Für Entscheider: Die meisten strategischen Entscheidungen werden getroffen, ohne den vollständigen Entscheidungsraum zu sehen
Kapitalallokation scheitert selten an fehlender Analyse. Sie scheitert daran, dass der Entscheidungsraum nicht vollständig berechnet wird.
Bereits bei 20 Initiativen existieren über 1 Million mögliche Portfoliokombinationen. Bei 50 Projekten sind es mehr als eine Billiarde.
Vorstände prüfen Projekte. Gremien priorisieren Maßnahmen. Controlling überwacht Budgets.
Doch nahezu keine Organisation berechnet die mathematisch optimale Kombination unter realen Nebenbedingungen.
Das globale Optimum bleibt unsichtbar.
Wenn der vollständige Entscheidungsraum nicht berechnet wird, wird Komplexität verwaltet – nicht optimiert.
Im Folgenden analysieren wir, wie Organisationen ihr Portfolio formal modellieren und das globale Optimum unter realen Nebenbedingungen ex ante bestimmen können:
Ausgangspunkt: Die vollständige Investitionsliste vor der eigentlichen Entscheidung
Der entscheidende Unterschied dieser neuen Berechnungsmethode liegt im Zeitpunkt der Anwendung: Sie wird nicht nach der Entscheidung zur Validierung verwendet, sondern vor der eigentlichen Entscheidung, ausgehend von der vollständigen Investitions- und Projektliste des Unternehmens.
Typischerweise existiert eine Liste potenzieller CAPEX-Projekte – z. B. Werksmodernisierungen, IT-Transformationen, Produktentwicklungen, Infrastrukturmaßnahmen oder Effizienzprogramme. Gleichzeitig bestehen fixe Restriktionen wie ein begrenztes Gesamtbudget, begrenzte Engineering-Kapazitäten, Produktionsfenster, Risikobudgets und strategische Rahmenbedingungen.
Genau hier entsteht das eigentliche Entscheidungsproblem: Nicht alle Projekte können umgesetzt werden. Die Frage ist daher nicht, welche Projekte isoliert sinnvoll erscheinen, sondern welche Kombination dieser Projekte unter den gegebenen Restriktionen das global optimale Gesamtportfolio bildet.
Die neue Berechnungsmethode bewertet daher nicht einzelne Projekte isoliert, sondern berechnet aus der vollständigen Projektliste das optimale Portfolio unter Berücksichtigung aller Budget-, Kapazitäts-, Risiko- und Strategiegrenzen. Das Ergebnis ist eine mathematisch fundierte Auswahl derjenigen Projekte, die gemeinsam den maximalen Gesamtwertbeitrag erzeugen – vor der eigentlichen Investitionsentscheidung.
Dadurch wird CAPEX-Planung von einem sequenziellen Auswahlprozess zu einer konsistenten Portfolio-Optimierung überführt, bei der Opportunitätskosten, Restriktionsengpässe und Portfolioeffekte vollständig berücksichtigt werden.
Projekte verschwinden nicht – sie werden besser positioniert und über mehrere Jahre optimal eingeplant
In einem mathematisch optimierten Investitionssystem werden Projekte nicht verworfen. Stattdessen werden sie neu priorisiert, zeitlich verschoben oder strategisch anders positioniert, sodass sie unter gegebenen Budget-, Kapazitäts- und Risikorestriktionen zum optimalen Zeitpunkt den maximalen ökonomischen Beitrag zum Gesamtportfolio leisten.
Entscheidend ist dabei die Mehrjahresperspektive. Investitionsentscheidungen werden nicht isoliert für ein einzelnes Jahr getroffen, sondern im Kontext von 2-, 3-, 5- oder 10-Jahresplänen optimiert.
Liquidität, die durch die Optimierung im Startjahr entsteht, wird systematisch in das Folgejahr übertragen. Dadurch erhöht sich das verfügbare Investitionsbudget der nächsten Periode. Auch dieses Folgejahr wird anschließend erneut optimiert.
Der Effekt: Projekte können nachgezogen werden, sobald sie unter den neuen Budget-, Kapazitäts- und Renditebedingungen in das global optimale Portfolio passen. Auf diese Weise entsteht eine dynamische Mehrjahresoptimierung, bei der jede Optimierungsperiode die Investitionsmöglichkeiten der folgenden Jahre strukturell verbessert.
Warum die meisten Portfolios strukturell suboptimal sind – in 90 Sekunden
- Portfolioentscheidungen erzeugen einen kombinatorischen Entscheidungsraum nach der Logik 2^N.
- Ab etwa 20 Projekten ist eine vollständige manuelle Bewertung faktisch unmöglich.
