Johannes Siebert

Kategorie: Veröffentlichung

  • Entscheidungen für eine sichere Zukunft: Proaktives Entscheidungsverhalten und das Verhalten bei der finanziellen Altersvorsorge

    Entscheidungen für eine sichere Zukunft: Proaktives Entscheidungsverhalten und das Verhalten bei der finanziellen Altersvorsorge

    Das Verhalten bei der finanziellen Altersvorsorge (engl. Retirement Financial Planning Behavior, RFPB) umfasst die konkreten Handlungen, die Individuen unternehmen, um sich finanziell auf den Ruhestand vorzubereiten. Wir untersuchen RFPB aus der Perspektive des Operational Research (OR) unter Anwendung von Prinzipien der Decision Analysis (DA) – insbesondere der Entscheidungsqualität und des Value-Focused Thinking – operationalisiert durch proaktives Entscheidungsverhalten (Proactive Decision-Making, PDM). Dieses Konzept integriert DA-basierte proaktive kognitive Fähigkeiten (Proactive Cognitive Skills, PCS) mit proaktiven Persönlichkeitseigenschaften, die aus der Organisationsverhaltensforschung stammen.

    Anhand von Querschnittsdaten aus einer Befragung von 457 Erwachsenen im Vereinigten Königreich und mithilfe von Strukturgleichungsmodellen mit systematischen Modellvergleichen und Multigruppenanalysen prüfen wir, ob PDM das RFPB über vier psychologische Merkmale beeinflusst – nämlich (1) Planungstendenz, (2) Vertrauen in die Suche nach Finanzinformationen, (3) Risikobereitschaft bei Investitionen und (4) allgemeine Selbstwirksamkeit – und ob sich diese Zusammenhänge je nach finanzieller Bildung und numerischer Kompetenz unterscheiden.

    Die Ergebnisse zeigen, dass PDM das RFPB vollständig über diese psychologischen Merkmale beeinflusst (vollständige Mediation). Dabei wirken die trainierbaren, DA-basierten PCS als zentraler Mechanismus, während proaktive Persönlichkeitseigenschaften in diesem Zusammenhang keine signifikante Rolle spielen. Das mediierte Modell erklärt 57,1 % der Varianz des RFPB und übertrifft Modelle mit Teilmediation, rein eigenschaftsbasierte Modelle sowie Modelle mit umgekehrter Kausalität.

    Multigruppenanalysen zeigen, dass die indirekte Struktur über Gruppen unterschiedlicher finanzieller Bildung und numerischer Kompetenz hinweg stabil bleibt, wobei sich Hinweise auf eine kompensatorische Rolle der PCS bei geringerer finanzieller Bildung ergeben. Insgesamt verknüpfen die Befunde DA-basierte entscheidungsanalytische Fähigkeiten mit dem Verhalten bei der finanziellen Altersvorsorge.

    Unsere Ergebnisse unterstreichen das Potenzial von auf PCS fokussierten Trainings zur Förderung entscheidungsanalytischer Kompetenzen als OR-relevanten Ansatz zur Stärkung des RFPB – als Ergänzung zu Programmen zur Förderung finanzieller Bildung und numerischer Fähigkeiten. Darüber hinaus ergänzt die Studie optimierungsorientierte OR-Ansätze zur Altersvorsorgeplanung, indem sie PCS als entscheidungsanalytischen Hebel identifiziert, der das RFPB – die verhaltensmäßige Voraussetzung für die Umsetzung solcher Optimierungsempfehlungen in der Praxis – stärkt.

    Siebert, Jana; Siebert Johannes U., Blösl, Florian; “Deciding for a Secure Tomorrow – Examining Proactive Decision-Making and Retirement Planning Behavior”, European Journal of Operational Research) (in press), https://doi.org/10.1016/j.ejor.2025.10.021

