Kapitel 1. Einführung

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com

"Entscheidungsträger nutzen nur 22% der datengesteuerten Erkenntnisse, die sie erhalten", schreibt Erik Larson in Forbes. Was ist da los? Diese Frage ist besonders wichtig, wenn es um Führungskräfte geht, deren Entscheidungen für den Erfolg ihrer Organisationen und manchmal sogar für die Welt entscheidend sind.

Es ist traurig zu denken, dass diese mächtige Technologie so wenig Einfluss hat. Technologien prägen ein Zeitalter: Der Buchdruck brachte die Renaissance hervor, die Dampfmaschine war das Herzstück der industriellen Revolution und Computer schufen das "Informationszeitalter". Wir dachten, dass Analytik und Daten einen ähnlichen Einfluss zum Besseren haben würden. Aber bei Drucklegung dieses Buches ist die Entscheidung noch nicht gefallen.

Eine Zeit lang war der Glaube weit verbreitet, dass "mehr Daten = bessere Entscheidungen" bedeuten, aber leider sehen wir keine Organisationen - weder öffentlich noch privat - die unserer Meinung nach besser abschneiden als je zuvor. Manche würden sogar sagen, dass es schlimmer geworden ist.

Was ist hier los? Ein Teil der Antwort ist, dass viele Organisationen mit einer noch nie dagewesenen Komplexität und Unbeständigkeit durch externe Faktoren konfrontiert sind. Die Globalisierung bedeutet, dass der Laden an der Ecke dem Großmarkt gewichen ist, die Pandemie hat die Art und Weise verändert, wie wir arbeiten und zusammenarbeiten, und die Veränderungen in den Medien und im Klima bedeuten, dass wir uns alle an eine "neue Normalität" gewöhnen.

Als Reaktion darauf haben viele Führungskräfte und Datenwissenschaftler sich auf den Weg der digitalen Transformation begeben, indem sie von papierbasierten Aufzeichnungen zu digitalisierten Informationen übergegangen sind und diese Informationen dann als Grundlage für Business Intelligence (BI) und künstliche Intelligenz (KI) nutzen.

Aber Daten, KI und BI sind nicht genug. Führende Unternehmen erkennen die Bedeutung von kollaborativer Intelligenz (KI) und Entscheidungsintelligenz (DI), um das Fachwissen verschiedener Perspektiven zu integrieren und bessere Entscheidungen zu treffen, die zu besseren Ergebnissen führen. KI/BI/CI/DI: alle werden benötigt, um die Vorteile des neuen Zeitalters zu nutzen. Aus dieser Sicht ist DI also die "letzte Meile" zur Verwirklichung der Transformationsvision.

In der Tat kann man sich moderne Unternehmen als Entscheidungsfabriken vorstellen, in denen Meetings, E-Mails und mehr genutzt werden, um eine Entscheidung nach der anderen zu fällen. Dominik Dellermann, CEO von Vencortex, schreibt: "Letztendlich ist der Wert deines Unternehmens nur die Summe der getroffenen und ausgeführten Entscheidungen.... [Die Fähigkeit, schnellere, konsistentere, anpassungsfähigere und qualitativ hochwertigere Entscheidungen in großem Maßstab zu treffen, bestimmt die Leistung deines gesamten Unternehmens."

Aber wie zu erwarten, gibt es auf dem Weg zu einer besseren Entscheidungsfindung auch Stolpersteine und Hindernisse. Ein häufiges Hindernis ist, dass viele Unternehmen trotz dieser weit verbreiteten digitalen Transformation immer noch Entscheidungen treffen, ohne dass sie auf Fakten und Daten zurückgreifen können, die eindeutig mit den Geschäftsergebnissen verknüpft sind - und das, obwohl die Entscheidungen, die sie treffen, wichtiger denn je sind.

Der Schlüssel zur Überwindung dieses Hindernisses ist ein professionellerer Ansatz, um die Bestandteile einer typischen Entscheidung zu managen. Wie kannst du sie in eine gut begründete Reihe von Maßnahmen einbinden, von denen du mit gutem Grund glaubst, dass sie zu den gewünschten Ergebnissen führen werden? In der unbeständigen, komplexen und unsicheren Umgebung von Organisationen (in der Wirtschaft und im öffentlichen Sektor) kann diese Herausforderung - so vielversprechend sie auch sein mag - überwältigend erscheinen. Der Entscheidungsexperte Dr. Roger Moser sagte uns: "Wichtig ist, dass die Menschen anfangen, sich auf die Gestaltung effektiver und effizienter Entscheidungsprozesse zu konzentrieren, und dass neue technologische Fortschritte entlang der Datenwertschöpfungskette (einschließlich KI/ML, Datenspeicherung, Data Lakes usw.) ein neues Maß an Professionalität bei der Gestaltung von Entscheidungsprozessen ermöglichen."

Die gute Nachricht ist, dass ein kleines bisschen viel ausmacht. In den meisten Unternehmen werden wichtige Entscheidungen immer noch mit Verfahren und "Technologie" aus dem 20. Jahrhundert getroffen. Die meisten Menschen sehen effektive und effiziente Entscheidungsfindungsprozesse nicht als entscheidend an, um Entscheidungen zu treffen. Sie sehen "eine Entscheidung" nicht als etwas, das sie gemeinsam erstellen, erweitern, auf "Fehler" überprüfen, wiederverwenden und im Laufe der Zeit verbessern können.

In der Tat ist eine Entscheidung ein bisschen wie ein Raumschiff: Es ist etwas, das du zusammen mit anderen Experten aus verschiedenen Bereichen deiner Organisation erschaffst und dabei fortschrittliche Technologien einsetzt, um hochgesteckte Ziele zu erreichen. Schon dieser einfache mentale Wandel hin zu der Erkenntnis, dass Entscheidungen wie andere Dinge sind, die wir bauen und erweitern können, kann ein wichtiger Schritt sein, um komplexe Probleme zu lösen.

Brauchst du Decision Intelligence?

Vielleicht hast du eine oder mehrere dieser Fragen in deinem Unternehmen schon gehört:

"Ich finde, dass die Entscheidungen unserer Organisation stärker auf Fakten basieren sollten. Wie kann ich das am besten erreichen?"

"Ich habe gehört, dass Daten und KI Unternehmen verändern, und ich möchte den Anschluss nicht verpassen. Aber wo soll ich anfangen?"

"Ich habe das Gefühl, dass wir es besser machen könnten, wenn Entscheidungsteams zusammenkommen, um strategische Entscheidungen zu treffen, die uns für viele Monate oder Jahre beeinflussen. Wie können wir Annahmen, Ungewissheit und Risiken effektiv handhaben?"

"Wir verfolgen bestimmte Key Performance Indicators (KPIs) in unserem Unternehmen, und das ist ein guter Anfang, aber es bleibt eine offene Frage: Kann uns die Technologie nicht dabei helfen zu entscheiden, was zu tun ist, wenn die KPIs zeigen, dass wir in Schwierigkeiten sind?"

Wenn ja, dann brauchst du DI. (Wir werden in Kapitel 2 mehr dazu sagen, wie du deine Entscheidung auf ihre Eignung für DI überprüfen kannst).

Was DI für dich und deine Organisation leistet

In vielerlei Hinsicht ist DI wie andere neue Disziplinen, die unsere Zusammenarbeit verändert haben, wie Projektmanagement, Business Process Reengineering oder Data Governance. Wir wissen, dass du wahrscheinlich mit den neuen Technologien und Methoden überfordert bist, und wir wollen dir das Leben nicht noch schwerer machen! Wir bitten dich jedoch, dich mit uns auf eine Reise zu begeben - und auf eine Lernkurve.

Wenn du schon eine Weile in einer mittelgroßen oder großen Organisation arbeitest, hast du vielleicht schon angefangen, darüber nachzudenken, wie man Organisationen auf Systemebene reparieren kann, anstatt noch eine weitere technische Wunderwaffe hinzuzufügen. DI ist diese systemische Lösung: keine weitere hochgejubelte Methode, sondern eine solide Disziplin, die auf mehr als einem Jahrhundert an Managementinnovationen aufbaut, anstatt sie zu ersetzen.

Der größte Teil dieses Buches führt dich durch die neun DI-Prozesse, die wir im Vorwort kurz erwähnt haben. Keine Angst: Sie sind nicht schwer! Du kannst sie Schritt für Schritt erlernen und am Ende des Buches wirst du über eine der mächtigsten Disziplinen des 21.

Bevor wir uns mit den Prozessen befassen, wird in diesem Kapitel jedoch erst einmal ein wenig Kontext geschaffen. Wir geben dir einen einfachen Einstieg in DI, beschreiben, wie du deine Organisation motivieren kannst, DI zu nutzen, und geben dir einen kurzen Einblick in die Geschichte und den aktuellen Stand der Disziplin. Es ist kein Problem, wenn du dieses Kapitel überspringst und direkt zu Kapitel 2 übergehst, wo du die Ärmel hochkrempeln und loslegen kannst.

