Decision Making Entscheidungsmethode

Decision Tree

Ein Decision Tree stellt Entscheidungen, unsichere Ereignisse und Folgen als verzweigte Struktur dar und macht begründete Optionen und Annahmen sichtbar.

Ein decision tree stellt Entscheidungen, unsichere Ereignisse und Folgen als verzweigte Struktur dar. Er hilft, Optionen und Annahmen offenzulegen; Zahlen sind nur sinnvoll, wenn Wahrscheinlichkeiten und Werte begründet sind.

Kernfrage

Welche Handlungsoptionen und Unsicherheiten führen zu welchen Folgen, und welche Annahmen tragen die Wahl?

Arbeit planen Methodenanleitung

Vergleich starten

Feedback gebenHilft dir diese Methode?

Teilnehmende: 1-6
Zeit: 30–90 Minuten für einen kleinen Baum; Datenerhebung und Bewertung separat.

Welche Handlungsoptionen und Unsicherheiten führen zu welchen Folgen, und welche Annahmen tragen die Wahl?

Papierillustration der Methode Decision Tree mit einer klaren Arbeitsstruktur.

Frage
Entscheidung und Endpunkte rahmen
Formuliere eine konkrete Entscheidung, verfügbare Optionen, Folgen und Kriterien. Lege fest, ob ein Entscheidungsdiagramm oder ein statistisches ML-Modell gemeint ist.
Knoten
Entscheidungs-, Zufalls- und Endknoten unterscheiden
Zeichne Entscheidungsknoten mit verfügbaren Alternativen, Zufallsknoten mit möglichen Ereignissen und Endknoten mit Konsequenzen oder Ergebniswerten.
Evidenz
Evidenz, Wahrscheinlichkeiten und Werte nur bei Daten ergänzen
Beschrifte bedingte Wahrscheinlichkeiten pro Zufallsknoten, wenn sie empirisch oder methodisch begründet sind; sie müssen je Knoten vollständig zu 1 summieren. Werte und Kosten mit Quelle und Zeiteinheit dokumentieren.
Entscheidung
Folgen vergleichen und Entscheidung dokumentieren
Prüfe Pfade, Sensitivitäten, Datenlücken und nicht-monetäre Kriterien. Dokumentiere gewählte Option, Begründung, Verantwortliche und Revisionssignal.

Aktualisiere die Arbeitsunterlage, wenn neue Belege, geänderte Rahmenbedingungen oder die vereinbarte Überprüfung eine Annahme verändern.

Geeignet, wenn

Für mehrstufige Entscheidungen mit klaren Alternativen und Unsicherheiten. Statistische Entscheidungsbaum-Algorithmen zum Klassifizieren oder Regressieren sind ein anderes Verfahren.

Ideal für

Option Evaluation
Policy Design
Produkt- oder Prozesslogik

Nicht gut für

Diffuse Strategiefragen ohne Kriterien
Kreative Ideation

Ergebnisse

Entscheidungsfrage und Kriterien
Das Artefakt enthält die konkrete Entscheidung, verfügbare Optionen, Folgen und Kriterien und kennzeichnet, ob ein Entscheidungsdiagramm oder ein statistisches ML-Modell gemeint ist.
Baum mit eindeutigem Knotentyp
Das Diagramm zeigt Entscheidungsknoten mit verfügbaren Alternativen, Zufallsknoten mit möglichen Ereignissen und Endknoten mit Konsequenzen oder Ergebniswerten.
Nachvollziehbare Verzweigungsannahmen
Das Artefakt enthält empirisch oder methodisch begründete bedingte Wahrscheinlichkeiten pro Zufallsknoten. Die Werte und Kosten nennen Quelle und Zeiteinheit, und die Wahrscheinlichkeiten summieren sich je Knoten vollständig zu 1.
Begründete Entscheidung und Prüftermin
Geprüfte Pfade, Sensitivitäten, Datenlücken und nicht-monetäre Kriterien sowie gewählte Option, Begründung, Verantwortliche und Revisionssignal.

