Monte-Carlo-Simulationen sind eine sehr reichhaltige Methodik, deren Anwendungen nicht auf betriebswirtschaftliche Themen beschränkt sind. Wir können sie zum Beispiel auch auf eine sehr persönliche Frage anwenden: Wen soll ich heiraten?
Die Kandidaten kommen dabei nacheinander, und wir müssen uns bei jedem entscheiden, ohne zu wissen, wer noch kommt. Wir zeigen im Folgenden, wie man eine solche Auswahlentscheidung strukturiert, in Excel als Modell aufbaut und mit einer Monte-Carlo-Simulation verschiedene Strategien vergleicht, zuerst für 10 und dann für 30 Kandidaten. Dabei zeigt sich, dass die beste Strategie davon abhängt, welches Ziel wir verfolgen.
Was ist das Auswahlproblem?
Damit sich eine persönliche Frage wie die Partnerwahl mit einer Simulation untersuchen lässt, müssen wir sie vorher strukturieren. Dann wird es ganz natürlich, diese Methode einzusetzen. Strukturieren heißt nichts anderes, als Annahmen zu treffen, die wir dem Thema zugrunde legen. Für die Partnerwahl nehmen wir folgende Grundstruktur an:
- Jeder Kandidat hat für mich eine unterschiedliche Qualität. Ich kann die Qualität eines Kandidaten erkennen, und keine zwei Kandidaten sind gleich gut. Es gibt also keine Klone, jeder Kandidat ist einzigartig.
- Die Kandidatinnen und Kandidaten, im Folgenden kurz Kandidaten, treffen in zufälliger Reihenfolge ein. Ich weiß nicht, in welcher Reihenfolge die Qualitäten kommen. Ich muss jeden Kandidaten einzeln nacheinander begutachten, beurteilen und dann meine Entscheidung treffen.
- Pro Kandidat treffe ich genau eine Entscheidung: Ich nehme ihn an oder lehne ihn ab. Die Entscheidung kann nicht rückgängig gemacht werden. Nehme ich einen Kandidaten an, bin ich verheiratet. Dann endet der Prozess, und alle weiteren Kandidaten sehe ich mir nicht einmal mehr an. Lehne ich einen Kandidaten ab, gehe ich zum nächsten weiter. Den abgelehnten Kandidaten kann ich aber nicht zurückholen, er ist ein für alle Mal verloren.
In welchen Schritten gehen wir vor?
Vor diesem Hintergrund gehen wir in vier Schritten vor. Im ersten Schritt legen wir unsere Kapazität fest, also wie viele Kandidaten wir uns überhaupt ansehen können. Das sind nicht unendlich viele. Typischerweise gibt es ein Zeitfenster, in dem wir die Entscheidung treffen möchten, und in dieser Zeit reichen die Ressourcen nur für eine gewisse Anzahl von Kandidaten.
Im zweiten Schritt setzen wir uns ein Ziel. Das Ziel kann lauten, den besten Kandidaten zu bekommen, der überhaupt in der Stichprobe ist. Es kann aber auch heißen, die beste erwartete Qualität zu bekommen. Dann wären wir möglicherweise auch mit einem nicht optimalen Kandidaten zufrieden, der sehr gut ist. Ein drittes Ziel wäre eine kurze Wartezeit: Wir wollen schnell zum Ziel kommen und unsere Kapazität nicht völlig ausschöpfen müssen. Diese drei Ziele sind sehr unterschiedlich, und möglicherweise ist nicht dieselbe Strategie für alle drei die beste.
Im dritten Schritt stellen wir eine Regel auf, wie wir uns entscheiden wollen. Sie kann zum Beispiel lauten: „Erst testen, dann wählen.“ Erst testen bedeutet, dass wir die Entscheidung nicht sofort treffen. Wir sammeln eine gewisse Zeit lang Erfahrungen und sehen uns an, wie die Kandidaten aussehen. In einer zweiten Phase entscheiden wir uns dann für einen der besten Kandidaten.