Von Daten zu Entscheidungen

Wahrscheinlich bist du in deiner Karriere schon einmal auf eine "datengesteuerte" oder digitale Transformationsinitiative gestoßen. Zumindest hat sich dein Unternehmen wahrscheinlich gefragt: "Was können wir mit all diesen Daten machen? Können sie uns helfen, unsere Ziele zu erreichen?" Die meisten Unternehmen wissen nicht genau, wie Daten in die Entscheidungsfindung einfließen. Oft stellen Datenanalysten Vermutungen über die Entscheidungen an, die sie unterstützen sollen, ohne ein klares Verständnis zu haben. Sie wenden ausgefeilte mathematische und KI-Techniken an, um Erkenntnisse zu gewinnen und Muster und Trends zu finden, stellen Diagramme und Grafiken bereit, die sie für hilfreich halten, und werfen das Ganze dann für Nicht-Techniker/innen "über die Klinge".

Stell dir vor, du sitzt in einem Restaurant und dein Kellner bringt eine Schüssel Wasser, eine Tasse Mehl und eine Schüssel mit Gewürzen. So geht es vielen Nicht-Technologen, wenn ihre Datenteams ihnen Diagramme und Grafiken zeigen: Diese Informationen sind einfach nicht in eine "verdauliche" Form "gekocht". Daten, Erkenntnisse, ja sogar Informationen: Das ist wie mit diesen Zutaten. Damit die Informationen "gut schmecken", müssen sie zeigen, wie deine Handlungen zu den gewünschten Ergebnissen führen. Denn so denken nicht-technische Menschen.

Deshalb liegt der Schwerpunkt von DI darauf, die Daten zu finden, die den Entscheidungsträgern helfen, Handlungen mit Ergebnissen zu verbinden: Das bedeutet, dass die Daten "gut gekocht" sind, denn das Denken in Handlungen und Ergebnissen ist der "natürliche" Denkprozess, den Entscheidungsträger anwenden.

In den meisten Unternehmen gibt es drei spezifische Lücken zwischen Daten und Entscheidungen.

Erstens haben wir festgestellt, dass viele Analysten und Nicht-Technologen Schwierigkeiten haben, ein gemeinsames Verständnis darüber zu entwickeln, wie die Daten genutzt werden sollen. Was wollt ihr erreichen: Umsatz, Gewinn, Kundenbindung, Gesundheit der Bevölkerung? Welche Maßnahmen stehen dir zur Verfügung, um dein(e) Ziel(e) zu erreichen? Was kannst du messen, um den Weg von den Maßnahmen zu den Ergebnissen zu verstehen?

Zweitens ist es oft schwer zu wissen, wo man mit einer neuen Entscheidungsinitiative beginnen soll. Der Entscheidungskontext, die verfügbaren Maßnahmen und die erforderlichen Ergebnisse liegen in den Händen des Entscheidungsträgers, der oft keine technische Person ist. Die Daten und Modelle, die der Entscheidung zugrunde liegen, liegen in den Händen der Analysten. Wie können Nicht-Techniker den Analysten den Entscheidungskontext effektiv vermitteln, damit die Analysten Daten bereitstellen können, die die Aktionen mit den Ergebnissen verbinden?

Drittens: Selbst wenn du genaue Daten hast, kann es schwierig sein, sie richtig zu nutzen. Um eine solide, evidenzbasierte Entscheidung zu treffen, musst du wissen, wie deine gewünschten Ergebnisse von den Maßnahmen, die du ergreifen kannst, und deinem externen Umfeld abhängen. Trotz der besten KI-Techniken beantworten deine Daten in der Regel nicht die Frage: "Wenn ich diese Maßnahmen ergreife, was werden die Ergebnisse sein?"

DI ist also die Disziplin, diese "rohen Zutaten" in die richtige Form zu bringen. Und dieses Buch ist dein Rezept.

Die Decke der Entscheidungskomplexität

Organisatorische Entscheidungsfindung hat eine Komplexitätsgrenze erreicht: Die Faktoren, die bei einer wichtigen Entscheidung ins Spiel kommen, sind so zahlreich und komplex, dass sie die Fähigkeit der menschlichen Entscheidungsträger übersteigen, die richtige Wahl zu treffen.1 Das Baugewerbe, die Softwarebranche, das Finanzwesen, die Fertigungsindustrie und viele andere Bereiche sind im Laufe ihrer Entwicklung an ähnliche Komplexitätsgrenzen gestoßen: Sie alle erreichten einen Punkt, an dem die Anzahl der Inputs, die Wechselwirkungen zwischen ihnen und die Zeiträume, in denen Ergebnisse erzielt werden mussten, die damaligen Techniken überforderten. Die DI-Unternehmerin Jazmine Cable-Whitehurst von CModel sagt: "Früher mussten wir vielleicht keine Entscheidungen für einen Laden an der Ecke treffen. Aber heute haben Unternehmen eine viel größere Reichweite und werden ihrerseits von globalen Faktoren wie Klimawandel, Vielfalt, Ethnie, planetarischen Grenzen und Politik beeinflusst: alles Dinge, die sie heute berücksichtigen müssen, an die sie vor 50 Jahren noch nicht denken mussten."

Eine Gartner-Umfrage aus dem Jahr 2021 ergab beispielsweise, dass 65 % der Unternehmensentscheidungen komplexer sind - und oft mehr Beteiligte oder Wahlmöglichkeiten beinhalten - als noch zwei Jahre zuvor. Und die Komplexität wird durch die Volatilität noch verschärft: Die Entscheidungsfindung kann mit dem sich schnell ändernden Kontext nicht Schritt halten. Diese Komplexität kann Folgendes beinhalten:

Länge und Komplexität der Kausalkette

Die Anzahl der Elemente , aus denen sich die Entscheidungen zusammensetzen, einschließlich der Wahl der Maßnahmen, der gewünschten Ergebnisse, der Abhängigkeiten zwischen den Elementen der Entscheidung, der peripheren (oft unbeabsichtigten) Folgen und der langen Ursache-Wirkungs-Ketten

Zeitliche Variation

Faktoren, die sich während des Entscheidungs- und Ausführungsprozesses ändern

Daten

Daten, die nur teilweise verfügbar, unsicher, falsch oder schwierig zu beschaffen, zu verwalten oder zu interpretieren sind

Menschliche Faktoren

Unterschiedliche Standpunkte der Entscheidungsträger, ihre Fähigkeiten und Erfahrungen sowie die Auswirkungen politischer und sozialer Beziehungen, um nur einige zu nennen

Du musst so viele Informationen, so viele Entscheidungen, so viele potenzielle Wechselwirkungen und so schwerwiegende potenzielle Konsequenzen für schlechte Entscheidungen berücksichtigen, dass es überwältigend sein kann. Aus diesem Grund gehen Unternehmen am Ende große, unnötige Risiken ein und begründen dies oft mit unzureichenden Argumenten.

In den letzten Jahren wurde die Komplexität vorschnell damit beantwortet, einfach mehr Daten zu sammeln, mehr Modelle zu erstellen, Statistiker einzustellen oder die IT-Abteilung zu bitten, eine Informationsarchitektur aufzubauen, die eine bessere gemeinsame Nutzung und Zusammenarbeit ermöglicht. Auch wenn diese Ansätze manchmal hilfreich sind, reichen sie in der Regel nicht aus. Sie erhöhen die Komplexität und die kognitive Überlastung und es fehlt die Integration von Menschen, Prozessen und Technologien. Das Ergebnis ist, dass in vielen Unternehmen Systeme, Daten und menschliche Akteure durch Kultur, Sprache, geografische Entfernung und Zeitverzögerungen voneinander getrennt sind.

Die Einsätze sind zu hoch und das Spiel ist zu schnell geworden, als dass sich Unternehmen auf Intuition und Glück verlassen könnten. Entscheidungsträger/innen brauchen ein System, das ihnen die besten Gewinnchancen bietet. DI ist eine Lösung für diese grundlegende Veränderung.

Glücklicherweise hat sich eine sehr effektive Lösung entwickelt. Disziplinen wie das Bauwesen, die Softwareentwicklung und die Systemtechnik haben die Komplexitätsgrenze überwunden, indem sie eine Methodik entwickelt und weithin übernommen haben, die:

  • Systematisiert die Aufgaben, die für einen erfolgreichen Abschluss erforderlich sind, und macht sie objektiv (wie beim Bau eines Hauses)

  • Legt Qualitätskontrollen für jede Gruppe von Aufgaben fest (z. B. die Inspektion eines Hauses vor dem Einzug)

  • Definiert eine gemeinsame formale Nomenklatur, die Unklarheiten beseitigt und den Austausch von Informationen und Wissen zwischen Gruppen mit sehr unterschiedlichen Fähigkeiten und Hintergründen erleichtert (wie eine Standardmethode, um das Bild einer Tür auf einem Bauplan zu zeichnen)

  • Wird durch Hilfsmittel (wie Blaupausen und computergestützte Konstruktionswerkzeuge) unterstützt

DI wendet diese bewährten Ansätze zur Entscheidungsfindung an.

