Evident Flow Index

Der Evident Flow Index (EFI) berechnet für jedes Ziel ein Effizienzmaß: Wie viel kundenseitig gewichteter, strategisch fokussierter und risikoadjustierter Wertbeitrag entsteht pro Aufwandseinheit? Die Rangfolge der Ziele ergibt sich aus diesem Verhältnis — nicht aus einer Wichtigkeitsdiskussion.

Die Formel

EFI = Σ(impact_i × C_i × w_strategy,i × w_driver,i × w_lever,i) / (1 + effort)

Die Summe läuft über alle Hebel-Treiber-Pfade, die ein Ziel adressiert. Für jeden Pfad wird einzeln berechnet, welchen Wertbeitrag das Ziel dort leistet — multipliziert mit der Konfidenz der Schätzung, der strategischen Gewichtung, der Zielgruppenpriorität und dem Hebelgewicht. Die Summe ergibt den risikoadjustierten Gesamtnutzen. Geteilt durch den normierten Aufwand plus 1 entsteht der EFI.

Die Variablen im Detail

impact_i — Die geschätzte Wirkung des Ziels auf einen bestimmten Hebel der Value Map (Skala –1 bis +1). Die Schätzung stammt aus der gebündelten Expertise mehrerer Personen mit Domänenexpertise, auf jeder Ebene, und wird in der Trade-off Session vertreten.

Geschätzt wird nicht als Zahl, sondern in neun Stufen, symmetrisch um null:

Stufe	−XL	−L	−M	−S	0	+S	+M	+L	+XL
impact_i	−1	−0.75	−0.5	−0.25	0	0.25	0.5	0.75	1

Positive Stufen bewegen den Hebel in die gewünschte Richtung, negative erfassen schädliche Nebeneffekte, 0 bedeutet keine relevante Wirkung. Wie beim Effort sind die Zahlenwerte ein Implementationsdetail der Formel — die Schätzenden arbeiten ausschließlich mit den Stufen. Anders als beim Effort sind die Abstände gleich groß. Impact beschreibt die Stärke einer Wirkung, nicht die Bindung von Ressourcen; es gibt keinen Koordinationseffekt, der wachsende Abstände rechtfertigen würde. Gleiche Abstände halten zudem Mittelwert und Streuung der Schätzungen direkt lesbar: Eine Stufe Uneinigkeit entspricht 0.25.

Hebel als Regelfall, Treiber als Ausnahme. Geschätzt wird auf die Hebel. Eine Schätzung direkt auf einen Treiber ist möglich und wird technisch nicht blockiert, sie ist aber die Ausnahme. Mathematisch sagt sie, dass das Ziel alle Hebel dieses Treibers gleichzeitig in derselben Stufe bewegt, jeweils entsprechend ihrem Gewicht: Weil sich die Hebelgewichte eines Treibers zu 1 summieren, geht eine Treiber-Schätzung mit w_lever = 1 in die Formel ein. Ziele, die wirklich gleichmäßig auf alle Hebel eines Treibers wirken, sind selten — meist steckt hinter einer Treiber-Schätzung ein Hebel, der noch nicht benannt ist.

In der Berechnung wird eine Treiber-Schätzung auf die Hebel umgelegt: Sie zählt als dieselbe Stufe auf jedem Hebel des Treibers. Die Stufe wird dabei nicht nach Gewicht aufgeteilt — die Gewichtung übernimmt w_lever in der Formel, sonst würde doppelt gewichtet. Treiber-Schätzungen und Hebel-Schätzungen verschiedener Personen auf denselben Treiber werden so nicht addiert, sondern je Hebel gemeinsam gemittelt. Dieselbe Person schätzt ein Ziel auf einem Treiber entweder direkt oder über seine Hebel, nicht beides — beides zugleich wäre eine in sich widersprüchliche Schätzung. Details im Abschnitt Hebel- und Treiber-Schätzungen auf denselben Treiber.

