Was messbar ist, ist nicht unbedingt bedeutsam

Robert Strange McNamara studierte Wirtschaft, Mathematik und Philosophie. Er promovierte an der Universität Harvard als Master of Business Administration. Nach einem Jahr bei Price Waterhouse ging er zurück nach Harvard und wurde jüngster und bestbezahlter bestbezahlter Assistent. Während des Zweiten Weltkriegs arbeitete er mehrheitlich als Statistiker und berechnete u. a. die Effizienz der amerikanischen Luftschläge, vor allem in Indien, China und auf den Marianeninseln.

Nach dem Krieg war er Direktor für Planung und Finanzanalyse bei der Ford Motor Company. 1960 wurde er auch dank seines ausgeprägten analytischen Denkvermögens und seines Führungsstils der erste Ford-Präsident, der nicht aus dem Hause Ford kam. Die außerordentlich erfolgreichen Jahre bei Ford prägen McNamara so sehr, dass er mit Menschen, die seinen Analysen und Statistiken nicht folgten oder die ihre Argumente nicht mit Zahlen oder Analysen belegten, kaum etwas zu tun haben wollte. Von 1961 bis 1968 war er US-Verteidigungsminister und von 1968 bis zu seiner Pensionierung 1981 war er Chef der Weltbank, wobei er sich vor allem in der Bekämpfung der Armut engagiert hat.

Der McNamara-Trugschluss

Im Kern liegt der nach ihm (aufgrund seiner Analysen im Vietnamkrieg) benannte McNamara-Trugschluss darin, die Entscheidung bzw. Beurteilung eines Erfolges ausschließlich auf der Basis von Zahlen (Metriken oder Statistiken) zu treffen. Vereinfachend gesagt wird das gemessen, was leicht zu messen ist. Was nicht so leicht zu messen ist, bekommt einen Wert einer quantitativen Metrik zugewiesen, wird zunächst einfach als «unwichtig für den Erfolg» angesehen und schließlich als «gar nicht existent» aufgefasst.1 Schwer zu quantifizierende Beobachtungsergebnisse werden also tendenziell übersehen und immaterielle Werte wie Motivation oder Erwartungshaltung werden eher ignoriert.

Aufgrund des Festhaltens an der (Haupt)Metrik zur Messung des Erfolgs geht der grundlegende Überblick zunächst unmerklich und dann immer deutlicher verloren. Die Messbarkeit von Einflussfaktoren wird verwechselt mit ihrer Bedeutsamkeit für den erwarteten Erfolg.

Zusätzlich wird der Einfluss der Messmethode auf die Messergebnisse komplett ignoriert. Schon Heisenberg hatte gezeigt, dass dieser Einfluss keineswegs die Folge von methodisch und/oder technisch behebbaren Unzulänglichkeiten eines Messvorgangs, sondern prinzipieller Natur ist.2

Ebenso wird übersehen, dass man auf verifizierbare Daten angewiesen ist, die unter keinen Umständen und unter keinem Bezugspunkt voreingenommen zu (erwünschten) Informationen verdichtet werden dürfen. Hierbei bleibt die Genauigkeit der zahlenmäßigen Auswertung immer abhängig von präzisen und differenzierten Ausgangsdaten, die nicht überinterpretiert werden dürfen.3 Diese Unvoreingenommenheit ist eine große Hürde, denn Menschen sind höchstens sehr begrenzt rational agierende Akteure4, die systematischen Urteilsverzerrungen unterliegen.5

Kognitive Verzerrungen

Kognitive Verzerrungen oder biases beschreiben den Umstand, dass Individuen systematisch Schlussfolgerungen ziehen, die durch zugrundeliegende Informationen unzureichend oder überhaupt nicht gedeckt sind.6. Derartige biases können sich überlappen oder gar konkurrenzieren7

In der Literatur werden die biases auf eine begrenzte Zahl von Entscheidungsheuristiken (rules of thumb) zurückführt, die beim Lösen komplexer Probleme unter Unsicherheit angewandt werden8.

Eine derartige Kategorisierung9. Unterschieden wird hier erstens in biases als Ergebnis kognitiver Schnellverfahren, die in vielen Situationen gute Ergebnisse erzielen, obwohl sie normative Standards nicht einhalten (heuristische Entscheidungsprozesse). Zweitens kognitiv verzerrte Entscheidungen, die daraus resultieren, dass diese geringere Fehlerkosten implizieren als nicht verzerrte Entscheidungen (error management biases). Drittens geht es um biases aufgrund fehlender Anpassung menschlicher Denkprozesse an gewisse Aufgabenstellungen (artifacts).

