Algorithmen-Aversion im Controlling : Experimente zur Wirkung des Arbeitsumfeldes auf die Algorithmen-Aversion in Forecasts

Abstract

Forecasts sind ein wesentliches Element des Controllings um Managemententscheidungen zu unterstützen. Durch neue Datenquellen und neue Techniken zur Datenanalyse sollen dabei zunehmend Algorithmen in Forecasts eingesetzt werden. Obwohl Algorithmen in der Regel präziser sind als Forecaster, werden sie von diesen häufig nicht eingesetzt. Eine solche Algorithmen-Aversion tritt insbesondere dann auf, wenn Forecaster mit Algorithmen interagieren und damit ein Feedback zur Leistung des Algorithmus erhalten. Dieses Leistungsfeedback demonstriert Forecastern, dass Algorithmen eine höhere Forecastinggenauigkeit als sie selbst haben, jedoch auch vom Algorithmus keine perfekten Forecasts erstellt werden. Da Forecasts einen Blick in die Zukunft richten, sind sie von Unsicherheit geprägt und perfekte Forecasts sind auch für Algorithmen unerreichbar. Die Algorithmen-Aversion wird demnach zu einer omnipräsenten Herausforderung im Controlling erwachsen. In der Literatur wird die Algorithmen-Aversion bereits als robustes Phänomen beschrieben, es fehlt bislang jedoch an einem erweiterten Verständnis dafür, wie ausgeprägt sie im täglichen Arbeitsumfeld von Forecastern ist. Um dies näher zu ergründen wird in der vorliegenden Untersuchung der Forschungsfrage gefolgt, wie sich das Arbeitsumfeld von Forecastern auf die Algorithmen-Aversion auswirkt. Dazu werden vier besonders relevante Variablen des Arbeitsumfelds aus der Controlling-Literatur abgeleitet. Diese werden in zwei Experimentalstudien mit insgesamt 3243 Teilnehmern untersucht. In Studie 1 werden die Variablen Zeitdruck, „do your best“-Ziele und Entscheidungsrechte für Eingabeinformationen die der Algorithmus verarbeitet betrachtet. In Studie 2 liegt der Fokus auf relativem Leistungsfeedback zu Kollegen, sogenannter Relative Performance Information (RPI). Die empirischen Ergebnisse zeigen, dass die Algorithmen-Aversion auch in dieser Untersuchung robust ist. Sie variiert jedoch in ihrer Ausprägung in Abhängigkeit der Variablen des Arbeitsumfelds. Hier zeigt die vorliegende Untersuchung, dass Zeitdruck die Algorithmen-Aversion absenkt. Weiter, dass RPI einen bedingten Einfluss auf die Algorithmen-Aversion hat. Positive RPI erhöht die Algorithmen-Aversion. Negative RPI hat bei guter Leistung eines Forecasters keinen Einfluss, bei schlechter Leistung jedoch, senkt sie die Algorithmen-Aversion. Für „do your best“-Ziele und Entscheidungsrechte für Eingabeinformationen die der Algorithmus verarbeitet, werden keine Auswirkungen auf die Algorithmen-Aversion festgestellt.