Wir sprechen in Business Intelligence gern über Datenqualität, Kennzahlenlogik und belastbare Modelle. Das ist notwendig. Es reicht aber nicht aus. Denn zwischen einer guten Information und einer guten Entscheidung liegt immer noch ein Mensch mit Erwartungen, Erfahrungen und einem eigenen Bild der Wirklichkeit. Im thinkBI Podcast geht es deshalb um kognitive Verzerrungen und um die Frage, was sie für die Arbeit mit Informationen bedeuten.
Die naheliegende Hoffnung lautet: Wenn wir nur genug Daten bereitstellen, werden Entscheidungen objektiver. Doch Daten werden nicht neutral wahrgenommen. Sie werden ausgewählt, gewichtet, interpretiert und in bestehende Überzeugungen eingeordnet. Ein Reporting kann fachlich korrekt sein und trotzdem eine schlechte Entscheidung stützen, wenn es nur als Bestätigung dessen genutzt wird, was ohnehin schon feststand.
Das sichtbare Problem ist dann nicht fehlende Information. Es ist eine zu große Sicherheit darüber, was diese Information angeblich beweist.
Bestätigung ist nicht Erkenntnis
Der Confirmation Bias beschreibt die Neigung, Informationen zu suchen und stärker zu gewichten, die zur eigenen Annahme passen. Im Projektalltag kann das sehr unspektakulär beginnen: Eine Methode, ein Tool oder ein Reportingansatz gilt als bewährt. Also werden vor allem die Beispiele erinnert, in denen er funktioniert hat. Gegenbeispiele wirken wie Ausnahmen, Störungen oder schlicht nicht vergleichbare Fälle.
Auch der Survivorship Bias verschiebt den Blick. Wir sehen die erfolgreichen Unternehmen, Projekte oder Personen und leiten aus ihrem Vorgehen ein Rezept ab. Unsichtbar bleiben die vielen vergleichbaren Versuche, die gescheitert sind. Das bekannte Beispiel der zurückgekehrten Kriegsflugzeuge zeigt die Logik: Die sichtbaren Einschusslöcher sagen nicht unbedingt, wo verstärkt werden muss. Vielleicht zeigen sie gerade die Treffer, die ein Flugzeug überleben konnte.
Für BI heißt das: Erfolgsgeschichten sind kein Beweis. Sie sind ein Ausgangspunkt für weitere Fragen. Welche Fälle fehlen in unserer Analyse? Welche Daten widersprechen unserer Deutung? Und welche Annahme würden wir vertreten, wenn das gewünschte Ergebnis nicht eingetreten wäre?
Kompetenz, Sympathie und die falsche Frage
Der Dunning-Krüger-Effekt macht auf eine weitere Schwierigkeit aufmerksam: Wer wenig über ein Thema weiß, kann die eigene Kompetenz und die Kompetenz anderer oft nur begrenzt einschätzen. Um eine Leistung fundiert zu beurteilen, braucht es bereits ein Mindestmaß an Verständnis. Eine schnelle Abwertung sagt deshalb nicht zwangsläufig etwas über die Qualität der beurteilten Arbeit aus.
Der Halo-Effekt und der Ersetzungsfehler verschärfen dieses Problem. Eine auffällig positive Eigenschaft, etwa ein souveräner Auftritt, kann andere Eigenschaften überstrahlen. Und eine schwierige Frage wird unbewusst durch eine einfachere ersetzt. Aus „Trifft diese Führungskraft die richtigen Entscheidungen für das Unternehmen?“ wird dann schnell: „Ist mir diese Person sympathisch?“ Die einfache Antwort fühlt sich plausibel an, beantwortet aber nicht die eigentliche Frage.
Genau hier zeigt sich der Wert einer guten Informationsarchitektur. Sie liefert nicht nur Kennzahlen. Sie hilft, die Entscheidungsfrage präzise zu formulieren, Kriterien zu unterscheiden und Beurteilungen nicht auf einen bequemen Ersatz zu verkürzen. Ein Dashboard ist dann nicht die Antwort. Es ist ein Raum, in dem die richtige Frage nachvollziehbar bearbeitet werden kann.
Vergangene Investitionen sind kein Argument für die Zukunft
Die Sunk-Cost-Fallacy ist besonders vertraut, wenn Projekte zu lange laufen. Weil bereits viel Geld, Zeit oder persönliches Ansehen investiert wurde, wird weiter investiert, obwohl die ursprüngliche Entscheidung neu betrachtet nicht mehr sinnvoll wäre. Vergangene Kosten sind real. Sie rechtfertigen aber nicht automatisch die nächste Ausgabe.
Ähnlich problematisch ist der Rückschaufehler. Sobald ein Ergebnis vorliegt, erscheint es oft vorhersehbarer, als es zuvor war. Dann wird aus einer unsicheren Entscheidung eine Geschichte, deren Ausgang angeblich klar gewesen sei. Das schützt das eigene Selbstbild, verhindert aber Lernen. Wer im Nachhinein nur recht haben möchte, prüft nicht mehr, welche Annahmen tatsächlich tragfähig waren.
Deshalb sind dokumentierte Erwartungen so wichtig. Was wollten wir beeinflussen? Welche Handlung leiten wir daraus ab? Welches Ergebnis erwarten wir und woran erkennen wir später, ob es eingetreten ist? Das Entscheidungswirkraster setzt genau an dieser Stelle an. Es verbindet Entscheidung, Information, Handlung und Rückkopplung, damit die Vergangenheit nicht nachträglich passend erzählt werden muss.
Objektivität braucht ein Verfahren
Naiver Realismus ist die Überzeugung, die eigene Sicht sei objektiv, während abweichende Meinungen vor allem aus Ignoranz oder Voreingenommenheit entstehen. Diese Haltung beendet Dialog, bevor er beginnen kann. Unterschiedliche Einschätzungen können auf fehlende Information hindeuten. Sie können aber ebenso auf andere Erfahrungen, andere Ziele oder andere Bewertungen von Risiken hinweisen.
BI kann daraus keine fehlerfreien Menschen machen. Sie kann jedoch Strukturen schaffen, die vorschnelle Gewissheit schwieriger machen, Annahmen explizit festhalten, Gegenhypothesen prüfen, nicht nur erfolgreiche Fälle analysieren, Entscheidungskriterien vorab klären und erwartete Wirkungen dokumentieren.
Das sind keine Zusatzschritte für besonders komplizierte Entscheidungen. Sie sind ein Schutz davor, dass Daten nur die bestehende Meinung professioneller aussehen lassen.
Eine gute BI-Praxis fragt daher nicht nur: Was zeigen die Zahlen? Sie fragt auch: Welche Geschichte erzählen wir uns gerade mit ihnen und was müsste sichtbar werden, damit wir unsere Sicht ändern?
Quellen und Hinweise
- Die Einordnung der genannten Biases folgt als Ausgangspunkt der Podcastfolge Abteilungsleiter der Liebe, Folge 34: Dumm aber schlau (Biases Vol. 1).
- Als Literaturhinweis zur menschlichen Wahrnehmung und zum optimistischen Blick auf die Zukunft wurde genannt: Dirk Steffens: Hoffnungslos optimistisch – Ein ziemlich wissenschaftlicher Blick in die Zukunft.
🎧 Die komplette Folge findest du im thinkBI Podcast.
Musik: Great Podcast Intro (short & long) von Lundstroem
Quelle: freemusicarchive.org (Creative Commons) – https://freemusicarchive.org/music/lundstroem/songs-for-leona/great-podcast-intro-both-short-and-long-version-included/
