Was ist Decision Intelligence?

Auf einen Blick

1. Decision Intelligence behandelt die Entscheidung als Einheit: Signale, Kontext, Optionen, Freigabe, Wirkung und Rückmeldung werden gemeinsam gestaltet – nicht nur Daten und Dashboards.
2. Jeder Baustein beantwortet eine eigene Frage: Statistik (Was wissen wir, wie sicher?), Simulation (Was könnte passieren?), Optimierung (Was ist die beste zulässige Handlung?) und Lernen aus Feedback (Was lehrt uns das Ergebnis?).
3. Eine gute Entscheidung erkennt man am Prozess, nicht am einzelnen Ausgang. Deshalb braucht Decision Intelligence eine Vergleichsbasis, vorab festgelegte Kriterien und klare Zuständigkeiten.

Die meisten Datenprojekte enden bei einer Zahl: einer Kennzahl im Dashboard, einer Prognose, einem Score. Die eigentliche Arbeit beginnt danach – jemand muss entscheiden, was aus dieser Zahl folgt. Decision Intelligence setzt genau an dieser Stelle an. Sie behandelt nicht die Daten, sondern die Entscheidung als das Objekt, das gestaltet, gemessen und verbessert wird. Dieser Artikel ordnet den Begriff ein, zeigt, welche Methode welche Teilfrage beantwortet, und rechnet ein kleines Beispiel vollständig durch.

Eine Arbeitsdefinition

Decision Intelligence bezeichnet einen Ansatz, der Entscheidungen als wiederholbaren und überprüfbaren Prozess gestaltet. Lorien Pratt beschreibt sie als Disziplin, die Daten, Handlungen und Ergebnisse ausdrücklich miteinander verknüpft (Pratt 2019). Neu ist dabei vor allem die Klammer, weniger die einzelnen Werkzeuge: Statistik, Operations Research und Entscheidungsanalyse gibt es seit Jahrzehnten. Howard Raiffa hat die Entscheidungsanalyse schon Ende der 1960er-Jahre als eigenes Fach beschrieben (Raiffa 1968). Decision Intelligence verbindet diese Bausteine zu einem durchgängigen Zyklus – und ergänzt, was in vielen Analyseprojekten fehlt: die Freigabe durch eine verantwortliche Person und die Rückmeldung aus der beobachteten Wirkung.

Die sechs Schritte im Einzelnen:

1. Signale – Messwerte, Meldungen und Prognosen, jeweils mit Herkunft und Alter.
2. Kontext – die Beziehungen, die eine Zahl erst deutbar machen: Welcher Standort, welche Zusage, welche Grenze gehört dazu?
3. Optionen – die tatsächlich verfügbaren Handlungen, einschließlich „abwarten“ und „mehr Information beschaffen“.
4. Entscheidung – die Bewertung der Optionen nach vorab vereinbarten Zielen und eine Rolle, die freigibt.
5. Wirkung – was tatsächlich eintritt, gemessen mit denselben Größen, mit denen geplant wurde.
6. Rückmeldung – der Abgleich von Erwartung und Ergebnis, der Modelle, Annahmen und Regeln verbessert.

Der Kern liegt zwischen Schritt 3 und 4. Eine Prognose sagt, was wahrscheinlich passiert. Welche Handlung daraus folgt, hängt zusätzlich von Zielen, Kosten, Grenzen und Risikobereitschaft ab. Dieselbe Absatzprognose kann für zwei Unternehmen zu unterschiedlichen, jeweils gut begründeten Bestellmengen führen – das Beispiel weiter unten zeigt, warum.

Von Business Intelligence zu Decision Intelligence

Die betriebliche Analytik wird oft als Stufenfolge beschrieben, die von Standardberichten über statistische Analysen und Prognosen bis zur Optimierung reicht (Davenport & Harris 2007). Decision Intelligence ist keine weitere Stufe obendrauf, sondern verbindet die Stufen mit der Entscheidung, für die sie gebraucht werden:

Der Unterschied zu Prescriptive Analytics ist klein, aber wichtig: Decision Intelligence endet nicht bei der Empfehlung. Freigabe, Umsetzung und die Messung der Wirkung gehören zum System – ebenso die Frage, wer für eine Entscheidung zuständig ist.

