Von der Messung zur Prognose

Veränderungsprozesse werden in Organisationen häufig unter der stillschweigenden Annahme geplant, dass sich Verhalten durch Kommunikation, Führungsimpulse und standardisierte Rollout-Formate in die gewünschte Richtung lenken lässt. Widerstand gilt als Ausnahme, die erst dann zum Thema wird, wenn sie offen zutage tritt. Diese Haltung verkennt den grundlegenden Charakter organisationaler Veränderungsbereitschaft: Sie ist weder stabil noch generalisierbar, sondern kontextabhängig, flüchtig und dynamisch.

Konventionelle Verfahren zur Erfassung von Readiness stützen sich meist auf Umfragen oder allgemeine Einstellungsindikatoren. Solche Instrumente liefern jedoch kaum belastbare Einsichten in das tatsächliche Verhalten, das über das Gelingen oder Scheitern von Veränderungsprozessen entscheidet. Sie sind rückblickend, grobkörnig und häufig entkoppelt von den kritischen Schwellen, an denen Mitarbeitende entweder in Anpassung übergehen, ins Zögern geraten oder sich innerlich abwenden.

Predictive Behavioural Analytics setzt an einem anderen Punkt an. Hier wird Veränderungsbereitschaft nicht als Einstellung erhoben, sondern als Verhaltenswahrscheinlichkeit unter spezifischen Bedingungen modelliert. Entscheidend ist nicht, ob Zustimmung artikuliert wird, sondern ob das tatsächliche Verhalten in einem gegebenen Kontext anschlussfähig bleibt. Dieser Perspektivwechsel eröffnet einen differenzierteren Zugriff auf latente Widerstandsmuster, beginnende Abkopplung oder selektive Ansprechbarkeit auf Interventionen – bevor diese Prozesse organisationale Reichweite entfalten.

Die fünf in diesem Beitrag vorgestellten Modelle setzen genau an diesem diagnostischen Anspruch an. Jedes von ihnen beleuchtet eine andere Dimension prädiktiver Verhaltensanalyse. Logistic Regression identifiziert strukturelle Frühindikatoren für Widerstand. Time-Series Classification macht allmähliche Abnutzung und Drift im Verhalten sichtbar. Uplift Modelling isoliert die Wirkung spezifischer Interventionen auf bestimmte Gruppen. Random Forests rekonstruieren komplexe Interaktionen zwischen Variablen, die das Verhalten mitprägen. Bayesian Networks schließlich modellieren Bedingungsgefüge, in denen Verhalten unter Unsicherheit entsteht.

Diese Modelle sind nicht redundant, sondern komplementär. Sie beruhen auf unterschiedlichen methodischen Prämissen, erfordern differenzierte Datenlagen und dienen verschiedenen diagnostischen Zwecken. Ihr gemeinsamer Wert liegt nicht in der algorithmischen Komplexität, sondern in der Möglichkeit, Verhalten unter Transformationsbedingungen systematisch zu analysieren und gezielt gestaltbar zu machen.

Change Readiness als prädiktives Konzept neu denken

In vielen Organisationen wird Change Readiness primär als psychologisches Konstrukt begriffen – zusammengesetzt aus Überzeugungen, Haltungen und motivationaler Ausrichtung. Erhoben wird sie meist über Selbstauskünfte: Verstehen die Mitarbeitenden das Veränderungsvorhaben? Unterstützen sie es? Fühlen sie sich in der Lage, einen Beitrag zu leisten? Solche Indikatoren liefern Einstellungsprofile, keine Handlungsprognosen. Sie sagen wenig darüber aus, unter welchen Bedingungen Verhalten tatsächlich stattfindet – oder ausbleibt.

Für prädiktive Zwecke genügt dieser Zugang nicht. Entscheidend ist nicht, wie jemand Veränderung bewertet, sondern mit welcher Wahrscheinlichkeit ein spezifisches Verhalten unter konkreten Bedingungen eintritt. Diese Wahrscheinlichkeit ist nicht stabil, sondern kontextsensitiv. Sie variiert je nach Rolle, Teamstruktur, Implementierungsphase, wahrgenommenem Risiko oder aktueller Belastung. Sie verändert sich im Zeitverlauf, ist selektiv und reagiert auf situative Reize.

Ein einmal erklärtes Commitment sichert keine Verhaltenspersistenz. Umgekehrt ist konformes Verhalten auch dann möglich, wenn keine explizite Zustimmung vorliegt. Intention und Handlung fallen nicht notwendigerweise zusammen. Für die Modellierung von Readiness ist deshalb nicht entscheidend, wie sich Personen deklarativ positionieren, sondern ob ihr Verhalten anschlussfähig bleibt – gemessen an dem, was ihre Rolle im jeweiligen Veränderungskontext verlangt.