Abbildung 1-1 zeigt ein einfaches CDD für eine Entscheidung: ob man normalen Kaffee oder vogelfreundlichen, fair gehandelten Kaffee kaufen soll. Wie du hier siehst, enthält die Entscheidung Handlungen, die über eine Kette von Ereignissen zu Ergebnissen führen. Diese Ereignisse werden durch Zwischenstufen definiert, also durch die Schritte in der Kausalkette von den Handlungen zu den Ergebnissen. Sie hängen auch von externen Faktoren ab, d. h. von Dingen, die du nicht beeinflussen kannst und die das Ergebnis beeinflussen.

Abbildung 1-1. Ein Überblick über DI aus der Sicht eines CDD, der den Entscheidungsprozess vom Handlungsprozess, DI-Flows von Prozessflüssen und technologische von nicht-technologischen Lösungen unterscheidet.

Es gibt einen Unterschied zwischen dem Prozess, in dem über eine Entscheidung nachgedacht wird (auf der linken Seite von Abbildung 1-1), und dem Prozess, in dem auf der Grundlage einer Entscheidung tatsächlich eine Handlung durchgeführt wird (auf der rechten Seite). Diese Abbildung zeigt auch den Unterschied zwischen einem Prozess, in dem eine Entscheidung getroffen wird (zum Laden fahren, Kaffee auswählen usw.), und der CDD, die zwar ebenfalls Kästchen und Pfeile verwendet, aber keinen Prozess darstellt. Die rechte Seite ist eine Abstraktion oder Darstellung der linken Seite. Die Unterscheidung ähnelt dem philosophischen Argument, dass "die Karte nicht das Gebiet ist".

Dieses Buch ist so aufgebaut, dass du mit der linken Seite von Abbildung 1-1 beginnst: Du entwirfst zuerst eine Entscheidung, ergreifst eine Maßnahme und nutzt dann das Entscheidungsmodell, um die Maßnahme im Laufe der Zeit zu verfolgen. Du könntest auch auf der rechten Seite beginnen, mit Zwischenergebnissen, die du bereits beobachtest: Im Kaffee-Beispiel hast du vielleicht verschiedene Maßnahmen zur Abholzung durch Kaffeeplantagen. Dann kannst du diese Maßnahmen in eine CDD einbauen, die sich auf die Ergebnisse und Frühindikatoren konzentriert und im Laufe der Zeit auf die Aktionen zurückgreift. Am Ende des Buches wird das alles mehr Sinn ergeben.

Der Ansatz der DI zur evidenzbasierten Entscheidungsfindung beginnt mit der Entscheidung, nicht mit den Beweisen. Zuerst musst du deine Entscheidung verstehen: die Ergebnisse, die du erreichen willst, die Maßnahmen, die du ergreifen kannst, die externen Faktoren, die die Ergebnisse beeinflussen können, und die Kausalketten von den Maßnahmen zu den Ergebnissen. Dann kannst du Beweise finden: die Daten, Modelle und das menschliche Fachwissen, die Informationen über die Kästchen und Pfeile auf dem CDD liefern.

Ein Vorteil des entscheidungsorientierten Ansatzes ist, dass du jetzt alle Informationen, die für deine Entscheidung nicht relevant sind, beiseite legen kannst. Das ist ein großer Vorteil, denn um die anstehende Entscheidung zu treffen, musst du keine Daten bereinigen, überprüfen oder bewerten , die keinen Einfluss auf deine Ergebnisse haben.

Dein CDD ist ein Instrument, mit dem du verschiedene Nachweise integrieren kannst, um zu verstehen, wie deine Handlungen zu den gewünschten Ergebnissen führen. Diese Integration ist ein wesentlicher Vorteil der DI. Durch die Hinzufügung von Beweisen wird ein Entscheidungsmodell zu einem mächtigen Werkzeug, mit dem du deine Entscheidung überdenken oder simulieren kannst. Manchmal reicht es schon aus, ein paar Beispiele manuell durchzugehen, um wichtige Muster zu erkennen oder die effektivsten Maßnahmen herauszufinden. Und wenn viele Dollars oder Menschenleben auf dem Spiel stehen und du und deine Stakeholder Schwierigkeiten haben, die Entscheidung zu verstehen, kann es sich lohnen, tiefgreifende Softwaresimulationen und leistungsstarke Visualisierungen zu entwickeln, um das richtige Gleichgewicht zwischen Risiken und Chancen zu finden. (Weitere Informationen findest du in Kapitel 5.)

Was ist DI?

Im Vorwort haben wir skizziert, wie man eine Entscheidung gestaltet, die Elemente der DI zusammengefasst und dir eine kurze Einführung in die neun DI-Prozesse gegeben. Wir erzählen dir hier ein bisschen mehr, um den Rahmen für die restlichen Kapitel abzustecken, aber wir gehen davon aus, dass du noch Fragen haben wirst. Dein Verständnis dafür, was DI ist und wie man sie anwendet, wird sich mit jedem Kapitel vertiefen.

DI ist eine Methodik und Reihe von Prozessen und Technologien, um bessere, evidenzbasierte Entscheidungen zu treffen, indem Entscheidungsträgern geholfen wird, zu verstehen, wie sich ihre heutigen Handlungen auf die gewünschten Ergebnisse in der Zukunft auswirken können.

Das Schlüsselkonzept von DI ist die Idee, dass du Entscheidungen gestalten kannst (siehe Kapitel 3). Wichtig ist, dass eine Entscheidung, so wie wir sie hier behandeln, ein Denkprozess über eine Handlung ist, der, wenn er einmal getroffen wurde, ohne weiteres Zutun zu bestimmten Ergebnissen führt. (Im Gegensatz dazu hast du bei einem Prozessablauf - falls dir das bekannt vorkommt - die Kontrolle über jeden Schritt).

So wie Unternehmen Autos, Gebäude und Flugzeuge entwerfen, bevor sie sie mithilfe von Zeichnungen und Werkzeugen bauen, kann man auch Entscheidungen entwerfen. Ähnlich wie eine Blaupause hilft ein Entscheidungsdesign dabei, alle an der Entscheidung Beteiligten - einschließlich der Stakeholder - auf die Gründe für die Entscheidung einzustimmen. Wenn du das Entwerfen von Entscheidungen als ein Designproblem betrachtest, kannst du auch viele bewährte Methoden anwenden, z. B. Ideenfindung, Dokumentation, Rendering, Verfeinerung, Qualitätssicherung (QA) und Design Thinking. All das wirst du in einem CDD dokumentieren, wie wir es im Vorwort vorgestellt haben.

Das mag nach viel klingen, aber ein wichtiger Aspekt von DI ist, dass es einfach zu machen ist, zumindest die ersten Prozesse.

DI beginnt und endet mit der Gruppe oder Person, die die Entscheidung trifft. DI verlangt nicht, dass du auf eine neue Art und Weise über Entscheidungen nachdenkst, sondern verlangt lediglich, dass du die Art und Weise dokumentierst, wie du heute über Entscheidungen denkst. Du wirst feststellen, dass das Zeichnen des CDD-Bildes einer Entscheidung - wie wir es dir beibringen werden - schon sehr viel bringt.

Baue deine erste CDD, jetzt gleich!

Dies ist ein langes Buch und wir hoffen, dass es für dich eine angenehme Lektüre ist. Aber wenn du ungeduldig bist und sofort mit DI anfangen willst, kannst du dich auf den hier gezeigten vereinfachten DI-Prozess konzentrieren. Dieser Prozess dient dazu, eine CDD zu erstellen, wie sie im Vorwort beschrieben ist. In den folgenden Kapiteln werden wir ihn noch viel detaillierter ausführen und viele weitere Beispiele geben. Aber wir wollen ehrlich sein - wenn du nur diesen einen Prozess liest und umsetzt, bist du auf dem besten Weg zu besseren Entscheidungen in deinem Unternehmen. (Wir waren auch überrascht, als wir damit anfingen.)

Arbeite allein, wenn du der alleinige Entscheidungsträger bist, oder stelle ein Entscheidungsteam zusammen - idealerweise ein bunt gemischtes Team, dem Experten, Interessenvertreter und die Person angehören, die für das Ergebnis der Entscheidung verantwortlich sein wird. Dann befolge diese Schritte:

  1. Moderiere ein Brainstorming, um Ziele/Ergebnisse für eine Entscheidung aufzuschreiben (wie z.B. "ein neues Produkt auf den Markt bringen, das innerhalb von zwei Jahren profitabel ist"). (Siehe Kapitel 3.)

  2. Wähle etwa drei Ergebnisse für den ersten Schwerpunkt aus. (Bei Bedarf kannst du in Schritt 8 weitere hinzufügen.) (Weitere Informationen zu den Schritten 2 bis 8 findest du in Kapitel 3 ).

  3. Besprich diese Ergebnisse und stelle sicher, dass das Team ihnen zustimmt und dass sie präzise genug sind, um sie zu messen.

  4. Überlege dir Aktionen, die zu diesen Ergebnissen führen könnten (wie z.B. "einen Videokurs starten").

