Bridging Decision Problems, Vol. I Framing the Problem
Back to SDA site →
‹ ›

Kapitel 3: Leistungskennzahlen

Bridging Decision Problems, Band I — Das Problem einordnen · Warren B. Powell

Im Management gibt es ein altes Sprichwort:

“Man kann nicht managen, was man nicht messen kann.”

Immer wenn wir die Leistung eines Prozesses oder Systems verbessern wollen, ist es wichtig, eine klar definierte Leistungskennzahl zu haben, wobei man erkennen muss, dass es oft mehrere Kennzahlen gibt. Bevor wir uns den komplexen Fragen im Zusammenhang mit Kennzahlen widmen, müssen wir zunächst anerkennen, dass es zahlreiche Probleme gibt, die keine klar definierten Kennzahlen besitzen, etwa wen man heiraten soll, welche Stelle man nach dem Studium annehmen sollte, oder welches Gemälde man malen oder welche Skulptur man kaufen sollte. Wenn Sie Schwierigkeiten haben, auch nur eine klar quantifizierbare Kennzahl zu identifizieren, gehört Ihr Problem wahrscheinlich zur komplexen Domäne menschlicher Entscheidungsprobleme, die nicht von analytischem Denken profitieren.

Wenn Sie jedoch mindestens eine klare, quantifizierbare Kennzahl identifizieren können, lesen Sie weiter.

Kategorien von Kennzahlen

Es gibt eine riesige Bandbreite an Kennzahlen, weshalb es hilfreich ist, zunächst wichtige Kategorien von Kennzahlen zu identifizieren. Einige der beliebtesten Kategorien sind:

  1. Finanzielle Kennzahlen - Diese umfassen jede Kennzahl, die in einer Währung gemessen wird. Sie können gemessen werden als:
    • Gesamtmenge - Bargeldbestand, Kreditgarantien, Investitionen.
    • Pro Zeiteinheit (Tag, Monat, Quartal, Jahr), typischerweise als Kosten, Umsatz oder Gewinn.
    • Pro Ressourceneinheit - Dollar pro Person, Maschine, Anlage oder pro Aktie.
  2. Produktivitätskennzahlen - Dies sind nicht in Dollar bewertete Kennzahlen, die ebenfalls pro Zeiteinheit (behandelte Patienten, produzierte Einheiten, gefahrene Meilen) und pro Ressourceneinheit (pro Person, pro Maschine, pro Anlage) gemessen werden können.
  3. Wirksamkeitskennzahlen - Festigkeit eines Materials, Wirksamkeit eines Medikaments, Ausbeute eines Fertigungsprozesses, mittlere Zeit zwischen Ausfällen einer Maschine.
  4. Serviceleistung - Wie gut wir Märkte oder externe Akteure bedienen, etwa gedeckte Nachfrage, Bewertungen durch Kunden, Vermittlung von Studierenden.
  5. Externe Leistungsbewertungen - Das Ranking einer Schule, die Zuverlässigkeit von Produkten eines Unternehmens, Verkaufsranking, Bewertung von Krankenhäusern.
  6. Verhaltenskennzahlen - Abweichung tatsächlicher Entscheidungen von vorgegebenen Richtungen oder Richtlinien.
  7. Schätzkennzahlen - Wie gut schätzen oder prognostizieren wir Größen (zukünftige Nachfrage, Niederschlag, Bestandsmenge) oder Parameter (Patientendiagnosen, Produktionskosten)? Diese setzen voraus, dass wir eine Möglichkeit haben, eine vorherige Schätzung mit einer Beobachtung der tatsächlichen Leistung zu vergleichen.

Es gibt zwei Möglichkeiten, jede Kategorie von Kennzahlen zu bewerten:

Durchschnittliche Leistung und Risikokennzahlen werden im Abschnitt unten weiter besprochen.

Es ist hilfreich, konkrete Beispiele zu geben. Unten finden Sie eine Liste von Kennzahlen aus verschiedenen Kategorien.