C_i (Confidence) — Der Konfidenzwert der Schätzung (Skala >0 bis 1). Misst, wie einig sich die schätzenden Experten sind. Hohe Einigkeit bedeutet hohe Konfidenz. Starke Streuung drückt den Wert nach unten. Wie C_i berechnet wird, beschreibt der Abschnitt Der Konfidenzfaktor.

C_i ist nicht identisch mit dem Confidence Level. Das Confidence Level misst die subjektive Zuversicht eines Owners, ein laufendes Ziel zu erreichen. C_i misst die Einigkeit der Experten bei der Impact-Schätzung. Beides sind Konfidenzmaße — aber auf unterschiedlichen Ebenen und mit unterschiedlicher Funktion.

w_strategy,i — Das strategische Treibergewicht. Eine Management-Entscheidung, die den Fokus zwischen den Treibern setzt. Die Strategiegewichte sind über alle Treiber normiert, und zwar auf den Mittelwert 1: Ihre Summe ergibt N, die Anzahl der Treiber. Anders als w_lever, das je Treiber zu 1 summiert, verteilt w_strategy ein gemeinsames Budget über alle Treiber hinweg — die operative Entsprechung der Strategievektoren, deren Gewichte zu 100% summieren. Ein Anteil von p Prozent am Gesamtfokus geht als w_strategy = N × p / 100 in die Formel ein. Der Default ist die Gleichgewichtung mit w_strategy = 1 für jeden Treiber und damit strategisch neutral. Ein Wert über 1 bedeutet überdurchschnittlichen Fokus, ein Wert unter 1 bewusste Zurückstellung. Die Geschäftsführung verschiebt Gewicht zwischen Treibern: Mehr Fokus auf einen Treiber geht zwangsläufig zulasten der anderen (Nullsummen-Budget). Ein Treiber lässt sich auf 0 setzen, um ihn im aktuellen Zyklus bewusst zu deaktivieren (Killswitch) — sein Gewicht verteilt sich dann auf die übrigen. Die Anpassung erfolgt quartalsweise im Rahmen des Strategie-Updates. Welche Treiber existieren und wie sie zusammenhängen, definiert die Value Map.

Da der EFI nur relativ gelesen wird, ändert die Normierung die Rangfolge nicht gegenüber freien Multiplikatoren. Ihr Nutzen liegt woanders: Sie erzwingt die strategische Disziplin des Nullsummen-Budgets und macht jedes Strategiegewicht als Vielfaches des Durchschnitts lesbar.

Die Skalierung auf den Mittelwert 1 statt auf die Summe 1 sorgt zusätzlich dafür, dass der EFI nicht von der Anzahl der Treiber abhängt. Bei Summe 1 würde jedes Gewicht mit wachsender Treiberzahl auf 1/N schrumpfen und mit ihm jeder EFI, obwohl sich strategisch nichts geändert hat; bei 30 oder 40 Treibern rücken die Werte dann so nah an null, dass echte Unterschiede in der Anzeige wie Gleichstände aussehen. Bei Mittelwert 1 liefert die neutrale Gleichgewichtung für eine Value Map mit fünf Treibern dieselben EFI-Werte wie für eine mit vierzig. Ein neu aufgenommener Treiber verändert die Werte bestehender Ziele nur dann, wenn die Geschäftsführung die Gewichte tatsächlich umverteilt.

w_driver,i — Die Zielgruppenpriorität. Gibt an, wie wichtig dieser Treiber für den Kunden ist (nach oben offen). Die Gewichtung stammt aus der Value Map und bildet die Marktrealität ab.

w_lever,i — Das normierte Gewicht des Hebels auf seinen Treiber (Summe aller Hebelgewichte pro Treiber = 1). Die Normierung ergibt sich aus der System-Ontologie der Value Map.

