Basisraten und Referenzklassen-Prognosen

Eine Basisrate ist die Hintergrundhäufigkeit eines Ergebnisses in einer ganzen Klasse ähnlicher Fälle, und Referenzklassen-Prognose ist die Disziplin, bei dieser Häufigkeit anzufangen statt bei den lebhaften Details des einen Falls, der gerade vor dir liegt.

Frag jemanden, wie wahrscheinlich es ist, dass ein Startup in fünf Jahren noch existiert, und die meisten argumentieren mit der Energie der Gründerin und dem Pitch-Deck. Ein Prognostiker stellt zuerst eine langweiligere Frage: Welcher Anteil aller vergleichbaren Startups existierte nach fünf Jahren noch? Diese Zahl ist die Basisrate, und sie ist der Anker, auf dem fast jede gute Prognose aufbaut.

Außensicht gegen Innensicht

Es gibt zwei Arten, einen Einzelfall einzuschätzen. Die Innensicht baut aus den Details dieses Falls eine Geschichte: diese Gründerin, dieses Produkt, dieser Markt, dieser Plan. Die Außensicht ignoriert die Geschichte zunächst und behandelt den Fall als ein weiteres Mitglied einer Klasse, und fragt, wie Mitglieder dieser Klasse normalerweise abschneiden. Die Basisrate ist die Kernzahl, die die Außensicht liefert.

Die Innensicht fühlt sich reichhaltiger und aufschlussreicher an, und genau deshalb führt sie in die Irre. Eine überzeugende Erzählung überzeugt, egal ob sie wahrscheinlich ist oder nicht, und unsere Zuversicht folgt der Lebhaftigkeit der Geschichte statt ihren Chancen. Die Außensicht ist langweiliger und meist deutlich treffsicherer, weil sie darauf beruht, was vergleichbaren Fällen tatsächlich passiert ist, und nicht darauf, wie gut der Plan klingt.

Daniel Kahneman hat diese Sichtweise und den Basisraten-Anker, auf dem sie beruht, bekannt gemacht in „Schnelles Denken, langsames Denken“, wo er argumentiert, dass die Außensicht dein Standard-Ausgangspunkt sein sollte und die Innensicht nur eine Reihe von Anpassungen daran.

Basisraten-Vernachlässigung: warum wir den Anker loslassen

Menschen werfen die Basisrate regelmäßig über Bord, sobald sie ein konkretes Detail bekommen. Im klassischen Experiment sollten Teilnehmende beurteilen, ob eine beschriebene Person eher Anwalt oder Ingenieur ist. Obwohl man ihnen sagte, dass die Stichprobe überwiegend aus Anwälten bestand, was für Anwalt hätte sprechen müssen, stürzten sie sich auf eine Persönlichkeitsbeschreibung, die nach Ingenieur klang, und ignorierten die Anteile komplett. Die lebhafte Beschreibung setzte sich über die Häufigkeit hinweg.

Amos Tversky und Daniel Kahneman nannten dieses Muster Basisraten-Vernachlässigung und führten es auf die Repräsentativitätsheuristik zurück, also unsere Gewohnheit, Wahrscheinlichkeit nach Ähnlichkeit statt nach Häufigkeit zu beurteilen, in ihrem grundlegenden Aufsatz „Judgment under Uncertainty: Heuristics and Biases“ (Science, 1974).

Die Lösung ist nicht, die Details zu verwerfen, sondern die Reihenfolge umzudrehen. Starte bei der Basisrate, behandle sie als erste Fassung deiner Prognose und lass dich erst dann von den Details davon wegbewegen, und zwar weniger, als dein Instinkt verlangt. Ein Detail, das aussagekräftig klingt, ist es oft nicht, und eine Basisrate, die langweilig klingt, trägt meist den Großteil der Information.

Der Planungsfehlschluss

Die bekannteste Form der Basisraten-Vernachlässigung ist der Planungsfehlschluss: unsere chronische Neigung zu erwarten, dass Projekte schneller und günstiger fertig werden, als sie es je tun. Jeder weiß, dass Renovierungen länger dauern, Software sich verzögert und Infrastrukturprojekte ihr Budget sprengen, und trotzdem wird jeder neue Plan so prognostiziert, als wäre er die Ausnahme. Da gewinnt die Innensicht: Der detaillierte Zeitplan wirkt machbar, obwohl die Klasse ähnlicher Projekte ihren Zeitplan fast nie einhält.