Veränderungsbereitschaft ist in diesem Verständnis weder Eigenschaft noch Meinung. Sie ist eine bedingte Disposition zur Anpassung, deren Auftretenswahrscheinlichkeit sich nur in ihrer Beziehung zu Kontext, Timing und funktionaler Erwartungshaltung rekonstruieren lässt.

Die fünf Modelle

Veränderungsbereitschaft ist keine direkt messbare Größe. Sie erschließt sich nur indirekt – über Modelle, die berechnen, mit welcher Wahrscheinlichkeit Verhalten unter bestimmten Bedingungen eintritt. Diese Wahrscheinlichkeit ist nicht stabil. Sie verändert sich über Rollen hinweg, variiert zwischen Teams, unterliegt zyklischen Schwankungen im Projektverlauf und reagiert auf Belastung, Unsicherheit und wahrgenommenen Kontrollverlust.

Eine einmal geäußerte Zustimmung ist kein verlässlicher Indikator für künftiges Verhalten. Umgekehrt bedeutet sichtbare Beteiligung nicht zwangsläufig innere Akzeptanz. Diagnostisch relevant ist nicht die deklarierte Haltung, sondern das situativ gezeigte Verhalten – und die Wahrscheinlichkeit seines Eintretens im jeweiligen Kontext.

Die fünf in diesem Beitrag beschriebenen Modelle eröffnen jeweils eine eigene Perspektive auf diese Wahrscheinlichkeit. Jedes greift eine spezifische Dimension von Change Readiness auf, die sich mit klassischen Instrumenten nicht erfassen lässt. Logistische Regression identifiziert frühe Hinweise auf potenziellen Widerstand. Time-Series Classification macht schleichende Verschiebungen im Verhalten sichtbar. Uplift Modelling differenziert, welche Intervention bei wem wirkt. Random Forests rekonstruieren vielschichtige Wechselwirkungen zwischen Einflussfaktoren. Bayesian Networks modellieren bedingte Verhaltenslogiken unter Unsicherheit und komplexer Interdependenz.

Diese Modelle stehen nicht in Konkurrenz. Sie adressieren unterschiedliche diagnostische Fragestellungen, beruhen auf jeweils eigenen methodischen Annahmen und erfordern unterschiedliche Datenlagen. Ihr Wert liegt nicht in formaler Eleganz, sondern in ihrer funktionalen Passung. Je nach Phase eines Veränderungsvorhabens, analytischer Zielsetzung und vorhandener Datenstruktur entfalten sie jeweils eigenen diagnostischen Mehrwert.

In den folgenden Abschnitten wird jedes dieser Modelle einzeln vorgestellt. Im Zentrum stehen dabei der diagnostische Zweck, die zugrunde liegende Modelllogik und die spezifischen Voraussetzungen für eine sinnvolle Anwendung.

Logistische Regression

Die logistische Regression zählt zu den grundlegendsten Verfahren prädiktiver Verhaltensanalytik – und bleibt gerade deshalb in der Frühphase organisationaler Veränderung von besonderem Wert. Sie transformiert Annahmen über mögliches Verhalten in berechenbare Wahrscheinlichkeiten und ermöglicht es, potenziell riskante Segmente frühzeitig zu identifizieren.

Im Kontext von Change-Prozessen lässt sich mit logistischer Regression abschätzen, wie hoch die Wahrscheinlichkeit ist, dass bestimmte Personen oder Funktionsgruppen auf eine geplante Intervention mit Widerstand reagieren. Voraussetzung dafür ist ein klar definierter Zielwert, der binär kodiert sein muss, etwa: Beteiligung oder Nichtbeteiligung, Zustimmung oder Ablehnung. Ergänzt wird dieser Zielwert um eine strukturierte Auswahl relevanter Einflussvariablen. Dazu zählen zum Beispiel die bisherige Teilnahme an Veränderungsprogrammen, Dauer der Betriebszugehörigkeit, Nähe zur Entscheidungsebene, wahrgenommene Belastung oder beobachtbare Verhaltensmuster aus vorherigen Implementierungsphasen.

Die Stärke dieses Modells liegt nicht nur in seiner Robustheit, sondern in seiner Lesbarkeit. Der Einfluss einzelner Variablen auf das prognostizierte Verhalten wird in Form von Wahrscheinlichkeitsverhältnissen dargestellt. Dadurch lässt sich nachvollziehen, welche Faktoren mit erhöhter Wahrscheinlichkeit zu Widerstand führen. Die Ergebnisse sind damit nicht nur für Datenanalysten zugänglich, sondern auch für Change-Verantwortliche, die konkrete Risiken kommunizieren und adressieren müssen.