  5. Wähle etwa drei dieser Aktionen für den ersten Fokus aus. (Auch hier kannst du in Schritt 8 weitere hinzufügen.)

  6. Besprecht die Ereignisketten, die von Aktionen zu Ergebnissen führen können. Zeichne sie in Form von Kästchen und Pfeilen von links nach rechts auf einem Whiteboard auf. (Das sieht zwar aus wie ein Flussdiagramm, ein Datenfluss oder ein Prozessdiagramm, aber die Kästchen und Pfeile bedeuten etwas ganz anderes. Wir erklären das in Kapitel 3.)

  7. Überprüfe das Diagramm, um sicherzustellen, dass es allen gefällt.

  8. Füge weitere Aktionen und Ergebnisse zu den ursprünglichen drei Gruppen hinzu, eine nach der anderen, wie du es für richtig hältst. Hör auf, wenn du denkst, dass das Diagramm komplex genug ist, um nützlich, aber nicht überwältigend zu sein.

  9. Bereinige das Diagramm und veröffentliche es innerhalb deiner Organisation zur Überprüfung. (Vielleicht hängst du es einfach an die Wand. Du kannst uns sogar ein Bild schicken, wenn das erlaubt ist - wir würden gerne sehen, was du dir ausgedacht hast!) Ziehe in Erwägung, auch einen erklärenden Text zu verfassen.

  10. Verwende das Diagramm, um Entscheidungsgespräche zu unterstützen.

  11. Schicke das Diagramm an dein Analyseteam und frage es, wie es Daten, ML-Modelle oder andere Technologien bereitstellen kann, um dein Verständnis dafür zu verbessern, wie die skizzierten Aktionen zu den gewünschten Ergebnissen führen (siehe Kapitel 4).

  12. Überprüfe das Diagramm von Zeit zu Zeit, um es zu erweitern, zu aktualisieren und an veränderte Umstände anzupassen.

Du wärst überrascht, wie viele Entscheidungen getroffen werden, ohne überhaupt zu Schritt 4 zu kommen. Allein die Ausrichtung auf die Ergebnisse, die du dir von deinen Entscheidungen wünschst, hat eine enorme Wirkung (denn - seien wir ehrlich - du triffst jeden Tag Tausende von Entscheidungen, von denen die meisten nie modelliert werden, und ein Bild wie dieses kann allen helfen, sich besser auszurichten).

Der zuvor beschriebene Prozess ist eine Brücke zur Behandlung von Entscheidungen als gestaltete Artefakte. Sobald du Entscheidungen auf diese Weise dokumentierst, kannst du sie überprüfen, verbessern und wiederverwenden und sie als Gerüst für die Integration von Daten, menschlichem Wissen, bereits vorhandenen Werkzeugen und vielem mehr betrachten. Dieser Prozess ist der Ausgangspunkt für die Vorteile, die du mit einem tieferen Verständnis von DI erzielen kannst, z. B. die Fähigkeit, bessere evidenzbasierte Entscheidungen zu treffen, deinen Datenstapel und die KI besser zu nutzen und zu verstehen, wie sich Handlungen in einem Silo deines Unternehmens auf andere Silos auswirken. Wenn du praktische Schritte suchst, um diese mächtige neue Disziplin optimal zu nutzen, dann ist dieses Handbuch genau das Richtige für dich.

Bei DI geht es darum, Entscheidungen zu treffen, die zum Ziel führen

Wenn du mit Systemen zu tun hast, bei denen Entscheidungen getroffen werden müssen, vor allem, wenn es sich um technische Systeme handelt, dann bist du vielleicht etwas verwirrt, was wir mit dem Wort Entscheidung meinen. Das ist nicht verwunderlich, denn dieses Wort hat viele verschiedene Bedeutungen, von denen einige für nicht-technische Leser/innen unbekannt sein könnten. Wenn das so ist, mach dir keine Gedanken darüber. Sie liegen außerhalb des Rahmens dieses Buches. Für alle anderen ist es wichtig, sich klar zu machen, was wir mit "Entscheidung" in der DI meinen. Betrachte die in Abbildung 1-2 dargestellten Entscheidungstypen und fasse sie wie folgt zusammen:

Klassifizierungsentscheidungen

Wir nennen das manchmal "Entscheidungen, die": zum Beispiel die Entscheidung, dass ein bestimmtes Bild eine Katze zeigt.

Regressionsentscheidungen (Vorhersagen)

Eine weitere "Entscheidung, die": zum Beispiel, dass es morgen eine 20%ige Chance auf Regen gibt .

Entscheidungen zwischen Aktion und Ergebnis

Entscheidungen, eine oder mehrere Maßnahmen zu ergreifen, um ein oder mehrere Ergebnisse zu erzielen.2 Dabei handelt es sich um unwiderrufliche Ressourcenzuweisungen, wie Dr. Cassie Kozyrkov, Chief Decision Scientist bei Google, beschreibt.

Abbildung 1-2. Verschiedene Bedeutungen des Wortes Entscheidung.

Dieses Buch befasst sich hauptsächlich mit der dritten Kategorie: Entscheidungen über Handlungen, die zu Ergebnissen führen. In der Geschichte von Daten, Statistik und KI haben die ersten beiden Kategorien - Klassifizierungs- und Regressionsentscheidungen - den Löwenanteil der Aufmerksamkeit erhalten, während Entscheidungen über Handlungen, die zu Ergebnissen führen, zu kurz gekommen sind, obwohl sie für das menschliche Denken von zentraler Bedeutung sind. DI füllt diese Lücke.

Hier sind einige Beispiele, die zu diesem Muster passen:

  • Eine Lehrkraft, die entscheidet, ob sie einen Kurs online oder persönlich anbieten will

  • Ein Arbeitnehmer, der entscheidet, ob er zu einer Konferenz reist oder virtuell teilnimmt

  • Ein Gebäudemanager entscheidet, wie und wann er ein Bürogebäude nach einer Pandemie wieder öffnen kann.

  • Ein Bürger entscheidet, an welche Wohltätigkeitsorganisation er wann und wie viel spenden soll

  • Eine Personalabteilung, die über die Details einer Einstellungspolitik für Vielfalt entscheidet

  • Ein Landwirt entscheidet sich für die beste Schädlingsbekämpfungsoption für seine Pflanzen

  • Ein Gesetzgeber entscheidet, welche Elemente in einen Gesetzesentwurf aufgenommen werden sollen, der allen Bürgerinnen und Bürgern einen gleichberechtigten Zugang zum Breitbandnetz ermöglicht.

  • Ein Arzt vergleicht mögliche Behandlungen für einen Patienten

All diesen Beispielen ist gemeinsam, dass jemand ein oder mehrere Ergebnisse erreichen will oder dafür verantwortlich ist und die Befugnis hat, eine von mehreren Maßnahmen zu ergreifen, um diese Ergebnisse zu erreichen. Der Entscheidungsträger möchte wissen, welche Maßnahme(n) zum gewünschten Ergebnis führen.

Die besten Entscheidungen, die mit DI angegangen werden können, sind die, auf die mindestens eine der folgenden Aussagen zutrifft:

  • Jemandem in deinem Unternehmen liegt die Entscheidung am Herzen.

  • Die Entscheidung hat einen so großen Einfluss auf dich oder jemand anderen, dass du glaubst, dass sie eine sorgfältige Überlegung verdient.

  • Du denkst, dass die Entscheidung auf eine bessere Weise getroffen werden könnte.

  • Du denkst, dass einige Daten helfen könnten, die Entscheidung zu verbessern.

Beachte, dass du nicht viel Wissen über die Entscheidung haben musst. In der Tat arbeiten Organisationen manchmal "im Dunkeln" und treffen Entscheidungen über völlig neue Umstände. In solchen Situationen kann DI helfen, die besten Köpfe und Technologien in neuartigen Situationen zusammenzubringen. Andererseits ist DI nicht nur für große, einmalige strategische Entscheidungen geeignet. DI ist auch für taktische Entscheidungen von Nutzen, die oft in verschiedenen Phasen der Geschäftsprozesse eines Unternehmens getroffen werden.

Bei DI geht es um "Human-in-the-Loop"-Entscheidungen

Eine weitere Dimension, die wir verwenden, um Entscheidungen zu klassifizieren , ist der Grad, in dem sie von Menschen, KI oder beidem getroffen werden: also automatisierte, hybride oder manuelle Entscheidungen.

Die in diesem Buch beschriebene DI-Methode bezieht sich auf Entscheidungen, die von Menschen getroffen werden (in der Regel mit Unterstützung von Technologie), um eine oder mehrere Handlungen durchzuführen, um ein oder mehrere Ergebnisse zu erzielen. Vollautomatische Entscheidungen, wie z. B. die Produktempfehlung von Amazon, sind nicht Gegenstand dieser Methodik - obwohl sich herausgestellt hat, dass DI auch für sie sehr nützlich ist! Einfach ausgedrückt: DI hilft Unternehmen, bessere Entscheidungen zu treffen, indem sie das Beste aus menschlichem Fachwissen mit allen Arten von Technologie kombiniert.