- Heuristiken (z. B. „Top 5 nach NPV“, „IRR > WACC“, „Payback < 3 Jahre“) erzeugen systematische Verzerrungen.
- Organisationen verwechseln lokale Optima mit der besten Lösung im gesamten Entscheidungsraum.
- Opportunitätskosten bleiben dadurch strukturell unsichtbar.
- Algorithmische Optimierung berechnet die beste Projektkombination unter realen Nebenbedingungen (Budget, Kapazität, Risiko, ESG etc.).
Fazit:
Wer den vollständigen Lösungsraum nicht berechnet, akzeptiert implizit suboptimale Kapitalallokation.
Was beschreibt ein Decision Tree im Kontext der Entscheidungsanalyse?
Ein Decision Tree (Entscheidungsbaum) ist ein strukturiertes, grafisches Modell zur Darstellung von Entscheidungsprozessen. Er wird in der Informatik, Statistik, Betriebswirtschaft, Psychologie und zunehmend auch in der Künstlichen Intelligenz eingesetzt. Im Kern bildet ein Decision Tree Entscheidungsregeln in Form einer Baumstruktur ab. Jede Verzweigung steht für eine Bedingung, jede Abzweigung für eine mögliche Ausprägung dieser Bedingung, und jedes Blatt (Endknoten) repräsentiert ein Ergebnis oder eine Entscheidung.
Decision Trees sind besonders deshalb beliebt, weil sie komplexe Zusammenhänge visuell verständlich darstellen. Sie gehören zu den sogenannten überwachten Lernverfahren (Supervised Learning) im Bereich des Machine Learning. Gleichzeitig werden sie seit Jahrzehnten in der klassischen Entscheidungsanalyse verwendet, etwa bei Investitionsentscheidungen, Risikobewertungen oder medizinischen Diagnosen.
1. Grundidee eines Decision Trees
Ein Decision Tree basiert auf einer einfachen Logik: Wenn eine bestimmte Bedingung erfüllt ist, gehe nach links. Wenn sie nicht erfüllt ist, gehe nach rechts. Dieses Prinzip wird rekursiv wiederholt, bis ein Endergebnis erreicht ist.
Formal besteht ein Entscheidungsbaum aus:
- Wurzelknoten (Root Node): Startpunkt des Entscheidungsprozesses
- Innere Knoten (Decision Nodes): Prüfen eine Bedingung oder ein Merkmal
- Äste (Branches): Mögliche Ausprägungen der Bedingung
- Blätter (Leaf Nodes): Endergebnis oder Klassifikation
Beispiel: Ein Unternehmen prüft, ob ein Projekt gestartet werden soll. Die erste Frage lautet: Ist der erwartete ROI größer als 12 %? Je nach Antwort verzweigt der Entscheidungsprozess in weitere Prüfungen.
2. Mathematische Grundlage
Decision Trees teilen einen Entscheidungsraum schrittweise auf. Mathematisch handelt es sich um eine rekursive Partitionierung des Merkmalsraums.
Typische Optimierungskriterien beim Training eines Decision Trees sind:
- Gini-Index
- Entropie (Information Gain)
- Varianzreduktion (bei Regressionsbäumen)
Ziel ist es, mit jeder Aufteilung die „Unreinheit“ der Daten zu reduzieren.
3. Arten von Decision Trees
| Typ | Beschreibung | Beispiel |
|---|---|---|
| Klassifikationsbaum | Ordnet Daten einer Kategorie zu | Spam oder kein Spam |
| Regressionsbaum | Sagt numerische Werte voraus | Umsatzprognose |
| CHAID | Statistisch basierte Aufteilung mit Chi-Quadrat-Test | Marktsegmentierung |
| CART | Binary Splits, weit verbreitet | Medizinische Diagnostik |
4. Vorteile von Decision Trees
- Hohe Interpretierbarkeit
- Keine linearen Annahmen notwendig
- Kann mit kategorialen und numerischen Daten arbeiten
- Visuell darstellbar
5. Nachteile von Decision Trees
- Überanpassung (Overfitting)
- Instabilität bei kleinen Datenänderungen
- Greedy-Optimierung (lokal, nicht global)
Besonders relevant ist der letzte Punkt: Ein klassischer Decision Tree optimiert immer nur lokal den besten Split. Er prüft nicht den gesamten Entscheidungsraum simultan.
6. Decision Tree vs. Komplexer Entscheidungsraum
Wenn wir beispielsweise 20 Projekte bewerten, existieren 220 mögliche Kombinationen. Das sind 1.048.576 Kombinationen.
