Möglichkeiten und Grenzen des Einsatzes der Delphi-Prognose

Inhaltsverzeichnis

Abbildungsverzeichnis

1 Einleitung

2 Prognosen
2.1 Grundlagen
2.2 Methoden
2.2.1 Quantitative Prognosetechnik
2.2.2 Qualitative Prognosetechnik

3 Delphi-Methode
3.1 Definition
3.2 Ablauf
3.3 Bewertung

4 Anwendung der Delphi-Prognose
4.1 Einsatzmöglichkeiten
4.2 Grenzen

5 Schlussbetrachtung

6 Anhangverzeichnis

7 Literaturverzeichnis

Abbildungsverzeichnis

Abb. 2.2.1: Gütekriterien für Prognosen

Abb. 3.2.1: Schema des Delphi-Ablaufs

1 Einleitung

Zukunft bedeutet Unsicherheit. Unternehmen können ohne Planung für die Zukunft, langfristig nicht bestehen. In einer Zeit immer komplexer und dynamisch werdender Rahmenbedingungen kann keine unternehmerische Entscheidung ohne Risiken getroffen werden. Lebenszyklen für Innovationen verkürzen sich und auch der hohe internationale Wettbewerbsdruck durch die Globalisierung bleibt nicht ohne Konsequenzen. Ziel dieser Arbeit ist es, konkrete Anwendungsbereiche aber auch zu beachtende Grenzen von Delphi-Prognosen insbesondere im Controlling aufzuzeigen. Dazu muss zunächst das Verständnis von Prognosen sowie der Delphi-Methode geprägt werden.

Die Delphi-Methode wurde in den 50er Jahren von der RAND Corporation im Rahmen von geheimen Studien für die Planung strategischer Waffensysteme entwickelt. Hierfür wurde der Begriff "Project Delphi" geschaffen und eine spezielle Methode der schriftlichen strukturierten Expertenbefragung entwickelt. Der Öffentlichkeit wurde die Methode erst 1964 durch die Forscher Helmer und Gorden vorgestellt. In dem „Report on a Long Range Forecasting Study“ wurden die langfristigen Vorhersagen von wissenschaftlichen und technischen Entwicklungen definiert^[1]. Die Delphi-Methode wurde geschaffen, um die bei den bekannten statistischen Prognoseverfahren mit einbezogenen prognose-irrelevaten Informationen auszuschließen und gleichzeitig alle relevanten Informationen zu berücksichtigen. Die Relevanz von Informationen kann nur von einem Experten mit umfassenden Kenntnissen auf dem Prognosegebiet entschieden werden^[2]. In Deutschland fand die Delphi-Methode in den 70er Jahren eine beachtliche Rezeption in der Betriebswirtschaftslehre, vorwiegend für Zwecke der strategischen Unternehmensplanung. Seit den 90er Jahren erfolgt auch ein breiterer Einsatz der Methode in Deutschland.

2 Prognosen

2.1 Grundlagen

Eine Entscheidung innerhalb eines Unternehmens oder in der Wissenschaft wird oft auf Basis von Entwicklungstrends oder vergangenheitsorientierten Verläufen getroffen. Für eine Planung auf strategischer oder operativer Ebene ist diese Sichtweise jedoch nicht ausreichend. Es sind Prognosen als Entscheidungsunterstützung notwendig. Aufgrund einer beträchtlichen Reihe von Prognosedefinitionen soll das Verständnis für Prognosen wie folgt geprägt werden. „Prognosen stellen qualitativ oder quantitativ begründete Aussagen über ein in der Zukunft liegendes Ereignis oder eine Entwicklung dar, die ggf. unter Zuhilfenahme von statistischen Modellen sowie unter Berücksichtigung von Erfahrungswissen und Informationen aus dem Unternehmen und seinem Umfeld getroffen werden“^[3]. Prognosen können zur Verringerung von Unsicherheit beitragen, da zukunftsorientiertes Wissen ausgewertet wird. Sie lassen sich klar von Prophezeiungen unterscheiden, da Prognosen auf einem objektivierbaren Urteil beruhen und bestimmte Anforderungen erfüllen müssen^[4]. Oft werden sie gerade zu dem Zweck gestellt, dass zukünftige Ereignisse nicht eintreten und so Schäden vermieden werden^[5].

