Ziel der Arbeit war es, Effectuation um einen prozessorientierten Beitrag zu erweitern und effektuatives Lernen aufbauend auf bestehenden Modellen in die Betrachtung einzubeziehen. Im Folgenden sollen die gewonnenen Erkenntnisse in zusammengefasster Form dargestellt werden. Die daraus abgeleiteten Grenzen der Untersuchung geben Aufschluss über den weiteren Forschungsbedarf. Darauf aufbauend werden Implikationen für Theorie und Praxis herausgestellt und Vorschläge für künftige Untersuchungen erarbeitet.

6.1 Zusammenfassung

Um den aktuellen Stand der Effectuation-Forschung zu überblicken, wurde zunächst eine strukturierte Literaturanalyse durchgeführt. Dabei wurde anhand der von Wolfswinkel et al. (2013) vorgeschlagenen Rahmenbedingungen Literatur ausgewählt und diskutiert. Durch Eingrenzung der zu analysierenden Literatur und den daraus abgeleiteten Forschungsbedarf konnte die für die Untersuchung relevante Fragestellung identifiziert werden.

Um darüber hinaus ein grundlegendes Verständnis für effektuatives Schließen zu schaffen, wurden entscheidungstheoretische Aspekte im Kontext von Effectuation durchleuchtet und kritisch diskutiert. Hierbei wurde der durch Sarasvathy (2009) eingeführte Vergleich zwischen effektuativer Inferenz und bayesschem Schließen weitreichender als bisher untersucht. Diesbezüglich wurden bisherige Ungenauigkeiten bei der Verwendung bayesianischer Konzepte und Zusammenhänge aufgearbeitet und in eine mathematisch notierte Definition überführt. Dadurch ist es künftig möglich, Effectuation präziser von bestehenden Entscheidungstheorien abzugrenzen.

Des Weiteren wurden Verfahren des maschinellen Lernens vorgestellt, die grundsätzlich die Möglichkeit bieten, das Konzept der Ungewissheit abzubilden und autonomes Entscheiden von Agenten zu modellieren. Yang und Chandra (2013) fordert in diesem Zusammenhang, dass agentenbasierte Modellierung unter Verwendung Künstlicher Intelligenz in die Entrepreneurship-Forschung Einzug hält. Aufgrund des von Gupta et al. (2016) beschriebenen Bedarfs, Effectuation aus prozessthereotischer Sicht in den Fokus zu stellen, wurde die Funktionsweise von RIL – als prozessbasiertes Lernsystem – ausführlich diskutiert.

Außerdem sollten bestehende Modellierungsansätze, die die algorithmische Interpretation von Effectuation erlauben, evaluiert werden. Die Gegenüberstellung und Diskussion bestehender Modelle dienen der Zusammenfassung geeigneter Modellelemente und Erforschung bisher vernachlässigter Modellierungsaspekte, die Effectuation technisch-mathematisch abbildbar machen. Daher wurden die Modelle von Mauer et al. (2017), Welter und Kim (2018) und Eberz (2018) deskriptiv dargestellt und bisher lediglich verbal beschriebene Elemente und Wirkungsweisen der Modelle in eine mathematische Form übertragen.

Durch die explizite Darstellung der Modelle konnte eine Gegenüberstellung der verwendeten Eingangsgrößen, Ausgangsgrößen und Methodiken vorgenommen werden. Zudem wurden die Modelle von Mauer et al. (2017) und Welter und Kim (2018) in replizierter Form implementiert und Simulationsergebnisse verglichen. Dabei konnte die grundsätzliche Argumentation, unter welchen Bedingungen Effectuation Causation überlegen ist, nachvollzogen werden. Abweichungen zwischen den ursprünglichen und den replizierten Simulationsergebnissen ergeben sich jedoch unter Verwendung spezifischer Modellparameter, die zu unterschiedlichen Leistungswerten führen. Grundlegende Aussagen zur Leistungsfähigkeit von Effectuation und Causation in verschiedenen Umgebungssituationen blieben trotz der Unterschiede erhalten.