effort — Der normierte Aufwand für die Umsetzung des Ziels. Effort wird über T-Shirt Sizes auf eine Skala von 0 bis 1 normiert. Das Ceiling (= 1) ist ein Ziel, das gerade noch in einem Quartal erledigt werden kann. Die Abstufung folgt einer Fibonacci-proportionalen Skalierung:

T-Shirt Size	S	M	L	XL	XXL
Normierter Effort	0.08	0.15	0.38	0.62	1.0

Die Abstände zwischen den Größen wachsen bewusst. Realer Aufwand skaliert nicht linear mit der Zielgröße — größere Ziele binden überproportional mehr Ressourcen durch Koordination, Abstimmung und Abhängigkeiten. Eine lineare Normierung (S=0.2, M=0.4, L=0.6 …) würde diesen Effekt ignorieren und große Ziele in der EFI-Rangfolge systematisch bevorzugen. Die Fibonacci-Skalierung bildet diese Realität ab und folgt dem gleichen Prinzip, das sich in agilen Schätzverfahren (Story Points, Planning Poker) seit zwei Jahrzehnten bewährt hat.

Die Einsortierung selbst bleibt intuitiv: Die Schätzung erfolgt relativ zu bisherigen Zielen der Organisation, wie in der Section Objectives beschrieben. Die Fibonacci-Werte sind ein Implementationsdetail der Formel — die Schätzenden arbeiten ausschließlich mit den T-Shirt-Kategorien.

Die Kausalkette

Die Logik liest sich von unten nach oben:

Ziel → wirkt auf Hebel (impact) → Hebel wirkt auf Treiber (w_lever, normiert) → Treiber ist kundengewichtet (w_driver, nach oben offen) und strategiegewichtet (w_strategy, über alle Treiber auf Mittelwert 1 normiert, Default 1, quartalsweise anpassbar)

Jede Ebene filtert: Ein Ziel zählt nur dann stark, wenn es einen Hebel tatsächlich bewegt, dieser Hebel relevant für seinen Treiber ist, der Treiber dem Kunden wichtig ist und die Strategie diesen Treiber aktuell priorisiert.

Baumstruktur-Constraint. Die Value Map ist als Graph modelliert, aber für die EFI-Berechnung gilt die Einschränkung, dass jeder Hebel genau einem Treiber zugeordnet ist. Das erzwingt Feingranularität in der Treiberdefinition und stellt sicher, dass die Normierung von w_lever (Summe = 1 pro Treiber) eindeutig bleibt.

Was die Mathematik bewirkt

Die Formel ist bewusst so gebaut, dass sie bestimmte Effekte erzeugt:

Natürlicher Filter. Die Multiplikation sorgt dafür, dass ein Hebel nur dann ins Gewicht fällt, wenn alle Faktoren — Impact, Konfidenz, Strategiegewicht, Hebelgewicht und Treibergewicht — substanziell sind. Ein Ziel, das einen irrelevanten Hebel stark bewegt, ergibt genauso wenig wie ein Ziel, das einen wichtigen Hebel kaum berührt.

Negative Nebeneffekte werden bestraft. Wenn ein Ziel auf einen Hebel negativ wirkt (impact < 0), reduziert das den Gesamtnutzen aktiv. Das verhindert, dass Ziele priorisiert werden, die in einem Bereich Wert schaffen und in einem anderen zerstören.

Zielgruppenpriorität dominiert. Dass w_driver nach oben offen ist, bedeutet: Ein einzelner hochpriorisierter Treiber kann den Score dominant prägen. Das ist gewollt — es bildet ab, dass manche Kundenbedürfnisse gerade deutlich wichtiger sind als andere.