Die Aussage einer Prognose stellt den Bestandteil eines Plans dar und ist mit verschiedenen Unsicherheitsfaktoren behaftet. Sobald der Unsicherheitsfaktor entfällt, spricht man von einer determinierten Prognose. Der Prognosebegriff im klassischen Sinne beinhaltet den Faktor Unsicherheit, der als Grundlage für eine gehaltvolle Aussage über die Zukunft notwendig ist^[6]. Aus diesem Grund werden nur stochastische Aussagen als Prognosen anerkannt. Zur Erstellung von Prognosen für ein oder mehrere Ereignisse ist nach Abgrenzung des Prognoseproblems zunächst die Definition des Prognoseobjektes notwendig. Um den Grad der Unsicherheit bestimmen zu können, muss ein Prognosezeitpunkt oder -zeitraum festgelegt werden. Dieser wird in der Literatur sehr unterschiedlich betrachtet. Einigkeit besteht jedoch darüber, dass eine Unterteilung in kurz-, mittel- und langfristige Prognosen besteht. Eine Art der Untergliederung könnte mit der Zuordnung für kurzfristige Prognosen bis zu einem Jahr, für mittelfristige Prognosen bis zu 5 Jahren und für langfristige Prognosen bis zu 10 Jahren beschrieben werden^[7]. In der Regel werden kurzfristige Prognosen für spezielle Fragestellungen verwendet, wohingegen die mittel- und langfristigen Prognosen allgemeine Betrachtungen abdecken. Die Unsicherheit nimmt mit steigender Fristigkeit des Prognosezeitraumes zu. Für die strategische Planung sind kurzfristige Prognosen von geringerer Bedeutung, da der Zeitraum von strategischen Entscheidungen weitreichender ist. Eine weitere Voraussetzung für die Erstellung von Prognosen bildet das Sammeln und Analysieren von Beobachtungen sowie die Auswahl der geeigneten Prognosemethode.

2.2 Methoden

Um die Qualität einer Prognose bewerten zu können existieren verschiedene Bewertungs- und Gütekrierien. Diese dienen nicht nur zur Auswahl von Alternativprognosen sondern machen auch deutlich, wie Prognosen begründet werden sollten, um einen möglichst hohen Grad an Brauchbarkeit zu gewährleisten^[8]. In Abbildung 2.2.1 wird die Bestimmung der Qualität einer Prognose anschaulich dargestellt. Diese ist primär von deren Informationsgehalt, Sicherheitsgrad und Qualität der empirischen Fundierung abhängig. „Der Informationsgehalt einer Prognose hängt von ihrer Allgemeinheit, Präzision und Bedingtheit in sachlicher, zeitlicher und räumlicher Hinsicht ab.^[9] “ Zusammen mit der Qualität der empirischen Begründung bestimmt dieser den Sicherheitsgrad. Unter dem Sicherheitsgrad einer Prognose wird die (Hypothesen-)Wahrscheinlichkeit verstanden. Die Qualität der empirischen Begründung richtet sich neben der Reichweite der Prognose nach sogenannten Evidenzen. Evidenz hat in diesem Zusammenhang die Bedeutung von Erfahrungswert bzw. Beweis. Eine Prognose gewinnt an Glaubwürdigkeit je besser sie durch bisherige Erfahrungen gestützt oder bestätigt wird. Liegen neben Beobachtungen, die die Prognose in der Vergangenheit bestätigt haben (positive Evidenzen) auch Widerlegungen (negative Evidenzen) vor, so ist auch das Verhältnis zueinander zu bewerten. Umso höher also das Verhältnis von positiven zu negativen Evidenzen ist, desto glaubwürdiger ist eine Prognose.

Abbildung in dieser Leseprobe nicht enthaltenAbb. 2.2.1: Gütekriterien für Prognosen

Nicht alle Evidenzen können gleich gewichtet werden. Die Ursache liegt in der unterschiedlichen Begründungskraft von Evidenzen^[10]. Eine Evidenz wird stärker gewichtet, je aktueller sie ist, je geringer ihre Prognosereichweite ist, je höher deren Informationsgehalt ist und umso besser die Evidenz theoretisch begründet ist^[11]. Auch erhalten Evidenzen größeres Vertrauen und damit eine stärkere Gewichtung, wenn eine positive Begründung einer Evidenz unter sehr ungünstigen Bedingungen zustande gekommen ist^[12].