Im Zweifelsfall führt diese Regel aber zu keiner Entscheidung. Wenn wir zu lange gewartet haben, wird es möglicherweise nichts mehr. Dann brauchen wir einen Tiebreak, also eine Regel für genau diesen Fall. Der Tiebreak ist nicht automatisch festgelegt, wir müssen ihn genauso wählen wie die Entscheidungsregel. Er kann zum Beispiel lauten, dass wir im Zweifelsfall den letzten Kandidaten nehmen, den wir überhaupt sehen können. Das ist die klassische Torschlusspanik. Die Alternative wäre, ganz auf eine Entscheidung zu verzichten und zu sagen: Es war kein geeigneter Kandidat dabei, ich bleibe ledig. Beides ist möglich.
Im vierten Schritt vergleichen wir in der Simulation die Ergebnisse der Entscheidungsregeln. Wir sehen uns die Kennzahlen für unsere Ziele an und prüfen, welche Entscheidungsregel unseren Zielen am nächsten kommt.
Wie bildet man die Partnerwahl in Excel ab?
Kurz gesagt: Risk Kit ist ein Add-in für Microsoft Excel, mit dem man Monte-Carlo-Simulationen direkt in der Tabelle aufbaut und auswertet. Was wir hier zeigen, gilt aber allgemein: Der Vergleich von Entscheidungsstrategien über eine Monte-Carlo-Simulation funktioniert in jedem Simulationstool nach demselben Prinzip.
Das Modell in Excel gliedert sich in drei Bereiche. Der erste Bereich ist die Welt, die die Monte-Carlo-Simulation darstellt, hier also die zufällige Reihenfolge der Kandidaten, die uns begegnen. Der zweite Bereich ist unsere Reaktion auf diese Situation, also die Entscheidungen, die wir angesichts der Reihenfolge treffen. Der dritte Bereich ist die Auswertung unter den einzelnen Zielen: den Erwartungswert der Qualität zu maximieren, die Wahrscheinlichkeit zu maximieren, den Besten zu bekommen, oder eine möglichst kurze Wartezeit zu haben.
Abbildung 1 zeigt das Modell. Links steht in den Spalten A bis C hellgelb hinterlegt „Die Welt“, daneben in den Spalten D bis H hellgrün „Die Reaktion“. Rechts folgen in den Spalten I bis O „Die Auswertungen“ für die drei Ziele. Jede der Zeilen 5 bis 14 steht für einen Kandidaten und zugleich für eine Strategie, wie wir gleich sehen. Die Auswertungen haben vor der Simulation noch keine Werte.
Abbildung 1: Das Modell in Excel mit den Bereichen „Die Welt“, „Die Reaktion“ und „Die Auswertungen“. Oben steht die Formel des Scores in Zelle B5. Die Auswertungen sind erst nach der Simulation definiert.
Der entscheidende Punkt ist die Simulation der Reihenfolge, denn sie ist die eigentliche Problemstellung. In Spalte A steht ein Index. Er zählt 1, 2, 3 und so weiter bis zum Maximum unserer Kapazität. Hier sehen wir uns höchstens zehn Kandidaten an, für mehr haben wir keine Ressourcen.
Für die Qualität der Kandidaten brauchen wir die Zahlen von 1 bis 10 in zufälliger Reihenfolge. 1 ist die schlechteste Qualität, 10 die beste, und keine Zahl darf sich wiederholen. Das gelingt mit einem Trick. Wir ziehen zuerst mit einer stetigen Wahrscheinlichkeitsverteilung einen Score, also eine Punktzahl. Eine stetige Verteilung hat die Eigenschaft, dass jeder Wert in einer Stichprobe mit Wahrscheinlichkeit 1 nur ein einziges Mal vorkommt. Die Wahrscheinlichkeit, einen Wert doppelt zu ziehen, ist 0. In zehn Zügen bekommen wir also immer zehn verschiedene Werte.
Der Einfachheit halber nehmen wir die Standardnormalverteilung, also die Normalverteilung mit Erwartungswert 0 und Standardabweichung 1. Oben in der Bearbeitungsleiste von Abbildung 1 steht die Formel von Zelle B5 mit der Risk-Kit-Funktion Normal_variate:
=+Normal_variate(0;1)
Die Parameter sind in diesem Fall völlig egal. Wir hätten auch andere Parameter oder sogar jede andere stetige Verteilung wählen können, es wäre genau das Gleiche herausgekommen. Wie Abbildung 1 zeigt, sind alle Scores schön voneinander verschieden. Wir brauchen jetzt nur noch ihren Rang in dieser kleinen Stichprobe.