Bent Flyvbjerg hat das Gegenmittel zu einer formalen Methode für Großprojekte gemacht, die die Erfolgsbilanz vergleichbarer früherer Projekte nutzt, um jede neue Schätzung zu entzerren, in „From Nobel Prize to Project Management: Getting Risks Right“ (Project Management Journal, 2006), dem Aufsatz, der die praktische Referenzklassen-Prognose bekannt gemacht hat.

Die Lektion gilt weit über den Bau hinaus. Immer wenn du deinen eigenen Fall prognostizierst, vom Produktlaunch bis zur Diät, ist deine Innensicht systematisch optimistisch. Dich daran zu orientieren, was allen anderen passiert ist, die dasselbe versucht haben, ist die günstigste Korrektur, die es gibt.

So baust du eine Referenzklasse

Referenzklassen-Prognose ist ein wiederholbares Verfahren, kein Talent. Das ist die Schleife, die ein guter Prognostiker durchläuft, in dieser Reihenfolge.

1. Definiere das Ergebnis genau. Leg fest, was genau als Eintreten des Ereignisses zählt (fünf Jahre überleben, pünktlich liefern, den Sitz gewinnen), bevor du nach Fällen suchst.
2. Wähle eine Referenzklasse. Sammle vergangene Fälle, die deinem in den entscheidenden Merkmalen ähneln, breit genug für echte Daten, eng genug, um wirklich vergleichbar zu bleiben.
3. Zähl die Ergebnisse. Ermittle, wie oft das Ereignis in dieser Klasse tatsächlich eingetreten ist. Dieser Anteil ist deine Basisrate.
4. Verankere dich daran. Schreib die Basisrate als erste Fassung deiner Prognose auf, bevor du irgendetwas Besonderes an deinem eigenen Fall berücksichtigst.
5. Passe nur bei begründbaren Unterschieden an. Weich von der Basisrate nur bei Faktoren ab, die du mit Belegen rechtfertigen kannst, und weniger stark, als dein Bauchgefühl will.
6. Halte deine Überlegungen fest. Notier jede Anpassung, damit du später prüfen kannst, ob sie geholfen oder geschadet hat, und das Verfahren beim nächsten Mal verbessern kannst.

Dieser letzte Anpassungsschritt, eine Basisrate als Ausgangswert mit fallspezifischen Belegen zu aktualisieren, ist bayesianisches Denken im Alltagsgewand. Wie das Aktualisieren genau funktioniert, erfährst du in Bayesianisches Denken für Prognostiker.

Wenn die Basisrate nicht alles ist

Die Außensicht ist dein Anker, nicht deine Antwort. Eine Basisrate kann in die Irre führen, wenn die Klasse schlecht gewählt ist oder sich die Welt wirklich verändert hat.

• Eine zu breite Klasse verdeckt den Fall: „Startups“ ist weniger nützlich als „risikokapitalfinanzierte B2B-Startups in der Seed-Phase“.
• Eine zu enge Klasse lässt keine Daten übrig: Schneidest du sie dünn genug, hast du eine Klasse mit nur einem Mitglied, und das ist wieder nur die Innensicht.
• Struktureller Wandel entwertet die Vergangenheit: Wenn sich die Regeln wirklich geändert haben, sind ältere Fälle vielleicht nicht mehr vergleichbar, also gewichte neuere stärker.
• Referenzklassen-Shopping ist eine Falle: Wähl nicht die Klasse, die dir die Zahl liefert, die du sowieso haben wolltest.

Eine stabile Basisrate gegen frische, fallspezifische Signale abzuwägen, ist die Kernkompetenz treffsicherer Prognosen. Für den breiteren Werkzeugkasten lies, wie du besser darin wirst, Nachrichten vorherzusagen.

Setz Basisraten in die Praxis um

Über Basisraten zu lesen ist leicht; zur Gewohnheit wird es erst, wenn du echte Fragen prognostizierst und dafür bewertet wirst. Jedes Mal, wenn du dich zuerst an der Klasse orientierst und danach anpasst, kannst du beobachten, ob die Disziplin deine Kalibrierung tatsächlich verbessert hat.

Mit Clutch sagst du echte Nachrichten und Sportereignisse mit In-App-Credits voraus, und die App führt Buch, sodass du die Außensicht an Live-Fragen üben und zusehen kannst, wie sich deine Treffsicherheit entwickelt. Hol dir die App und fang mit einer Basisrate an.