Anforderungen an die Datenlage

Für die Anwendung logistischer Regression ist keine große Datenmenge erforderlich, wohl aber eine saubere Strukturierung. Die Prädiktoren müssen entweder als kategoriale oder numerische Variablen vorliegen. Der Zielwert muss konsistent binär kodiert sein. In der Praxis reichen bereits einfache Datensätze aus HR-Systemen, Metadaten vergangener Change-Projekte oder strukturierte Workflow-Daten, um das Modell zu trainieren. Entscheidend ist eine sorgfältige Datenvorbereitung, insbesondere im Hinblick auf fehlende Werte oder redundante Variablen.

Logistische Regression ist besonders dann sinnvoll, wenn in der Vorbereitungsphase einer Veränderungsmaßnahme bereits strukturierte Daten vorliegen und gezielt nach Risikoprofilen gesucht wird. Sie erlaubt eine pragmatische, kommunizierbare und belastbare Einschätzung dort, wo erste Entscheidungsspielräume über Art, Timing oder Zielrichtung von Interventionen bestehen.

In komplexen oder nichtlinearen Umgebungen stößt die Methode an Grenzen. Doch gerade wenn Schnelligkeit, Transparenz und Handlungsklarheit gefragt sind, bietet sie einen verlässlichen Ausgangspunkt für verhaltensbasierte Frühdiagnostik.

Time-Series Classification

Veränderungsprozesse entwickeln sich über Zeit, und ebenso verändern sich Verhaltensmuster der Beteiligten. Anfängliche Beteiligung kann allmählich nachlassen, selbst wenn keine offene Ablehnung geäußert wird. Modelle zur Time-Series Classification sind darauf ausgerichtet, solche graduellen Veränderungen zu erkennen. Sie identifizieren zeitliche Verläufe, die auf Ermüdung, schwindende Klarheit oder eine wachsende Distanz zur intendierten Richtung des Veränderungsprozesses hinweisen.

Im Gegensatz zu statischen Verfahren betrachten Time-Series-Modelle Verhalten nicht als einzelne Momentaufnahme, sondern als Sequenz. Sie ordnen Abfolgen von Datenpunkten vordefinierten Kategorien zu, etwa stabile Beteiligung, zunehmende Vermeidung oder schwankende Regelbefolgung. Je nach methodischem Ansatz – von rekurrenten neuronalen Netzen wie LSTM über eindimensionale Convolutional Networks bis hin zu klassischen Verfahren wie Dynamic Time Warping – lernt das Modell, feine Progressionsmuster zu erkennen, die auf bevorstehenden Rückzug oder schleichenden Verlust an Unterstützung hindeuten.

In der Veränderungsdiagnostik sind solche Modelle besonders dann wertvoll, wenn zeitgestempelte Verhaltensdaten vorliegen. Beispiele sind die kontinuierliche Teilnahme an Workshops, Anmeldeaktivitäten auf Kollaborationsplattformen, Reaktionszeiten auf Feedback-Anfragen oder Bearbeitungsmuster bei Aufgaben. Diese Indikatoren zeigen selten plötzliche Brüche, vielmehr verläuft der Wandel oft schrittweise und verteilt, sodass er in aggregierten Kennzahlen leicht verborgen bleibt.

Anforderungen an die Datenlage

Time-Series Classification erfordert strukturierte Verlaufsdaten, die entweder aus digitalen Systemen wie Lernplattformen, Workflow-Tools oder Kommunikationslogs stammen oder aus regelmäßig erfassten Interaktionen bestehen. Jeder Datensatz muss einen Zeitstempel und eine klare Verbindung zu einem beobachtbaren Verhalten enthalten, beispielsweise zu Einreichungen, Beiträgen, Entscheidungen oder Verzögerungen. Der Nutzen des Modells steigt mit der Frequenz, der Regelmäßigkeit und dem Kontextreichtum der erfassten Sequenzen.

Für Organisationen mit mittlerer bis hoher Datenreife – insbesondere dort, wo digitale Kollaborations- oder Lernumgebungen etabliert sind – bietet dieser Ansatz erhebliche diagnostische Vorteile. In Organisationen ohne entsprechende Infrastruktur ist der Einsatz zwar möglich, jedoch meist auf aggregierte Zeitintervalle und stärker begrenzte Analysebreite angewiesen.

Time-Series Classification entfaltet ihr Potenzial vor allem in der aktiven Umsetzungsphase eines Veränderungsprozesses. Sie macht kritische Wendepunkte sichtbar, an denen Aufmerksamkeit nachlässt, Teilnahmequoten sinken oder die Relevanz der Botschaften verblasst – lange bevor diese Veränderungen in formellen Feedbackschleifen erfasst werden.

Wo die logistische Regression ein strukturelles Frühwarnbild liefert, ergänzt die Time-Series Classification eine zeitliche Tiefenschärfe. Sie verschiebt die Beobachtung von der retrospektiven Auswertung hin zu einer kontinuierlichen, nahezu in Echtzeit möglichen Erkennung von Verhaltenssignalen.