Trennung von Strategie und Markt. Durch die Aufteilung in w_driver (vom Kunden bestimmt) und w_strategy (vom Management bestimmt) bleiben die grundlegenden Kundenbedürfnisse stabil, während das Management w_strategy als Lenkrad nutzt, um Ressourcen asymmetrisch zu verteilen. Das verhindert den “Peitscheneffekt”: Strategische Richtungswechsel verfälschen nicht die Wertematrix des Kunden, sondern verschieben den Fokus innerhalb dieser Matrix. Weil w_strategy ein fixes Budget (Summe = N, Mittelwert 1) verteilt, ist diese Verschiebung ein bewusstes Nullsummenspiel: Fokus an einer Stelle bedeutet Verzicht an anderer.

Lokale Risikoabwertung. Der Konfidenzwert C_i steht innerhalb der Summenklammer. Das stellt sicher, dass ein Ziel nicht pauschal abgewertet wird, nur weil ein einzelner Hebel unsicher ist. Jeder Pfad wird präzise anhand seiner eigenen Datenlage und Unsicherheit bewertet.

Effizienz mit Bodenhaftung. Die Addition von 1 im Nenner (1 + effort) verhindert, dass triviale Ziele mit einem Aufwand nahe null den Gesamtscore ins Unendliche explodieren lassen — der klassische “Low-Hanging-Fruit-Bias”. Das mathematische Smoothing belohnt weiterhin schlanke Ziele, zieht aber eine natürliche Grenze. Ein Ziel kleiner zu schneiden lohnt sich, solange der Impact erhalten bleibt.

Nur relativ lesbar. EFI-Werte sind ausschließlich relativ zueinander interpretierbar. Ein einzelner Score hat keine absolute Bedeutung — der EFI dient der Rangfolge, nicht der Bewertung.

Der Konfidenzfaktor

Der Faktor C_i dient als organisatorisches Immunsystem gegen politische Projekte (“Pet Projects”) und blindes Wunschdenken. Die verhaltensökonomische Grundlage für diesen Mechanismus ist die Noise-Forschung von Kahneman, Sibony und Sunstein. Die Grundlage: Wenn mehrere Experten denselben Hebel-Treiber-Pfad schätzen, entsteht eine Verteilung von Einzelschätzungen. Aus der Streuung dieser Schätzungen lässt sich die Standardabweichung berechnen — und damit ein Maß dafür, wie einig sich die Gruppe ist.

C_i setzt sich aus zwei Komponenten zusammen: der Einigkeit der menschlichen Experten (C_human) und dem optionalen KI-Korrektiv (C_AI).

Berechnung der Experteneinigkeit

Schritt 1 — Populationsstandardabweichung der Expertenschätzungen:

σ_i = √( (1/n) × Σ(x_j − x̄)² )

Dabei ist x_j die Einzelschätzung von Experte j, x̄ der Mittelwert aller Schätzungen und n die Anzahl der Schätzenden. Verwendet wird die Populationsstandardabweichung (Division durch n, nicht n−1), da alle abgegebenen Expertenschätzungen vorliegen — nicht eine Stichprobe aus einer Grundgesamtheit. Auf der Impact-Skala (–1 bis +1) liegt σ_i damit immer im Bereich [0, 1]. Zwei Schätzende, die eine Stufe auseinanderliegen (etwa +M und +L), ergeben σ_i = 0.125.

Schritt 2 — Konfidenz aus Experteneinigkeit:

C_human,i = 1 − σ_i

Die Abwertung ist linear: Je stärker die Streuung, desto größer der Abschlag. 30 % Streuung bedeutet 30 % Abwertung.

Hohe Einigkeit (geringe Standardabweichung): Die Schwarmintelligenz ist sich sicher. C_human,i nähert sich 1,0. Der geschätzte Impact fließt nahezu ungemindert in die Wertung ein.

Starke Diskrepanz (hohe Standardabweichung): Die Experten widersprechen sich. Das Risiko, dass der Impact nicht eintritt, ist hoch. C_human,i sinkt deutlich. Der Wert des Pfades wird entsprechend reduziert.