  • Fünfzig Jahre Entscheidungsanalyse in der Operational Research: Ein Überblick

    Fünfzig Jahre Entscheidungsanalyse in der Operational Research: Ein Überblick

    Wir geben einen Überblick über die Entwicklung der Forschung zur Entscheidungsanalyse (DA) in den vergangenen fünfzig Jahren. Nach der Darstellung der axiomatischen Grundlagen und einer Diskussion des DA-Prozesses beginnen wir mit dem wertorientierten Denken als Methode zur Problemstrukturierung. Anschließend analysieren wir die Modellbildungsphase mit Fokus auf grafische Modelle für Entscheidungen unter Unsicherheit, darunter Bayes’sche Netzwerke, Entscheidungsbäume und Einflussdiagramme. Danach wird untersucht, wie die DA-Forschung mit Unsicherheit umgeht, insbesondere in den Bereichen Erhebung, Aggregation und Bewertung. Es folgt eine Erörterung der Sensitivitätsanalyse, die lokale und globale Techniken beschreibt – von der Einweg-Sensitivitätsanalyse bis zum Informationswert. Abschließend wird die Literatur zum Thema Informationsgewinnung betrachtet und die Rolle des Informationswerts in diesem Zusammenhang diskutiert.

    Borgonovo, Emanuele; José, Victor, R. R, Shachter, Ross; Siebert, Johannes U; Ulu, Canan. “Fifty Years of Decision Analysis in Operational Research: A Review” (Invited Review on occasion of the celebration of the 50th Anniversary of EURO (the European association of Operational Research Societies), European Journal of Operational Research) https://doi.org/10.1016/j.ejor.2025.05.023

  • ChatGPT vs. Expert:innen: Kann generative KI hochwertige Zielsysteme für organisationale und politische Entscheidungen entwickeln?

    ChatGPT vs. Expert:innen: Kann generative KI hochwertige Zielsysteme für organisationale und politische Entscheidungen entwickeln?

    Diese Studie untersucht die Leistungsfähigkeit generativer künstlicher Intelligenz (GenAI) im Kontext des Value-Focused Thinking, insbesondere ihre Fähigkeit, hochwertige Zielsysteme für organisationale oder politische Entscheidungen zu entwickeln. Insgesamt zeigen unsere Ergebnisse, dass die von GenAI generierten Ziele einzeln betrachtet meist sinnvoll sind, die resultierenden Zielsysteme als Ganzes jedoch deutliche Schwächen aufweisen. Häufig enthalten sie irrelevante Aspekte, lassen wichtige Ziele aus und sind zudem redundant sowie nicht klar strukturierbar. Dies ist unter anderem darauf zurückzuführen, dass GenAI dazu neigt, Mittelziele einzubeziehen – selbst dann, wenn dies explizit vermieden werden soll.

    Gleichzeitig zeigen wir, dass sich die Qualität der Zielsysteme durch den Einsatz von Best Practices im Prompting sowie durch Expertise in der Entscheidungsanalyse deutlich verbessern lässt. Die Ergebnisse unterstreichen die Bedeutung eines „Human-in-the-Loop“-Ansatzes: GenAI eignet sich gut zur Generierung erster Zielideen, jedoch ist die Einbindung von Expert:innen mit fundiertem Hintergrund in der Entscheidungsanalyse entscheidend, bevor die Ergebnisse zur Unterstützung realer Entscheidungen verwendet werden.

    Zur praktischen Umsetzung präsentieren und demonstrieren wir einen vierstufigen Ansatz, der die jeweiligen Stärken von GenAI und Entscheidungsanalyst:innen kombiniert.

    Weitere Informationen finden Sie in der MCI-Pressemitteilung: https://www.mci.edu/de/news-filter/37-studiengaenge/160-news-wirtschaft-management-for-professionals/7207-mci-forschung-wo-ki-endet-beginnt-menschliche-expertise

    Simon, Jay; Siebert, Johannes U. ChatGPT vs. Experts: Can GenAI Develop High Quality Organizational and Policy Objectives? Decision Analysis (in press). https://doi.org/10.1287/deca.2025.0387

  • Lineare Transformation eindimensionaler Nutzenfunktionen: Eine empirische Studie zum Einfluss auf die finale Rangfolge von Alternativen bei persönlichen Entscheidungen

    Lineare Transformation eindimensionaler Nutzenfunktionen: Eine empirische Studie zum Einfluss auf die finale Rangfolge von Alternativen bei persönlichen Entscheidungen

    Die Bestimmung eindimensionaler Nutzenfunktionen für jedes Ziel in der Multiattributiven Nutzentheorie (MAUT) ist für Entscheidungsträger mit erheblichem Zeit- und kognitivem Aufwand verbunden. Dabei müssen sie unter anderem abnehmenden oder zunehmenden Grenznutzen sowie ihre individuelle Risikoeinstellung berücksichtigen, was häufig zu nichtlinearen Funktionsverläufen führt. Diese Einschätzungen sind anfällig für Fehler und Verzerrungen.

