Decision Intelligence: Decision Architecture & Embedded Analytics
Decision Intelligence ist die Disziplin, Data Science, KI und Verhaltenswissenschaft einzusetzen, um die Entscheidungsfindung auf jeder Ebene einer Organisation zu verbessern.
Sie liegt oberhalb der klassischen Analytics und unterhalb reiner KI. Es geht nicht nur darum, Daten zu zeigen (das ist BIBITechnologies and processes that turn raw data into actionable insights via reporting, dashboards and analysis, so teams can decide based on facts rather than intuition.Vollständige Definition ansehen →). Es geht nicht nur darum, Modelle zu bauen (das ist Data Science). Es geht darum, zu verstehen, wie Entscheidungen tatsächlich getroffen werden, wo sie scheitern und wie Daten und Modelle sie verbessern kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.
Warum Entscheidungen scheitern
Organisationen investieren viel in Analytics, sehen aber oft nur begrenzte Verbesserungen der Entscheidungsqualität. Warum?
Der Knowing-Doing-Gap: Daten sind verfügbar, werden aber nicht herangezogen. Manager entscheiden intuitiv und suchen anschließend Daten, die ihre Entscheidung bestätigen. Das ist Confirmation Bias, und ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → ist endemisch.
Decision Friction: Die Daten, die eine Entscheidung verbessern würden, sind schwer zugänglich oder erfordern Interpretation. Wenn der Zugriff auf die richtigen Daten 30 Minuten dauert, entscheiden die Leute ohne sie.
Metric Misalignment: Teams werden an Metriken gemessen, die nicht zu den Unternehmenszielen passen. Ein Sales-Team, das ausschließlich am Umsatz gemessen wird, drückt möglicherweise Produkte in den Markt, die der langfristigen Kundenzufriedenheit schaden.
Cognitive Overload: Zu viele Dashboards, zu viele Metriken. Analyseparalyse ist ein realer Kostenfaktor, Entscheidungen verzögern sich, weil auf weitere Daten gewartet wird.
Decision Intelligence adressiert diese Grundursachen, nicht nur das Datenangebot.
Decision Intelligence Explained
Wissenscheck
1. Wie unterscheidet sich Decision Intelligence von klassischer Business Intelligence (BI) und reiner Data Science?
2. Ein Manager trifft eine intuitive Entscheidung und sucht anschließend nach Daten, um sie zu rechtfertigen. Welche Grundursache für das Scheitern von Entscheidungen zeigt sich hier?
3. Welcher Entscheidungstyp im Decision-Architecture-Framework ist am besten dadurch charakterisiert, dass es um seltene Entscheidungen mit hohem Einsatz geht, die schwer umkehrbar sind und bei denen das menschliche Urteil dominiert?
4. Wählen Sie ALLE Aussagen, die die in der Lektion behandelten Grundursachen für das Scheitern von Entscheidungen korrekt beschreiben.
Wählen Sie alle richtigen Antworten aus.
5. Wählen Sie ALLE korrekten Aussagen darüber, wie sich die Rolle der Daten über die Entscheidungstypen im Framework hinweg verändert.
Wählen Sie alle richtigen Antworten aus.
Das Decision-Architecture-Framework
Decision Intelligence beginnt damit, die Entscheidungslandschaft zu kartieren:
Strategische Entscheidungen: Selten, mit hohem Einsatz, schwer umkehrbar. Beispiele: Markteintritt, M&A, große Technologieinvestitionen. Rolle der Daten: Szenariomodellierung, Marktanalyse, Risikoquantifizierung. Das menschliche Urteil dominiert.
Taktische Entscheidungen: Wöchentlich/monatlich, mittlerer Einsatz. Beispiele: Budgetallokation, Produktpriorisierung, Pricing. Rolle der Daten: Trendanalyse, A/B-Test-Ergebnisse, Forecasts. Datengestützte menschliche Entscheidungen.
Operative Entscheidungen: Täglich/stündlich, geringerer Einsatz, hohes Volumen. Beispiele: Nachbestellung von Beständen, Ad-Bid-Management, Prüfung von Fraud-Flags. Rolle der Daten: automatisierte Regeln und Modelle. Menschliche Aufsicht im MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab.
Automatisierte Entscheidungen: Millisekunden, sehr hohes Volumen. Beispiele: Echtzeit-Fraud-Scoring, Content-Personalisierung, Dynamic PricingDynamic PricingAutomatically adjusting prices in real time based on demand, competition or user behaviour to optimise revenue, margin or conversion.Vollständige Definition ansehen →. Rolle der Daten: ML-Modelle treffen autonome Entscheidungen. Der Mensch überwacht auf Drift.
Die meisten Organisationen investieren stark in strategische Analytics und vernachlässigen die operative und die automatisierte Ebene, wo das Entscheidungsvolumen am höchsten ist und Automatisierung den größten ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen → liefert.
A/B-Testing als Entscheidungssystem
A/B-Testing ist der Goldstandard für Kausalinferenz bei Produkt- und Marketingentscheidungen. Aber die meisten Organisationen haben nicht die Infrastruktur, um rigorose Tests zu fahren.
Ein ausgereiftes A/B-Testing-Programm erfordert: ein Randomisierungs-Framework (sicherstellen, dass Nutzer zufällig zugewiesen werden und sich nicht selbst selektieren), ausreichende Stichprobengrößen (statistische Power verstehen, bevor Tests laufen), Korrektur für multiples Testen (20 Tests gleichzeitig garantieren False Positives) und klare Entscheidungsregeln (welches statistische Konfidenzniveau löst die Entscheidung zum Ausrollen aus?).