Die Bausteine: welche Methode welche Frage beantwortet

Eine belastbare Entscheidungsgrundlage beantwortet fünf verschiedene Fragen. Jede hat ihre eigene Methode:

Was wissen wir – und wie sicher?

Statistik liefert im besten Fall keine einzelne Zahl, sondern eine Verteilung plausibler Werte. Bayessche Verfahren tun das besonders direkt: Der Posterior beschreibt, was nach den Daten über eine Größe bekannt ist. Für Entscheidungen ist das der Rohstoff. Eine Absatzprognose von 1.000 Stück ist wenig wert, wenn offen bleibt, ob 700 oder 1.300 ebenso plausibel sind. Ein Prognoseintervall macht diese Spanne sichtbar (Hyndman & Athanasopoulos 2021); ob man ihm trauen kann, zeigt seine Kalibrierung über viele Prognosen hinweg.

Was ist uns welches Ergebnis wert?

Die Entscheidungstheorie verbindet Wahrscheinlichkeiten mit Bewertungen: Wie gut ist welcher Ausgang, und wie schwer wiegt ein Verlust gegenüber einem gleich großen Gewinn? Wer nur den erwarteten Gewinn maximiert, verhält sich risikoneutral – das ist eine Annahme, keine Selbstverständlichkeit. Aus derselben Logik folgt der Wert der Information: Zusätzliche Daten lohnen sich nur, wenn sie eine Entscheidung ändern können. Douglas Hubbard empfiehlt deshalb, zuerst zu fragen, welche Unsicherheit die Wahl tatsächlich beeinflusst, und genau diese zu messen (Hubbard 2014).

Was könnte passieren?

Simulation spielt Handlungsoptionen in vielen Szenarien durch. Die Monte-Carlo-Simulation zieht Tausende Varianten der unsicheren Eingaben und zeigt, wie sich das Ergebnis verteilt – einschließlich der unangenehmen Ränder der Verteilung, die ein Durchschnitt verschweigt.

Was ist die beste zulässige Handlung?

Optimierung sucht unter allen Handlungen, die Kapazitäten, Budgets und Regeln einhalten, die mit dem besten Zielwert. Sie ist nur so gut wie die Formulierung von Ziel und Grenzen: Eine unbemerkt veränderte Gewichtung verschiebt Prioritäten, ohne dass es jemand beschlossen hat. Deshalb gehören Zielfunktion und Nebenbedingungen dokumentiert und abgestimmt – nicht nur implementiert.

Was lehrt uns das Ergebnis?

Wiederholen sich Entscheidungen, kann ein System aus ihren Folgen lernen. A/B-Tests sind die kontrollierte Form dieses Lernens. Multi-Armed Bandits verteilen Versuche so, dass das Lernen unterwegs wenig kostet; Reinforcement Learning erweitert die Idee auf Folgen von Entscheidungen, deren Wirkung erst später sichtbar wird.

Spiele sind für solche Fragen ein präzises Testfeld, weil Regeln, Spielzustand und Ergebnis eindeutig definiert sind. NyxAI untersucht mit DeepSquare im Schach, wie Suche, Bewertung und Zeitbudget bei Entscheidungen unter Zeitdruck zusammenwirken – als erklärbare Schach-KI mit menschlichen Spielstilen, die bald auf deepsquare.ai zu sehen sein wird. Übertragbar ist daraus vor allem die Methode; Anwendungen außerhalb des Schachs brauchen eigene Daten, Annahmen und Tests.

Mehrere dieser Bausteine lassen sich in den interaktiven Explainern im Kleinen ausprobieren.

Ein durchgerechnetes Beispiel: Wie viel bestellen?

Ein Händler legt vor der Saison fest, wie viele Einheiten eines Saisonartikels er einkauft; nachbestellen kann er nicht. Jede verkaufte Einheit bringt 40 €, der Einkauf kostet 22 € pro Stück, unverkaufte Ware lässt sich nach der Saison für 10 € abverkaufen. Dazu kommen 5.000 € feste Kosten für Listung und Kampagne. In der Lagerhaltungstheorie heißt dieses Muster Newsvendor-Problem (Porteus 2002).

Schritt 1: Die Prognose als Verteilung

Die Absatzprognose lautet 1.000 Stück – mit Unsicherheit. Vereinfachend sei die Nachfrage $D$ normalverteilt mit Mittelwert 1.000 und Standardabweichung 300. Das 80-%-Prognoseintervall reicht damit von etwa 616 bis 1.384 Stück. Schon diese Spanne zeigt, dass „1.000 bestellen“ keine selbstverständliche Antwort ist.