Wie die Expertenschätzungen im Detail entstehen — wer schätzt, wie mit Streuung umgegangen wird und wie die Gruppe zu einer tragfähigen Einschätzung kommt — beschreibt die Trade-off Session.

Das KI-Korrektiv

Zusätzlich zu den menschlichen Experten simulieren KI-Agenten auf Basis objektiver Daten die Schätzung. Die Agenten operieren als digitale Zwillinge — sie kennen die Value Map, die historischen Daten und die aktuelle Unternehmenslage.

Weicht die menschliche Schätzung von der KI-Schätzung ab, drückt dies den Konfidenzwert C_i zusätzlich nach unten. Konkret:

Schritt 3 — Abweichung zwischen Mensch und KI:

δ_i = |x̄ − x_AI|

Dabei ist x̄ der Mittelwert der menschlichen Schätzungen und x_AI die KI-Schätzung für denselben Pfad. Die maximale Abweichung auf der Skala [–1, +1] beträgt 2.

Schritt 4 — KI-Konfidenz:

C_AI,i = 1 − δ_i / 2

Division durch 2 normiert die Abweichung auf [0, 1]. Stimmen Mensch und KI überein (δ = 0), bleibt C_AI = 1. Bei maximaler Abweichung (Mensch schätzt +1, KI schätzt –1) sinkt C_AI auf 0.

Das Korrektiv fungiert als Gegengewicht zu politischen Gefälligkeitsschätzungen und zwingt die menschlichen Experten in der Trade-off Session, ihre impliziten Annahmen offenzulegen und zu rechtfertigen.

Gesamtkonfidenz

C_i = C_human,i × C_AI,i

Beide Dimensionen — Experteneinigkeit und KI-Validierung — müssen unabhängig bestehen. Die Multiplikation ist konsistent mit der EFI-Formel selbst, die ebenfalls multiplikativ aufgebaut ist.

Fallback: Liegt für einen Pfad keine KI-Schätzung vor, gilt C_AI,i = 1. Der Konfidenzfaktor reduziert sich dann auf C_human,i allein. Die Formel ist damit von Beginn an funktionsfähig, auch bevor das KI-Korrektiv produktiv ist.

Hebel- und Treiber-Schätzungen auf denselben Treiber

Konfidenz wird immer je Hebel berechnet, nie je Treiber. Direkte Treiber-Schätzungen werden dafür vor der Berechnung auf die Hebel umgelegt:

1. Umlegen: Eine Schätzung direkt auf einen Treiber zählt als dieselbe Stufe auf jedem seiner Hebel — auch auf Hebeln, auf die sonst niemand geschätzt hat. Wer +L auf einen Treiber mit den Hebeln H1 (0.6), H2 (0.3) und H3 (0.1) schätzt, schätzt damit +L auf H1, H2 und H3. In der Formel ergibt das 0.6 × 0.75 + 0.3 × 0.75 + 0.1 × 0.75 = 0.75, also genau +L auf den Treiber.
2. Je Hebel mitteln: Auf jedem Hebel liegen danach die Hebel-Schätzungen und die umgelegten Treiber-Schätzungen nebeneinander. impact_i ist ihr Mittelwert, C_human,i ergibt sich aus ihrer Streuung — wie bei jedem anderen Pfad. Jede Person ist auf einem Hebel genau eine Stimme.
3. Eine Sicht je Person: Dieselbe Person schätzt ein Ziel auf einem Treiber entweder direkt oder über dessen Hebel. Beides zugleich widerspricht sich in der eigenen Schätzung und wird nicht angenommen; wer die Sicht wechseln will, entfernt zuerst die eigene bisherige Schätzung.

Umgelegt wird bei der Berechnung, gespeichert bleibt die Treiber-Schätzung. Kommt später ein Hebel hinzu, gilt sie automatisch auch für ihn. Hat ein Treiber keine Hebel, bleibt die Treiber-Schätzung ein eigener Pfad mit w_lever = 1.

