Wird meine Innovation ein Erfolg? – 3 Methoden zur Bewertung von Innovationen

3 Methoden zur Bewertung der Erfolgschancen von Innovationsideen

Innovationen sind einer der wesentlichen Treiber für das Wachstum und das Überleben von Unternehmen. Wie diverse Untersuchungen jedoch zeigen, ist die Wahrscheinlichkeit sehr hoch, dass eine Innovationsidee nicht die mit ihr verbundenen Ziele erfüllt. Beispielsweise scheitern zwischen 70 und 90% aller neu eingeführten Produkte. Fast 2/3 aller Startup-Investitionen verlieren Geld. Gemäß einer aktuellen Untersuchung von CB Insights ist dabei einer der Hauptgründe für das Scheitern von Startups, dass kein ausreichendes Marktbedürfnis für die entwickelte Lösung bestand. Angesichts dieser Zahlen wird im Folgenden zunächst aufgezeigt, warum die klassische Vorgehensweise des Erstellens eines Business Plans nicht ausreichend ist bzw. sogar Verschwendung von Zeit und Ressourcen sein kann. Anschließend werden mit dem Bayes-Theorem, Innovationsoptionen sowie Monte-Carlo-Simulationen drei leistungsfähige, aber einfache Methoden vorgestellt, mit denen die Erfolgschancen von Innovationen bereits in frühen Entwicklungsphasen bewertet werden können.

Warum klassische Business Pläne für Innovationen nicht ausreichen

Startpunkt vieler Innovationsprojekte ist das Erstellen eines Business Plans. In diesem wird in schriftlicher Form das Konzept einer Innovationsidee dargestellt. Dabei umfasst der Business Plan nicht nur die Beschreibung der Idee und der wesentlichen Rahmenbedingungen (z. B. Markt und Wettbewerb), sondern beinhaltet auch eine zugehörige Finanzplanung. Ziel eines Business Plans ist es, ein realistisches Bild der Erfolgsaussichten einer Innovationsidee zu vermitteln, um ausreichende Ressourcen – insbesondere Finanzmittel und Personal – für ihre Realisierung zu erhalten.

Insbesondere für Innovationen, die sich durch einen hohen Neuigkeitsgrad und eine nicht genau definierte Problemstellung auszeichnen, eignen sich klassische Business Pläne gerade am Anfang des Projektes aus den folgenden Gründen allerdings nicht:

  • Da die Entwicklung von Innovationen in die Zukunft gerichtet ist, ist der Innovationsprozess durch Unsicherheit gekennzeichnet. Die Unsicherheit ergibt sich zum einen daraus, dass Ereignisse in der Zukunft nicht notwendigerweise dem Verlauf vergangener Ereignisse folgen. Zum anderen ist das Wissen über die Zukunft immer unvollständig [1]. Das wesentliche Problem vieler Business Pläne liegt folglich darin, dass sie – trotz aller Genauigkeit und aufgewendeten Zeit und Ressourcen für ihre Erstellung – die Unsicherheit einer Innovationsidee nicht ausreichend berücksichtigen. Vielmehr versuchen traditionelle Business Pläne Unsicherheit und Risiko von Innovationen durch möglichst genaue Planung zu beherrschen. Zwar wird durch die Erstellung von Worst-Case- und Best-Case-Szenarien oftmals versucht, die Unsicherheit und das damit verbundene Risiko abzubilden. Allerdings bleibt dabei in der Regel offen, wie wahrscheinlich die einzelnen Szenarien sind. Somit zeigen Business Pläne auch nicht die Wahrscheinlichkeit, dass die Innovationsidee ein Erfolg wird.
  • Ein weiteres Problem traditioneller Business Pläne besteht darin, dass sie nicht testbar sind [2]. Einer Innovationsidee ist am Anfang nicht anzusehen, ob sie eine gute oder eine schlechte Idee ist. Daher ist es zunächst erforderlich, die zentralen Einflussfaktoren und Annahmen offenzulegen, die entscheidend dafür sind, dass die Idee erfolgreich sein wird. Anschließend werden die wesentlichen Annahmen durch Experimente getestet. Einer solchen Überprüfung entziehen sich traditionelle Business Pläne, da sie sich typischerweise auf nachlaufende Indikatoren (lagging indicators) konzentrieren, die das Ergebnis einer zuvor durchgeführten Aktivität abbilden. Häufig verwendete nachlaufende Indikatoren wie Umsatz oder Deckungsbeitrag lassen sich jedoch erst dann überprüfen, wenn die Innovationsidee bereits auf dem Markt eingeführt worden ist. Da zu diesem Zeitpunkt jedoch bereits ein großer Teil der erforderlichen Investitionen und Kosten angefallen ist, ist eine Überprüfung der Innovationsidee zu diesem Zeitpunkt zu spät.
  • Schließlich sind Business Pläne in der Regel statisch, d. h. sie werden in der Regel nach Erstellung und Genehmigung nicht mehr angepasst. Ein Business Plan gibt somit den Kenntnisstand in der Anfangsphase einer Innovationsidee wider, wenn der Grad der Unsicherheit am größten ist. Neue Informationen und Erkenntnisse, z. B. aus durchgeführten Experimenten, fließen dagegen nicht in den Business Plan ein. Während der weiteren Phasen des Innovationsprojekts liefert der Business Plan daher keine aktualisierten Informationen über die Erfolgswahrscheinlichkeit der Idee. Darüber hinaus besteht die Gefahr, dass aufgrund genehmigter Business Pläne kognitive Verzerrungen – insbesondere Bestätigungsfehler (Confirmation Bias) und Fehlschlüsse aus versunkenen, irreversiblen Kosten (Sunk Cost Fallacy) – die Bereitschaft einschränken, korrigierende Maßnahmen nach gescheiterten Experimenten umzusetzen.