Die aus der Gegenüberstellung und Nachmodellierung gewonnenen Erkenntnisse bilden die Grundlage für ein aggregiertes Modell, das bestehende Ansätze um Aspekte effektuativen Lernens ergänzt. Damit soll das von Sarasvathy (2001) eingeführte Theoriengerüst methodisch erweitert und ein Beitrag zur Effectuation-Forschung geleistet werden. Durch die Bereitstellung des RIL-Effectuation-Modells, welches effektuatives Lernen explizit und interpretierbar formuliert, wird die Grundlage für entscheidungsunterstützende Systeme im Gründungsumfeld geschaffen. Das in Kapitel 4 entwickelte Modell erlaubt es einem effektuativen Agenten, eine entrepreneuriale Problemstellung zu bearbeiten.

Durch die Verwendung von RlL- und agentenbasierter Methoden wurde die Operationalisierung des entrepreneurialen Problemraums (knightsche Ungewissheit, Ziel-Ambiguität, Informationsisotropie) realisiert. Die Modellierung einer Belohnungsfunktion, die effektuatives Verhalten motiviert, erlaubt es einem Agenten Effectuation zu erlernen und steht damit im Kontrast zu den fixierten Regelsätzen von Mauer et al. (2017) und Welter und Kim (2018), die die Entscheidungen eines Agenten von der Umgebungsdynamik entkoppeln. Zudem wurde mit der Formulierung des Problemraums als MDP die Möglichkeit geschaffen, die Umgebung mittels Zuständen zu modellieren. Diese stellen Beobachtungvektoren dar, die die Wahrnehmung eines Agenten widerspiegeln. Die in einem Zustand erfassten Merkmale sind grundsätzlich erweiterbar.

Die Ergebnisse der mit dem entwickelten Modell durchgeführten Untersuchung zeigen, dass Effectuation durch einen autonom agierenden Agenten erlernbar ist. Anhand der modellierten Umgebung wurden geeignete Parameter identifiziert, die effektuatives Lernen begünstigen. Die Bestimmung der auf Grundlage der Gütemaße \(Average \text { } Rewards\) und MSE bestmöglichen Hyperparameter \(\alpha \) und \(\varepsilon _{decay}\) geben Aufschluss darüber, zu welchem Grad neue Erfahrungen und exploratives Verhalten für den effektuativen Lernfortschritt förderlich sind. Es konnte weiterhin nachgewiesen werden, dass das Affordable-Loss-Prinzip unter den gegebenen Bedingungen nur unter bestimmten Voraussetzungen einen positiven Effekt auf die Leistungs- und Lernfähigkeit des effektuativen Agenten hat. Eine gleichzeitige Belohnung des effektuativen Mitteleinsatzes sowie der korrekten Einschätzung eines Kunden führen zu keinem positiven Lerneffekt des Agenten.

Die zu Beginn der Arbeit gestellte Forschungsfrage konnte durch die Gegenüberstellung bestehender effektuativer Simulationsmodelle, Aggregation der Modellierungsansätze und Erweiterung um Komponenten des Lernens beantwortet werden. Durch die Formalisierung von Effectuation wurde die Grundlage geschaffen, die Theorie in ihrer Wirkungsweise transparent und reproduzierbar zu machen. Die Synthese bisheriger Modellierungsansätze in Verbindung mit der Ergänzung um Elemente effektuativen Lernens hat eine Standardisierung der Effectuation-Theorie ermöglicht. Der Einsatz Künstlicher Intelligenz, in Form von RIL, um entrepreneuriales Verhalten abzubilden, stellt einen neuen methodischen Ansatz zur Modellierung effektuativen Handelns dar. Einem effektuativ agierenden Agenten wird es möglich, autonom in einer Gründungssituation Entscheidungen zu treffen und unternehmerisches Handeln zu erlernen.