Die KI-Welt schenkt Entscheidungen, bei denen ein Mensch beteiligt ist, nicht immer viel Aufmerksamkeit: eine Person, die eine Ressource - vielleicht Datentabellen und Grafiken - zu Rate zieht, bevor sie eine Entscheidung trifft. Wir glauben, dass das daran liegt, dass viele der großen KI-"Erfolge" in den letzten Jahren in voll automatisierten Anwendungsfällen erzielt wurden, z. B. bei Facebook- und Google-Anzeigen. Dies ist eine weitere Lücke, die DI füllt. DI fällt in die Kategorie der hybriden - oder auch erweiterten - Entscheidungsfindungsmethoden, die sowohl Menschen als auch KI einbeziehen und die laut McKinsey einen der am schnellsten wachsenden Technologiemärkte darstellen.3

Du kannst automatisierte, hybride oder manuelle Entscheidungen in jeder der drei Entscheidungskategorien treffen: Klassifizierung, Regression oder Action-to-Outcome. Dieses Buch und unsere Arbeit konzentrieren sich auf hybride Action-to-Outcome-Entscheidungen. Weil andere Methoden sie nicht abdecken, werden wir immer wieder gebeten, hybride Entscheidungen zu behandeln.

KI-Modelle können wertvolle Einzelentscheidungen treffen, z. B. welche Cross-Sell-Artikel vorgeschlagen oder welche Anzeigen geschaltet werden sollen. Mit DI kannst du mehrere KI-Modelle zusammen verwenden, um eine Entscheidung zu treffen, und KI und andere Technologien mit menschlicher Expertise und menschlichem Urteilsvermögen in deine Entscheidungsfindung integrieren. Wenn du Action-to-Outcome-Entscheidungen mit Human-in-the-Loop-Entscheidungen kombinierst, erhältst du eine Reihe dringend benötigter Fähigkeiten, die im Vergleich zu herkömmlichen KI- und Analysemethoden neu sind. Wir hoffen, dass dich das motiviert, dieses Buch weiter zu lesen und KI in deine Arbeit einzubeziehen.

Der Kern von DI ist die Idee, dass du diese Entscheidungen so entwerfen kannst, wie Ingenieure Autos, Gebäude und Flugzeuge entwerfen, bevor sie sie mit Zeichnungen oder Werkzeugen bauen. So wie ein Bauplan vielen Beteiligten hilft, einen Wolkenkratzer zu bauen, hilft der Entwurf einer Entscheidung dabei, alle Beteiligten - einschließlich der Stakeholder - auf das Grundprinzip auszurichten. Und wenn du Entscheidungen als Designproblem behandelst, kannst du auch bewährte Methoden aus dem Designbereich anwenden, z. B. Ideenfindung, Dokumentation, Rendering, Verfeinerung, Qualitätssicherung und Design Thinking. Unter der Haube geht es bei DI um die Integration und Verbindung menschlicher Entscheidungsträger mit Daten, KI, der Modellierung komplexer Systeme, menschlichem Verhalten und vielen anderen Disziplinen. Einfach ausgedrückt: DI hilft Unternehmen, bessere Entscheidungen zu treffen, indem es das Beste aus menschlichem Fachwissen mit allen möglichen Technologien kombiniert.

Warum datengetriebene Entscheidungsträger DI brauchen

Viele Entscheidungsträger/innen wünschen sich, dass über die Verbesserung manueller Entscheidungsmethoden hinausgeht und lernt, Daten und Technologien effektiver zu nutzen. Man könnte sogar argumentieren, dass eine moderne Führungskraft nicht auf der Höhe der Zeit ist, wenn sie sich bei wichtigen Entscheidungen nur auf ihr "Bauchgefühl" verlässt. Deshalb streben so viele Organisationen danach, "datengesteuert" und "evidenzbasiert" zu sein.

Immer wieder erleben wir, dass technische Analysten ein Meeting zu einem neuen Projekt mit den Worten eröffnen: "Hier sind die Daten und KI-Modelle, die wir für Sie haben." Dieser Ansatz ist rückwärtsgewandt: Wie können die Analysten die richtigen Informationen liefern, bevor sie wissen, was ihr "Kunde" (außerhalb der Analyseabteilung) braucht? Leider können sie meist nur raten, wie die Entscheidungsträger ihre Daten und Informationen nutzen werden. Sie reden darüber, welche Daten und Diagramme "interessant" sind und wo die besten "Einsichten" zu finden sind, ohne wirklich zu verstehen, wie sich das alles in Handlungen und Geschäftsergebnissen niederschlägt. Ohne die Ursache-Wirkungs-Ketten zu verstehen, die Handlungen und Ergebnisse miteinander verbinden, und ohne zu wissen, welche Daten diesen Ketten zugrunde liegen, werden Technologen in der Regel mehr Daten sammeln und verarbeiten, als du tatsächlich brauchst, wie wir am Anfang dieses Kapitels beschrieben haben. Die Aufbereitung von Daten, die nicht nützlich sind, dauert wahrscheinlich zu lange und ist mit viel unnötiger Arbeit verbunden.

Es gibt einen besseren Weg, und der beginnt damit, das Gespräch in die richtige Richtung zu lenken. Stell dir eine ähnliche Situation vor. Wenn eine IT-Abteilung eine Software entwickeln muss, die ein Problem löst, bekommt sie als erstes eine Liste mit den Kundenanforderungen. Die Interaktion zwischen den Data Science- und Analytics-Teams und ihren Kunden sollte auf die gleiche Weise beginnen. Der Analytik-Kunde sollte in der Lage sein, in einer Sprache, die sowohl technische als auch nicht-technische Menschen verstehen, zu sagen: "Das musst du für mich tun".

Warum gibt es also einen solchen Unterschied zwischen Datenprojekten, bei denen der Schwanz mit dem Hund wedelt, und Softwareprojekten, bei denen die Ergebnisse von denjenigen festgelegt werden, die die Probleme haben, die die Software lösen soll?

Der Grund dafür ist, dass die Softwareentwicklung seit Jahren, wenn nicht Jahrzehnten, erkannt hat, dass Software nur dann erfolgreich ist, wenn sie die Bedürfnisse der Endnutzer erfüllt. Die Disziplin hat daher formelle und informelle Methoden entwickelt, um die Anforderungen der Nutzerinnen und Nutzer zu ermitteln, und zwar so, dass sie auch für Nichttechnikerinnen und -techniker verständlich sind und Softwareentwicklerinnen und -entwickler sie nutzen können, um Systeme zu entwickeln, die die Bedürfnisse der Nutzerinnen und Nutzer erfüllen. Dies ist die erste Phase eines jeden Softwareentwicklungsprojekts.

Entscheidungsträger brauchen "Anforderungs"-Werkzeuge, um von ähnlichen Vorteilen zu profitieren. DI beginnt, diese Art von Reife auch in die Welt der Entscheidungsfindung zu bringen. Aber Softwareanforderungen allein reichen nicht aus, denn Entscheidungen sind etwas ganz anderes als Softwareanwendungen. In Kapitel 3 zeigen wir dir, wie du eine Entscheidung so gestaltest, dass du sehen kannst, welche Daten du brauchst. In Kapitel 4 zeigen wir dir dann, wie du die Daten mit deiner geplanten Entscheidung verknüpfst.

Erik Balodis, Direktor für Analytik und Entscheidungsunterstützung bei der Bank of Canada, erläutert in einem Medium-Artikel, warum DI benötigt wird, und weist darauf hin, dass "die Erkenntnis, in Daten zu investieren, um 'bessere Entscheidungen zu treffen', zu vage ist". Außerdem beschreibt er ein Muster, das er in Unternehmen beobachtet hat:

den Wunsch, die Entscheidungskultur zu verbessern und die Risiken unstrukturierter oder ad hoc getroffener Entscheidungen, die hauptsächlich auf Heuristiken beruhen, zu mindern; den Wunsch, Decision Intelligence (DI) als vereinheitlichende Disziplin zu sehen, die dringend benötigte Einflüsse aus einer Vielzahl von Sozialwissenschaften, quantitativen Methoden und Geschäftskonzepten zusammenführt.

Balodis nennt auch "eine Reihe sehr geschäftlich klingender Gründe", darunter "die Optimierung von Daten- und Analyse-Investitionen, die optimierte Gestaltung und Wiederverwendung von Daten-, Analyse- und Entscheidungsprodukten und -Artefakten sowie die Fokussierung auf entscheidungsunterstützende Aktivitäten, um die Geschäftsstrategie und -kontrolle zu unterstützen".

DI bietet eine praktische Methodik, die zwei Probleme angeht, die bei der datengestützten Entscheidungsfindung weit verbreitet sind.

Problem 1: Wie können du und dein Data-Science-Team die Daten identifizieren, die du für deine Entscheidungen brauchst?

Du musst wissen, wie die Ergebnisse, die du erreichen willst, von den Maßnahmen abhängen, die du ergreifen kannst. Aber selten sind Daten verfügbar, die einen direkten Zusammenhang zwischen Maßnahmen und Ergebnissen herstellen. Du kannst diesen Zusammenhang zwar oft anhand von Daten feststellen, aber wie kannst du wissen, welche Daten du verwenden sollst und wie sie sich auf die Entscheidung auswirken, die du treffen musst?