Vor diesem Hintergrund werden im Folgenden mit dem Bayes-Theorem, Innovationsoptionen sowie Monte-Carlo-Simulationen drei Methoden vorgestellt, die bereits in frühen Innovationsphasen Informationen über die Erfolgschancen einer Innovationsidee liefern und dabei Unsicherheit explizit berücksichtigen. Darüber hinaus eignen sich diese Methoden im weiteren Verlauf des Innovationsprojekts auch für die Nachverfolgung und Dokumentation der veränderten Informationsstände.

Erfolgswahrscheinlichkeiten auf Basis des Bayes-Theorems

Das Bayes-Theorem – ein Klassiker des Mathematik-Unterrichts – ist eine Rechenregel aus der Wahrscheinlichkeitstheorie, die zur Berechnung der (bedingten) Wahrscheinlichkeit eines Ereignisses dient. Dies bedeutet, dass basierend auf Vorkenntnissen über Bedingungen, die mit dem Ereignis zusammenhängen, mit der Bayes-Formel die Wahrscheinlichkeit des Ereignisses selbst ermittelt werden kann. Im Kern geht es dabei um das Aktualisieren einer Wahrscheinlichkeitsschätzung angesichts neuer Daten. So mag beispielsweise vor Beginn eines Fußballspiels die Wahrscheinlichkeit, dass Mannschaft A das Spiel gewinnen wird, mit 50% eingeschätzt werden. Führt Mannschaft A jedoch zwei Minuten vor Ende des Spiels mit drei Toren, so wird kaum noch jemand gegen einen Sieg der Mannschaft A wetten, da die Siegwahrscheinlichkeit mit fast 100% bewertet wird.

In seiner YouTube-Serie „The Math of Success“ verdeutlicht Savoia die Anwendung des Bayes-Theorems für die Ermittlung der Erfolgswahrscheinlichkeit von Innovationen. Ausgangspunkt ist dabei die Frage, wie wahrscheinlich der Erfolg einer Innovationsidee auf Basis der Daten aus den eigenen, zuvor durchgeführten Experimenten ist. Ein Erfolg ist eine Innovation dann, wenn die tatsächlichen Ergebnisse mindestens den erwarteten Ergebnissen entsprechen. Die erwarteten Ergebnisse werden von Savoia in Form der sogenannten XYZ-Hypothese formuliert: „Mindestens X% vom Zielmarkt Y werden Z“, wobei Z beschreibt, wie dieser Prozentsatz des Zielmarktes auf die Innovationsidee reagieren wird [3].

Für die Berechnung der Erfolgswahrscheinlichkeit auf Basis vorliegender Daten P(S|D) sind Informationen über die folgenden vier Wahrscheinlichkeiten erforderlich. Um dabei ihre Ermittlung einfach zu halten, verwendet Savoia für diese vier Wahrscheinlichkeiten jeweils fünf Eintrittsmöglichkeiten von „Sehr unwahrscheinlich“ bis „Sehr wahrscheinlich“, die er mit Prozentwerten von 10% bis 90% bewertet:

  • P(S): Wahrscheinlichkeit, dass die Innovation ein Erfolg (S) wird, bevor Daten aus einem Experiment vorliegen
  • P(F): Wahrscheinlichkeit, dass die Innovation scheitern (F) wird, bevor Daten aus einem Experiment vorliegen
  • P(D|S): Wahrscheinlichkeit für Daten (D) aus einem Experiment, wenn die XYZ-Hypothese richtig ist
  • P(D|F): Wahrscheinlichkeit für Daten (D) aus einem Experiment, wenn die XYZ-Hypothese falsch ist

Auf Basis dieser vier Wahrscheinlichkeiten kann schließlich mit der folgenden Formel die Erfolgswahrscheinlichkeit der Innovationsidee berechnet werden:

Formel die Erfolgswahrscheinlichkeit der Innovationsidee

P(S|D)=(P(S)*P(D|S)) / (P(S)*P(D|S)+(P(F)*P(D|F))

Gerade in frühen Entwicklungsphasen von Innovationsideen liegt der besondere Wert des Bayes-Theorems neben seiner Einfachheit insbesondere darin, dass nach jedem durchgeführten Experiment der Lernfortschritt durch eine aktualisierte Berechnung der Erfolgswahrscheinlichkeit bewertet werden kann. Ziel ist es dabei, durch die Durchführung von Experimenten einen vorab definierten Mindestwert für die Erfolgswahrscheinlichkeit zu erreichen, ab dem ausreichende Gewissheit besteht, dass die Innovation ein Erfolg werden kann. Erst ab Erreichen dieses Schwellenwerts werden größere Investitionen in das Innovationsprojekt freigegeben.

Berechnung des Return-on-Investment mit Innovationsoptionen

Die Methode der Innovationsoptionen basiert auf dem Ansatz, Innovationen als Realoptionen zu betrachten. Eine Realoption ist eine Einstiegsinvestition, die das Recht, aber nicht die Verpflichtung einräumt, eine Folgeinvestition zu tätigen, wenn zusätzliche Informationen vorliegen. Ähnlich des Kaufs einer Finanzoption dient die Realoption in Fällen hoher Unsicherheit der Begrenzung des Verlustes. Hierzu werden Investitionen so gestaffelt, dass unter schlechten Bedingungen keine weiteren Investitionen durchgeführt werden und somit keine weiteren Verluste entstehen. Bei günstigen Bedingungen können dagegen weitere Investitionen getätigt werden [4].

Ausgangspunkt von Innovationsoptionen ist die Fragestellung, wie der wirtschaftliche Nutzen einer Innovationsidee ermittelt werden kann, um das für die Umsetzung der Idee erforderliche Budget zu erhalten. Angesicht der Kritik an weitverbreiteten Bewertungsmethoden (wie dem Net Present Value), die unter Bedingungen hoher Unsicherheit scheitern, hat Binetti die Methode der Innovationsoptionen entwickelt [5].

Die Basis von Innovationsoptionen bildet der von Boyle entwickelte Trinomialbaum, ein gitterbasiertes Berechnungsmodell. Jeder Knoten im Gitter stellt dabei einen möglichen Wert der Innovationsoption zu einem bestimmten Zeitpunkt dar. An jedem Knoten existieren drei mögliche Pfade: ein Aufwärts-, ein Abwärts- und ein mittlerer Pfad. Im Fall von Innovationen stellen die Pfade mögliche Lernfortschritte bzw. die Ergebnisse von Experimenten dar. Sie sind die drei Antwortmöglichkeiten auf die Frage „Sind wir angesichts dessen, was wir seit dem letzten Bewertungszeitpunkt gelernt haben, in einer besseren, schlechteren oder ungefähr der gleichen Position wie zuvor?“. Der Ausgangsknoten des Gitters stellt somit den Anfangswert der Innovationsoption zum Zeitpunkt Null dar, d. h. die Rentabilität der Innovationsidee ohne irgendwelche zusätzlichen Informationen und Umsetzungsmaßnahmen. Das Budget für die ersten Umsetzungsschritte der Idee darf daher nicht größer als diese Zahl sein.

Ergänzend zu der ausführlichen Darstellung der Vorgehensweise bei der Berechnung von Innovationsoptionen stellt Binetti ein Berechnungstool zur Verfügung. Daher soll an dieser Stelle nicht weiter in mathematische Details gegangen werden. Mit diesem Tool erfordert die Berechnung einer Innovationsoption lediglich die folgenden Informationen:

  • das Umsatzpotential der Innovationsidee im Best-Case-Scenario,
  • das geschätzte Budget, um die Innovation auf den Markt zu bringen, sowie
  • die Bedingungen der Option, d. h. die Laufzeit und die Anzahl der Iterationen während der Laufzeit.