Aus den Ergebnissen der Untersuchung lässt sich für die unternehmerische Praxis ableiten, dass Entrepreneure, die ihren Fokus auf den geschickten Mitteleinsatz setzen und dabei gleichzeitig das Feedback von Konsumenten hinsichtlich gewünschter Funktionalitäten eines Produktes abfragen, langfristig eher erfolgreich sein werden. Versuchen Entrepreneure sich gleichzeitig auf den Mitteleinsatz und die Verbesserung ihrer Fähigkeit einen Kunden korrekt einzuschätzen zu konzentrieren, kann das zu einer verminderten Leistungsfähigkeit der Unternehmung führen. Zudem ist der Erfolg für effektuativ handelnde Entrepreneure abhängig von der Dynamik der Gründungssituation und der Verbindlichkeit ihrer potentiellen Partner bzw. Kunden. Treffen Entrepreneure die Entscheidung, ein Produkt aufgrund von Kundenfeedback anzupassen, werden sie umso erfolgreicher sein, je eher Partner sich kooperativ verhalten und bereit sind in die weitere Produktentwicklung zu investieren. Es lässt sich außerdem feststellen, dass Entrepreneure, die ihr Verhalten aufgrund neu hinzugewonnener Informationen anpassen, ihre Unternehmung schneller zum Erfolg führen können und so dem von Read und Sarasvathy (2005) formulierten Lemonade Prinzip folgen. Die positiven Auswirkungen von hoher Experimentierfreudigkeit in einem besonders ungewissen Gründungsumfeld, wie bereits Chandler et al. (2011) konstatierte, konnten ebenfalls bestätigt werden. Exploratives Verhalten führt demnach schneller zum Erfolg einer Unternehmung im Sinne der Effectuation-Theorie.

6.2 Limitationen

ABM beruhen aus Gründen der Komplexitätsreduktion auf Annahmen (Fioretti, 2012). Dadurch kann das realweltliche Phänomen nur unter Einschränkungen erfasst werden (Bonabeau, 2002). Das im Modell verwendete Entscheidungsproblem basiert auf der von Sarasvathy (2009) vorgeschlagenen Gründungssituation the initial commitment, welches ausgewählte Aspekte der Herausforderungen repräsentiert, mit denen ein Entrepreneur zu Beginn einer Unternehmung konfrontiert wird. Die damit einhergehende Abstraktion eines Teils des Gründungsprozesses vernachlässigt operationalisierbare Bestandteile effektuativen Entscheidens (Chandler et al., 2011). Dadurch kann eine entrepreneuriale Entscheidungssituation nicht vollumfänglich abgebildet werden. Das die Entscheidung beeinflussende Kriterium, dass möglicherweise ein weiterer Kunde existiert, der bereit ist, das Produkt ohne Anpassung zu kaufen und einen höheren Preis pro Einheit zu bezahlen als ursprünglich vom Entrepreneur gefordert, wurde im Modell nicht explizit als Bestandteil der Belohnungsfunktion berücksichtigt. Wenngleich die Modellierung des Zustandsraumes es grundsätzlich ermöglicht, dieses Verhalten abzubilden, geht mit der Einbeziehung des Kriteriums eine weitreichende Anpassung der Belohnungsfunktion einher, die einer weiteren Untersuchung bedarf.

Um verschiedene Entwicklungen von Gründungsprozessen zu simulieren, wurde die Umgebungsdynamik variiert. Dies ermöglichte die Untersuchung der Leistungsfähigkeit des Agenten bei unterschiedlichem Verhalten der Kunden. Die Einbeziehung empirischer Werte zur Modellierung der Transitionswahrscheinlichkeiten wurde mit Hilfe der vom Center for Venture Research (2019) veröffentlichten Investitionsrate von Wagniskapitalgebern umgesetzt. Aufgrund des Mangels an weiteren empirischen Werten wurde bei der Untersuchung das Indifferenzprinzip angewendet, welches für den Einsatz bei fehlenden Informationen geeignet ist. Es ist davon auszugehen, dass realweltliche Zustandsübergange in Gründungssituationen dem Indifferenzprinzip nicht uneingeschränkt folgen.

Weiterhin umfassen die Zustände des Zustandsraums Merkmale, die auf Basis der von Welter und Kim (2018) und Mauer et al. (2017) beschriebenen Modellierungsvorschläge und der Konzeptualisierung der dem Entrepreneur zur Verfügung stehenden Mittel umgesetzt wurden. Eine weitere Operationalisierung gründungsrelevanter Aspekte wurde bisher nicht in die Modellierung einbezogen, um die grundlegenden Wirkungsweisen des Modells nachvollziehbar zu gestalten. Grundsätzlich ist das erarbeitete Modell diesbezüglich jedoch anpassbar.