    In dieser Studie untersuchen wir, inwieweit eine lineare Transformation eindimensionaler Nutzenfunktionen die Entscheidungsqualität beeinträchtigt. Konkret analysieren wir drei Aspekte: die Verwendung von (nicht-)linearen Nutzenfunktionen, deren Einfluss auf die Rangfolge von Alternativen sowie die Stabilität der besten Alternativen in Abhängigkeit von Nutzenunterschieden unter Annahme linearer Transformation.

    Die Analyse basiert auf 2.536 sorgfältig modellierten persönlichen Entscheidungen, die von Studierenden mithilfe des Entscheidungstools Entscheidungsnavi durchgeführt wurden. Die Ergebnisse zeigen, dass 95,9 % der Teilnehmenden mindestens eine nichtlineare Nutzenfunktion verwendeten und 76,4 % aller Ziele nichtlinear bewertet wurden. Die Vereinfachung präferenzgerechter Nutzenfunktionen durch Linearisierung führte in 15,5 % der Entscheidungen zu einer Rangumkehr der besten Alternative. Die Menge der drei besten Alternativen veränderte sich in 14 % der Fälle. Gleichzeitig befand sich in 98,8 % der Entscheidungen die beste Alternative weiterhin unter den Top drei bei Annahme linearer Nutzenfunktionen.

    Tönsfeuerborn, Mendy; von Nitzsch, Rüdiger; Siebert, Johannes U. “Do Non-Linear Utility Functions Matter? Analyzing the Impact of Non-Linear Utility Functions on the Final Ranking with the Entscheidungsnavi”, Decision Analysis, 23(1), 46–64. https://doi.org/10.1287/deca.2024.0317

  • Verbesserung der Korrektur von Fehlinformationen: Neue Varianten und eine Kombination aus Bewusstseinsschulung und Gegenrede zur Abschwächung von „belief perseverance bias“

    Verbesserung der Korrektur von Fehlinformationen: Neue Varianten und eine Kombination aus Bewusstseinsschulung und Gegenrede zur Abschwächung von „belief perseverance bias“

    Der Belief Perseverance Bias bezieht sich auf die Tendenz von Personen, an ihren voreingenommenen Meinungen festzuhalten, selbst nachdem die Fehlinformationen, die diese Meinungen ursprünglich geprägt haben, zurückgezogen wurden. Diese Studie trägt zur Forschung über die Verringerung der negativen Auswirkungen von Fehlinformationen bei, indem sie den Belief Perseverance Bias abschwächt. Die Studie untersucht die zuvor vorgeschlagenen Techniken des Bewusstseins-Trainings und der Entkräftung von Gegenrede und entwickelt sie weiter, indem neue Varianten eingeführt und kombiniert werden. In einem Experiment mit N = 876 Personen, von denen 364 einen Belief Perseverance Bias aufweisen, untersuchen wir ihre Wirksamkeit bei der Abschwächung des Belief Perseverance Bias nach der Rücknahme von Fehlinformationen zu einem realen Thema. Die Wirksamkeit der Entschärfungstechniken wird durch die Messung des Unterschieds zwischen den Ausgangsmeinungen vor der Exposition gegenüber Fehlinformationen und den Meinungen nach der Exposition gegenüber einer Entschärfungstechnik bewertet. Unsere Studie bestätigte die Wirksamkeit der Techniken zur Bewusstseinsschulung und zur Entkräftung der Gegenrede bei der Abschwächung des „belief perseverance bias“, wobei wir keine erkennbaren Unterschiede in der Wirksamkeit zwischen den zuvor vorgeschlagenen und den neuen Varianten feststellen konnten. Darüber hinaus konnten wir feststellen, dass die Kombination aus Awareness-Training und Gegenrede den Belief Perseverance Bias effektiver abschwächt als die einzelnen Debiasing-Techniken.