Den Rang liefert die Excel-Funktion RANG.GLEICH. In Zelle C5 steht:
=+RANG.GLEICH(B5;$B$5:$B$14;1)
Die Funktion gibt den Rang des Scores aus B5 unter allen zehn Scores in B5 bis B14 zurück. Die 1 am Schluss bedeutet, dass aufsteigend gezählt wird. Der kleinste Score bekommt also die Qualität 1, der größte die Qualität 10. Abbildung 2 zeigt die Formel während der Eingabe, rot umrandet sind die zehn Scores.
Abbildung 2: Die Qualität ist der Rang des Scores unter allen zehn Scores. Rot umrandet ist der Bezug B5 bis B14. Zelle C5 zeigt während der Eingabe einen Teil der Formel.
In unserer Stichprobe liegt die Qualität 1 beim Score −1,36 in Zeile 12, dem kleinsten Wert der Stichprobe. Die 10 liegt beim Score 1,13 in Zeile 7, dem größten Wert. Alle anderen liegen entsprechend dazwischen. Im Zusammenspiel einer Risk-Kit-Funktion für die stetige Verteilung und einer Excel-Funktion für den Rang simulieren wir so die zufällige Reihenfolge der Kandidaten.
Damit ist ein wesentlicher Schritt getan, und übrigens der einzige, der überhaupt zufällig ist. Alles andere ist nur noch unsere deterministische Reaktion, also unsere feste, nicht mehr zufällige Reaktion auf die zufällige Welt, mit der wir konfrontiert werden.
Welche Strategien vergleichen wir?
Jetzt müssen wir Entscheidungen treffen. Die Entscheidungsregeln, die wir hier auswerten, grenzen eine Testphase von einer Entscheidungsphase ab. In der Testphase sehen wir uns eine gewisse Anzahl von Kandidaten an und lehnen grundsätzlich alle ab. In der Entscheidungsphase nehmen wir den ersten Kandidaten, der besser ist als der beste Kandidat der Testphase.
Im ersten Schritt legen wir also die Länge der Testphase fest. Sie steht in Spalte D, und jede Zeile ist eine eigene Entscheidungsregel. Wir können auf das Testen ganz verzichten. Dann nehmen wir den erstbesten Kandidaten und heiraten, ohne vorher irgendeine Erfahrung zu haben. Das ist eine Testphase der Länge 0. Die zweite Regel ist, sich einen Kandidaten anzusehen und danach den ersten zu heiraten, der besser ist. Die dritte ist, sich zwei Kandidaten anzusehen und danach den ersten zu heiraten, der besser ist als der beste dieser zwei. So geht es weiter bis zu einer Testphase von 9.
Bei einer Testphase von 9 haben wir uns neun Kandidaten angesehen und müssten dann einen heiraten, der besser ist als alle neun. Dafür müssen wir Glück haben: Der Allerbeste muss ganz am Schluss kommen, damit wir überhaupt noch aktiv entscheiden können. Andernfalls haben wir ihn schon gesehen und gehen leer aus. Dann greift der Tiebreak.
Als Tiebreak nehmen wir hier an, dass wir dann den letzten Kandidaten heiraten. Bei einer Testphase von 9 sind wir damit in der paradoxen Situation, dass es egal ist, was wir entscheiden: Wir nehmen immer den Letzten. Die Alternative wäre, in diesem Fall ganz auf eine Entscheidung zu verzichten. Dann würde diese Regel nur heiraten, wenn zufällig der Beste als Zehnter kommt, und in allen anderen Fällen bliebe man ledig. Auch das lässt sich sehr leicht simulieren.
Wer war der Beste im Test?
Als Nächstes bestimmen wir in Spalte E, welcher Kandidat der Beste im Test war. Haben wir überhaupt nicht getestet, gibt es auch keinen Besten im Test. Er hat dann die Qualität 0. Haben wir zwei Kandidaten getestet, ist es das Maximum der Qualitäten der ersten beiden, und so weiter. Für die Testphase der Länge 1 steht in Zelle E6:
=+MAX($C$5:C5)
Der Bereich beginnt immer beim ersten Kandidaten in Zeile 5 und reicht bis zum letzten getesteten Kandidaten. In unserer Stichprobe in Abbildung 1 ist der Beste im Test bei einer Testphase von 1 die 7, bei einer Testphase von 2 ebenfalls die 7. Ab einer Testphase von 3 ist die 10 schon dabei, wir haben den Besten also schon gesehen. Das führt gleich zu einem kleinen Problem, wenn wir nach dem Test den ersten Besseren bekommen möchten.