Uplift Modelling

Veränderungsinterventionen wirken selten gleichmäßig auf alle Beteiligten. Eine Botschaft, ein Anreiz oder ein Impuls kann in einer Gruppe das Engagement deutlich steigern, während er bei einer anderen Gruppe keine Wirkung oder sogar eine gegenteilige Reaktion hervorruft. Uplift Modelling ist darauf ausgelegt, diese Unterschiede sichtbar zu machen. Es schätzt den Nettoeffekt einer Maßnahme, indem es die Wahrscheinlichkeit eines bestimmten Verhaltens mit und ohne Intervention in verschiedenen Segmenten vergleicht.

Anders als herkömmliche Vorhersagemodelle, die die Wahrscheinlichkeit eines Ergebnisses unabhängig von der Intervention berechnen, isoliert Uplift Modelling den kausalen Unterschied. Es konzentriert sich auf den zusätzlichen Verhaltenseffekt, der direkt auf die Intervention zurückzuführen ist. Dieser Ansatz ist besonders relevant, wenn Ressourcen begrenzt sind und Maßnahmen mit höchster Präzision eingesetzt werden müssen.

Im Kontext des Change Managements unterstützt Uplift Modelling die gezielte Ansprache beeinflussbarer Segmente. Es identifiziert Personen oder Gruppen, deren Verhalten sich mit hoher Wahrscheinlichkeit positiv verändern lässt, wenn spezifische Maßnahmen wie zugeschnittene Kommunikationsformate, lokales Leadership-Engagement oder rollenspezifische Anreize eingesetzt werden. Ebenso zeigt es Gruppen auf, die neutral oder negativ reagieren würden, sodass unnötige Interventionen vermieden werden können.

Anforderungen an die Datenlage

Für Uplift Modelling sind klar strukturierte Daten erforderlich, die sowohl die Zugehörigkeit zu einer Interventionsgruppe als auch ein binäres Verhaltensergebnis enthalten, etwa Teilnahme, Zustimmung oder Ausführung einer Aufgabe. Optimal sind Daten aus experimentellen oder quasi-experimentellen Designs, wie A/B-Tests, gestaffelten Rollouts oder natürlich entstandenen Kontroll- und Behandlungsgruppen. Segmentbezogene Prädiktoren können demografische Merkmale, vorherige Verhaltensdaten oder Basiswerte aus Einstellungsbefragungen sein. Das Verfahren ist datenintensiv und empfindlich gegenüber unausgewogenen Gruppen, weshalb es vor allem für Organisationen mit ausreichender Größe und analytischer Reife geeignet ist.

Besonders wirksam ist Uplift Modelling in der Interventionsphase, wenn Entscheidungen darüber anstehen, welche Zielgruppen mit welchen Mitteln angesprochen werden sollen. Während die logistische Regression allgemeine Wahrscheinlichkeiten für Widerstand oder Akzeptanz liefert, zeigt Uplift Modelling, wo eine Intervention tatsächlich den Unterschied macht.

Der methodische Mehrwert liegt darin, zwischen wahrscheinlich reagierenden und wahrscheinlich nicht reagierenden Gruppen zu unterscheiden. Damit wird es zu einem Schlüsselwerkzeug für skalierbare, evidenzbasierte Interventionen, die Verschwendung vermeiden und den verhaltensbezogenen Nutzen maximieren. Wo Time-Series Classification einen beginnenden Rückgang der Beteiligung erkennt, liefert Uplift Modelling die Grundlage, diesen gezielt und wirksam umzukehren.

Random Forests

In den meisten Organisationen verlaufen Verhaltensmuster während eines Veränderungsprozesses nicht homogen. Die Bereitschaft zur Anpassung kann sich je nach Standort, Abteilung, Führungskontext oder bestehender Systemlandschaft deutlich unterscheiden, selbst wenn die Intervention formal identisch ist. In solchen Konstellationen entsteht die Verhaltensreaktion häufig aus einem komplexen Zusammenspiel mehrerer Faktoren, deren Wirkung für lineare oder eindimensionale Modelle nur schwer zu erfassen ist. Random-Forest-Modelle sind darauf ausgelegt, diese Wechselwirkungen sichtbar zu machen. Sie kombinieren die Ergebnisse zahlreicher einzelner Entscheidungsbäume, um herauszufinden, wie Variablen in unterschiedlichen Kombinationen zu bestimmten Verhaltensmustern beitragen.

Im Unterschied zur logistischen Regression, die den Einfluss einzelner Variablen isoliert betrachtet, analysieren Random Forests, wie Merkmale in Abhängigkeit voneinander wirken. So kann eine lange Betriebszugehörigkeit in einer Funktion den Anpassungsgrad erhöhen, in einer anderen jedoch verringern – abhängig von Arbeitsbelastung, Aufgabenkomplexität oder der Nähe zur Führungsebene. Solche bedingten Muster werden besonders dann sichtbar, wenn die Einflussgrößen nicht einzeln, sondern in ihrem Zusammenwirken betrachtet werden.