Neben der Qualität einer Prognose ist die richtige Wahl der Prognosetechnik wichtig. Eine mögliche Unterteilung kann in quantitative und qualitative Prognosetechniken erfolgen.

2.2.1 Quantitative Prognosetechnik

Quantitative Prognosetechniken zeichnen sich durch den Bezug auf mathematisch-statistische Verfahren aus. Diese lassen sich in die Gruppen Entwicklungsprognosen und Kausalprognosen unterteilen. Bei Entwicklungsprognosen wird nur eine Zeitreihe mit Hilfe analytischer Methoden fortgeschrieben, wohingegen Kausalprognosen zukünftig geltende Zusammenhänge zwischen unabhängigen und abhängigen Variablen zu ermitteln versuchen^[13].

Zu den Zeitreihenanalysen zählen unter anderem die Methode des gleitenden Durchschnittes, die exponentielle Glättung oder die einfache bzw. multiple Regression. Unter Kausalprognosen werden ökonometrische Modelle, die Input-Output-Analyse und die Lebenszyklusanalyse klassifiziert^[14]. Eine wesentliche Voraussetzung für die Anwendung quantitativer Prognosetechniken ist die Unterstellung, dass bisher geltende Gesetzmäßigkeiten auch für die Zukunft Bestand haben. Die quantitative Prognosetechnik bildet nachteilhaft immer nur einen Bruchteil der Realität ab. Somit stützt sich diese Art von Prognosetechnik meist auf Informationen aus der Vergangenheit. Selbst statistische Wahrscheinlichkeitsrechnungen können die Realität nur bedingt abbilden^[15].

2.2.2 Qualitative Prognosetechnik

Unternehmen greifen oft auf die qualitative Prognosetechnik zurück. Dazu zählen Methoden wie Szenariotechnik, Relevanzbaum, historische Analogie und Delphi. Im Vordergrund dieser Arbeit steht die Betrachtung der Delphi-Methode. Charakteristisches Merkmal der qualitativen Technik ist besonders der längerfristige Untersuchungszeitraum und der Einsatz bei nicht klar definierter Problemstruktur. Sie kann dabei helfen den Problemlösungsaufwand zu verringern, indem nur die wahrscheinlich brauchbaren Alternativen ausgewählt werden. Ein weiterer Unterschied zu den quantitativen Techniken ist die explizite Berücksichtigung subjektiver Annahmen von Individuen oder Gruppen^[16]. Dieser Aspekt erschwert einerseits die Überprüfbarkeit durch Dritte, ermöglicht aber zugleich eine Offenheit gegenüber neuartigen Veränderungen^[17].

[...]

^[1] Einen umfangreichen und ausführlichen Überblick zu den bis 1974 durchgeführten Studien gibt der Sammelband von Linestone/Turoff (1975) hierzu.

^[2] Vgl. Schütz, W. (1975), S. 25.

^[3] Fiege, S. (2006), S. 138.

^[4] Vgl. Fiege, S. (2006), S. 138.

^[5] Vgl. Bruckmann (1978), S. 18.

^[6] Vgl. Brockhoff, K. (1977), S. 17.

^[7] Vgl. Schütz, W. (1975), S. 10.

^[8] Vgl. Wild, J. (1974), S. 134.

^[9] Wild, J. (1974), S. 134.

^[10] Vgl. Wild, J. (1974), S. 135.

^[11] Vgl. Fiege, S. (2006), S. 139.

^[12] Vgl. Wild, J. (1974), S. 135.

^[13] Vgl. Fiege, S. (2006), S. 141.

^[14] Vgl. Horváth, P. (2003), S. 410.

^[15] Vgl. Fiege, S. (2006), S. 143.

^[16] Vgl. Welge, M. K., Al-Laham, A. (2001), S. 295.

^[17] Vgl. Fiege, S. (2006), S. 143.