Wann kommt der erste Bessere?
In Spalte F zählen wir die Schritte bis zum ersten Besseren nach dem Test. Dafür nehmen wir die Excel-Funktion VERGLEICH. In Zelle F6 steht:
=+VERGLEICH(WAHR;C6:$C$14>E6;0)
VERGLEICH sucht unter den Kandidaten der Entscheidungsphase den ersten, dessen Qualität größer ist als die des Besten im Test, und gibt seine Stelle zurück. Ohne Testphase, in Zeile 5, ist der Vergleichswert 0. Jeder Kandidat ist besser als 0, also nehmen wir gleich den ersten.
Abbildung 3 zeigt die Formel für die Testphase der Länge 1 während der Eingabe in Zelle F6. Blau umrandet sind die Qualitäten C6 bis C14, also die Kandidaten der Entscheidungsphase. Rot umrandet ist E6, der Beste im Test mit der Qualität 7. Der erste Kandidat, der besser ist als 7, ist die 10. Sie steht an der zweiten Stelle, deshalb zeigt F6 in Abbildung 1 zwei Schritte.
Abbildung 3: VERGLEICH sucht in der Entscheidungsphase C6 bis C14 (blau) den ersten Kandidaten, der besser ist als der Beste im Test in E6 (rot).
Bei einer Testphase der Länge 2 ist der Beste im Test wieder die 7, und der erste Kandidat danach ist direkt die 10. Hier ist es also ein Schritt. Danach kommen wir sozusagen in die Problemzone, in den Bereich, in dem die 10 schon in der Testphase war. Dort gibt es nach dem Test keinen Besseren mehr, und VERGLEICH findet keine Lösung. Deshalb steht in Abbildung 3 ab Zeile 8 die Fehlermeldung #NV, also „nicht verfügbar“. In diesem Fall greift der Tiebreak.
Was ist das Ergebnis einer Strategie?
Die Qualität des ersten Besseren nach dem Test ermitteln wir in Spalte G mit der Excel-Funktion INDEX. In Zelle G5 steht:
=+INDEX(C5:$C$14;F5)
INDEX wählt aus den Kandidaten der Entscheidungsphase den an der Stelle aus, die VERGLEICH gefunden hat. In Zeile 5 ist es der erste, die 7. In Zeile 6 ist es der zweite Kandidat der Entscheidungsphase, die 10. Gab es keine Stelle, kommt auch hier die Fehlermeldung #NV zurück.
Damit sind wir im Prinzip fertig. Das Ergebnis in Spalte H ist die Qualität des ersten Besseren aus der Entscheidungsphase. Gab es dort einen Fehler, liefert die Excel-Funktion WENNFEHLER stattdessen den Wert aus C14, also den letzten Kandidaten in der Reihe. Das ist unser Tiebreak. Abbildung 4 zeigt die Formel für die Testphase der Länge 4 in Zelle H9:
=+WENNFEHLER(G9;$C$14)+@OutputName(A8)
Abbildung 4: Das Ergebnis jeder Strategie in Spalte H. Wo es keinen Besseren nach dem Test gibt, greift der Tiebreak und liefert die Qualität 8 des letzten Kandidaten aus Zelle C14.
Mit einer Testphase von 0 heiraten wir in dieser Stichprobe den ersten Kandidaten mit der Qualität 7. Mit einer Testphase von 1 oder 2 bekommen wir die 10. Ab einer Testphase von 3 greift der Tiebreak, und wir bekommen den letzten Kandidaten mit der Qualität 8. Der Zusatz OutputName am Ende der Formel gibt der Zelle nur einen Namen, hier die 4 aus Zelle A8, und ändert ihren Wert nicht.
Wir haben jetzt die schöne Situation, dass wir zehn verschiedene Entscheidungsregeln gleichzeitig auswerten können, jede in einer Zeile. Auf dieser Basis machen wir die gesamte Auswertung, denn wir berechnen für jede Zeile Statistiken aus ihrem Ergebnis.