Im Mittelpunkt von Innovationsoptionen steht die Bewertung der mit Innovationen verbundenen Unsicherheit, inklusive der Möglichkeit, dass die Innovationsidee scheitert. Anstatt sofort das komplette Budget für die Entwicklung einer Innovationsidee freizugeben, fördern Innovationsoptionen eine schrittweise Vorgehensweise. Es wird nur dann in einen nächsten Schritt investiert, wenn die Möglichkeit eines positiven Return-on-Investment besteht. Wenn dagegen zu einem bestimmten Zeitpunkt keiner der drei Pfade mehr zu einem positiven Wert führt, macht es keinen Sinn, weiter in die Umsetzung der Idee zu investieren. Stattdessen sollte das Projekt beendet werden.

Finanzmodelle mit Monte-Carlo-Simulation

Die Monte-Carlo-Simulation ist ein Simulationsverfahren auf der Basis von Zufallszahlen, mit dem die möglichen Ergebnisse von unsicheren Ereignissen bzw. Einflussfaktoren abgeschätzt werden. Den Kern stellt dabei eine sehr große Anzahl gleichartiger Zufallsexperimente dar. In jedem Experiment werden für die unsicheren Faktoren Zufallszahlen erzeugt und die hieraus resultierenden Ergebnisse berechnet. Für die Generierung der Zufallszahlen werden Wahrscheinlichkeitsverteilungen verwendet, z. B. eine Gleich- oder Normalverteilung. Aufgrund ihrer Flexibilität eignen sich Monte-Carlo-Simulationen für die Lösung komplexer Aufgaben in einem sehr breiten Einsatzgebiet.

Trotz ihrer Vorteile und ihrer weiten Verbreitung in anderen Bereichen wird die Monte-Carlo-Simulation für die Bewertung der Erfolgschancen von Innovationen bislang vergleichsweise wenig eingesetzt. Beispielsweise verdeutlichen Euchner und Ganguly, wie der Reifenhersteller Goodyear im Rahmen seines Business Model Innovation Prozesses mit Hilfe von Monte-Carlo-Simulationen Risiken der Innovationskonzepte identifiziert und priorisiert [6]. Kromer und Eilert wenden Monte-Carlo-Simulationen auf Basis des Pirate Metrics-Trichters von McClure an, um das Wachstum und die Finanzergebnisse von Startups zu simulieren [7].

In beiden Fällen wird bereits in einer frühen Phase der Innovationsentwicklung ein Hypothesen-gestütztes Finanzmodell aufgestellt. Um die Unsicherheit der Einflussfaktoren in das Modell zu integrieren, werden jedoch anstelle einzelner Werte – wie es im Business Plan der Fall ist – Bandbreiten definiert. Das heißt, es werden ein unterer und ein oberer Wert bestimmt, bei denen ausreichende Gewissheit besteht, dass der wirkliche Wert in diesem Bereich liegen wird. Anschließend wird eine sehr große Anzahl Simulationen durchgeführt, wobei in jeder Simulation ein neuer Zufallswert auf Basis der definierten Bandbreite generiert wird. Da für jede einzelne Simulation ein Ergebnis berechnet wird, ist das Ergebnis der Monte-Carlo-Simulationen eine Häufigkeitsverteilung potentieller Ergebnisse. Dies ermöglicht es, die Wahrscheinlichkeit jedes einzelnen Ergebnisses zu berechnen und somit beispielsweise die Frage zu beantworten „Wie wahrscheinlich ist es, einen Gewinn von mindestens X Euro zu erzielen?“. Darüber hinaus lassen sich Sensititivätsanalysen durchführen, um diejenigen Faktoren zu ermitteln, die den größten Einfluss auf das Ergebnis haben. Die Resultate der Monte-Carlo-Simulation stellen die Grundlage dar, um anschließend die wichtigsten Annahmen durch Experimente zu überprüfen und die damit verbundene Unsicherheit zu verringern.

Auch wenn das Erstellen von Monte-Carlo-Simulation zunächst einmal kompliziert und zeitaufwendig klingen mag, so lassen sich erste Modelle doch mit relativ geringem Aufwand in gängigen Tabellenkalkulationen (z. B. Microsoft Excel oder Google Sheets) erstellen. Zwar fehlen in dieser frühen Phase der Innovationsentwicklung noch zahlreiche Informationen und viele oder sogar alle Annahmen können falsch sein. Dennoch ist das Erstellen des Modells zu diesem Zeitpunkt sehr wertvoll. Zum einen hilft es, die versteckten Annahmen, die für den Innovationserfolg entscheidend sind, transparent und offensichtlich zu machen. Zum anderen erfordert das Erstellen des Modells ein klares Durchdenken des geplanten Geschäftsmodells und eine erste Quantifierung der Annahmen mit geschätzten Bandbreiten.