In der Veränderungsdiagnostik ermöglichen Random Forests eine differenzierte Profilbildung über heterogene Organisationseinheiten hinweg. Sie können bislang übersehene Subgruppen aufzeigen, etwa Projektteams, die bei niedriger Arbeitsbelastung konform agieren, unter Zeitdruck jedoch in Widerstand gehen, oder remote arbeitende Mitarbeitende, deren Beteiligung steigt, wenn Führungskräfte in zentralen Abstimmungen präsent sind.

Anforderungen an die Datenlage

Random Forests benötigen strukturierte, umfangreiche Datensätze mit einer Vielzahl von Einflussgrößen pro Person oder Einheit. Dazu zählen demografische Angaben, Rollenmerkmale, Verhaltenshistorien, Interaktionskennzahlen und kontextbezogene Metadaten. Ein experimentelles Design ist nicht erforderlich. Das Verfahren ist robust gegenüber Rauschen in den Daten, toleriert in gewissem Umfang fehlende Werte und verlangt keine Vorabdefinition der wichtigsten Variablen. Die Interpretierbarkeit ist jedoch geringer als bei einfacheren Verfahren. Zwar lassen sich Wichtigkeitsscores für Variablen berechnen, doch liefert das Modell keine klaren, koeffizientenbasierten Erklärungen.

Besonders geeignet sind Random Forests in explorativen Phasen oder bei groß angelegten Veränderungsvorhaben mit vielfältiger Beteiligungsstruktur. Sie helfen, verteilte Risiken zu erkennen, verhaltensbezogene Cluster zu bestimmen und Wechselwirkungen zwischen Einflussgrößen aufzudecken. Während Uplift Modelling kausale Effekte isoliert und Time-Series Classification zeitliche Verläufe abbildet, liefern Random Forests ein strukturelles Bild der Komplexität. Sie sind damit ein wertvolles Instrument für Organisationen, in denen Veränderungsbereitschaft ungleich verteilt ist und bislang nur unzureichend verstanden wird.

Bayesian Networks

In vielen Veränderungsvorhaben verlaufen Verhaltensreaktionen nicht entlang klarer Ursache-Wirkungs-Ketten. Mitarbeitende handeln nicht ausschließlich auf Grundlage formaler Anweisungen oder ihrer Rolle, sondern auch in Reaktion auf das Verhalten anderer, auf wahrgenommene Signale aus der Führungsebene und auf ihre Interpretation lokaler Rahmenbedingungen. In solchen Kontexten entsteht Veränderungsbereitschaft aus bedingten Abhängigkeiten, die unter Unsicherheit und in wechselseitiger Beeinflussung wirken. Bayesian Networks sind darauf spezialisiert, solche Abhängigkeiten abzubilden.

Technisch handelt es sich um probabilistische grafische Modelle, in denen Variablen wie Rollenklarheit, Konsistenz der Führung, wahrgenommene Glaubwürdigkeit oder frühere Erfahrungen mit Veränderungen als Knoten dargestellt werden. Die gerichteten Verbindungen zwischen diesen Knoten repräsentieren die Wahrscheinlichkeitsabhängigkeiten. Das Modell ermöglicht es, zu berechnen, wie sich eine Veränderung in einem Faktor, etwa der Zeitpunkt der Kommunikation oder die Sichtbarkeit der Führung, auf die Wahrscheinlichkeit eines bestimmten Verhaltens auswirkt, wenn die übrigen Bedingungen gegeben sind.

In der Veränderungsdiagnostik sind Bayesian Networks besonders in Umgebungen wertvoll, die von verteilter Verantwortung, uneindeutigen Zuständigkeiten oder stark voneinander abhängigen Rollen geprägt sind. In Matrixorganisationen kann zum Beispiel die Bereitschaft, einen neuen Prozess zu übernehmen, nicht nur von der Klarheit der Aufgaben abhängen, sondern gleichzeitig von den Signalen mehrerer disziplinarischer und fachlicher Vorgesetzter. In politisch oder regulatorisch gesteuerten Veränderungsvorhaben kann sie davon beeinflusst werden, wie konsistent formale Vorgaben und lokale Praktiken wahrgenommen werden. Mit Bayesian Networks lassen sich solche Konstellationen simulieren, um zu verstehen, wie unterschiedliche Kombinationen von Bedingungen die Wahrscheinlichkeit bestimmter Verhaltensreaktionen verändern.