Wie misst man, wie gut eine Strategie ist?
Ziel 1: die beste erwartete Qualität
Für das erste Ziel wollen wir den Erwartungswert maximieren, also den Mittelwert der Qualität über alle Simulationsläufe. Dafür wenden wir die Risk-Kit-Funktion Mean auf das Ergebnis an. In Zelle I14 steht zum Beispiel:
=+@Mean(H14)
Die Funktion Mean setzt voraus, dass die übergebene Zelle eine Ausgabezelle ist. Das ist hier der Fall: Wir haben die Ergebniszellen über den Button „Ausgabe“ auf der Risk-Kit-Toolbar als Ausgabe markiert, deshalb sind sie orange gefärbt. Abbildung 5 zeigt, dass vor der Simulation in den Zellen die Meldung „Erst nach der Simulation definiert.“ steht, von der in der schmalen Spalte nur der Anfang zu sehen ist. Denn natürlich kann Risk Kit nicht hellsehen und von vornherein wissen, welche Verteilung das Ergebnis hat. Deshalb lässt sich auch der Erwartungswert erst nach der Simulation berechnen.
Abbildung 5: Der Erwartungswert des Ergebnisses mit der Funktion Mean. Vor der Simulation zeigen die Zellen den Anfang der Meldung „Erst nach der Simulation definiert.“, die Spalte Rang zeigt die Fehlermeldung #WERT!.
Für den Rang gilt genau das Gleiche. In Spalte J sehen wir uns an, welchen Rang der Erwartungswert einer Regel unter den zehn Erwartungswerten hat. In Zelle J5 steht:
=+RANG.GLEICH(I5;$I$5:$I$14)
Es ist dieselbe Funktion wie bei der Qualität, nur haben wir den letzten Parameter weggelassen. Dann bekommt das höchste Ergebnis die 1 und das niedrigste die 10. Wie bei den deutschen Schulnoten steht das beste Ergebnis also auf Platz 1 und das schlechteste auf Platz 10. Solange die Erwartungswerte fehlen, zeigt die Spalte die Fehlermeldung #WERT!.
Ziel 2: den Besten bekommen
Für das zweite Ziel, tatsächlich den Besten zu bekommen, führen wir in Spalte K eine neue Ergebniszelle ein. War das Ergebnis tatsächlich 10, also der Beste, zählt sie eine 1, ansonsten eine 0. In Zelle K5 steht:
=+WENN(H5=10;1;0)
Der Erwartungswert dieser Zufallsvariable ist nichts anderes als die Wahrscheinlichkeit, den Besten zu bekommen. Denn er ist der Anteil der Simulationsläufe, in denen der Beste herauskam. Er steht in Spalte L, und in Spalte M bekommen wir wieder den Rang jeder Strategie.
Ziel 3: eine kurze Wartezeit
Das letzte Ziel ist, die Wartezeit zu optimieren. In Zelle N5 steht:
=+WENNFEHLER(D5+F5;10)
Hatten wir es mit einem Fehler zu tun, ist die Wartezeit 10, denn dann nehmen wir immer den Letzten. Ansonsten ist sie die Länge der Testphase plus die Schritte in der Entscheidungsphase. Das ist die gesamte Zeit, bis wir es tatsächlich geschafft haben zu heiraten. Mit einer Testphase von 1 sind es in Abbildung 1 zum Beispiel ein Kandidat im Test und zwei Schritte danach, also 3. Aus dieser Ergebniszelle berechnen wir in Spalte O wieder den Erwartungswert, die mittlere Wartezeit.
Welche Strategie ist bei zehn Kandidaten die beste?
Damit ist das Modell vollständig, und wir können die Simulation laufen lassen. In der Konfiguration stellen wir 100.000 Simulationsläufe ein. Das ist relativ viel. Es lohnt sich aber, um Strategien, die sehr eng beieinanderliegen, noch gegeneinander abzugrenzen und den Monte-Carlo-Fehler, also die zufällige Ungenauigkeit der Simulation, möglichst klein zu halten.