Zugleich ist es zu diesem Zeitpunkt wichtig, nicht zu viel Aufwand auf die Erstellung eines möglichst realistischen Modells zu verwenden. Ein einfaches Modell für die Abbildung der wesentlichen Mechanismen des Geschäftsmodells reicht anfangs aus. Erst mit steigendem Informationsstand und fortschreitender Reduzierung der Unsicherheit der Innovationsidee sollte das Modell erweitert werden.

Fazit zur Erfolgsbewertung von Ideen

Gerade am Anfang eines Innovationsprojektes ist dieses durch ein hohes Maß an Unsicherheit gekennzeichnet. Aus diesem Grund ist es wenig sinnvoll, viel Aufwand in die Erstellung eines Business Plans zu investieren. Dies gilt umso mehr, da dieser auch nicht die Frage beantwortet, wie wahrscheinlich es ist, dass die Innovationsidee ein Erfolg wird.

Zur Beantwortung dieser Frage wurden mit dem Bayes-Theorem, Innovationsoptionen sowie Monte-Carlo-Simulationen drei Methoden vorgestellt, die jeweils einen unterschiedlichen Schwerpunkt haben und sowohl einzeln als auch in Kombination eingesetzt werden können. Während beim Bayes-Theorem die Ermittlung der Wahrscheinlichkeit im Mittelpunkt steht, ein definiertes Ziel zu erreichen, sind Innovationsoptionen auf die Ermittlung des Return-on-Investment fokussiert. Die größte Flexibilität bieten Monte-Carlo-Simulationen, da sich mit ihnen sowohl finanzielle Zielgrößen als auch deren Wahrscheinlichkeiten sowie die wesentlichen Einflussfaktoren ermitteln lassen. Trotz dieser unterschiedlichen Schwerpunkte haben die drei Methoden gemeinsam, dass sie:

  • mit wenig Aufwand die Abschätzung der Erfolgschancen von Innovationsideen gestatten,
  • die Quantifizierung sich im weiteren Projektverlauf verbessernder Informationsstände ermöglichen und
  • eine Grundlage für Go/No-Go-Entscheidungen hinsichtlich weiterer Investitionen in das Innovationsprojekt bilden.

Referenzen

[1] Harri Jalonen, The Uncertainty of Innovation: A Systematic Review of the Literature, Journal of Management Research, Vol. 4, No. 1, 2012.

[2] Tristan Kromer / Elijah Eilert, Innovation Accounting: The Failure of The Business Case, https://thefutureshapers.com/innovation-accounting-the-failure-of-the-business-case, 31.08.2021.

[3] Alberto Savoia, The Right It: Why So Many Ideas Fail and How to Make Sure Yours Succeed, 2019.

[4] Rita McGrath, Falling Forward: Real Options Reasoning and Entrepreneurial Failure, in: Academy of Management Review, Vol. 24, No. 1, 1999.

[5] David Binetti, How to Calculate an Innovation Option, https://blog.innovation-options.com/how-to-calculate-an-innovation-option-d673369e8658, 8.12.2017 und David Binetti, Measuring Learning in Dollars, https://blog.innovation-options.com/innovation-options-a-framework-for-evaluating-innovation-in-larger-organizations-968bd43f59f6, 23.04.2015.

[6] Jim Euchner / Abhijit Ganguly, Business Model Innovation in Practice, in: Research-Technology Management, November-December 2014.

[7] Tristan Kromer / Elijah Eilert, Innovation Accounting in Practice, https://innovationmetrics.co/innovation-accounting-in-practice/.

Marcus ist Innovationsberater, -trainer und -facilitator. Als Geschäftsführer von zagmates unterstützt er mittelständische Organisationen bei der Entwicklung und Umsetzung von Innovationen mit Wirkung. Marcus verfügt über mehr als 15 Jahre Erfahrung in der Technologie-Industrie in Europa und China mit Fokus auf Vertrieb, Marketing, Produktmanagement und Business Development. Zudem ist er Dozent am Steinbeis-Transfer-Institut Business Management and Innovation.

Die Kommentarfunktion ist geschlossen.

This website uses cookies to improve your experience. We'll assume you're ok with this, but you can opt-out if you wish. Accept Read More