Beispiel: Ein Treiber hat die Hebel H1 (Gewicht 0.6) und H2 (Gewicht 0.4). Person A schätzt +M auf H1, Person C +S auf H2, Person B +L direkt auf den Treiber. Umgelegt liegen auf H1 die Schätzungen +M und +L (Mittelwert 0.625, σ = 0.125, C_human = 0.875), auf H2 +S und +L (Mittelwert 0.5, σ = 0.25, C_human = 0.75). Der Treiber trägt 0.6 × 0.625 × 0.875 + 0.4 × 0.5 × 0.75 ≈ 0.48 bei, multipliziert mit w_strategy × w_driver. Würden die Treiber-Schätzung und die Hebel-Schätzungen nebeneinander addiert, käme 0.40 + 0.75 = 1.15 heraus, ohne jeden Konfidenzabschlag — mehr als +XL auf alle Hebel zugleich.

Woher die Daten kommen

Der EFI operiert auf einer Abstraktionshöhe, auf der sich Ursachen und Wirkungen nicht vollständig modellieren lassen. Die Daten für die Impact-Schätzung stammen nicht aus einem geschlossenen Modell, sondern aus der gebündelten Expertise der beteiligten Personen mit Domänenexpertise, unabhängig von ihrer Ebene. Wer die Schätzungen einholt, beschreibt die Section Rollen im Evident Flow.

Der EFI ist damit ein Behelfskonstrukt — aber ein bewusstes. Über mehrfach durchgeführte Schätzungen von Personen mit relevanter Domänen-Expertise entsteht eine Einschätzung, die individuelle Schätzfehler weitgehend bereinigt und einen vernünftigen Blick auf die anzunehmenden Effekte eines Ziels auf die Treiber der Value Map ermöglicht. Wie dieser Schätzprozess konkret abläuft — wer schätzt, warum unterschiedlich viele Schätzungen pro Treiber kein Gewichtungsproblem sind und wie die Gruppe mit abweichenden Einschätzungen umgeht — ist im Detail in der Trade-off Session beschrieben.

Was bewusst NICHT in der Formel steht

Um ausufernde Komplexität und “Business Theater” zu vermeiden, verzichtet der EFI bewusst auf folgende Metriken:

Zeitliche Dringlichkeit (Time Criticality). Der EFI ist ein statisches Modell für den aktuellen Zyklus. Wenn ein Ziel absolute zeitliche Priorität hat — Weihnachtsgeschäft, harte Compliance-Deadline, regulatorische Fristen —, ist das eine Top-Down-Management-Entscheidung. Solche Overrides werden nicht der Formel überlassen, sondern transparent kommuniziert und in der Trade-off Session begründet.

Zukünftige Zinseszinseffekte (Compounding Value). Der EFI bewertet ausschließlich den Impact, der im jetzigen Quartal validiert werden kann. Das verhindert, dass Teams fiktive “Millionenwerte in Jahr 3” erfinden, um ihre Ziele heute durchzudrücken. Es erzwingt das agile Schneiden von Zielen auf sofortige Wertgenerierung.

Was der EFI nicht kann

Der EFI ist kein Closed Loop. Da Unternehmen in einer multikausalen Welt operieren, lässt sich im Nachgang nicht exakt analysieren, ob die angenommenen Wirkungszusammenhänge gestimmt haben. Selbst beobachtbare Ergebnisse sind nicht eindeutig auf einzelne Handlungen zurückzuführen.

Der EFI beantwortet deshalb nicht die Frage, was das theoretisch global beste Ziel wäre. Er beantwortet eine bescheidenere, aber praktisch relevante Frage: Welche der aktuell zur Verfügung stehenden Handlungsoptionen hat mit annehmbarer Wahrscheinlichkeit den größtmöglichen Impact pro Aufwandseinheit auf die derzeit erstrebten Größen?