Abbildung 6 zeigt das Ergebnis. In den Spalten I bis O stehen jetzt die Erwartungswerte, die Wahrscheinlichkeiten, die mittleren Wartezeiten und die Ränge. Die Farben reichen von Gelb für die besten bis Rot für die schlechtesten Werte. Die Spalten A bis H zeigen nur eine einzelne Stichprobe.
Abbildung 6: Das Ergebnis der Simulation mit 100.000 Läufen bei zehn Kandidaten. Jede Zeile ist eine Strategie mit der Testphase aus Spalte D.
Welche Testphase liefert die beste erwartete Qualität?
Schauen wir uns zuerst das Ziel an, den Erwartungswert zu maximieren. Hier kommen wir relativ schnell ans Ziel. Die optimale Strategie besteht darin, eine kurze Testphase der Länge 2 vorzuschalten und dann sofort in die Entscheidungsphase überzugehen. Sie erzielt eine erwartete Qualität von 8,1. Sehr dicht folgt die Testphase der Länge 3, die nur ganz geringfügig schlechter ist und im Durchschnitt eine Qualität von 8,0 erreicht.
Interessant ist auch die Strategie, die komplett auf eine Testphase verzichtet und sofort heiratet. Sie schneidet mit dem Rang 9 und einer erwarteten Qualität von 5,5 ganz schlecht ab. Das ist exakt derselbe Wert wie bei der Strategie, extrem lange zu testen und dann praktisch den Letzten nehmen zu müssen. Beide Strategien verzichten im Grunde auf eine Entscheidung: Die eine nimmt unter allen Umständen den Ersten, die andere den Letzten. Beide Male ist das ein zufälliger Kandidat, und im Mittel haben die Qualitäten 1 bis 10 den Wert 5,5. Deshalb ist es folgerichtig, dass ihre Erwartungswerte gleich sind. Welche von beiden auf dem letzten und welche auf dem vorletzten Platz steht, hängt etwas vom Zufall ab. Im Grunde sind beide die schlechtesten.
Es zeigt sich also, dass sich eine gewisse Erfahrung lohnt. Um den Erwartungswert zu maximieren, braucht man aber nicht extrem viel Erfahrung. Die Erfahrung kommt sehr schnell an die Grenze ihrer Nützlichkeit. Wer dann immer noch mehr Erfahrung sammeln will, stellt sich eher schlechter als besser. Denn er lehnt zu viele Kandidaten ab, darunter eventuell auch gute.
Wie oft bekommt man den Besten?
Beim Ziel, den Besten zu bekommen, liegen die Dinge interessanterweise etwas anders. Den besten Wert hat hier eine Testphase von 3, gefolgt von einer Testphase der Länge 4. Beide liegen mit einer Wahrscheinlichkeit von 39,9 % und 39,7 % sehr dicht zusammen. Auch hier kann der Zufall noch entscheiden, sodass die beiden ihre Reihenfolge tauschen.
Man bleibt also etwas länger in der Testphase im Spiel, um dann auch wirklich den Besten zu bekommen. Man möchte nicht zu früh zufrieden sein. Aber auch hier ist es wichtig, nicht zu lange zu warten. Sonst steigt die Wahrscheinlichkeit stark an, dass man den Besten schon in der Testphase gesehen hat und ihn unerreichbar verliert.
Ganz analog zum ersten Ziel ist die Strategie sehr schlecht, gar nicht zu testen und sofort zu heiraten. Sie steht hier auf Rang 10. Sehr lange zu testen und sich damit alle Spielräume zu nehmen, ist mit Rang 9 genauso schlecht. Beide nehmen einen zufälligen Kandidaten, den ersten oder den letzten, und der ist nur in etwa jedem zehnten Lauf der Beste. In Abbildung 6 sind es 9,9 % und 10,0 %.
Zwischen Ziel 1 und Ziel 2 ist das Muster also gleich. In beiden Fällen ist ein gewisses Maß an Erfahrung gut, zu wenig ist schlecht, und zu viel bringt nichts mehr. Um den Besten zu finden, braucht man aber etwas mehr Erfahrung, als um den Erwartungswert zu maximieren.
Wie lange dauert die Suche?
Das dritte Ziel, eine kurze Wartezeit, ist natürlich die Domäne der Strategie, sofort zu heiraten. Sie braucht immer nur einen einzigen Schritt, ihre mittlere Wartezeit von 1,0 ist also überhaupt nicht zufällig. Damit steht sie unangefochten auf Platz 1.