Das im Modell verwendete Lernverfahren und der von Watkins und Dayan (1992) vorgestellte Q-Learning-Algorithmus eignen sich für vergleichsweise kleine Zustands- und Aktionsräume und Simulationen. Bei einer Erweiterung des bestehenden Modells um weitere Aktionen und Zustände oder die Übertragung auf realweltliche Situationen wird die Gegenüberstellung der Leistungsfähigkeit weiterer Lernverfahren notwendig (Hasselt, 2010).

6.3 Ausblick

Das in der vorliegenden Arbeit entwickelte Modell dient dem Nachweis, dass Effectuation algorithmisch interpretiert werden kann und autonome Agenten in die Lage versetzt werden, rudimentär effektuatives Verhalten zu erlernen. Die in Abschnitt 6.2 erläuterten Einschränkungen der Forschungsarbeit zeigen, welcher weitere Untersuchungsbedarf ausgehend vom aktuellen Stand besteht.

Das in Kapitel 4 vorgestellte RlL-Effectuation-Modell addressiert Problemstellungen, die Mauer et al. (2017) in der Diskussion über künftige Forschungspotentiale beschreiben. Unter anderem wird die Untersuchung eines kompakten Finanzmaßes gefordert. Die Entwicklung einer effektuativen Belohnungsfunktion trägt dieser Anforderung in Teilen Rechnung. Unter Einbeziehung von Kosten und Mitteleinsatz (Read, Dew et al., 2009) konnte das von Mauer et al. (2017) vorgestellte Leistungsmaß erweitert werden. Die Modellierung des Anreizes für den effektuativen Mitteleinsatz in Gleichung 4.2 wurde mittels einer Exponentialfunktion realisiert. In folgenden Untersuchungen wäre eine Diskussion weiterer Ansätze zur formalisierten Gestaltung des Mitteleinsatzes denkbar, die eine Parametrisierung des Mittelverbrauchs ermöglichen. Die Erhebung empirischer Daten zum Mittelverbrauch effektuativ handelnder Entrepreneure kann dabei ebenfalls in die Modellierung einfließen.

Weitere Aspekte, die in die Entwicklung eines Leistungsmaßes gemäß Mauer et al. (2017) einfließen können, wie beispielsweise das Renditeverhalten von Strategien (Wiltbank et al., 2009), haben im RIL-Efffectuation-Modell bisher keine Beachtung gefunden. Es ist denkbar, die Belohnungsfunktion in künftigen Untersuchungen diesbezüglich zu erweiteren. Die Einbeziehung des Zeitfortschritts und von Opportunitätskosten in die Modellierung der Belohnungsfunktion können die Berücksichtigung des Renditeverhaltens ermöglichen.

Die bisher bestehende effektuative Belohnungsfunktion wurde anhand von in der Literatur zu findenden Ausführungen modelliert. Zur weiteren Annäherung an ein realweltliches Verhalten des Agenten ist die Einbeziehung empirischer Daten notwendig. Dies kann beispielsweise durch den Einsatz eines humanen Trainers realisiert werden. Knox und Stone (2009), Pilarski et al. (2011) und Suay und Chernova (2011) geben Hinweise darauf, wie der Einsatz eines menschlichen Lehrers realisiert und die damit verbundene Modellierung der Belohnungsfunktion umgesetzt werden kann. Folglich können in künftigen Untersuchungen Entrepreneure in die Lage versetzt werden, in gründungsbezogenen Entscheidungssituationen Belohnungssignale an den Agenten zu senden, um beispielsweise effektuatives Verhalten zu erlernen.

Dies geht einher mit der Operationalisierung der Merkmale im Zustandsraum, die vom Entrepreneur als relevant für die Entscheidungssituation eingeschätzt werden. Weitere Untersuchungen zur Darstellung des Beobachtungsraums im Gründungsumfeld in maschinenlesbarer Form können für das realitätsnahe Lernen effektuativen Verhaltens eines Agenten hilfreich sein. Die damit einhergehende Verbesserung des Algorithmus kann neben der Verfeinerung der Effectuation-Theorie praxisrelevante Erkenntnisse nach sich ziehen. Ist der effektuative Agent in der Lage entrepreneuriales Verhalten in verbesserter Form abzubilden, kann die Künstliche Intelligenz beispielsweise in entscheidungsunterstützenden Systemen genutzt werden. Novizen wie auch erfahrene Entrepreneure wären dadurch in der Lage, Gründungssituationen besser einzuschätzen und Empfehlungen zu erhalten.