Die Kennzahlenpyramiden

Es ist üblich, insbesondere im Geschäftsleben, Listen von Kennzahlen zusammenzustellen, wobei diese Listen recht lang sein können. Es ist sehr wichtig, die Kennzahlen zu priorisieren, was recht einfach gelingt, indem man sie in Pyramiden organisiert, wie in Abbildung 3.1 dargestellt. Abbildung 3.1(a) veranschaulicht einen möglichen Satz von Kennzahlen für jemanden, der auf den höchsten Ebenen eines Unternehmens arbeitet (oft als “C-Suite” bezeichnet), wo das wichtigste Ziel darin besteht, den vierteljährlichen Aktienkurs zu maximieren. Diese Kennzahlen bieten jedoch wenig Orientierung für jemanden, der in einer Fertigungsanlage arbeitet, wo die wichtigste Kennzahl möglicherweise die Kosten sind, gefolgt von Produktion und Qualität. Abbildung 3.1(b) veranschaulicht, wie eine andere Pyramide für jemanden erstellt werden kann, der in der Fertigung arbeitet, wo mehr Gewicht auf die Kosten gelegt wird.

Die Organisation von Kennzahlen in einer Pyramide ist weitgehend subjektiv, aber an der Spitze sollte eine einzelne Kennzahl stehen, die als die wichtigste angesehen wird. Die oberste Kennzahl sollte eine sein, die entweder maximiert oder minimiert wird, was jedoch nicht notwendigerweise für alle anderen Kennzahlen gilt, ein Thema, das wir als nächstes behandeln.

A pyramid of metrics that might be used at the executive level of a publicly traded company.
(a)
A pyramid of metrics that might be used in a manufacturing plant.
Abbildung 3.1. (b) — (a) Eine Pyramide von Kennzahlen, die auf der Führungsebene eines börsennotierten Unternehmens verwendet werden könnte. (b) Eine Pyramide von Kennzahlen, die in einer Fertigungsanlage verwendet werden könnte.

Ziele, Zielwerte und Grenzen

Als Nächstes müssen wir festlegen, was wir mit jeder Kennzahl erreichen wollen. Es gibt drei Möglichkeiten, wie wir Kennzahlen zur Leistungsbewertung heranziehen können:

Auch wenn es unterschiedliche Möglichkeiten geben kann, die Leistung zu messen, muss ein Computer letztlich in der Lage sein, eine Reihe von Entscheidungen zu betrachten und auszuwählen, welche die beste ist.

Umgang mit mehreren Zielen

Oft gibt es mehrere Ziele, die maximiert oder minimiert werden sollen. Obwohl es eine umfangreiche Literatur zur Mehrzieloptimierung gibt, wird es letztlich notwendig sein, diese Kennzahlen zu einer einzigen Nutzenfunktion zusammenzuführen, was die Zuweisung von Gewichten zu jeder Kennzahl erfordert. Die Kennzahl an der Spitze der Pyramide (die tendenziell diejenige ist, die maximiert oder minimiert werden muss) dient in der Regel als Basis, während andere Kennzahlen relativ zur obersten Kennzahl gewichtet werden.

Wenn mehrere Kennzahlen zu einer einzigen Nutzenfunktion zusammengeführt werden müssen, stellt sich die Frage, wie sie zu gewichten sind. Wir empfehlen, das Gewicht der Kennzahl an der Spitze der Pyramide gleich 1,0 zu setzen, was bedeutet, dass die Gewichte anderer Kennzahlen (die sich nicht notwendigerweise in denselben Einheiten befinden) relativ zur obersten Kennzahl skaliert werden müssen. Anfangs können diese Gewichte subjektiv festgelegt werden, aber schließlich wird dies zu einer Reihe von Entscheidungen führen, die ein Leistungsniveau in jeder der maximierten oder minimierten Dimensionen hervorbringen. Wenn ein Fachexperte mit der Leistung in einer bestimmten Dimension nicht zufrieden ist, besteht der übliche Weg darin, das Gewicht anzupassen und nach der Beobachtung eines neuen Satzes von Entscheidungen neu zu bewerten.