Anforderungen an die Datenlage

Bayesian Networks benötigen strukturierte Variablen, die in klar definierte Kategorien unterteilt werden können. Sie verlangen keine großen Datenmengen, wohl aber präzise konzeptionelle Vorarbeit: Die Variablen müssen eindeutig definiert und ihre Beziehungen entweder statistisch identifizierbar oder theoretisch begründbar sein. Das Verfahren kann sowohl auf beobachtete Daten als auch auf Expertenwissen zurückgreifen, was die Integration empirischer Evidenz und fachlicher Einschätzung erlaubt. Die Modellierung ist methodisch anspruchsvoll und erfordert in der Regel spezialisierte statistische Expertise für Parametrisierung, Strukturerkennung und Szenariosimulation.

Bayesian Networks entfalten ihren größten Nutzen in der Planungs- und Designphase komplexer Veränderungsprogramme, in denen mehrere Faktoren gleichzeitig wirken und weder Timing noch Botschaften standardisiert werden können. Sie sind weniger als klassische Diagnoseinstrumente zu verstehen, sondern vielmehr als architektonische Modelle, die aufzeigen, welche Bedingungen erfüllt sein müssen, damit Veränderungsbereitschaft entstehen kann, und wie sensibel das Verhalten auf Veränderungen in der Systemstruktur reagiert.

Während Random Forests unbekannte Interaktionseffekte empirisch aufdecken, machen Bayesian Networks diese Effekte erklärbar. Sie liefern eine Abbildung der Verhaltenslogik unter Unsicherheit und schaffen damit die Grundlage für Interventionen, die gezielt auf die tatsächlichen Bedingungsgefüge abgestimmt sind.

Warum diese fünf Modelle?

Prädiktive Verhaltensanalytik im Change Management muss zwei scheinbar gegensätzliche Anforderungen erfüllen. Sie muss die Komplexität von Verhaltensreaktionen abbilden können und zugleich so interpretierbar bleiben, dass ihre Ergebnisse als Grundlage für Interventionen dienen. Die hier vorgestellten fünf Modelle wurden nicht wegen ihrer rechnerischen Leistungsfähigkeit oder methodischen Neuheit ausgewählt, sondern weil sie unterschiedliche diagnostische Perspektiven eröffnen, die jeweils eine für den Veränderungserfolg zentrale Verhaltensdynamik erfassen.

Die logistische Regression schätzt die Wahrscheinlichkeit von Widerstand unter klar definierten Bedingungen. Sie ist transparent, robust und besonders geeignet, wenn die Datenbasis begrenzt, aber strukturiert ist. Time-Series Classification fügt eine zeitliche Dimension hinzu und ermöglicht es, schleichende Abkopplung oder abnehmende Beteiligung früh zu erkennen. Uplift Modelling isoliert den kausalen Einfluss einzelner Maßnahmen und zeigt, welche Interventionen in welchen Gruppen tatsächlich Verhalten verändern. Random Forests erfassen heterogene und nichtlineare Muster, indem sie Interaktionen zwischen Einflussfaktoren in verteilten Strukturen sichtbar machen. Bayesian Networks schließlich modellieren komplexe Bedingungsgefüge und verdeutlichen, wie Verhaltensreaktionen unter Unsicherheit entstehen.

Keines dieser Modelle ist für sich allein ausreichend. Jedes adressiert eine spezifische Form von Ungewissheit, die in groß angelegten Veränderungsvorhaben typisch ist:

• Situationen, in denen Verhalten von der Absicht abweicht,
• in denen Beteiligung allmählich erodiert,
• in denen Interventionen unterschiedlich wirken,
• in denen sich Muster nicht einfach erklären lassen,
• oder in denen Kausalverläufe nicht linear sind.

Gemeinsam bilden die fünf Modelle eine methodische Architektur. Ihr Mehrwert liegt nicht im Wettbewerb, sondern in der Ergänzung. Sie lassen sich als Abfolge lesen – nicht im Sinne einer wachsenden technischen Komplexität, sondern als Erweiterung des diagnostischen Blicks: von statischer Wahrscheinlichkeit zur zeitlichen Entwicklung, von allgemeiner Vorhersage zur kausalen Segmentierung, von der Analyse einzelner Variablen zur Abbildung vollständiger Strukturzusammenhänge.

Für Organisationen, die tiefgreifende Veränderungen steuern, ist die Herausforderung nicht allein, Verhalten vorherzusagen. Entscheidend ist, zu wissen, welches Modell zu welcher Fragestellung, zu welchem Zeitpunkt im Veränderungsprozess und unter welchen Datenbedingungen passt. Die Auswahl muss derselben Logik folgen, die auch die Veränderungsbereitschaft selbst prägt: sie ist bedingt, kontextspezifisch und über die Zeit verteilt.