Booking.com fährt über 1.000 gleichzeitige A/B-Tests. Jede Produktänderung wird vor dem vollständigen Rollout getestet. Die Kultur: Intuition bildet Hypothesen, Daten entscheiden, welche Hypothesen richtig sind. Das ist Decision Intelligence im MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab.
Daten in Entscheidungs-Workflows einbetten
Die wirkungsvollste Analytics ist unsichtbar: Daten eingebettet in den Workflow, in dem die Entscheidung fällt, nicht in einem separaten Dashboard, an dessen Aufruf sich jemand erinnern muss.
Beispiele:
- Das CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen → eines Sales-Reps zeigt die Churn-Wahrscheinlichkeit jedes Accounts neben der Kontakthistorie, die Daten sind dort, wo der Rep arbeitet, nicht in einem separaten BIBITechnologies and processes that turn raw data into actionable insights via reporting, dashboards and analysis, so teams can decide based on facts rather than intuition.Vollständige Definition ansehen →-Tool.
- Das Daily Briefing eines Filialleiters enthält KI-generierte "drei Dinge, auf die heute zu achten ist", basierend auf Beständen, Wetter und lokalen Events, kuratierter Insight, nicht Rohdaten.
- Das EHR-System eines Arztes zeigt Warnungen zu Wechselwirkungen von Medikamenten inline an, nicht in einer separaten Sicherheitsdatenbank, Entscheidungsunterstützung am Punkt der Entscheidung.
Das aufzubauen erfordert Integration zwischen Datenplattform und operativen Tools, eine technische Komplexität, die viele Organisationen unterschätzen.
Quizfragen
1. Was ist der Hauptunterschied zwischen klassischer Business IntelligenceBusiness IntelligenceTechnologies and processes that turn raw data into actionable insights via reporting, dashboards and analysis, so teams can decide based on facts rather than intuition.Vollständige Definition ansehen → und Decision Intelligence?
A) BIBITechnologies and processes that turn raw data into actionable insights via reporting, dashboards and analysis, so teams can decide based on facts rather than intuition.Vollständige Definition ansehen → nutzt historische Daten, DI ausschließlich Echtzeitdaten
B) BIBITechnologies and processes that turn raw data into actionable insights via reporting, dashboards and analysis, so teams can decide based on facts rather than intuition.Vollständige Definition ansehen → zeigt Daten, DI versteht, wie Entscheidungen getroffen werden, und integriert Daten und Modelle, um sie zu verbessern
C) Decision Intelligence ersetzt menschliche Analysten
D) BIBITechnologies and processes that turn raw data into actionable insights via reporting, dashboards and analysis, so teams can decide based on facts rather than intuition.Vollständige Definition ansehen → ist kostengünstiger als DI
Antwort: B
2. Bei welchem Entscheidungstyp liefert die Automatisierung per ML den höchsten ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →?
A) Strategische Entscheidungen auf hoher Ebene
B) Monatliche taktische Entscheidungen
C) Operative Entscheidungen mit sehr hohem Volumen wie Fraud-Erkennung oder Personalisierung
D) M&A-Entscheidungen
Antwort: C
3. Warum scheitern Entscheidungen oft, obwohl Daten verfügbar sind?
A) Die Daten haben schlechte Qualität
B) Die BIBITechnologies and processes that turn raw data into actionable insights via reporting, dashboards and analysis, so teams can decide based on facts rather than intuition.Vollständige Definition ansehen →-Tools sind zu komplex
C) Der "Knowing-Doing-Gap": Confirmation Bias, Zugriffsfriktion, Cognitive Overload und nicht ausgerichtete Metriken
D) Die Teams haben keinen Zugang zu Analytics-Tools
Antwort: C
Was Sie aus dieser Lektion umsetzen
Diese Maßnahmen sind im Playbook der Rolle zusammengefasst.
- Decisional Analytics in die Host-Workflows einbetten und die Dashboard-Versionen abschalten
Verwandte Artikel
Aktuelle Blogartikel, die auf dieser Lektion aufbauen.
- DataDecision Intelligence und Embedded Analytics: die Entscheidung als DesigneinheitDie meisten Organisationen haben bereits Dashboards. Was fehlt, ist ein Weg, Daten in den Moment zu bringen, in dem tatsächlich entschieden wird. Decision Intelligence stellt das Problem neu: Die Entscheidung selbst wird zu dem, worum herum konstruiert wird.
- DataVon Dashboards zu Entscheidungen: warum die meisten BI-Programme nichts bewegenDie meisten Unternehmen haben viel in ihre Business-Intelligence-Infrastruktur investiert, und trotzdem wird ein auffällig großer Teil der Entscheidungen aus dem Bauch heraus getroffen statt auf Basis von Daten. Für CDOs liegt die eigentliche Aufgabe 2026 nicht mehr darin, Analytics-Kompetenz aufzubauen, sondern die Bedingungen zu schaffen, unter denen Insights tatsächlich Verhalten verändern.
- DataJenseits von Dashboards: warum die meisten BI-Programme keinen strategischen Mehrwert liefern und was CDOs anders machen müssenUnternehmen investieren Millionen in Business-Intelligence-Infrastruktur, doch weniger als 30 % der Analytics-Initiativen beeinflussen messbar die Entscheidungen der Geschäftsführung. Die Lücke zwischen Datenverfügbarkeit und datengetriebener Kultur ist kein Technologieproblem, sondern ein Führungsproblem, und es liegt direkt auf dem Schreibtisch des CDO.