Durchschnittliche Leistung vs. Risiko

Wenn wir 20 Simulationen durchführen, um einen Prozess zur Entscheidungsfindung zu bewerten, bewerten wir unsere Methode anhand der durchschnittlichen Leistung. Das können wir tun, wenn wir Zugang zu einem Simulator haben, aber eine Alternative besteht darin, einfach zu beobachten, wie es über einen Zeitraum im tatsächlichen Einsatz funktioniert. In diesem Fall verfolgen wir eine einzige Stichprobe von Beobachtungen und nutzen die tatsächliche Leistung, um unsere Methode zu bewerten. Man könnte sagen, dass die Beobachtung der tatsächlichen Leistung einem Durchschnitt aus nur einer einzigen Beobachtung entspricht.

Die tatsächliche Leistung im Feld ist das, was wir tatsächlich erleben. Für Unternehmen wird dies in ihren Gewinn- und Verlustrechnungen erfasst, sowie in allen anderen Berichten, die ihre sonstigen Leistungskennzahlen zusammenfassen, wie etwa die verschiedenen finanziellen KPIs, zusammen mit Statistiken zu Beständen und der Auslastung von Anlagen und Ausrüstung. In einem Gesundheitskontext könnten wir uns die durchschnittliche Rate neuer Infektionen oder Todesfälle durch Überdosierungen ansehen. Ein Hotel wird die Zimmerauslastung und den Umsatz betrachten. Fernverkehrsflotten sammeln Statistiken zum Umsatz pro Fahrer und zu Leerkilometern.

Betrachten wir nun das Problem einer plötzlichen Störung des normalen Betriebs eines Unternehmens. Es könnte ein Erdbeben oder ein Tsunami sein, der eine wichtige Fertigungsanlage zerstört, oder das Auftreten einer Krankheit wie COVID, die Konsummuster stört. Ein Zollkrieg könnte ausbrechen und den globalen Handel schwerwiegend stören.

Wir haben bereits das Vorhandensein unterschiedlicher Unsicherheitsquellen erkannt, wie wir es durchgängig in Kapitel 2 getan haben. Warum lenken wir also die Aufmerksamkeit auf diese neuen Unsicherheitsquellen? Ist es nicht so, dass, wenn eines dieser großen Ereignisse eintritt, seine Auswirkung erfasst wird, während wir unsere Leistungskennzahlen im Laufe der Zeit akkumulieren?

Die einfache Antwort lautet: nein. Stellen Sie sich vor, es gibt eine schwere Störung in einer Lieferkette, sodass wir eine Zeitspanne durchlaufen müssen, in der wir unseren Markt nicht bedienen können. Am wichtigsten ist, dass wir möglicherweise Kunden an Wettbewerber verlieren, da diese möglicherweise nicht bereit sind zu warten, bis das Problem behoben ist. Darüber hinaus müssen wir möglicherweise eine erhebliche Anzahl von Mitarbeitern beurlauben, weil uns die Teile fehlen, die zum Betrieb der Fabriken benötigt werden. Dies ist eine Härte für die Mitarbeiter, die zu Unzufriedenheit führt, und die besten Mitarbeiter finden möglicherweise bessere Stellen.

Diese Aspekte werden von den üblichen Bilanzierungsprozessen, die die Unternehmensleistung erfassen, nicht abgebildet. Aus diesem Grund existiert eine Vielzahl von Büchern, die sich mit dem befassen, was weithin als “Risiko” (oder “Resilienz”, was die Fähigkeit von Unternehmen bezeichnet, sich von größeren Ereignissen zu erholen) bezeichnet wird, wie in Abbildung 3.2 dargestellt. Diese Bücher enthalten typischerweise qualitative Beschreibungen unterschiedlicher Risikotypen, oft (aber nicht immer) ohne einen formalen Prozess für den Umgang mit Risiko.

Eine Auswahl von Büchern über Lieferkettenrisiko und -resilienz.
Abbildung 3.2. Eine Auswahl von Büchern über Lieferkettenrisiko und -resilienz.