Das passende prädiktive Modell auswählen

Kein prädiktives Modell ist universell einsetzbar. Jedes der fünf hier beschriebenen Verfahren adressiert eine spezifische Form von Verhaltensunsicherheit und stellt eigene Anforderungen an Datenverfügbarkeit, analytische Reife und diagnostische Zielsetzung. Die Auswahl des geeigneten Modells sollte daher einer klaren Logik folgen: Welches Verhaltensmuster soll antizipiert werden, in welcher Phase des Veränderungsprozesses und unter welchen Rahmenbedingungen für die Datennutzung.

Die logistische Regression bietet einen transparenten und leicht zugänglichen Einstieg. Sie ist besonders geeignet für die Frühphase, wenn es darum geht, Segmente mit erhöhtem Risiko für Widerstand oder Rückzug auf Basis struktureller Indikatoren zu identifizieren. Sie entfaltet ihren Nutzen vor allem dann, wenn die Datenlage überschaubar, aber gut strukturiert ist und erklärende Klarheit für die interne Kommunikation erforderlich ist.

Time-Series Classification deckt einen anderen diagnostischen Bedarf ab. Sie ermöglicht es, graduelle Veränderungen in der Beteiligung während der Rollout- oder Umsetzungsphase zu beobachten. Das Verfahren setzt auf zeitgestempelte Verhaltenssequenzen und ist vor allem dort wirksam, wo digitale Interaktions- und Aktivitätsdaten systematisch erfasst werden.

Uplift Modelling ist besonders wertvoll, wenn bereits Maßnahmen umgesetzt werden und die zentrale Frage lautet, wer auf welche Intervention anspricht. Es isoliert die kausale Wirkung von Change-Maßnahmen und unterstützt die gezielte Zuweisung knapper Ressourcen. Die Methode erfordert jedoch eine höhere Planungs- und Gestaltungskompetenz in Bezug auf Datenerhebung und experimentelles Design.

Random Forests sind hilfreich, wenn die Veränderungsbereitschaft in einer Organisation ungleich verteilt ist und durch eine Vielzahl miteinander interagierender Faktoren geprägt wird. Das Verfahren erkennt nichtlineare Muster und Interaktionseffekte, ist jedoch weniger leicht zu interpretieren als einfachere Modelle. Es eignet sich für explorative Analysen in großen, heterogenen Populationen, insbesondere wenn die Struktur von Widerstand oder Anpassung noch unklar ist.

Bayesian Networks erfüllen eine andere Funktion. Sie sind nicht primär auf Vorhersage ausgerichtet, sondern auf die Modellierung bedingter Verhaltenslogiken unter Unsicherheit. Damit lässt sich aufzeigen, welche Bedingungen gleichzeitig erfüllt sein müssen, damit Veränderungsbereitschaft entsteht, und wie sensitiv das Verhalten auf Veränderungen im System reagiert. Ihre Anwendung erfordert konzeptionelle Klarheit, Modellierungskompetenz und die Bereitschaft, mit indirekten Kausalitäten zu arbeiten.

Diese Unterscheidungen bilden keine Rangfolge, sondern eine Entscheidungsmatrix. Sie beantwortet die Fragen, welches Modell für welche Fragestellung geeignet ist, welche Daten dafür erforderlich sind und welchen diagnostischen Zweck es erfüllt.

Die fünf Modelle

Model	Diagnostischer Zweck	Optimaler Einsatzzeitpunkt	Erforderliche Daten	Organisationales Daten- und Analyse-Niveau
Logistische Regression	Schätzung der Wahrschein­lichkeit von Widerstand oder Regel­abweichung.	Frühphase für Audits und Risiko­segmen­tierung.	Strukturierte, kategoriale oder numerische Variablen; binäre Ziel­variable.	Grundlegend bis mittel.
Time-Series Classification	Erkennung allmählicher Verhaltens­änderungen im Zeitverlauf.	Während Rollout-Phase und laufender Umsetzung.	Zeit­gestempelte Verhaltens­sequenzen aus digitalen Systemen.	Mittel bis fortgeschritten.
Uplift Modelling	Identifikation von Segmenten mit messbarer Reaktion auf spezifische Interventionen.	Bei der gezielten Ausge­staltung von Kommuni­kation, dem Design von Nudges oder Anreiz­systemen.	Experimentelle oder quasi-experimentelle Daten; Treatment-Control-Logik.	Fortgeschritten; erfahrener Umgang mit Interven­tionen.
Random Forests	Analyse komplexer Interaktions­effekte in heterogenen Popu­lationen.	In heterogenen Kontexten mit unklaren Mustern der Veränderungs­bereitschaft.	Umfang­reiche strukturierte Datensätze mit mehreren Variablen und moderatem Rauschen.	Mittel bis fortgeschritten.
Bayesian Networks	Abbildung bedingter Verhaltenslogiken unter Unsicherheit.	In komplexen, inter­dependenten oder mehrdeutigen Veränderungs­umgebungen.	Klar definierte Variablen; teilweise vorhandene Daten; Experten­einschätzungen.	Hohe analytische Reife; konzeptionelle Modellierungs­kompetenz.

