2094310

Moderne Vorhersagemodelle und ihre Tücken

11.09.2016 | 14:45 Uhr |

So manche Ereignisse lassen sich auch mit modernster Technik wie Big Data und Predictive Analytics nicht vorhersagen. Sinnvoll ist eine gute Mischung aus Technik und Bauchgefühl.

Anbieter von Big-Data- und Predictive-Analytics-Lösungen unterscheiden sich in ihrem individuellen Umgang mit dem Thema von den Unternehmen, welche die angebotenen Lösungen einsetzen (sollen). Während sich die Gruppe der Anbieter unter starkem Wettbewerbseinfluss bemüht für ihre jeweiligen Zielgruppen Mehrwerte zu generieren und diese in Nutzenversprechen zu kleiden, erwarten die (potenziellen) Nutzer oftmals mehr, als derzeit seriös zu leisten ist.

Fakt ist, dass es sehr wohl nützliche Einsatzbereiche gibt, aber es wird auch zunehmend deutlich, dass dem Menschen seine IT-gestützten Entscheidungsgrundlagen über den Kopf wachsen. Nehmen wir exemplarisch die M2M-Entwicklung, die den Umgang mit Daten vollends den Maschinen überlässt und schauen wir auf Kreditvergabekonditionen sowie einer Gründer- und Förderpolitik, die offenbar nicht anders kann, als sich auf maschinell erzeugte Ratings zu stützen. Der Faktor Mensch spielt in vielen Gleichungen schon längst keine Rolle mehr.

Viele Vorhersagemodelle sind völlig unbrauchbar

Der Psychologe Professor Gerd Gigerenzer hat im Rahmen seines Vortrags ( Video ) auf den Petersberger Gesprächen im Jahre 2012 belegt, dass viele aktuell verwendete Vorhersagemodelle von internationalen Großbanken völlig unbrauchbar sind. In der Nachbetrachtung konnte jeweils bewiesen werden, dass alle vormals gemachten Prognosen nicht eintraten. Hierbei war besonders bemerkenswert, dass die zuständigen Vorstände und Manager der Banken wussten, dass ihre Modelle nichts taugen, sie aber dennoch einsetzten, um sich gegenüber Aufsichtsrat, Hauptversammlung und Aufsichtsbehörden abzusichern. Eine allein auf Erfahrung und Bauchgefühl gestützte Entscheidung sei in unserer Zeit, in der man doch augenscheinlich alles berechnen kann, nach Ansicht der befragten Manager nicht opportun.

Ob "Moderne Entscheiderunterstützungssysteme" wirkliche Mehrwerte in Form von besseren und schnelleren Entscheidungen bringen, hängt vom Einzelfall ab und ist nicht pauschal zu beantworten. Manchmal dienen sie, wie das vorbezeichnete Beispiel zeigt, auch nur der Absicherung von Managern. Automatisierte Verfahren sind fehleranfällig, wenn sie primär technischen Aspekten folgen. Es gilt, dass größere Datenmengen nicht automatisch bessere Entscheidungsgrundlagen und Ergebnisse liefern müssen.

Amazon und Google machen eine kluge Nutzung vor

Die Big-Data-Analyse und deren Umsetzung funktioniert aber auch bereits in vielen Unternehmen wie beispielsweise bei Amazon und bei Google. Mit "individuellen Empfehlungen" generiert Amazon einen nicht unerheblichen Teil des Umsatzes und Google kann auf der Basis verwendeter Suchbegriffe Grippetrends und vieles mehr berechnen. Aus solchen und ähnlichen Anwendungen lassen sich für viele Unternehmen und Verbraucher Mehrwerte generieren.

Wehe, Sie zählen zur falschen Branche

Ratingsysteme von Banken, Mitarbeiterbewertungssysteme in Konzernen und weitere Automatismen, die eine Vorhersage der Zukunft mit Mitteln der Wahrscheinlichkeitsrechnung auf Basis vorhandener Daten ermöglichen, sind allerdings nur so gut, wie sie konzipiert wurden. Bei vielen wichtigen Entscheidungen sollte der hochqualifizierte Mensch als maßgeblicher Faktor im Prozess nicht vergessen werden.

Wenn ein Unternehmen der "falschen Branche" angehört, kann dies erhebliche Auswirkungen auf das Rating und die hiermit verbundenen Zinskonditionen haben. Möglicherweise bekommt das Unternehmen gar kein Geld. Auch dann nicht, wenn geplante Vorhaben eigentlich vielversprechend sind.

Oder eine hochqualifizierte Fachkraft wird nicht zum Vorstellungsgespräch geladen, weil sie in einem Punkt durch ein Raster fällt, obwohl sie alles in allem perfekt für den Job wäre. Bei beiden Beispielen könnte ein qualifizierter menschlicher Entscheider zu besseren Ergebnissen als die Maschine kommen.

Von Bedeutung sind demnach der Umgang mit den Daten und die individuellen Schlussfolgerungen. Big-Data- und Predictive-Analytics-Lösungen

- müssen auf den jeweiligen Einzelfall individuell anwendbar sein.

- dürfen nicht sinnlos verallgemeinern.

- sollten durch die Masse der verarbeiteten Informationen Mehrwerte generieren.

- dürfen die Sachverhalte nicht einfach nur verkomplizieren.

Als "Black-Box-Lösungen" sind sie eher unbrauchbar.

0 Kommentare zu diesem Artikel
2094310