Risiko ist ein Begriff, der allgemein verwendet wird, wenn Entscheidungen unter Unsicherheit getroffen werden müssen. Einige Beispiele für Risiko, die im Kontext der Anwendungen aus Kapitel 2 auftreten könnten, sind:

Diese Ereignisse werden durch die Akkumulation der üblichen Leistungsstatistiken schlicht nicht angemessen erfasst. Aus diesem Grund ist es notwendig, diese Ereignisse, die eine sehr geringe Wahrscheinlichkeit haben können, getrennt von der durchschnittlichen oder tatsächlichen Leistung zu erfassen.

Das Management des Stromnetzes liefert dafür eine anschauliche Illustration. Die Unternehmen, die ihre Netze verwalten, sind verpflichtet, genügend Strom einzuplanen, um das Ereignis zu bewältigen, dass ihr größter Generator (bei dem es sich um ein Kernkraftwerk handeln würde) ausfällt, was zu Stromausfällen führen würde. Es wird nicht versucht, die wirtschaftlichen Auswirkungen eines Stromausfalls zu quantifizieren. Stattdessen wird dies einfach in eine separate Kategorie eingeordnet, und es wird gefordert, dass ein größerer Ausfall bewältigt werden kann.

Die Literatur zum Thema Risiko lässt sich grob in zwei Kategorien einteilen:

Die erste Gruppe, die aus den in Abbildung 3.2 gezeigten Buchtypen besteht, verwendet allgemeinverständliches Englisch, um Ereignisse zu beschreiben, bei denen die meisten übereinstimmen würden, dass sie Beispiele für Risiko darstellen, das vermieden werden sollte. Die zweite Gruppe besteht aus Büchern und Aufsätzen, die oft hochgradig theoretisch sind, ihre Charakterisierungen von Risiko jedoch auf Extremwerte wohldefinierter Wahrscheinlichkeitsverteilungen beschränken.

Überraschenderweise bietet keine der beiden Literaturrichtungen etwas, das man als formale Definition von Risiko bezeichnen könnte, die breit auf die vielfältigen Situationen anwendbar wäre, in denen Risiko ein Thema zu sein scheint. Wir bieten hier eine solche Definition an, beginnen jedoch damit, unserem ursprünglichen Ziel, das auf einer Simulation unseres Prozesses beruht – sei es in einem Simulator oder im Feldeinsatz –, einen formalen Namen zu geben:

Das Basisziel – Dies ist die Art und Weise, wie wir unseren Entscheidungsprozess im Laufe der Zeit im Feldeinsatz durch die normale Akkumulation von Leistungskennzahlen bewerten würden (einschließlich, aber nicht beschränkt auf Gewinn- und Verlustrechnungen). Bei Unternehmen erfolgt dies typischerweise (aber nicht immer) in Geldeinheiten, es könnte sich aber auch um Todesfälle im Bereich der öffentlichen Gesundheit, beladene Meilen pro Fahrer bei einem Speditionsunternehmen oder Stimmen bei einer Präsidentschaftswahl handeln.

Nun sind wir bereit, Risiko zu definieren:

Risiko – Risiko besteht aus zwei Dimensionen:

In den meisten Anwendungen wird Risiko als eigenständiges Maß erfasst, das etwa Stromausfälle sein könnten, die einen bestimmten Grenzwert überschreiten, ein Rückgang der Teileversorgung, der eine Produktionsunterbrechung erfordern würde, oder Ereignisse, die zu schwerwiegenden gesundheitlichen Folgen führen. Meist besteht das Ziel darin, das Risiko unterhalb eines vom Nutzer festgelegten Grenzwerts zu halten (wir gehen davon aus, dass wir stets versuchen, unser(e) Risikomaß(e) zu reduzieren).

Interessanterweise kombiniert die mathematische Literatur zum Thema Risiko üblicherweise das Basisziel und das Risikomaß mithilfe eines einstellbaren Risikoparameters zu einer einzigen Nutzenfunktion. Auch wenn dies möglicherweise ein gültiger Ansatz zur Kombination zweier Kennzahlen sein könnte, sind wir nicht bereit, diese Annahme zu treffen.