Schritt 2: Optionen und Bewertung

Der Gewinn hängt von der Bestellmenge $Q$ und der Nachfrage $D$ ab:

Verglichen werden eine vorsichtige Menge (800), die Punktprognose (1.000), eine großzügige Menge (1.200) und die rechnerisch optimale Menge aus Schritt 4.

Schritt 3: Simulation

Für jede Option werden zwei Millionen Nachfragewerte aus der Prognoseverteilung gezogen und jeweils der Gewinn berechnet. Aus den simulierten Gewinnen lassen sich Erwartungswert, Quantile und das Verlustrisiko ablesen (Werte gerundet):

Die Werte stimmen mit den geschlossenen Formeln für die Normalverteilung überein; die Simulation hat den Vorteil, dass sie auch mit schiefen Verteilungen, Kapazitätsgrenzen oder mehreren Artikeln funktioniert.

Schritt 4: Optimierung

Welche Menge maximiert den erwarteten Gewinn? Eine fehlende Einheit kostet 18 € entgangenen Deckungsbeitrag ($c_u = 40 - 22$), eine überzählige 12 € Abschreibung ($c_o = 22 - 10$). Im Optimum muss die Wahrscheinlichkeit, mit der bestellten Menge auszukommen, genau dem Verhältnis dieser Kosten entsprechen – das kritische Quantil des Newsvendor-Modells:

Daraus folgt $Q^* = 1000 + 300 \cdot \Phi^{-1}(0{,}6) \approx 1000 + 300 \cdot 0{,}253 \approx 1076$. Weil eine fehlende Einheit mehr kostet als eine übrig gebliebene, liegt das Optimum über der Punktprognose.

Schritt 5: Entscheidung

Die Tabelle zeigt, was die Punktprognose allein verschweigt. Zwischen 1.000 und 1.076 Stück liegen nur gut 110 € erwarteter Gewinn, aber das Verlustrisiko steigt von 7,4 auf 9,0 %. 800 Stück bringen im Erwartungswert rund 1.500 € weniger als das Optimum, dafür ist das Verlustrisiko nur halb so groß. Welche Option die richtige ist, hängt davon ab, wie viel Risiko der Betrieb tragen kann und will – eine Frage der Bewertung, nicht der Prognose. Ein Händler mit vielen ähnlichen, voneinander unabhängigen Artikeln kann risikoneutral rechnen und 1.076 wählen; für einen kleinen Betrieb, den ein Verlust empfindlich trifft, können 1.000 oder sogar 800 Stück die besser begründete Wahl sein. Die Rechnung macht die Abwägung sichtbar; entscheiden müssen die Verantwortlichen.

Schritt 6: Rückmeldung

Nach der Saison wird verglichen: Lag die Nachfrage im Prognoseintervall, und wie weit lagen erwarteter und tatsächlicher Gewinn auseinander? Nach mehreren Saisons zeigt sich, ob die 80-%-Intervalle tatsächlich in etwa acht von zehn Fällen getroffen haben. Liegen sie deutlich öfter daneben, ist die Prognose zu optimistisch – und mit ihr jede darauf aufbauende Optimierung. Erst dieser Abgleich schließt den Kreis.

Entscheidungsqualität ist nicht Ergebnisqualität

Angenommen, die Nachfrage beträgt in dieser Saison nur 700 Stück. Eine Nachfrage von 700 Stück oder weniger ist unter der angenommenen Verteilung nicht ungewöhnlich: Sie tritt ungefähr in jeder sechsten Saison auf. Mit 1.076 bestellten Einheiten bleibt ein Gewinn von 3.088 €, mit 800 Einheiten wären es 6.400 € gewesen. Im Rückblick wirkt die kleinere Bestellung klüger. Vor der Saison war sie es nach dem vereinbarten Kriterium, dem erwarteten Gewinn, nicht.