DI gibt dir eine systematische Methode an die Hand, mit der du aus einer Entscheidungserklärung Anforderungen und Spezifikationen für die Data Science und die analytische Arbeit ableiten kannst, die zur Unterstützung deiner Entscheidung erforderlich sind. Das Herzstück der DI ist die Entscheidungsmodellierung, d.h. die Erstellung eines CDD (oder "Entscheidungsentwurfs") und das Hinzufügen vorhandener Daten und Modelle zu diesem. (Siehe Kapitel 3 und 4 für weitere Details).

Problem 2: Wie kannst du deine bereits vorhandenen technologischen und personellen Investitionen nutzen, um Maßnahmen zu finden, die zu den von dir gewünschten Ergebnissen führen?

Entscheidungen über Maßnahmen und Ergebnisse basieren auf dieser Frage: "Wie sieht das Ergebnis aus, wenn wir diesen Weg einschlagen?" In der Vergangenheit gab es eine Reihe von Techniken, um diese Frage zu beantworten, darunter die lineare Programmierung und das Operations Research. DI fügt dem Werkzeugkasten ein neues Werkzeug hinzu, die Simulation: der Prozess, bei dem du dein Gehirn oder einen Computer benutzt, um zu sehen, wie sich verschiedene Aktionen auf das Ergebnis auswirken. (Auf die Simulation gehen wir in Kapitel 5 näher ein.)

Woher die DI kommt

Im Gegensatz zu KI und Data Science wurde DI in der kommerziellen Welt geboren und verfolgt einen problemorientierten und nicht lösungsorientierten Ansatz, um die Kluft zwischen Interessengruppen und Technologie zu überbrücken. DI beginnt und endet mit dem Kunden, der die Entscheidung trifft, mit der Definition des Problems oder der Ziele und endet mit der Lösung, die "unter der Haube" sehr ausgeklügelt sein kann (aber nicht sein muss).

Mark Zangari und L. Y. Pratt, ein Mitautor dieses Buches, erfanden DI im Jahr 2008 auf der Grundlage von Hunderten von Interviews mit Entscheidungsträgern. Ursprünglich nannten wir es "Decision Engineering", benannten es aber später in "Decision Intelligence" um, um deutlich zu machen, dass DI mehr als nur ein technisches Gebiet ist. Obwohl der Begriff " Decision Intelligence" bereits 1994 in der Literatur auftauchte, geht die DI-Methode in diesem Handbuch auf das Whitepaper von Pratt und Zangari aus dem Jahr 2008 zurück (Pratt und Zangari waren sich der früheren Bedeutung dieses Begriffs nicht bewusst und haben auch nicht darauf aufgebaut).

In unserer Studie von 2008 haben wir eine ehrgeizige Frage gestellt: "Wenn die Technologie ein Problem für dich lösen sollte, das sie heute nicht löst, welches wäre das?" Überraschenderweise hörten wir eine einheitliche Antwort: "Helfen Sie mir, bessere Entscheidungen zu treffen, indem Sie Daten und andere neue Technologien nutzen".

L. Y. Pratt's Link: How Decision Intelligence Connects Data, Actions, and Outcomes for a Better World war das erste Buch über DI. Es bietet eine Einführung in die bewährten Methoden von DI und beschreibt, wie DI-Projekte weltweit Hunderte von Millionen Dollar an Wert eingespart und generiert haben, aber auch nicht-finanzielle Vorteile. Du musst Link nicht unbedingt vor diesem Buch lesen, aber es könnte dir einen interessanten und weniger technischen Überblick über das Thema geben.

Link hat eine neue Welle des Interesses an DI ausgelöst, so dass die Gartner Group DI in ihre "Top Ten Trends"-Berichte für 2020, 2021 und 2022 aufgenommen hat. Wir haben jedoch festgestellt, dass Link einen praktischen Leitfaden als Begleitband braucht. Dieses Handbuch ist dieser Leitfaden. Es basiert lose auf einem Quellenbuch, das wir in Zusammenarbeit mit einer G20-Zentralbank geschrieben haben, als wir DI in dieser Organisation einführten.

Eine weitere wichtige DI-Vordenkerin ist Dr. Cassie Kozyrkov, Google Cloud's Chief Decision Scientist, die schreibt, dass DI "eine wichtige Wissenschaft für das KI-Zeitalter ist, die die Fähigkeiten umfasst, die benötigt werden, um KI-Projekte verantwortungsvoll zu leiten und Ziele, Metriken und Sicherheitsnetze für die Automatisierung im großen Maßstab zu entwerfen." Kozyrkov definiert DI als eine Mischung aus Verhaltensökonomie und -psychologie, Datenwissenschaft, Statistik und Entscheidungswissenschaft. Wir stimmen mit diesem multidisziplinären Ansatz überein: Kozyrkovs Definition von DI als "einheitliches Feld" schließt statistische Strenge ebenso ein wie "harte" und "weiche" Entscheidungsfaktoren.

DI ist nicht die einzige Disziplin, die dazu dient, bessere Entscheidungen zu treffen. Andere Disziplinen sind Business Intelligence, Entscheidungsunterstützung, Wissensmanagement, Balanced Scorecards, KPIs, Datenvisualisierung, Data Science, Geschäftsprozessmodellierung4 und Entscheidungsanalyse.5 Viele Unternehmen haben festgestellt, dass diese Praktiken sehr hilfreich sein können, aber für die Entscheidungsfindung in komplexen Situationen gehen sie nicht weit genug. Und DI baut auf ihnen auf, ersetzt sie aber nicht.

Eine Analogie verdeutlicht am besten, was hier passiert. Die Welt hatte eine effektive Flugzeugtechnologie, lange bevor es Flugsimulatoren gab. Um das Fliegen zu lernen, musstest du einem Piloten in echt zuschauen und dann selbst das Steuer übernehmen. Das war gefährlich! Es ist viel besser - und viel sicherer für Piloten und Passagiere - wenn Flugschülerinnen und -schüler viele Male in Flugsimulatoren anspruchsvolle Szenarien durchspielen, bevor sie das Steuer eines echten Flugzeugs übernehmen.

DI ist genau das: Es führt eine "Simulationsumgebung" für die Entscheidungsfindung ein. Sie kombiniert andere Technologien, um die Erfahrung und die Sicherheit beim "Fliegen" von organisatorischen Entscheidungen grundlegend zu verändern. Du kannst Dinge ausprobieren und in der Simulation "abstürzen", anstatt in der Realität, was viel kostengünstiger ist. Dieser Ansatz integriert effektive, bereits vorhandene Daten und KI-Technologien und macht ihre Nutzung für menschliche Entscheidungsträger einfacher und natürlicher. Auf diese Weise hilft er, komplexe, bisher unlösbare Probleme zu lösen.

Schließlich ist DI ein Ansatz für das, was manche als neurosymbolisches Rechnen bezeichnen, das die historische symbolische (Wörter und Logik) Welt der KI mit moderneren datenzentrierten Ansätzen verbindet. Diejenigen von uns, die schon ein paar Mal in der KI-Welt unterwegs waren, sind weder mit dem einen noch mit dem anderen dieser Ansätze verheiratet, sondern sehen DI als einen Ansatz, der beide Welten miteinander verbindet und das Beste aus beiden Welten herausholt. James Duez, CEO von Rainbird.AI, bringt es auf den Punkt:

Im Laufe der Jahre hat der Bereich der KI bemerkenswerte Veränderungen erfahren. Während in den 1980er Jahren die symbolische KI dominierte, hat sich der Schwerpunkt heute deutlich in Richtung Datenwissenschaft und maschinelles Lernen verlagert, wobei Vorhersagen aus Daten und Erkenntnissen gegenüber symbolischen Modellen menschlichen Wissens bevorzugt werden. Die Zukunft der KI wird von einer ausgewogenen Integration dieser Ansätze geprägt sein, bei der sowohl die Vorzüge des symbolischen Denkens als auch die der Datenwissenschaft und des maschinellen Lernens durch Entscheidungsintelligenz genutzt werden.

Was DI nicht ist

Es gibt eine Reihe von Disziplinen, die oft mit DI verwechselt werden. Werfen wir einen kurzen Blick auf sie, um die Unterschiede zu klären.

DI ist keine Prozessmodellierung oder Projektplanung

Prozessmodellierung ist die Praxis eine Abfolge von Schritten zu vereinbaren, um ein Ziel zu erreichen. Ein verwandter Bereich ist die Projektplanung. In beiden Fällen werden häufig Kästchen und Pfeile verwendet, um Aufgaben bzw. Abhängigkeiten darzustellen.

Hier ist eine Möglichkeit, den Unterschied zwischen Prozessmodellierung/Projektplanung und DI zu verstehen: Denke an den Unterschied zwischen der Wahl eines Preises für ein Produkt und der Umsetzung dieses Preises in einer Software. Das sind grundlegend verschiedene Aufgaben. Die Wahl des Preises hängt von deinem Modell der Ereigniskette ab, die zu deinen Einnahmen führt, z. B. der Nachfragekurve, die bestimmt, wie viele Menschen dein Produkt kaufen werden, sowie von externen Faktoren wie dem Wirtschaftsklima und den Preisen deiner Mitbewerber.