Wir weisen darauf hin, dass das Basisziel stets ein Durchschnitts- oder Stichprobenschätzwert eines Durchschnitts ist, während ein Risikomaß häufig nicht als Durchschnitt (bzw. Erwartungswert) berechnet wird, sondern vielmehr als ein Ereignis, das eintreten kann, möglicherweise mit einer völlig unbekannten Wahrscheinlichkeit.

Zu einem Zeitpunkt vs. im Zeitverlauf

Es gibt eine umfangreiche Literatur zu Problemen, bei denen Entscheidungen im Zeitverlauf getroffen werden. Die Bestandsverwaltung ist eindeutig ein Problem, das über die Zeit hinweg gelöst werden muss, wobei Lagerhaltungskosten mit der Möglichkeit von Fehlbeständen abgewogen werden, sobald neue Bestellungen bekannt werden. Aber was ist mit einem Problem der Zuordnung von Fahrern zu Ladungen, dem Ausbalancieren eines Anlageportfolios oder der Entscheidung, wo Lagerhäuser gebaut werden sollen? In den 1950er Jahren stellte die Lösung jedes dieser Probleme zu einem einzigen Zeitpunkt bereits eine erhebliche Herausforderung dar.

Heute verfügen wir über Softwarepakete, die selbst große Instanzen dieser Probleme sehr schnell lösen können, doch das lässt uns weiterhin vor der Herausforderung stehen, Entscheidungen zu treffen, die im Zeitverlauf gut funktionieren. Wenn man beispielsweise einem Fahrer eine Ladung zuweist, die nach Montana geht, was sehr abgelegen ist, können Probleme entstehen, sobald der Fahrer die Ladung abgeliefert hat und eine neue Ladung finden muss. Wir müssen überlegen, ob wir die Anfrage zur Beförderung dieser Ladung überhaupt annehmen wollen, und wenn ja, welchem Fahrer wir sie zuweisen. Das Lösen von Sequenzen von Zuordnungsproblemen ist in Abbildung 3.3 dargestellt. Unsere Aktienportfolios müssen auch dann gut funktionieren, wenn sich die Vermögenspreise im Zeitverlauf ändern, und Lagerhausstandorte müssen zukünftige Nachfragemuster antizipieren.

Zum Zeitpunkt der Abfassung dieses Buches verstehen wir, dass Bestandsprobleme im Zeitverlauf optimiert werden müssen. Die Fachgemeinschaft jedoch, die sich auf Optimierungsmodelle für komplexe Probleme spezialisiert hat, wie etwa das Problem der Fahrerzuordnung, das Portfoliomanagementproblem und das Lagerstandortproblem, muss jeweils die Auswirkung neuer Informationen sowie die Auswirkung heutiger Entscheidungen auf die Zukunft berücksichtigen. Wir verfügen über leistungsfähige Softwarepakete, um diese Probleme zu einem bestimmten Zeitpunkt zu lösen, aber über nichts, um die Leistung im Zeitverlauf zu optimieren.

Das Zuordnungsproblem muss wiederholt gelöst werden, und Entscheidungen, die zu einem Zeitpunkt getroffen werden, haben Auswirkungen auf künftige Probleme.
Abbildung 3.3. Hier veranschaulichen wir die Tatsache, dass das Zuordnungsproblem wiederholt gelöst werden muss. Zudem haben die zu einem bestimmten Zeitpunkt getroffenen Entscheidungen Auswirkungen auf künftige Probleme.

Wenn wir Probleme haben, die wiederholt gelöst werden müssen, müssen wir Folgendes erfassen:

Das Eintreffen neuer Informationen führt zu einer erheblichen Komplikation beim Treffen von Entscheidungen im Zeitverlauf (und praktisch alle Probleme, die im Zeitverlauf gelöst werden, müssen dies im Beisein neuer Informationen tun). Bei unserem Zuordnungsproblem könnte die neue Information beispielsweise das Eintreffen neuer zu befördernder Ladungen sein. Die am Dienstag zu befördernden neuen Ladungen wären am Montag, wenn wir Entscheidungen treffen, noch nicht bekannt. Wenn wir also am Montag Fahrer zuweisen, sind die Ladungen, die am Dienstag möglicherweise angefordert werden, unsicher. Man könnte auch sagen, dass die künftig angeforderten Ladungen “zufällig” (oder “stochastisch”, ein von der mathematischen Modellierungsgemeinschaft bevorzugter Begriff) sind.