    Siebert, Jana, Siebert, Johannes U. “Enhancing misinformation correction: New variants and a combination of awareness training and counter-speech to mitigate belief perseverance bias”. PLoS ONE 19(2): e0299139, 2024, 1-15, https://doi.org/10.1371/journal.pone.0299139

  • Wie Sie Ihr eigener Entscheidungsarchitekt werden und bessere Karriereentscheidungen treffen

    Wie Sie Ihr eigener Entscheidungsarchitekt werden und bessere Karriereentscheidungen treffen

    Die einzige Möglichkeit, wie Sie etwas in Ihrem Leben gezielt beeinflussen können, sind Ihre Entscheidungen. Der Rest Ihres Lebens passiert einfach. Dieser Artikel bietet praktische Konzepte und nützliche Verfahren, die Sie befähigen, Ihr eigener oder Ihre eigene Entscheidungsarchitekt(in) zu werden, um systematisch bessere Entscheidungen zu treffen und Ihr Leben zu verbessern. Darüber hinaus werden konkrete Tipps für Karriereentscheidungen abgeleitet.

    Anmerkung: Dieser Artikel basiert auf dem TEDxInnsbruck „Give yourself a nudge: How you can make better decisions”, 2021, (abrufbar unter https://www.ted.com/talks/johannes_siebert_nudge_yourself_to_make_better_decisions). Darüber hinaus werden konkrete Tipps für Karriereentscheidungen gegeben.

    Den Artikel finden Sie hier:

    https://www.researchgate.net/publication/374589021_Wie_Sie_Ihr_eigener_Entscheidungsarchitekt_werden_und_bessere_Karriereentscheidungen_treffen

  • Applying Decision Analysis to Diverse Domains: An Introduction to the Special Issue

    Applying Decision Analysis to Diverse Domains: An Introduction to the Special Issue

    Die Entscheidungsanalyse floriert in der Operations Research Community

    Die Entscheidungsanalyse (DA) ist eines der wichtigsten Instrumente des Operations Research (OR). Die DA ist besonders effektiv bei der Abbildung der realen Welt auf die Modelldarstellung, um die Anwendung formaler Analysen zu ermöglichen. Die DA ist ein flexibles Modellierungsparadigma, das seit den 1960er Jahren existiert und auf der statistischen Entscheidungstheorie, Elementen des Nutzens aus der Wirtschaftswissenschaft, der Wahrscheinlichkeitstheorie, der dynamischen Programmierung und der stochastischen Programmierung basiert. Sie zielt darauf ab, eine optimale Vorgehensweise für Entscheidungsprobleme mit Unsicherheiten, die sich auf Ergebnisse und Werte auswirken, zu ermitteln. Optimal bedeutet hier Maximierung des erwarteten Nutzens, was nach der Entscheidungstheorie gleichbedeutend ist mit der Befolgung der Axiome der Rationalität bei einer Reihe von Überzeugungen.
    Artikel über DA sind mit einiger Regelmäßigkeit in Interfaces (dem Vorgänger des INFORMS Journal on Applied Analytics (IJAA)) erschienen, wobei sich frühe Anwendungen auf die Politik und spätere auf die Forschung und Entwicklung von Konsumgütern, Pharmazeutika sowie Öl und Gas konzentrierten, was ganz natürlich ist, weil es bei diesen Anwendungen unterschiedliche Entscheidungspunkte gibt, an denen Investitionen fortgesetzt oder gestoppt werden (was die Bedeutung der lateinischen Wurzel decidere ist). In einer Sonderausgabe von Interfaces aus dem Jahr 1992 mit dem Titel „Decision and Risk Analysis“ (Entscheidungs- und Risikoanalyse) wurden Anwendungen vorgestellt, die umfangreiche Darstellungen von Entscheidungsproblemen verwenden, wie z. B. Einflussdiagramme als Abstraktion des Entscheidungsbaums, Strategietabellen zur Definition komplexer Handlungsoptionen und praktische Techniken, die Value-focused Thinking und Wertehierarchien zur Umsetzung der Multiattribut-Nutzentheorie beinhalten.
    All diese Entwicklungen tragen dazu bei, das Wissen und die Anliegen der Problemverantwortlichen durch Modellspezifikation und Urteilserhebung zu erfassen. Darüber hinaus bilden DA-Modelle oft eine Schnittstelle zu separaten, anspruchsvollen technischen oder finanziellen Modellen oder sind diesen untergeordnet. Und DA-Darstellungen helfen dabei, die Implikationen von Modellen zu kommunizieren, z. B. durch Tornado-Diagramme, Portfoliodiagramme, kumulative Verteilungen und Risikoprofile.

