Three essays on effect of predictive analytics on planning and decision-making

Abstract

This cumulative dissertation examines the impact of predictive analytics on organizational planning and decision-making. It focuses on the factors that encourage or discourage managers from adopting respective analytics tools, and on management accounting strategies to guide their use. Three studies combine theoretical reasoning, qualitative interviews and behavioral experiments to address these issues. The first study explores the adoption of a human resource analytics tool by potential users through interviews. It identifies beliefs that shape perceived behavioral control, attitudes and social norms, linking them to machine learning features. The second study proposes a framework for 'algorithm aversion', defined as the tendency to discount algorithmic advice more than comparable human advice. Based on the Theory of Planned Behavior, it demonstrates that algorithm aversion stems from a combination of unfavorable attitudes towards algorithmic judgement and lower perceived behavioral control when using algorithms compared to relying on human judgement. The third study examines how management accounting can influence the perceived credibility of algorithmically generated sales forecasts. In a laboratory experiment, capability-based metrics consistently increase perceived credibility, even when unwarranted, whereas predictability-based metrics align credibility more closely with the actual accuracy of the forecast. In summary, managers’ use of predictive analytics is shaped by their attitudes, their perceived behavioral control, social norms and the characteristics of the underlying algorithms, which can either foster or hinder adoption. Management accounting can influence this by carefully designing communication, such as performance metrics, to mitigate algorithm aversion and calibrate the perceived credibility of forecasts.

Diese kumulative Dissertation untersucht die Auswirkungen von Predictive Analytics auf die Unternehmensplanung und Entscheidungsfindung. Der Schwerpunkt liegt auf den Faktoren, die Manager dazu bewegen oder davon abhalten, entsprechende Analysetools einzuführen, sowie auf Strategien zur Steuerung ihres Einsatzes. Drei Studien kombinieren theoretische Überlegungen, qualitative Interviews und Verhaltensexperimente, um diese Fragestellungen zu untersuchen. Die erste Studie untersucht anhand von Interviews die Einführung eines HR-Analytics durch potenzielle Nutzer. Sie identifiziert Überzeugungen, die die wahrgenommene Verhaltenskontrolle, Einstellungen und soziale Normen prägen, und verknüpft diese mit Merkmalen des maschinellen Lernens. Die zweite Studie schlägt einen Rahmen für „Algorithm Aversion“ vor, definiert als die Tendenz, algorithmische Empfehlungen stärker zu ignorieren als vergleichbare menschliche Empfehlungen. Basierend auf der Theory of Planned Behavior zeigt sie, dass Algorithm Aversion aus einer Kombination von ungünstigen Einstellungen gegenüber algorithmischen Urteilen und einer geringeren wahrgenommenen Verhaltenskontrolle bei der Nutzung von Algorithmen im Vergleich zum Vertrauen auf menschliches Urteilsvermögen resultiert. Die dritte Studie untersucht, wie das Management Accounting die wahrgenommene Glaubwürdigkeit algorithmisch generierter Umsatzprognosen beeinflussen kann. In einem Laborexperiment steigern fähigkeitsbasierte Kennzahlen durchweg die wahrgenommene Glaubwürdigkeit, selbst wenn diese ungerechtfertigt ist, während zeitreihenbasierte Kennzahlen die Glaubwürdigkeit stärker an die tatsächliche Genauigkeit der Prognose anpassen. Zusammenfassend lässt sich sagen, dass die Nutzung von Predictive Analytics durch Manager von ihren Einstellungen, ihrer wahrgenommenen Verhaltenskontrolle, sozialen Normen und den Eigenschaften der zugrunde liegenden Algorithmen geprägt wird, die die Akzeptanz entweder fördern oder behindern. Das Controlling kann dies beeinflussen, indem es die Kommunikation sorgfältig gestaltet, um die Abneigung gegen Algorithmen abzubauen und die wahrgenommene Glaubwürdigkeit von Prognosen anzupassen.