Für das Problem der Optimierung der Zuordnung von Fahrern zu Ladungen müssen wir das Eintreffen neuer Ladungen erfassen sowie berücksichtigen, wie sich die Fahrerzuordnungen an vorherigen Tagen auf den heutigen Status der Fahrer auswirken. Um die Leistung zu bewerten, würden wir eine Simulation durchführen, die aus folgenden Schritten besteht:

Stellen Sie sich nun vor, wir wiederholen diesen gesamten Prozess erneut, beginnend am Montag, aber während wir zeitlich vorangehen, ziehen wir verschiedene Mengen an angeforderten Ladungen als Stichprobe. Das bedeutet, wir könnten das Treffen von Entscheidungen im Zeitverlauf simulieren und würden dabei völlig unterschiedliche Ergebnisse erhalten.

Es gibt verschiedene Möglichkeiten, Entscheidungen zur Zuordnung von Fahrern zu Ladungen zu treffen, die die Auswirkung aktueller Entscheidungen auf die Zukunft berücksichtigen könnten. Stellen wir uns vor, wir hätten drei Methoden. Wir könnten jede Methode bewerten, indem wir wiederholte Simulationen durchführen und anschließend einen Durchschnitt bilden. Beispielsweise könnten wir 20 Simulationen für jede Entscheidungsmethode durchführen und diesen Durchschnitt zur Bewertung der Methoden heranziehen.

Probleme, bei denen Entscheidungen im Zeitverlauf getroffen werden müssen, sind alltäglich; tatsächlich könnte es sich dabei um die überwiegende Mehrheit der Entscheidungsprobleme handeln. Jede einzelne Anwendung in Kapitel 2 ist ein sequentielles Entscheidungsproblem. Zum Beispiel:

Es überrascht etwas, dass die Literatur zur Lösung statischer Entscheidungsprobleme zwar unglaublich ausgereift ist, die akademische Forschungsgemeinschaft, die an diesen Problemen arbeitet, jedoch keinen Standardrahmen für die Modellierung und Lösung sequentieller Probleme übernommen hat.

Wir werden in Band II auf diese Themen zurückkommen, wenn wir mit etwas Notation beginnen. Ohne Notation reduziert sich die Diskussion auf viel Handgewedel.

Psychologische Leistungskennzahlen

Praktisch die gesamte Optimierungsliteratur geht davon aus, dass es eine wohldefinierte Leistungskennzahl gibt, die Zielfunktion genannt wird und zur Bewertung von Entscheidungen verwendet werden kann. Die Zielfunktion ist möglicherweise nicht genau bekannt, aber wir nehmen an, dass die Unsicherheit quantifiziert oder zumindest abgetastet werden kann. Im Gegensatz dazu konzentriert sich der Großteil der Literatur zur Psychologie der Entscheidungsfindung darauf, wie Menschen komplexe Alternativen bewerten, was vermutlich damit zu erklären ist, dass dies die interessantesten und anspruchsvollsten Entscheidungsprobleme sind.

In diesem Abschnitt werden wir zunächst einige komplexe Kennzahlen identifizieren, gefolgt von einer Auswahl an Theorien darüber, wie Menschen mit diesen komplexen Kennzahlen umgehen. Wir schließen mit einer kurzen Diskussion darüber, wie Gehirne “optimieren.”

Komplexe Kennzahlen

Einige Beispiele für komplexe Entscheidungsprobleme aus den Anwendungen in Kapitel 2 umfassen:

Jedes davon kann als Beispiel für ein “intelligentes Versuch-und-Irrtum”-Problem dargestellt werden (siehe den Abschnitt Intelligentes Versuch und Irrtum in Kapitel 2), bei dem eine Reihe diskreter Wahlmöglichkeiten besteht. Was diese Entscheidungen schwierig macht, ist a) dass sie wichtig sind und b) dass wir erhebliche Unsicherheit darüber haben, wie gut jede davon abschneiden wird.

