Nutze Referenzklassen, um persönliche Schätzungen auf Basisraten zu gründen
Bevor du schätzt, wie sich deine Situation entwickeln wird, finde ähnliche vergangene Situationen und prüfe, was geschah.
Why it works
Menschen erzeugen Vorhersagen primär aus der Innensicht – ihrem eigenen Modell des spezifischen Falls –, die systematisch optimistisch ist, weil sie ignoriert, wie oft ähnliche Pläne im Allgemeinen scheitern. Referenzklassen-Prognose korrigiert dies, indem sie den Prior in der Außensicht gründet: der statistischen Verteilung der Ergebnisse für ähnliche Fälle. Die beiden Sichtweisen werden dann kombiniert, statt dass die Innensicht dominiert.
How to do it
- Bestimme deinen Situationstyp: „Das ist ein Hausrenovierungsprojekt / ein Software-Produktstart / ein Versuch der Verhaltensänderung.“
- Finde Daten dazu, wie dieser Projekttyp typischerweise verläuft: Zeitrahmen, Kostenüberschreitungen, Erfolgsraten.
- Nutze diese Basisrate als deine Ausgangswahrscheinlichkeit, dann passe sie für Merkmale an, die deinen Fall besser oder schlechter als den Durchschnitt machen.
- Lass die Innensicht deine Wahrscheinlichkeit nicht mehr erhöhen, als die spezifischen unterscheidenden Merkmale tatsächlich rechtfertigen.
Evidenz
Referenzklassen-Prognose wurde von Daniel Kahneman und Amos Tversky entwickelt und später von Bent Flyvbjerg in der Infrastrukturprojektplanung formalisiert. Studien zeigen, dass sie den Planungsfehlschluss – insbesondere Kosten- und Zeitüberschreitungen – im Vergleich zu Innensicht-Schätzungen zuverlässig reduziert. (observational)
Referenzklassen-Prognose funktioniert am besten, wenn gute historische Basisratendaten existieren; bei neuartigen Situationen ist die Referenzklasse selbst unsicher.
Quellen
- Flyvbjerg (2006), from Nobel Prize to project management: getting risks right, Project Management Journal
- Flyvbjerg, B. (2006). From Nobel Prize to project management: Getting risks right. Project Management Journal, 37(3), 5-15.
Häufiger Fehler
Die Referenzklasse zu wählen, die dein Projekt am unterscheidbarsten (also am ehesten außergewöhnlich) wirken lässt, statt der Klasse, die es am ehrlichsten wiedergibt.
Übe das mit IX Coach
More practices for Bayesianisches Denken: Wie man Überzeugungen rational aktualisiert
- Formuliere deine Vorwahrscheinlichkeit, bevor du die Belege siehst
Verpflichte dich vor der Betrachtung von Daten auf eine numerische Einschätzung, wie wahrscheinlich etwas ist.
- Aktualisiere Überzeugungen schrittweise, nicht auf einmal
Neue Belege sollten deine Wahrscheinlichkeit etwas verschieben – selten von 5 % auf 95 % in einem Schritt.
- Bewerte Belege nach ihrem Wahrscheinlichkeitsverhältnis, nicht danach, wie sie sich anfühlen
Frage, wie viel wahrscheinlicher dieser Beleg wäre, wenn du recht hast, im Vergleich dazu, wenn du falsch liegst.
- Übe Kalibrierung, indem du deine Zuversichtsvorhersagen verfolgst
Deine „80 % sicher“-Überzeugungen sollten etwa 80 % der Zeit eintreffen – überprüfe das.
- Suche aktiv nach Belegen, die deine Überzeugung widerlegen würden
Frage: „Was würde meine Meinung ändern?“ und suche dann genau danach.
- Übersetze Überzeugungen in Wetten, um deine wahre Zuversicht zu enthüllen
Würdest du 100 $ zu gleichen Chancen auf diese Überzeugung setzen? Die Antwort offenbart oft die Lücke zwischen behaupteter und tatsächlicher Zuversicht.
Verwandte Konzepte
- Schnelles Denken, langsames Denken, nutzbar gemacht
Two systems, the biases they create, and when to slow down
- Mentale Modelle: Charlie Mungers Latticework-Ansatz
Building the multi-disciplinary toolkit that lets you see what single-discipline thinkers miss
- Bestätigungsfehler: Sehen, was Sie erwarten zu sehen
The most pervasive cognitive bias and the practices that actually chip away at it
- Erwartungswert-Denken: Entscheiden unter Unsicherheit
The math of rational choice under uncertainty, its real limits, and how to use it anyway