legitime Gründe, ein Modell zu bauen — Vorhersage ist nur einer davon. Andere sind: Erklären, Anleiten von Datenerhebung, Aufdecken versteckter Annahmen, Illustrieren von Kernbeziehungen, Trainieren von Intuition, Entdecken neuer Fragen. Ein Modell ohne Vorhersagekraft kann trotzdem sehr nützlich sein.
Quelle: J. M. Epstein, „Why Model?“, Journal of Artificial Societies and Social Simulation 11(4), 2008.
Alfred Korzybski prägte in Science and Sanity (1933) den Satz „The map is not the territory“ — eine Repräsentation ist niemals identisch mit dem Repräsentierten. Für die Modellierung heißt das: Ein Modell kann nützlich, sogar unverzichtbar sein — und ist trotzdem niemals die Sache selbst.
Quelle: A. Korzybski, Science and Sanity: An Introduction to Non-Aristotelian Systems and General Semantics, 1933.
Barbara Minto entwickelte mit dem Pyramid Principle das Prinzip MECE — „mutually exclusive, collectively exhaustive“: Teilfragen oder Kategorien eines Problems sollen sich nicht überlappen und zugleich das gesamte Problem abdecken. Grundlage vieler Konzept- und Issue-Bäume im Methodenkatalog dieser Werkstatt.
Quelle: B. Minto, The Pyramid Principle: Logic in Writing and Thinking, Minto International, 1987.
Wichtige Einordnung: Diese Werkstatt ist ein Denkwerkzeug, kein Orakel. Modelle liefern keine Wahrheit, sondern zweck- und kontextgebundene Vereinfachungen. Ein „gutes“ Modell ist eines, das für seine konkrete Frage nützlich ist — nicht eines, das jeden Aspekt der Realität erfasst.
Beispielwerte und Textvorschläge in dieser Werkstatt sind illustrativ. Die Selbsteinschätzung im Kompetenz-Check ist reine Selbstauskunft ohne Normstichprobe — ein Anhaltspunkt zur Selbstreflexion, kein validierter Test.
Alle Modelle und Check-Ergebnisse liegen ausschließlich in diesem Browser (localStorage). Exportiere regelmäßig eine Sicherung oder übertrage sie auf ein anderes Gerät.
Der Import ergänzt zusätzlich — vorhandene Modelle und Verlaufseinträge bleiben unverändert.