Wir können Probleme mit komplexen Alternativen in drei Klassen einteilen:

Die erste Klasse hat in der Optimierungsliteratur erhebliche Aufmerksamkeit erhalten, bleibt aber ein sehr häufiger Kontext, dem Menschen regelmäßig begegnen und in dem sie es versäumen, die besten Methoden zum Umgang mit Unsicherheit zu verwenden. Die zweite ist ein weiteres verbreitetes Thema und beinhaltet typischerweise, einem Entscheidungsträger verschiedene Alternativen vorzulegen, der dann gebeten wird, eine Wahl zu treffen. Die dritte ist ein häufiges Problem in der psychologischen Literatur, da es Probleme gibt (wie die oben aufgeführten), bei denen jemand ein Bauchgefühl dafür haben mag, welche Wahl er treffen möchte, ohne artikulieren zu können, warum sie die beste ist.

Einige Theorien zur Kennzahlenbildung

Beispiele für verschiedene Theorien zur Bewertung von Alternativen umfassen:

Prospect-Theorie - Wichtige Prinzipien der Prospect-Theorie umfassen:

Mental-Accounting-Theorie - Diese bezieht sich auf die Art und Weise, wie Menschen finanzielle Entscheidungen mental organisieren, kategorisieren und bewerten, indem sie separate “Konten” in ihrem Kopf erstellen, anstatt Geld als vollständig austauschbar/fungibel zu behandeln. Einige Schlüsselkonzepte umfassen:

Attributionstheorie - Die Attributionstheorie erklärt, wie Menschen die Ursachen ihres eigenen Verhaltens und des Verhaltens anderer interpretieren, insbesondere in Leistungskontexten wie Erfolg oder Misserfolg. Zum Beispiel schreiben Verbraucher ihren Kaufentscheidungen Gründe zu, was die Markenwahrnehmung und -treue beeinflusst. Drei Dimensionen kausaler Attribute umfassen:

Diese Attributionen beeinflussen Emotionen und zukünftige Motivation. Zum Beispiel:

Wie das Gehirn lernt zu optimieren

Es gab eine enorme Tendenz, den neuronalen Netzen, die zum Erlernen von Wortmustern verwendet werden, Intelligenz zuzuschreiben. Obwohl das Erkennen von Mustern in der Tat eine wichtige Form von Intelligenz ist, unterscheidet es sich deutlich vom Prozess des Treffens von Entscheidungen, zu dem Menschen durchaus in der Lage sind. Das Treffen von Entscheidungen erfordert die Fähigkeit, Belohnungen zu maximieren, die spezifisch für die Erreichung eines Ziels sind, das mit Essen, Wohlbefinden, der Vermeidung von Schmerz, dem Gewinnen eines Wettbewerbs oder dem Lösen eines Problems zusammenhängen könnte.

Es stellt sich heraus, dass das Gehirn ganz spezifische Funktionen besitzt, die dabei helfen, ein Ziel zu optimieren, das nichts mit dem bloßen Abgleichen eines Musters zu tun hat. Dies geschieht mit Teilen des Gehirns, die als Belohnungsrezeptoren bekannt sind – spezialisierte Proteine, die auf Neurotransmitter wie Dopamin reagieren, um dem Gehirn zu helfen, Vergnügen, Motivation sowie positive oder negative Verstärkung zu erfahren. Neurotransmitter sind wie molekulare Schlösser, die aktiviert werden, wenn der richtige chemische Schlüssel an sie bindet, was dann neuronale Aktivitäten auslöst, die das Verhalten steuern.

Arten von Belohnungsrezeptoren sind:

Offensichtlich sprengt jede Diskussion dieser unglaublich komplexen Mechanismen bei Weitem den Rahmen dieses Buches. Der Punkt, den wir machen möchten, ist, dass das Gehirn über spezifische Mechanismen zur Maximierung von Belohnungen verfügt, wodurch es die beste Entscheidung wählen kann. Dies ist ein Prozess, der sich von den leistungsstarken Mechanismen des Gehirns zur Identifizierung von Mustern unterscheidet. Im Gegensatz dazu werden die von großen Sprachmodellen verwendeten neuronalen Netze darauf trainiert, Muster oder Text zu identifizieren; diese verwenden eine einzige Zielfunktion, die die Ähnlichkeit zwischen einer Funktion (dem neuronalen Netz) und dem Trainingsdatensatz erfasst.