    In den letzten Jahren wurde die DA um anspruchsvolle Berechnungsfunktionen erweitert. Obwohl sich bis heute viele DA-Anwendungen letztlich auf die Berechnung von Entscheidungsbäumen oder Ähnlichem beschränken, hat sich die Software verbessert und umfasst nun eine modulare grafische Entwicklung mit Schnittstellen zu Tabellenkalkulationen und Programmierumgebungen wie R und Python. Auch die mit der DA verbundene Theorie entwickelt sich weiter, z. B. die Gruppenentscheidungstheorie und die Erweiterung der Nutzentheorie auf Mehrparteien-Situationen, in denen Überlegungen wie Gerechtigkeit wichtig sind. Es gibt eine beträchtliche Menge an angrenzenden computerintensiven Arbeiten zu Bayes-Netzen, maschinellem Lernen und Inferenz. Die Wissenschaft der Datenerhebung hat sich exponentiell weiterentwickelt, angefangen bei einem besseren Verständnis von Urteilsverzerrungen, der Weisheit der Massen und anderen Möglichkeiten, die Urteile mehrerer Experten zu kombinieren, bis hin zu einer zunehmenden mathematischen und rechnerischen Raffinesse, die in jüngster Zeit mit Copulas zur Darstellung von Korrelationen unterschiedlicher Art zwischen Variablen vorangetrieben wurde. Wie in dieser Ausgabe zu sehen ist, wird die DA zunehmend mit anderen OR-Techniken verknüpft, wie z. B. der mathematischen Programmierung für Portfolio-DA, was zu Innovationen in Wissenschaft und Praxis führt. Somit ist DA ein spannendes Gebiet, das für die Leser der IJAA nicht nur aufgrund seiner eigenen Vorzüge von Interesse ist, sondern auch als ein Gebiet, das einen Mehrwert für andere Bereiche des OR darstellen kann.

    Saurabh Bansal, Jeffrey M. Keisler, Johannes U. Siebert, Karen E. Jenni (2023) Applying Decision Analysis to Diverse Domains: An Introduction to the Special Issue. INFORMS Journal on Applied Analytics 53(3):173-177. https://doi.org/10.1287/inte.2023.1163



  • Making a good career choice: A decision-analytical intervention to enhance proactive decision-making and career choice self-efficacy in high school students

    Making a good career choice: A decision-analytical intervention to enhance proactive decision-making and career choice self-efficacy in high school students

    Am Ende der Schule stehen Jugendliche vor der ersten lebensverändernden Entscheidung, was sie nach dem Schulabschluss machen wollen. Für diese Entscheidungen müssen die Jugendlichen in der Lage sein, gute Entscheidungen zu treffen. Die meisten Schulen haben jedoch noch keine Entscheidungstrainings in ihre Lehrpläne aufgenommen. Um diese Lücke zu schließen, wurde eine neue Intervention mit dem Namen „KLUGentscheiden!“ entwickelt, um komplexe Entscheidungsfindungen bei Oberstufenschülern zu trainieren.

    Die Intervention zielt auf drei Schlüsselkomponenten einer guten Entscheidungsfindung ab: die Vorstellung der eigenen Ziele, die Identifizierung relevanter Alternativen und der Vergleich der identifizierten Alternativen durch eine gewichtete Bewertung. Wir gingen davon aus, dass ein erfolgreiches Training dieser entscheidungsanalytischen Schritte die selbst wahrgenommenen proaktiven Entscheidungsfähigkeiten verbessern sollte. Darüber hinaus sollte das Training auch die selbst eingeschätzte Selbstwirksamkeit bei der Berufswahl erhöhen.