Decision Tree Arbeitsblatt

Fiktives Beispiel

Methodenspezifische Fragen mit fiktivem ausgearbeiteten Beispiel; die Arbeitsvorlage bleibt leer.

Entscheidung und Endpunkte rahmen

Entscheidungsfrage und Kriterien

Fiktiv: Ein Verleih entscheidet, ob für eine neue Filiale ein zusätzlicher Check-in-Schalter eingerichtet wird.

Entscheidungs-, Zufalls- und Endknoten unterscheiden

Baum mit eindeutigem Knotentyp

Beispielstruktur: Entscheidung Schalter einrichten? → Zufallsknoten Nachfrage hoch/niedrig → Endknoten mit Folgen. Wahrscheinlichkeiten bleiben leer, solange keine belastbare Grundlage vorliegt.

Evidenz, Wahrscheinlichkeiten und Werte nur bei Daten ergänzen

Nachvollziehbare Verzweigungsannahmen

Fiktives Beispiel ohne Zahlen: Nachfrage hoch/niedrig sind Szenarien; keine Eintrittswahrscheinlichkeit oder erwarteter Wert wird behauptet.

Folgen vergleichen und Entscheidung dokumentieren

Begründete Entscheidung und Prüftermin

Fiktiv: Der Verleih sammelt zuerst Spitzenzeitdaten; Entscheidung wird nach saisonaler Beobachtung neu bewertet.

OpenLearn explains decision-analysis branches and chance probabilities; IBM provides the separate ML tree terminology. This guide distinguishes decision, chance and terminal nodes and uses no unsupported probabilities.

Decision trees and dealing with uncertainty | Open University OpenLearn

Erster Schritt

Schreibe Entscheidung, Optionen, mögliche externe Ereignisse, Endfolgen und Entscheidungskriterien auf.

Zur Methodenanleitung

Davor sinnvoll

Ein hypothetisches Scheitern macht konkrete Risiken, Frühwarnsignale und passende Maßnahmen sichtbar.

Decision Making

Pre-Mortem

Liefert vorweggenommene Ausfälle als mögliche externe Ereignisse im Baum.

Wie geht es weiter?

Decision Making

Trade-off Analysis

Vergleicht die gewählten Pfade zusätzlich gegen akzeptierte Kompromisse.

Papierillustration einer Annahmenmatrix mit priorisierten Testkarten

Decision Making

Assumption Surfacing

Macht die Annahme hinter der identifizierten Datenlücke explizit und plant einen Testschritt.

Vertiefung

Zweck

Bei Entscheidungen mit Folgepfaden und Abhängigkeiten genügt eine lineare Gegenüberstellung oft nicht. Ein Decision Tree zeigt, wie sich Optionen unter Bedingungen verzweigen und welche Konsequenzen an jedem Ast hängen.

Funktionsweise

Die Entscheidungsfrage wird entlang von Bedingungen, Ereignissen und möglichen Zuständen aufgespannt. Dadurch wird erkennbar, welche Pfade teuer, unwahrscheinlich oder strategisch riskant sind und wo Informationsgewinn den größten Wert hat. So wird Unsicherheit in ein prüfbares Pfadmodell übersetzt.

Im Detail

Ein Decision Tree entfaltet Stärke, wenn eine Entscheidung von Bedingungen, Ereignissen und Folgeoptionen abhängt. Unsicherheit wird als Pfadstruktur sichtbar und zeigt, wo zusätzliche Information wirklich wertvoll wäre. Der Baum bleibt nur brauchbar, wenn relevante Verzweigungen modelliert und Konsequenzen ehrlich bewertet werden.

Durchführung

Lege die Ausgangsfrage, die wichtigsten Verzweigungen und die entscheidenden Unsicherheiten fest, bevor der Baum zu breit wächst. Hilfreich wird er dort, wo Informationsgewinn sichtbar macht, welcher Ast zuerst geklärt werden sollte. Schließe mit einem bevorzugten Pfad, den Auslösern für Neubewertung und den größten bekannten Restunsicherheiten.