Festlegung von Leistungszielen für andere

Eine wichtige Dimension von Kennzahlen ist die Festlegung von Zielen zum Zweck der Bewertung der Leistung von Personen oder Gruppen. Dies impliziert inhärent ein Multiagenten-Umfeld, in dem ein Entscheidungsträger die Befugnis hat, Leistungsziele für eine andere Einheit in einer Organisation festzulegen. In einem Multiagenten-Umfeld kann das Ziel eines Agenten die Entscheidung eines anderen (vermutlich übergeordneten) Agenten sein.

Die Festlegung von Zielen ist ein besonders reichhaltiges Feld im Kontext von Organisationen mit mehreren Entscheidungseinheiten, die typischerweise hierarchisch organisiert sind. Wir werden in einem zukünftigen Band auf dieses Thema zurückkommen.

Übungen

Wiederholungsfragen

  1. Nennen Sie fünf Beispiele für Leistungskennzahlen.
  2. Was versteht man unter Zielen, Vorgaben und Grenzwerten? Geben Sie ein Beispiel für Kennzahlen, die in jede dieser drei Kategorien fallen würden. Sie können Kennzahlen aus jedem der Beispiele in Kapitel 2 verwenden (sie müssen nicht alle aus demselben Beispiel stammen).
  3. Was ist ein Risikoereignis? Geben Sie Beispiele für Risikoereignisse, wenn Sie:
    1. Der Betreiber des Stromnetzes für eine Region sind.
    2. Ein Arzt sind, der mit einem Patienten zusammenarbeitet, um dessen Diabetes zu managen.
    3. Der Finanzvorstand einer Lieferkette sind.
  4. Nennen Sie zwei Theorien dazu, wie Menschen Wahlmöglichkeiten bewerten.
  5. Nennen Sie vier Rezeptoren, die das Gehirn nutzt, um spezifische Verhaltensweisen zu belohnen.
  6. Entwerfen Sie für jedes der Beispiele von Risikoereignissen in Übung 3 eine Risikokennzahl für dieses Ereignis.

Modellierungsfragen

Entwerfen Sie für jede der folgenden Fragen eine Kennzahlenpyramide unter Verwendung der bereitgestellten Kennzahlen für die angegebene Anwendung, ausgehend von dem festgelegten Entscheidungsträger.

  1. Sie sind Lieferkettenmanager und für die Auswahl von Lieferanten für die Komponenten einer Klimaanlage zuständig. Lieferanten können sich überall auf der Welt befinden.
  2. Sie müssen die Bestände verschiedener Möbelarten für ein Möbeleinzelhandelsgeschäft wieder auffüllen.
  3. Sie müssen Investitionen in neue Stromerzeugungskapazitäten planen (diese Aufträge werden bis zu fünf Jahre im Voraus vergeben).
  4. Sie sind Revenue Manager für ein Hotel.
  5. Sie sind der Arzt, der die Behandlung für einen Diabetes-Patienten auswählt.
  6. Sie sind der Staatsbeamte, der Naloxon-Kits auf die Landkreise Ihres Bundesstaates verteilen muss.
  7. Sie sind ein Pharmaunternehmen, das entscheiden muss, welche Medikamente in Phase-II-Studien aufgenommen werden.
  8. Sie sind der Wahlkampfleiter für eine Präsidentschaftswahl.
  9. Sie sind Vizepräsident für den Betrieb eines Fernverkehrsspediteurs und müssen Disponenten (die Fahrer den Ladungen zuweisen) und Ladungsmanager (die entscheiden, welche Ladungen bewegt werden) steuern.
  10. Sie sind der Investmentfondsmanager, der bestimmen muss, wie viel Bargeld vorrätig gehalten werden soll.