    Die Intervention wurde in einer pseudorandomisierten Kontrollstudie mit 193 Oberschülern evaluiert. Im Vergleich zu einer Kontrollgruppe konnte die Interventionsgruppe die proaktiven Entscheidungsfähigkeiten und die Selbstwirksamkeit bei der Berufswahl signifikant steigern. Obwohl verschiedene Langzeitevaluierungen noch ausstehen, stellt die Intervention KLUGentscheiden! ein wichtiges Instrument zur Schulung komplexer Entscheidungsfindungen bei Oberstufenschülern dar. Sie kann auch auf andere Berufswahlentscheidungen junger Menschen angewandt werden, z. B. auf die Wahl von Studienfächern, einer Abschlussarbeit, eines Arbeitsplatzes oder eines Berufsfeldes.

    Siebert, Johannes U., Becker, Maxi; Oeser, Nadine. “Making the right career choice: A new educational tool to train decision-making proactivity in high school students” (Decision Sciences Journal for Innovative Education), https://onlinelibrary.wiley.com/doi/10.1111/dsji.12280

  • Supporting Innovation in Early-Stage Pharmaceutical Development Decisions

    Supporting Innovation in Early-Stage Pharmaceutical Development Decisions

    Pharmazeutische Unternehmen überprüfen ihr Portfolio regelmäßig, um den Entwicklungsfortschritt zu überwachen und Prioritäten bei der Entwicklung von Produkten zu setzen. Bei den frühesten Vermögenswerten handelt es sich um Arzneimittelkandidaten, deren Wirksamkeit unbekannt ist und deren Auswirkungen auf den menschlichen Körper noch nicht vollständig erforscht sind. Bei diesen Vermögenswerten ist es sehr unsicher, ob sie den Markt erreichen und in der klinischen Praxis eingesetzt werden. Darüber hinaus sind nicht alle potenziellen Anwendungen vorhersehbar und können oft sehr unterschiedlich sein. In Ermangelung zufriedenstellender Methoden für die Entscheidung über die Zuteilung von Ressourcen für frühe Entwicklungsgüter konzentrieren sich die Entscheidungsträger fast ausschließlich auf die Bewertung der Wahrscheinlichkeit des technischen Erfolgs eines Gutes.

    In dieser Studie wird eine ganzheitlichere Methodik zur Unterstützung von Entscheidungen in der frühen Phase der pharmazeutischen Entwicklung vorgeschlagen, bei der Value-focused Thinking und multikriterielle Entscheidungsfindung zum Einsatz kommen. Die Methodik funktioniert innerhalb des Rahmens für die Entscheidungsqualität und bietet eine konsistente Bewertung verschiedener früher Entwicklungsgüter in einer Vielzahl von Krankheitsbereichen. Diese Kombination von Konzepten und Methoden wurde bei Bayer Pharmaceuticals implementiert und hat sich dort als nützlich erwiesen, da das Unternehmen einen neuen, robusteren Entscheidungsfindungsprozess für die frühe Entwicklung benötigte. In dieser Studie wird daher erörtert, wie konkrete Abwägungen auf der Ebene der Unternehmensziele möglich sind, um die Unternehmensstrategie auf die Portfoliostrategie abzustimmen, zu kommunizieren und umzusetzen.

    Darüber hinaus werden in dieser Studie Erkenntnisse für Entscheidungsanalysten und Entscheidungsträger in der pharmazeutischen Industrie vorgestellt, wie man eine Reihe grundlegender Ziele entwickelt, wie man Skalen zur Operationalisierung dieser Ziele erstellt und wie man Schritte zur Entlastung eines organisatorischen Entscheidungsprozesses unternimmt.

    Methling, Florian; Borden, Steffen A., Veeraraghavan, Deepak; Sommer; Insa, Siebert, Johannes Ulrich; von Nitzsch, Rüdiger; Seidler, Mark „Supporting Innovation in Early-Stage Pharmaceutical Development Decisions “, in Special Issue on Health Decision Analysis: Evolution, Trends, and Emerging Topics by Elisa F. Long, Gilberto Montibeller, Jun Zhuang, Decision Analysis (INFORMS), https://doi.org/10.1287/deca.2022.0452