Die Methodenanleitung führt mit 4 Phasen, Zeitrahmen, 4 Stolperfallen und klaren Abbruchkriterien durch die Umsetzung.

Methodenanleitung öffnen

Deine Einschätzung

Hilft dir diese Methode für dein Vorhaben?

Mit deinem Feedback hilfst du, den Methodatlas weiterzuentwickeln.

Quellen und Themen

Themen

Entscheidung Baumstruktur Optionen

Quellen

Decision trees and dealing with uncertainty | Open University OpenLearnopen.eduOpenLearn explains decision-analysis branches and chance probabilities; IBM provides the separate ML tree terminology. This guide distinguishes decision, chance and terminal nodes and uses no unsupported probabilities.What is a Decision Tree? | IBMibm.comOpenLearn explains decision-analysis branches and chance probabilities; IBM provides the separate ML tree terminology. This guide distinguishes decision, chance and terminal nodes and uses no unsupported probabilities.

Artefakt-Vorlagen

Decision Tree: ArbeitsvorlagePlane die Sitzung oder das Vorhaben passend zum tatsächlichen Arbeitsumfang.

markdown

decision-tree-working-template.md

Plane die Sitzung oder das Vorhaben passend zum tatsächlichen Arbeitsumfang.

Decision Tree: Arbeitsvorlage

Fragestellung

Noch zu klären

Gewünschtes Ergebnis

Noch zu klären

Rahmen

Vollständige Methode vorbereiten Zeit: 30–90 Minuten für einen kleinen Baum; Datenerhebung und Bewertung separat.

Diese Vorlage während der Arbeit auf Papier oder in einem eigenen Dokument ausfüllen.

Vorbereitung für diesen Umfang

Methodische Grundausstattung

Materialien: Whiteboard, Entscheidungsbelege, Datenquellen für Wahrscheinlichkeiten und Werte, Kriterien und Entscheidungseigentümer.
Rollen: Entscheidungseigentümer · Fachpersonen für Unsicherheiten · Datenexpertise bei quantitativen Bewertungen.
Vorab-Infos: Material, Datenzugang und Teilnehmende vorab nach Forschungs- oder Entscheidungsfrage festlegen.
Gesamter Zeitbedarf: 30–90 Minuten für einen kleinen Baum; Datenerhebung und Bewertung separat.
Setup: Arbeitsfläche mit der methodenspezifischen Struktur öffnen. Fiktive Beispiele dienen nur der Orientierung; Arbeitsvorlage und eigene Befunde bleiben getrennt.

Für die Arbeitsschritte bereitstellen

Frage: Entscheidung und Endpunkte rahmen

Schreibe Entscheidung, Optionen, mögliche externe Ereignisse, Endfolgen und Entscheidungskriterien auf.
Whiteboard, Entscheidungsbelege, Datenquellen für Wahrscheinlichkeiten und Werte, Kriterien und Entscheidungseigentümer.

Knoten: Entscheidungs-, Zufalls- und Endknoten unterscheiden

Entscheidungsfrage und Kriterien
Whiteboard, Entscheidungsbelege, Datenquellen für Wahrscheinlichkeiten und Werte, Kriterien und Entscheidungseigentümer.

Evidenz: Evidenz, Wahrscheinlichkeiten und Werte nur bei Daten ergänzen

Baum mit eindeutigem Knotentyp
Whiteboard, Entscheidungsbelege, Datenquellen für Wahrscheinlichkeiten und Werte, Kriterien und Entscheidungseigentümer.

Entscheidung: Folgen vergleichen und Entscheidung dokumentieren

Nachvollziehbare Verzweigungsannahmen
Whiteboard, Entscheidungsbelege, Datenquellen für Wahrscheinlichkeiten und Werte, Kriterien und Entscheidungseigentümer.