Danach steigt die mittlere Wartezeit sehr schnell an. Bei einer Testphase der Länge 1 liegt sie schon bei 3,8, also quasi bei vier Versuchen, bei einer Testphase der Länge 2 bei 5,7, also rund sechs Versuchen. Dann geht es auf 7,0, und schließlich brauchen wir im Mittel 8 bis 9 oder sogar 10 Versuche. Die Wartezeit läuft also sehr schnell auf sehr lange Werte zu.
Wenn wir schnell fertig werden wollen, müssen wir deshalb möglicherweise tatsächlich Abstriche an der Qualität des Ergebnisses machen. Schnelligkeit verträgt sich nicht unbedingt mit den anderen Zielen. Der einzige Kompromiss ist hier die Maximierung des Erwartungswerts. Dafür brauchen wir aber immerhin auch schon rund sechs von zehn Versuchen, wir haben also rund 60 % der Kandidaten gesehen.
Was ändert sich bei 30 Kandidaten?
Jetzt können wir fragen, was passiert, wenn wir unsere Kapazität erweitern. Bisher haben wir, wie es in der Old School üblich ist, jeden Kandidaten mühevoll kennengelernt, ausgewertet und sind dann zum nächsten gegangen. Das braucht sehr viel Zeit. Nehmen wir stattdessen eine App hinzu, können wir vielleicht sehr schnell Kontakte herstellen und sehr viel mehr Kandidaten auswerten. Was passiert dann mit unseren Strategien?
Das ist die zweite Analyse. Ihr Tabellenblatt heißt nicht „Old School“, sondern „Tinder“. Es hat genau den gleichen Aufbau, nur haben wir jetzt nicht die Kapazität von 10, sondern von 30 Kandidaten. Das Wischen nach links oder rechts zählt dabei nicht als Prüfung, sondern nur eine tatsächliche Verabredung. Mit einer App, die einem mögliche Partner vorschlägt, kommt man aber sehr viel schneller zu einer Verabredung.
Abbildung 7 zeigt das Ergebnis dieser Simulation. Die Zeilen 5 bis 34 enthalten die Strategien mit einer Testphase von 0 bis 29.
Abbildung 7: Das Ergebnis der Simulation bei 30 Kandidaten. Die beste erwartete Qualität liefert eine Testphase von 4, die höchste Wahrscheinlichkeit, den Besten zu bekommen, eine Testphase von 11. Zelle L5 zeigt die Wahrscheinlichkeit wegen ihres Zahlenformats gerundet als 0.
Mit der größeren Kapazität rücken die Strategien weiter auseinander, sie unterscheiden sich jetzt deutlicher. Wenn wir den Erwartungswert maximieren wollen, kommen wir auch hier sehr schnell zum Ziel. Wir brauchen nur eine Testphase der Länge 4, die eine erwartete Qualität von 25,9 erreicht. Bei zehn Kandidaten war es eine Testphase der Länge 2. Bei einer Verdreifachung der Kapazität hat sich die Testphase also nur verdoppelt. Sie ist deutlich unterproportional gestiegen.
Auch hier sind die Strategien, sehr lange zu warten oder sehr schnell zu heiraten, wieder beide sehr schlecht, mit einer erwarteten Qualität von je 15,5. Eine lange Wartezeit führt sehr schnell zu einer schlechteren erwarteten Qualität des Partners. Etwas Erfahrung ist gut, aber dann müssen wir auch zu einer Entscheidung kommen.
Die Wahrscheinlichkeit, den Besten zu bekommen, ist bei einer Testphase der Länge 11 am höchsten, mit 38,1 %. Die Plätze 2 und 3 mit den Testphasen 10 und 12 liegen mit je 37,9 % sehr dicht dahinter. Eine Testphase von 11 sind etwa 37 % der ganzen Kapazität. Es würde sich auch zeigen, dass das im Großen und Ganzen stabil ist: Bei 10 Kandidaten muss man sich etwa 3 bis 4 ansehen, bei 30 Kandidaten 10, 11 oder 12. In dieser Größenordnung liegt das.