Wenn du hingegen deine Website so einrichtest, dass du 20 US-Dollar pro Monat für dein Produkt verlangst, sind ganz andere Aktivitäten erforderlich, die besser in einem Prozessdiagramm oder Projektplan festgehalten werden sollten. Diese Abfolge von Schritten könnte darin bestehen, zwei Felder zu aktualisieren, einen Gutschein zu ändern und dann zu testen, ob das Zahlungssystem noch funktioniert. Jeder dieser Schritte könnte als Kästchen in einem Diagramm dargestellt werden, mit Pfeilen zwischen ihnen, um ihre jeweilige Reihenfolge anzuzeigen. Dies ist keine DI, aber sie interagiert mit der DI an dem Punkt, an dem du dich entscheidest, 20 US-Dollar pro Monat zu verlangen.

DI ist kein Entscheidungsbaum

Ein Entscheidungsbaum ist eine Folge von Fragen, die gestellt werden müssen, um zu einer bestimmten Schlussfolgerung zu gelangen. Ein Arzt könnte zum Beispiel einen Entscheidungsbaum verwenden, um bei einem Patienten eine Herzerkrankung zu diagnostizieren. Der Baum könnte mit der Frage beginnen: "Messen Sie den Blutdruck", dann: "Wenn der Blutdruck über 140 systolisch ist, machen Sie einen Bluttest", und so weiter. Am Ende der Fragesequenz könnte der Entscheidungsbaum sagen: "Dieser Patient hat keine Herzkrankheit". Beachte, dass der Entscheidungsbaum den Arzt durch eine Reihe von Fragen und Messungen führt. Der Entscheidungsbaum bestimmt, welche Messungen in welcher Reihenfolge durchgeführt werden müssen, aber er zeigt keine Ursache und Wirkung.

Ein Entscheidungsbaum unterscheidet sich grundlegend von einem CDD, weil die Kästchen in einem CDD eine Ursache-Wirkungs-Kette zwischen Aktionen und Ergebnissen darstellen. Er könnte dir sagen, dass "wenn du diesen Preis verlangst", kombiniert mit "wenn du diese Zielgruppe ansprichst", dann "so viele Menschen sich für dein Produkt interessieren werden", was wiederum dazu führen könnte, dass "so viele Menschen dein Produkt kaufen", was wiederum zu "so vielen Einnahmen in diesem Geschäftsjahr" führen könnte. Wie du siehst, handelt es sich hier um eine Kette von Ereignissen, die durch dein Handeln in Gang gesetzt werden, und nicht um eine Liste von Tests oder Fragen, die du beantworten musst, um eine Entscheidung zu treffen.

DI ist kein Datenfluss

Du siehst vielleicht auch viele Kästchen und Pfeile in einem Datenflussdiagramm (auch Datenpipeline genannt). Je nachdem, wie du vorgehst, können die Kästchen Daten in einem bestimmten Format oder an einem bestimmten Ort darstellen, und die Pfeile zeigen, wie diese Daten in ein neues Format oder an einen neuen Ort übertragen werden. Die Modellierung des Datenflusses ist nicht dasselbe wie die Modellierung einer Kausalkette, die nicht aus Daten besteht: Der Datenfluss findet innerhalb eines Computers statt, während die Kausalkette außerhalb des Computers verläuft.

Was hier verwirrend sein kann, ist die Tatsache, dass du den Datenfluss verwenden kannst, um Ereignisse zu simulieren, die außerhalb eines Computers stattfinden, worauf wir in Kapitel 5 noch näher eingehen werden. Der Hauptunterschied besteht darin, dass der Datenfluss nach Belieben gestaltet werden kann, während der Kausalfluss einen Prozess darstellen sollte, der nicht im Computer stattfindet: Der Computer ist nur eine Simulation des Flusses von Handlungen zu Ergebnissen, auch wenn du eine Art von Daten verwenden könntest, um dies zu simulieren.

Bei DI geht es nicht um "Entscheidungen, die"

Etwas, das du beachten solltest: das Wort Entscheidung ist ein bisschen überladen. Wir können damit menschliche oder automatisierte "Entscheidungen, die" oder Vorhersagen bezeichnen. Wir können zum Beispiel entscheiden, dass ein bestimmtes Bild eine Katze zeigt (Klassifizierung) oder vorhersagen , dass eine 20%ige Wahrscheinlichkeit besteht, dass ein Nutzer auf einen Button klickt (Regression). In der DI hat das Wort Entscheidung noch eine dritte Bedeutung: eine Entscheidung für eine Handlung mit der Absicht, ein bestimmtes Ergebnis zu erzielen.

DI ist keine Betriebsforschung oder lineare Programmierung

Für manche Entscheidungen kannst du Mathematik verwenden, um die beste Aktion zu bestimmen, die zu deinem Ergebnis führt. Wenn das so ist, dann hat die ausgereifte und leistungsstarke Disziplin des Operations Research großartige Antworten für dich (formal gesehen konzentriert sich das Operations Research auf analytische Methoden im Gegensatz zum numerischen Fokus der DI). Aber die große Mehrheit der Entscheidungen lässt sich nicht mit diesem Ansatz treffen, also brauchen wir etwas anderes. Wenn du eine mathematische Methode hast, die für deine Entscheidung geeignet ist, dann solltest du sie anwenden! Aber wenn nicht (und vor allem, wenn Mathe nicht dein Ding ist), dann ist dieses Buch genau das Richtige für dich.

DI ist keine Entscheidungsanalyse

Obwohl sie eng miteinander verwandt sind, sind DI und Entscheidungsanalyse (DA) nicht dasselbe. Link beschreibt den Unterschied folgendermaßen:

Der Bereich der Entscheidungsanalyse (DA), der auf eine über 30-jährige Geschichte zurückblicken kann, umfasst die Philosophie, die Methodik und die Berufspraxis, um wichtige Entscheidungen formell anzugehen ... oft in komplexen Situationen, in denen mehrere Ziele verfolgt werden und Entscheidungen unter Unsicherheit getroffen werden müssen.

DA überschneidet sich stark mit DI, hat aber einen besonderen Schwerpunkt: Sie bietet Teams und Führungskräften Werkzeuge und Techniken, um hochwertige Entscheidungen in komplexen Situationen zu formalisieren und zu strukturieren. Sie ist weniger technologie- und datenorientiert als Entscheidungsunterstützung, Business Intelligence und DI, die alle über die Entscheidungsfindung hinausgehen und Werkzeuge bereitstellen, die kontinuierlich in einem Unternehmen eingesetzt werden.

Obwohl sie unabhängig voneinander erfunden wurde, kann man DI als einen natürlichen Nachfolger der wichtigen Disziplin DA betrachten. DI fügt dem Bild Technologieintegration, Simulation, Daten und KI hinzu. Es steht für sich allein, aber wenn du wirklich ein kompetenter Entscheidungsträger sein willst, empfehlen wir dir, auch ein paar DA-Bücher zu lesen.

Der Entscheidungsfindungsprozess in Kapitel 2 enthält weitere Details darüber, wie du entscheiden kannst, ob deine Entscheidung für DI richtig ist.

Das DI-Reifegradmodell

Das DI-Reifegradmodell in Abbildung 1-3 zeigt eine Reihe von Wegen, auf denen Organisationen ihre Einführung von DI im Laufe der Zeit verbessern.

Abbildung 1-3. Das Decision Intelligence Maturity Model, Version 1.3.

Wie das Capability Maturity Model Integration für Software oder die ISO/IEC 15504 für Prozesse ist das DI-Reifegradmodell ein Fahrplan für die Verbesserung der Art und Weise, wie eine Organisation DI betreibt. Es zeigt die Eigenschaften von Organisationen auf verschiedenen Reifegraden. Es sagt dir jedoch nicht, wie du die Reifegrade "personalisieren" kannst, so dass sie in deinem spezifischen Organisationskontext funktionieren, oder wie du erkennst, ob deine Organisation bereit ist, eine Stufe aufzusteigen. Das kann kein Buch leisten! Wende dich stattdessen an die Mitarbeiter/innen der Personalabteilung, des Veränderungsmanagements oder der Organisationsentwicklung, die dir helfen können, den Wert von DI zu vermitteln. Sie können dir auch dabei helfen, deine Organisation auf einen höheren DI-Reifegrad zu bringen.

Die sich wandelnde Bedeutung von "Decision Intelligence"

Wie in vielen aufregenden neuen Bereichen üblich, haben eine Reihe von Organisationen - insbesondere Technologieanbieter - begonnen, den Namen "Decision Intelligence" mit uneinheitlicher Bedeutung zu verwenden. Einige dieser Unternehmen verwenden "DI" auf eine Art und Weise, die mit unserem Ansatz (und dem von Google) übereinstimmt, während andere einen starken Fokus auf Technologie, aber nicht auf Menschen oder Prozesse legen.

Dieses Handbuch versucht, dieses Ungleichgewicht zu korrigieren. Um den größtmöglichen Nutzen aus dieser wichtigen neuen Disziplin zu ziehen, müssen alle drei "Beine des Hockers" einbezogen werden: Menschen, Prozesse und Technologie.

Wer macht heute DI?