Annie Duke nennt den Fehlschluss, die Güte einer Entscheidung am einzelnen Ergebnis abzulesen, „resulting“ (Duke 2018). Entscheidungsqualität beurteilt man am Prozess: Waren die relevanten Optionen bekannt, war die Unsicherheit ehrlich beziffert, war die Bewertung vorab vereinbart? Über viele Entscheidungen hinweg zeigt sich dann auch im Ergebnis, ob der Prozess taugt. Für die Bewertung eines Entscheidungssystems folgen daraus drei Regeln:

• Vergleichsbasis festlegen. Wie wurde bisher entschieden, und mit welchem Ergebnis? Ohne diese Basis ist jede Verbesserung eine Behauptung.
• Kriterien vorab bestimmen. Welche Größe zählt – Gewinn, Servicegrad, Verlustrisiko – und über welchen Zeitraum? Eine Entscheidungsregel, die erst nach dem Ergebnis formuliert wird, rechtfertigt, statt zu prüfen.
• Dokumentiert vergleichen. Empfehlung, tatsächliche Entscheidung, Begründung und Wirkung werden festgehalten. Nur so lässt sich später trennen, ob ein Modell, eine Annahme oder eine bewusste Abweichung das Ergebnis erklärt.

Menschliche Urteile sind dabei nicht der Goldstandard, an dem man Modelle misst. Kahneman, Sibony und Sunstein zeigen, wie stark die Urteile von Fachleuten über gleiche Fälle streuen – ein Rauschen, das zusätzlich zu systematischen Verzerrungen auftritt (Kahneman et al. 2021; Kahneman 2011). Strukturierte Entscheidungsprozesse verringern beides, weil sie gleiche Fälle nach gleichen Kriterien behandeln.

Governance: Wer entscheidet?

Ein Entscheidungssystem verlagert Verantwortung nicht auf ein Modell. Governance legt fest, wer ein System verantwortet, wer Empfehlungen freigibt, wie Risiken gemessen werden und wie sich eine Entscheidung im Nachhinein nachvollziehen lässt. Das AI Risk Management Framework des NIST ordnet diese Aufgaben in vier Funktionen: Govern, Map, Measure und Manage (NIST 2023).

In der Praxis bewährt sich ein abgestuftes Vorgehen. Routinefälle innerhalb klarer Grenzen kann ein System selbst ausführen; Fälle außerhalb der vereinbarten Grenzen gehen mit Begründung an einen Menschen, der prüft und freigibt. Dieses Prinzip heißt Human-in-the-Loop. Es funktioniert nur, wenn die Empfehlung erkennen lässt, auf welchen Annahmen sie beruht – sonst wird die Freigabe zur Formalität.

Typische Fehler

1. Prognose und Entscheidung verwechseln. Wie viel bestellt wird, folgt nicht aus der Prognose allein, sondern aus Prognose, Kosten und Risikobereitschaft.
2. Punktwerte statt Verteilungen weitergeben. Wer nur „1.000 Stück“ meldet, verschweigt genau die Information, die über das Risiko entscheidet.
3. Ziele und Grenzen implizit lassen. Eine Optimierung ohne ausdrückliche Ziele und Nebenbedingungen optimiert das Falsche – dafür präzise.
4. Keinen Rückkanal einplanen. Ohne Abgleich von Erwartung und Wirkung bleiben Modellfehler unentdeckt und wiederholen sich.
5. Zu früh automatisieren. Wer einen Entscheidungsprozess automatisiert, bevor er verstanden und gemessen ist, skaliert auch seine Schwächen.
6. Zuständigkeit offen lassen. Wenn niemand eine Empfehlung freigeben muss, fühlt sich im Zweifel niemand verantwortlich.

Klein anfangen

Der erste Anwendungsfall muss nicht der größte sein. Wertvoller ist einer, bei dem sich nach wenigen Wochen belastbar zeigen lässt, ob die neue Entscheidungsgrundlage besser ist als die alte – und bei dem die Beteiligten die Empfehlungen nachvollziehen können.

Fazit

Decision Intelligence ist weniger eine neue Technik als eine neue Klammer um bewährte Methoden. Statistik beziffert, was wir wissen; Simulation zeigt, was passieren könnte; Entscheidungstheorie und Optimierung bestimmen, was unter den eigenen Zielen und Grenzen die beste Wahl ist; Lernen aus Feedback verbessert die nächste Entscheidung. Zusammen entsteht ein Prozess, der nachvollziehbar bleibt – und in dem Menschen entscheiden, mit einer besseren Grundlage.

Häufige Fragen

Was ist Decision Intelligence, einfach erklärt?