Um dieses Optimum zu erreichen, brauchen wir deutlich länger. Die Testphase ist mehr als doppelt, fast dreimal so lang wie bei der Optimierung des Erwartungswerts. Und auch hier sind die Strategien, den Ersten oder erst den Letzten zu nehmen, genau gleich schlecht. Sie stehen auf den Rängen 29 und 30.
Die mittlere Wartezeit zeigt schließlich denselben Befund wie bei der kleinen Kapazität. Sofort zu heiraten hat nach wie vor Platz 1, danach steigt die mittlere Wartezeit rapide an. Beim Optimum für die erwartete Qualität des Ehepartners sind wir schon bei 12,5 Kandidaten im Schnitt. Beim Optimum für die Wahrscheinlichkeit, den Besten zu bekommen, haben wir uns im Durchschnitt sogar schon 22,3 Kandidaten angesehen.
Wo trifft man solche Entscheidungen noch?
Das Interessante an diesem Modell ist, dass wir es im Grunde auf alle Entscheidungsfragen anwenden können, bei denen etwas Einzigartiges erzielt werden soll. Es gibt also keine Klone, und wir können nicht zurück. Wir können einen Ehepartner suchen.
Wir können aber zum Beispiel auch ein Haus kaufen. Dasselbe Haus gibt es nicht zweimal, es gibt keinen Klon. Es gibt sicherlich ähnliche Objekte in ähnlicher Qualität, aber nicht exakt dasselbe. Auch hier müssen wir uns entscheiden, ob wir es haben wollen. Ansonsten kauft es jemand anders, und wir können nicht zurück.
Ein zweites Beispiel sind Mergers and Acquisitions, also Fusionen und Unternehmenskäufe. Wir wollen ein Unternehmen kaufen, das uns angeboten wird. Lehnen wir ab, ist es weg, und jemand anders kauft es. Möglicherweise können wir diesen Deal nicht unter denselben Bedingungen wiederholen. Oder wir sind auf einer Kunstauktion bei Christie’s und bekommen Kunstwerke angeboten. Wir kaufen sie, oder wir lehnen sie ab, und dann kauft sie jemand anders.
Fragestellungen dieser Art, bei denen wir auf Grundlage der Informationen entscheiden müssen, die sich uns bis zu einem gewissen Punkt gezeigt haben, sind sehr weit verbreitet. Grundsätzlich lassen sie sich alle mit solchen Methoden auswerten.
Wie kann man die Strategien verfeinern?
Wir könnten auch die Strategien, nach denen wir uns entscheiden, noch verfeinern. Wir könnten zum Beispiel wie bisher eine bestimmte Anzahl von Kandidaten zu Beginn grundsätzlich ablehnen. Dann sehen wir uns die nächste Gruppe an. Ist davon einer besser als der Beste aus der Testphase, nehmen wir ihn sofort. Danach nehmen wir möglicherweise den Zweitbesten hinzu: Kommt ein Kandidat, der besser ist als der Zweitbeste, den wir jemals gesehen haben, nehmen wir ihn. Später vielleicht sogar den Drittbesten.
So fangen wir die Gefahr auf, dass wir den Besten oder vielleicht sogar den Zweitbesten schon in der Testphase gesehen haben, oder in der Zeit danach, in der wir noch nicht zugegriffen haben. Wir kalkulieren also eine sinkende Qualität der verbleibenden Stichprobe mit ein.
Das lässt sich mit exakt denselben Methoden auswerten, wie wir sie hier gezeigt haben. Das einzige Problem ist, dass die Anzahl aller möglichen Strategien dann plötzlich sehr groß wird. Das Universum aller Strategien ist sehr viel umfangreicher als bei unserem Ansatz, und wer sie alle auswerten will, muss sehr viel rechnen. Deshalb eignet sich der einfache Ansatz besser zur Illustration.
Mit diesem Ansatz kann man spielen: Man sieht einen Datenstrom nach und nach und will gut darauf reagieren. Das Modell ist eine Plattform, auf der man die Reaktionen, die man sich überlegt hat, also die Strickmuster, nach denen man vorgehen will, unter verschiedenen Zielen miteinander vergleichen kann. Dabei sieht man auch, dass unterschiedliche Ziele zu ganz unterschiedlichen optimalen Strategien führen können.