Die richtige Referenzklasse für jede Vorhersage wählen

Finden Sie die statistische Basisrate für die Kategorie, zu der Ihre Entscheidung gehört — nicht nur die inspirierenden Beispiele.

Why it works

Bei der Planung eines Projekts oder einer Entscheidung greifen Menschen natürlich auf die in ihrer Erinnerung präsentesten Beispiele zurück — die überproportional Erfolge sind. Eine „Referenzklasse“ — die Menge aller grob ähnlichen Unternehmungen — explizit zu wählen und ihre historische Ergebnisverteilung nachzuschlagen, erzwingt einen Vergleich mit der gesamten Population statt mit einer kuratierten Stichprobe von Überlebenden.

How to do it

1. Benennen Sie die Kategorie, zu der Ihr Projekt oder Ihre Entscheidung gehört (z. B. „erste Restauranteröffnung“, „Software-Produktlaunch“, „Karrierewechsel ins Consulting“).
2. Suchen Sie nach der historischen Ergebnisverteilung in dieser Kategorie: Wie viel Prozent gelingen, was ist das mediane Ergebnis, was sind die häufigen Misserfolgsmuster?
3. Nutzen Sie diese Verteilung als Ausgangsschätzung, bevor Sie für Faktoren anpassen, die spezifisch für Ihren Fall sind.
4. Gewichten Sie die Basisrate stark, sofern Sie keine konkreten, spezifischen Gründe haben, warum Ihr Fall anders ist.

Evidenz

Referenzklassen-Prognose, formalisiert von Daniel Kahneman und Amos Tversky, zeigt, dass die Nutzung der statistischen Verteilung einer Referenzklasse konsistent Innenperspektiv-Vorhersagen übertrifft. Sie wurde später von Bent Flyvbjerg in der Forschung zu großen Infrastrukturprojekten zu einem Planungswerkzeug weiterentwickelt. (observational)

Referenzklassen-Daten sind oft schwer zu erhalten, und die Referenzklasse selbst ist eine Ermessensentscheidung. Die Methode ist am wirkungsvollsten in Bereichen mit vorhandenen historischen Daten (Bau, Softwareprojekte) und weniger praktikabel, wo diese fehlen.

Quellen

• Kahneman & Lovallo (1993), "Timid Choices and Bold Forecasts", Management Science — inside vs. outside view

Häufiger Fehler

Eine schmeichelhafte Referenzklasse zu wählen („Projekte wie meines, aber die erfolgreichen“) statt der breitesten genauen Klasse, was Survivorship Bias durch die Hintertür wieder einführt.