Decision Intelligence gestaltet Entscheidungen als überprüfbaren Prozess: Signale und Kontext werden erfasst, Handlungsoptionen mit Statistik, Simulation und Optimierung verglichen, eine verantwortliche Person gibt frei, und die beobachtete Wirkung fließt in die nächste Entscheidung zurück.

Was ist der Unterschied zwischen Decision Intelligence und Business Intelligence?

Business Intelligence beschreibt in Berichten und Dashboards, was passiert ist. Decision Intelligence setzt dort an, wo aus diesen Informationen eine Handlung werden soll: Sie vergleicht Optionen unter Unsicherheit, macht Ziele und Grenzen ausdrücklich und misst, ob die Entscheidung gewirkt hat.

Ersetzt Decision Intelligence menschliche Entscheidungen?

Nein. Sie verbessert die Entscheidungsgrundlage und kann Routinefälle innerhalb klarer Grenzen automatisieren. Wer ein System verantwortet, wer Empfehlungen freigibt und wie Abweichungen behandelt werden, regelt die Governance – die Verantwortung bleibt bei Menschen.

Welche Methoden gehören zu Decision Intelligence?

Vor allem Statistik und bayessche Verfahren für Unsicherheit, Entscheidungstheorie für die Bewertung von Ergebnissen, Simulation für mögliche Verläufe, Optimierung für die beste zulässige Handlung und Lernverfahren wie Bandits oder Reinforcement Learning für die Rückkopplung aus Ergebnissen.

Quellen und weiterführende Literatur

1. BuchPratt, L. (2019): Link: How Decision Intelligence Connects Data, Actions, and Outcomes for a Better World. Emerald Publishing.
2. BuchRaiffa, H. (1968): Decision Analysis: Introductory Lectures on Choices under Uncertainty. Addison-Wesley.Klassische Einführung in die Entscheidungsanalyse, eine der Wurzeln von Decision Intelligence.
3. BuchDavenport, T. H. und Harris, J. G. (2007): Competing on Analytics: The New Science of Winning. Harvard Business School Press.
4. BuchHyndman, R. J. und Athanasopoulos, G. (2021): Forecasting: Principles and Practice (3. Auflage). OTexts.Frei verfügbares Lehrbuch, unter anderem zu Prognoseverteilungen und Prognoseintervallen.
5. BuchPorteus, E. L. (2002): Foundations of Stochastic Inventory Theory. Stanford University Press.Enthält das Newsvendor-Modell mit der Bedingung des kritischen Quantils.
6. BuchHubbard, D. W. (2014): How to Measure Anything: Finding the Value of Intangibles in Business (3. Auflage). Wiley.Messen als Verringern von Unsicherheit, kalibrierte Schätzungen und der Wert von Information.
7. BuchDuke, A. (2018): Thinking in Bets: Making Smarter Decisions When You Don't Have All the Facts. Portfolio/Penguin.
8. BuchKahneman, D. (2011): Thinking, Fast and Slow. Farrar, Straus and Giroux.
9. BuchKahneman, D., Sibony, O. und Sunstein, C. R. (2021): Noise: A Flaw in Human Judgment. Little, Brown Spark.
10. BerichtNational Institute of Standards and Technology (NIST) (2023): Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1. U.S. Department of Commerce.

Zuletzt fachlich geprüft am 25. September 2026. Hinweise auf Fehler nehmen wir gern entgegen: impressum@nyxai.com.

Weiterlesen

Entscheiden & Optimieren

Entscheidungstheorie und Entscheidungsbäume

Von der Ergebnismatrix über Erwartungswert und Erwartungsnutzen bis zum Entscheidungsbaum: wie man Optionen unter Unsicherheit vergleicht – und was zusätzliche Information wert ist.

10 Min. Lesezeit

Simulation & Unsicherheit

Monte-Carlo-Simulation einfach erklärt

Wie aus Zufallszahlen belastbare Zahlen werden: π schätzen, eine Projektdauer tausendfach durchspielen und den Simulationsfehler sauber abschätzen.

10 Min. Lesezeit· mit interaktivem Explainer

Entscheiden & Optimieren

Optimierung: lineare Programme und Scheduling

Entscheidungsvariablen, Zielfunktion, Nebenbedingungen: wie lineare Programme funktionieren, was Schattenpreise verraten, warum Runden scheitert und wie Scheduling-Regeln wirken.

11 Min. Lesezeit