Die damit verbundene Veränderung des Zustandsraums beinhaltet die Evaluierung weiterer Lernalgorithmen. Bei einer Vergrößerung des Zustands- wie auch des Aktionsraumes besteht die Notwendigkeit, weitere performante Verfahren zu erproben. Mit Hilfe von Deep-Reinforcement-Learning-Methoden besteht die Möglichkeit auch für umfangreiche Aktions- und Zustandsräume, effiziente Strategien zu erlernen. Durch die Verbindung von Supervised-Learning- und RIL-Verfahren können hochdimensionale Eingabedaten verarbeitet und eine Steuerungsstrategie erlernt werden (Mnih et al., 2016).

Im Einklang mit Welter und Kim (2018) zu zukünftigen Forschungsaktivitäten, kann die Untersuchung, in welchen Situationen ein Wechsel zwischen Effectuation und Causation als dominierende Strategie sinnvoll ist, Hinweise sowohl für die Praxis als auch die Theorie liefern. Im vorgestellten RIL-Effectuation-Modell wurde bislang lediglich effektuatives Verhalten beanreizt. Durch die Gestaltung einer Belohnungsfunktion, die Effectuation und Causation berücksichtigt, kann überprüft werden, in welchen Zuständen eher effektuatives oder kausales Verhalten sinnvoll ist.

Weitere Untersuchungen zur Beziehung von knightscher Ungewissheit und Effectuation können zudem Aufschluss über die zugrundeliegenden Annahmen der Theorie liefern. Taleb (2010, S. 345) stellt fest, dass Individuen funktional nicht in der Lage sind auf einer Mikro-Ebene zwischen Risiko und Ungewissheit zu unterscheiden. Für die weitere Forschung kann davon ausgehend die Relevanz des entrepreneurialen Problemraums – der für Effectuation zentral ist – untersucht werden. Eine Weiterentwicklung des Problemraums kann wiederum Ausgangspunkt für neue Erkenntnisse zur Beschreibung entrepreneurialen Verhaltens sein.

Effectuation konnte sich in der Vergangenheit insbesondere neben den Entrepreneurship-Theorien Bricolage (Baker & Nelson, 2005), Lean Startup (Ries, 2011) und kausalen Ansätzen etablieren. Im Rahmen von Produktentwicklungsprozesses in einem unsicheren Umfeld, die nicht zwangsläufig dem Entrepreneurship zuzuordnen sind, entstanden Vorgehensmodelle, die, wie Effectuation, ebenfalls durch einen iterativen Charakter geprägt sind. Ähnlichkeiten ergeben sich beispielsweise in Bezug auf Scrum (Mathiaszyka et al., 2019) und Design Thinking (Mansoori & Lackéus, 2019). Künftige Untersuchungen könnten mittels einer holistischen Betrachtung der Vorgehensbeschreibungen den Grundstein für ein ganzheitliches Modell liefern und den möglicherweise daraus resultierenden Mehrwert für Entrepreneure ergründen.

Zusammengefasst erweitert das in der Arbeit vorgestellte Modell bisherige Ansätze zur Modellierung von Effectuation und stellt dabei autonomes Lernen in den Vordergrund. Mit der Vorstellung einer Methode zur Gestaltung von knightscher Ungewissheit im Kontext agentenbasierter Modelle konnten bisherige Herausforderung bei deren Formulierung überwunden werden. Durch Einsatz von Verfahren des maschinellen Lernens wurden bestehende Simulationsansätze um eine intelligente Verhaltenskomponente ergänzt. Die gewonnenen Erkenntnisse liefern damit einen Beitrag zur Verfeinerung der Effectuation-Theorie und bereiten den Weg für weitere Forschungsvorhaben.