DI wird in vielen Bereichen angewandt, unter anderem in der Landwirtschaft, der Telekommunikation, der Regierung, dem Gesundheitswesen, dem Klima, der Raumfahrt, der Energie, der Geowissenschaft und bei Risikoinvestitionen. Wie in Link ausführlich beschrieben, gibt es eine wachsende DI-Community: Menschen und Organisationen, die sich für DI begeistern und daran arbeiten, die Methode zu verbessern und Werkzeuge zu entwickeln. Es gibt einen lebendigen Markt von DI-Anbietern und Organisationen auf der ganzen Welt, von denen viele Absolventen von DI-Kursen sind. Viele von ihnen fallen in die Kategorie der Decision Intelligence Service Provider (DISP): Experten in bestimmten Branchen/Entscheidungsbereichen, die DI nutzen, um ihre Produkte auf den Markt zu bringen. Zu den Unternehmen gehören Data Innovation.AI, das DI einsetzt, um Gebäuden dabei zu helfen, Entscheidungen über die Gesundheit der Mitarbeiter zu treffen, CModel, IntelliPhi (kürzlich von einer großen Unternehmensberatung übernommen), SatSure und C-Plan.IT; die Decision Intelligence Tokyo Meetup-Gruppe und Unternehmen wie Astral Insights, Diwo, Pyramid Analytics, Tellius, Peak, Rainbird.AI und Aera. Decision Intelligence News berichtet ebenfalls über diese Disziplin. Und Trillium Technologies arbeitet mit der Universität Oxford und der Europäischen Weltraumorganisation zusammen, um KI für wichtige Probleme des Klimaschutzes einzusetzen.

Wenn sich eine Disziplin weiterentwickelt, werden Zertifizierungen (wie der PMP für Projektmanager oder das Six Sigma-Gürtelsystem für Qualitätsmanager) für die Rekrutierung und Beratung wichtig. Eine Reihe von DI-Zertifizierungsprogrammen ist derzeit in der Entwicklung.

Die neun DI-Prozesse

Der Kern dieses Buches ist ein neunteiliges DI-Prozessmodell, , das in Abbildung 1-4 dargestellt ist.

Abbildung 1-4. Überblick über die neun DI-Prozesse.

Die neun Prozesse sind in fünf Phasen (A bis E) gegliedert, die eng miteinander verbundene Prozesse zusammenfassen, mit einem oder zwei Prozessen pro Phase. Wir stellen die Phase und die darin enthaltenen Prozesse vor, erklären die Terminologie und Konzepte und geben dir dann die Werkzeuge an die Hand, die du für die Durchführung der Prozesse brauchst: Prozessbeschreibungen und Arbeitsblätter, die die Ergebnisse der Prozesse dokumentieren. Einige Phasen werden in einem einzigen Kapitel behandelt, während für andere zwei Kapitel erforderlich sind (eines pro Prozess). Im gesamten Buch gibt es viele Anwendungsbeispiele und "Probier's mal aus"-Übungen, die dir zeigen, wie du die Prozesse in der jeweiligen Phase durchführen und dokumentieren kannst, und die dir die Möglichkeit geben, das Gelernte in der Praxis anzuwenden.

Kapitel 2 behandelt Phase A, die Phase der Entscheidungsanforderungen, in der die Erwartungen an die Ergebnisse der Entscheidungsmodellierung festgelegt werden. In Prozess A1, Erklärung der Entscheidungsziele, gibt der Entscheidungskunde (die Person, die die Autorität und Verantwortung für die Entscheidung hat) dem Entscheidungsteam (oder der Person), die mit der Ausführung der DI-Prozesse für diese Entscheidung beauftragt ist, eine kurze Beschreibung der Entscheidung. Im Prozess A2, dem Decision Framing, arbeitet das Team mit dem Kunden zusammen, um die Anforderungen und Einschränkungen der Entscheidung zu verstehen und sie auf einem Arbeitsblatt oder einem Decision Framing Document festzuhalten.

Kapitel 3 beginnt Phase B, Entscheidungsmodellierung, mit dem Schwerpunkt auf Prozess B1, dem Entscheidungsdesign. Entscheidungsanforderungen sind eine Voraussetzung für eine effektive Entscheidungsmodellierung, aber die Modellierung ist der Ort, an dem du Werte schaffst. Im Entscheidungsdesignprozess erstellst du dein erstes CDD, die "Blaupause" für deine Entscheidung.

Kapitel 4 behandelt den zweiten Prozess in Phase B: Prozess B2, die Untersuchung von Entscheidungsgrundlagen. In diesem Prozess identifizierst du die vorhandenen Daten, Modelle und das Fachwissen der Menschen, die für die Entscheidung ausschlaggebend sind, und fügst diese Entscheidungsgrundlagen zu deinem CDD hinzu.

InKapitel 5 beginnt Phase C, Entscheidungsfindung, in der du dein CDD nutzt, um das Systemverhalten und die mit deiner Entscheidung verbundenen Risiken zu verstehen. Prozess C1, die Entscheidungssimulation, lässt dich das Verhalten des Ursache-Wirkungs-Systems verstehen, das der Entscheidung zugrunde liegt: die Mechanismen, durch die Handlungen zu Ergebnissen führen.

Kapitel 6 setzt Phase C mit Prozess C2, der Entscheidungsbewertung, fort. Dieser Prozess hilft dir beim Risikomanagement.

Kapitel 7 befasst sich mit Phase D, Decision Action, in der du (oder der Entscheidungsträger) eine oder mehrere Aktionen durchführst. Diese Aktionen basieren auf deinem CDD und den Unterlagen, die du in den vorherigen Prozessen erstellt hast. Sie setzen die Ursache-Wirkungs-Ketten in Gang, die schließlich zu den Ergebnissen führen. Prozess D1, die Entscheidungsüberwachung, ermöglicht es dir, die Kausalketten der Entscheidung zu überwachen, zu verwalten, zu ändern und zu korrigieren, während sie ablaufen, um die von dir gewünschten Ergebnisse zu erzielen.

Wir enden mit Kapitel 8 über Phase E, die Entscheidungsüberprüfung. In dieser Phase kannst du deine Entscheidungen im Laufe der Zeit verbessern und Verbesserungsmöglichkeiten aufzeigen. Prozess E1, Entscheidungsartefakte aufbewahren, bewahrt alle wertvollen Informationen (oder Entscheidungsartefakte) deiner gut dokumentierten Entscheidung auf, damit sie als Ausgangspunkte oder wiederverwendbare Bausteine für zukünftige Entscheidungen dienen können. Prozess E2, die Entscheidungsretrospektive, ist der letzte Prozess. Er lässt dein Team über die aktuelle Entscheidung nachdenken und daraus lernen. Hier stellst du die Frage, ob dein Entscheidungsprozess richtig war, und ermittelst dann mögliche Verbesserungen deines Prozesses, deiner Informationen, deines Wissens und/oder deines Modells.

Fazit

Wenn du dir die Zeit genommen hast, Kapitel 1 zu lesen, weißt du jetzt, woher DI kommt, wie es zu anderen Disziplinen passt und vor allem, was DI nicht ist. Jetzt bist du wahrscheinlich hungrig auf die Details, wie man DI durchführt. Das ist auch gut so, denn das ist das Hauptthema des Buches. Beginnen wir mit Kapitel 2, das dich durch den Beginn deiner DI-Reise führt.

1 L. Pratt und Mark Zangari, "Overcoming the Decision Complexity Ceiling Through Design", Dezember 2008, Quantellia; L. Pratt und Mark Zangari, "High Performance Decision Making: Eine globale Studie", Januar 2009, Quantellia.

2 Hinweis für Experten: Natürlich ist die Entscheidung, ob du mit dem Auto fährst, den Bus nimmst oder zu Fuß zur Arbeit gehst, streng genommen eine Klassifizierungsentscheidung. Aber für diese Art von Entscheidung verwenden wir normalerweise keine statistische oder ML-Regression oder Klassifizierung. Der eigentliche Unterschied liegt darin, wie wir diese Entscheidung treffen: mit Hilfe historischer Daten (Klassifizierung und Regression) oder durch mechanistisches Denken und Simulationen, die auf einem Verständnis der Welt beruhen (DI-Entscheidungen von Aktion zu Ergebnis).

3 Auch bei vollautomatischen Entscheidungsfindungsprojekten werden zunehmend DI-Methoden eingesetzt, um technische Teams auf Entscheidungen auszurichten. Obwohl dies nicht der Schwerpunkt dieses Buches ist, gibt es ab Kapitel 3 umfangreiches Material zur Unterstützung vollautomatisierter Anwendungsfälle. Dies gilt insbesondere für Projekte, bei denen mehrere KI-Modelle in einem Prozess namens KI-Orchestrierung kombiniert werden müssen.

4 S. Williams, "Business Process Modeling Improves Administrative Control", Automation, Dezember, 1967, 44-50.

5 Ronald A. Howard und Ali E. Abbas, Foundations of Decision Analysis, Global Edition (Boston: Pearson, 2015).

Get Das Handbuch der Entscheidungsintelligenz now with the O’Reilly learning platform.

O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.

Start your free trial