Quantifizierung in der Wirtschaft

Ungeachtet dessen besteht im Wirtschaftsleben heute ein Trend zur Quantifizierung. Es werden Kennzahlen ermittelt und kaum hinterfragt als standardisierte Belege für die erbrachte Leistung benutzt. Damit wird vornehmlich der Verpflichtung zu mehr Rechenschaft, Transparenz und Leistungsbeurteilung nachgekommen. Eine kritische betriebswirtschaftliche Würdigung dieses Unterfangens ist bislang kaum zu finden10

Die weit verbreitete Begeisterung für Kennzahlen11 wird vor allem durch das Ineinandergreifen von drei Überzeugungen gespeist:

  • Sorgfältig ausgeführte und hoch differenzierte verbale Stellungsnahmen von erfahrenen Experten sind ersetzbar durch numerische Indikatoren, die einen objektiven Vergleich der jeweils zu bewertenden Leistung ermöglichen.
  • Durch die standardisierte Ermittlung von Kennzahlen wird erkennbar, wie übertragene Aufgaben noch effizienter ausgeführt werden können.
  • Die Akteure sind dadurch gut zu motivieren, dass ihre Bezahlung und ihre Reputation an standardisierte Kennzahlen koppelt werden.

Die nichtintendierten Nebenfolgen dieses Ansatzes (mit dem daran gekoppelten Entlohnungsmodells) sind bereits in den 1970er-Jahren auf den Begriff gebracht worden. Unabhängig voneinander formulierten in den USA und in Großbritannien zwei Autoren eine Einsicht, die seither als „Campbellʼs Law“ beziehungsweise „Goodhartʼs Law“ zitiert wird. Der Ökonom Charles Goodhart und der Sozialpsychologe Donald T. Campbell wiesen darauf hin, dass Indikatoren zur Leistungsmessung wertlos werden, wenn sie durch die Indikatoren beeinflussbar sind, deren Leistungsvermögen sie erfassen sollen.12

Fazit

Die Tendenz zur Entscheidung ausschließlich auf der Basis von Zahlen einer (Haupt)Metrik zur Messung des Erfolgs ist ungebrochen. Die Messbarkeit von Einflussfaktoren wird verwechselt mit ihrer Bedeutsamkeit für den erwarteten Erfolg. In (zu) vielen Fällen geht der grundlegende Überblick schleichend und lange Zeit unbemerkt verloren. Wo ermittelte (Kenn)Zahlen mit regulativen Zielwerten verwechselt werden, dort verlieren sie ihren Wert als quantitativer Indikator. Diese Verwechselung verändert die Erwartungen der Beteiligten und erhöht die Wahrscheinlichkeit, dass ermittelte Daten voreingenommen zu (erwünschten) Informationen verdichtet werden. Das ist eine wesentliche Grundlage für den McNamara-Fehlschluss.

….

  1. Yankelovich, Daniel (1972): A continuing study of the new demands on business, Stanford, CT: Yankelovich Inc. []
  2. Heisenberg, Werner (1927): Über den anschaulichen Inhalt der quantentheoretischen Kinematik und Mechanik. In: Zeitschrift für Physik, Band 43, Nr. 3, S. 172–198, doi:10.1007/BF01397280 []
  3. Lienert, Gustav A.; Raatz, Ulrich (2011): Testaufbau und Testanalyse. 6. Auflage. Weinheim: Beltz, S. 8 []
  4. Simon, Herbert A. (1959): Theories of Decision-Making in Economics and Behavioral Science. In: The American Economics Review. Vol. 49, Issue 3, S. 258 ff. []
  5. Kahneman, Daniel; Slovic Paul; Tversky Amos (1974): Judgment under uncertainty: Heuristics and biases, Cambridge: Cambridge University Press []
  6. Haselton, Martie G.; Nettle, Daniel; Andrews, Paul W. (2005): The Evolution of Cognitive Bias, in: Buss, M. (Hrsg.): The Evolutionary Psychology Handbook, 2. Aufl., New Jersey, S. 724-746S, hier S. 724 []
  7. Baker, H. Kent/Nofsinger, John R. (2002): Psychological Biases of Investors, Financial Service Review 2002, Vol. 11, S. 97-116, hier S. 99. []
  8. Tversky, Amos; Kahneman, Daniel (2007): Judgement under Uncertainty: Heuristics and Biases, in: Kahneman, Daniel; Slovic, Paul; Tversky, Amos (Hrsg.): Judgement under Uncertainty: Heuristics and Biases, Cambridge 2007, S. 3-20 []
  9. Haselton, Martie G.; Nettle, Daniel; Andrews, Paul W. (2005): The Evolution of Cognitive Bias, in: Buss, M. (Hrsg.): The Evolutionary Psychology Handbook, 2. Aufl., New Jersey, S. 724-746 []
  10. Eine rühmliche Ausnahme bieten Kahle, Egbert; Küsters, Elmar A. (2021): Unternehmensführung und -kontrolle jenseits von Zahlen. Auf Werte und klare Entscheidungsstrukturen kommt es an, in: ZfO – Zeitschrift Führung und Organisation, 4/2021, S. 207–212 []
  11. Muller, Jerry Z. (2018): The Tyranny of Metrics, Princeton, NJ / Oxford: Princeton University Press ix []
  12. Goodhart, Charles (1975):  Problems of monetary management: the U.K. experience. In: Courakis, Antony S. (Ed.), (1981): Inflation, Depression and Economic Policy in the West. Totowa, N.J.; Campbell, Donald T (1979): Assessing the impact of planned social change. In: Evaluation and Program Planning, Vol. 2, Issue 1, S. 67–90, doi:10.1016/0149-7189(79)90048-X []

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.