Ein klassischer Decision Tree würde diese Möglichkeiten nicht vollständig durchsuchen. Er trifft Schritt-für-Schritt-Entscheidungen und folgt einem Pfad.
Hier liegt der fundamentale Unterschied zur modernen Entscheidungsintelligenz.
7. StratePlan Entscheidungsintelligenz
Während ein Decision Tree einen Entscheidungsraum hierarchisch strukturiert und lokal optimiert, arbeitet StratePlan mit einer globalen Optimierungslogik.
Statt einzelne Splits zu bewerten, analysiert StratePlan simultan den gesamten kombinatorischen Raum. Ab etwa sieben Projekten steigt die Anzahl möglicher Kombinationen exponentiell (2^N). Ab 20 Projekten sprechen wir bereits von über einer Million Optionen. Ab 50 Projekten von über einer Billiarde.
Ein klassischer Entscheidungsbaum kann diese Räume strukturell darstellen, aber nicht global berechnen.
StratePlan hingegen nutzt mathematische Optimierungsverfahren, um das globale Optimum unter Nebenbedingungen (Budget, Laufzeit, IRR, strategische Restriktionen) direkt zu berechnen.
8. Beispiel: Investitionsportfolio
Ein CFO muss aus 15 Projekten auswählen. Jedes Projekt hat:
- Investitionskosten
- Erwarteten ROI
- Laufzeit
- Risikoprofil
- Strategische Priorität
Ein Decision Tree könnte schrittweise filtern:
- ROI > 10 %?
- Budget verfügbar?
- Risiko akzeptabel?
StratePlan berechnet dagegen alle 215 = 32.768 Kombinationen unter Berücksichtigung aller Nebenbedingungen gleichzeitig und identifiziert das mathematisch optimale Portfolio.
9. Entscheidungsbäume in der Praxis
Decision Trees finden Anwendung in:
- Medizinische Diagnostik
- Kreditwürdigkeitsprüfung
- Marketing-Segmentierung
- Qualitätskontrolle
- HR-Entscheidungen
In vielen dieser Anwendungsfälle ist Interpretierbarkeit wichtiger als globale Optimierung.
10. Fazit
Ein Decision Tree ist ein transparentes, intuitives Werkzeug zur Strukturierung von Entscheidungen. Er eignet sich hervorragend für Klassifikations- und Prognoseaufgaben mit klaren Merkmalen.
Seine Schwäche liegt in der lokalen, schrittweisen Entscheidungslogik. Bei hochdimensionalen Portfolio- oder Investitionsentscheidungen mit exponentiellem Entscheidungsraum reicht diese Struktur nicht mehr aus.
Hier setzt moderne Entscheidungsintelligenz wie StratePlan an: Nicht der beste nächste Split wird gesucht, sondern das globale Optimum im gesamten Raum.
FAQ
Was ist ein Decision Tree einfach erklärt?
Ein Decision Tree ist ein Entscheidungsdiagramm, das Fragen nacheinander prüft und zu einem Ergebnis führt.
Ist ein Decision Tree KI?
Ja, im Machine Learning ist er ein überwacht lernendes Verfahren. Er gehört zu den klassischen KI-Methoden.
Was ist der Unterschied zwischen Decision Tree und Random Forest?
Ein Random Forest kombiniert viele Decision Trees, um Stabilität und Genauigkeit zu erhöhen.
Warum sind Decision Trees interpretierbar?
Weil jede Entscheidung auf klaren, nachvollziehbaren Regeln basiert.
Wo liegen die Grenzen?
Bei exponentiell wachsenden Entscheidungsräumen und komplexen Nebenbedingungen.
Was macht StratePlan anders?
StratePlan berechnet das globale Optimum im gesamten kombinatorischen Entscheidungsraum und berücksichtigt Budget-, Zeit- und Rendite-Restriktionen simultan.
Wann sollte man einen Decision Tree verwenden?
Wenn Transparenz, Regelbasierung und schnelle Klassifikation wichtiger sind als globale Portfolio-Optimierung.
Anna-Lena Rissel ist Psychologie-Studentin und studiert Psychologie und Psychotherapie an der Charlotte Fresenius Universität. Als Tochter von Sascha Rissel verbindet sie psychologische Grundlagen mit einem ausgeprägten Interesse an unternehmerischen Entscheidungsprozessen. Ihr fachlicher Fokus liegt auf der Wirtschaftspsychologie sowie auf Fehlentscheidungen in Management- und Board-Kontexten – insbesondere darauf, wie kognitive Verzerrungen, Heuristiken und strukturelle Rahmenbedingungen zu systematischen Entscheidungsfehlern führen und wie diese vermieden werden können.