Von der Prognose zum Design

Vorhersage ist kein Selbstzweck. Im Change Management dient die Modellierung von Verhalten nicht dazu, Personen zu kategorisieren oder Widerstand isoliert zu messen. Ziel ist es, die prognostizierte Verhaltenswahrscheinlichkeit als Grundlage für interventionsbezogene Entscheidungen zu nutzen. Zeitpunkt, Kommunikationsstrategie, Rahmung und Ressourceneinsatz werden so ausgerichtet, dass sie mit hoher Wahrscheinlichkeit die beabsichtigte Verhaltensänderung auslösen.

Jedes der beschriebenen Modelle liefert einen spezifischen Beitrag zu diesem prädiktiven Verhaltensdesign. Logistische Regression ermöglicht eine frühe Segmentierung und schafft die Basis für zielgerichtete Interventionen, bevor sich manifeste Widerstandsmuster entwickeln. Time-Series Classification identifiziert Wendepunkte im zeitlichen Verlauf einer Umsetzung und signalisiert, wann Verstärkung, Anpassung oder Entlastung erforderlich sind. Uplift Modelling zeigt, welche Gruppen auf bestimmte Maßnahmen reagieren, und bietet damit Entscheidungssicherheit sowohl in der Auswahl der Zielgruppen als auch der passenden Interventionsformate. Random Forests machen komplexe Muster in der Verteilung von Veränderungsbereitschaft sichtbar und unterstützen die Konzeption differenzierter Umsetzungspfade und Interventionsintensitäten. Bayesian Networks verdeutlichen, welche Bedingungen gleichzeitig erfüllt sein müssen, um die Wahrscheinlichkeit für erwünschtes Verhalten zu erhöhen, und ermöglichen die Simulation der Effekte möglicher Systemanpassungen.

Die daraus abgeleiteten Handlungsoptionen sind operativ relevant. Prognoseergebnisse können:

• die Kommunikationsarchitektur schärfen,
• die Segmentierungslogik verfeinern,
• den zeitlichen Ablauf und die Sequenzierung von Maßnahmen steuern,
• Eskalationskriterien für Führungskräfte festlegen,
• und die Priorisierung einzelner Interventionsschritte in komplexen Veränderungsvorhaben bestimmen.

Prädiktives Verhaltensdesign bedeutet, Vorhersagemodelle gezielt einzusetzen, um Interventionen kontextsensitiv, datenbasiert und verhaltenswirksam zu planen. Die Modelle geben keine starren Vorgaben, sondern liefern die empirische Grundlage, um interventionsbezogene Entscheidungen an den wahrscheinlichen Verhaltensmustern auszurichten.

Fazit

Organisationale Veränderung wird letztlich durch Verhalten bestimmt. Dennoch bleibt die Verhaltensreaktion in vielen Veränderungsvorhaben genau an dem Punkt unzureichend verstanden, an dem entscheidende Weichenstellungen erfolgen. Veränderungsbereitschaft wird häufig vorausgesetzt, anstatt systematisch geprüft zu werden. Widerstand wird oft erst sichtbar, wenn er den Fortschritt bereits bremst. Interventionen werden zu oft auf Basis allgemeiner Annahmen geplant, statt auf der Grundlage konkreter Verhaltenswahrscheinlichkeiten.

Prädiktive Verhaltensmodellierung bietet hier einen anderen Ausgangspunkt. Sie ersetzt weder Erfahrung noch Urteilsvermögen, schafft jedoch eine belastbare Struktur, um zu identifizieren, wo Verhaltensrisiken wahrscheinlich auftreten und unter welchen Bedingungen eine hohe Anpassungsbereitschaft zu erwarten ist. Jedes der vorgestellten Modelle eröffnet eine eigene diagnostische Perspektive und trägt dazu bei, Verhaltensreaktionen weniger intransparent zu machen und Entscheidungen im Change Management stärker am situativen Kontext auszurichten.

Veränderungsbereitschaft ist kein statischer Zustand. Sie muss im Verhältnis zu Rolle, Zeitpunkt, organisationalem Kontext und wahrgenommenem Handlungsspielraum analysiert werden. Prädiktive Modellierung ermöglicht diese Analyse, bevor Maßnahmen implementiert werden, und nicht erst, wenn sich Verhalten bereits verfestigt hat.

Für wirksames Change Management ist dies entscheidend. Prädiktives Verhaltensdesign übersetzt prognostische Erkenntnisse in passgenaue, kontextbezogene Interventionen. Auf diese Weise lassen sich Ressourcen gezielt einsetzen, Risiken frühzeitig adressieren und Chancen für nachhaltige Verhaltensänderung systematisch nutzen.