Macht uns Big Data schlauer?

Die Daten könnten nicht eindeutiger sein: 91 Pro-zent der Kinder, die mit Legosteinen spielten, waren Jungen. Vor rund zehn Jahren hätten die Manager des dänischen multinationalen Unternehmens vor dem x-ten Beweis kapitulieren können: Mädchen spielen nicht gerne mit Lego. Punkt. Doch der Vorstandsvorsitzende Jørgen Vig Knudstorp, damals ein junger, 40-jähriger Ingenieur (der erste ausserhalb der Gründerfamilie und ein Lego-Fan seit seiner Kindheit), war nicht überzeugt. Das Unternehmen begann eine vier Jahre dauernde Forschungsstudie mit 3500 Familien. Diese stellte fest, dass Mädchen sich mehr für gemeinsames Spielen und kleine Konstruktionen interessierten. Damit war die erfolgreiche Reihe «Lego Friends» geboren.
Dieses Beispiel veranschaulicht sehr gut, warum Daten nicht als reine Beweise behandelt werden können. Die explosionsartige Zunahme von Big Data hat sich unter Führungskräften herumgesprochen, und viele sind der Meinung, dass Daten im Mittelpunkt der Entscheidungsfindung stehen sollten. Dank der Daten agiert die Lego-Unternehmensführung heute wissenschaftlicher als je zuvor. Dieser Ansatz hat jedoch seine Grenzen. «Lego Friends» war eine Neuheit, und die damalige Datenlage gab keinen Anlass, den Markt für Mädchen zu erforschen, ganz im Gegenteil. Die Vision des «Baumeisters» Vig Knudstorp half entscheidend, den multinationalen Konzern, der in finanzielle Nöte geraten war, wieder flottzumachen.

Eine Frage der Perspektive
Laufen Manager bei so vielen neuen Messgrössen nicht Gefahr, falsche Entscheidungen zu treffen, die genau auf dem beruhen, was die Daten nicht aussagen?
Das Problem bei Big Data ist, dass die Wissenschaft rückwärts abläuft: Zuerst stellt man eine Hypothese auf, und erst dann testet man sie. Im beschriebenen Fall haben die Manager behauptet, dass Mädchen nicht Lego spielen. Das ist alles. Sie haben nicht erklärt, warum. Daten können dazu führen, dass man sie interpretiert, wie man will, wenn man nicht vorher eine Hypothese aufgestellt hat. Jahrelang war das der Ansatz: Man stellt eine Hypothese auf und schaut, ob die Realität auf das Modell reagiert.
Mit dem Aufkommen von Big Data hat sich das Blatt gewendet. Die Techniken des maschinellen Lernens werden auf unerforschtem Terrain angewandt, und der Weg nach vorn ist ein anderer, weil Datenwissenschaftler nichts über die Variablen annehmen. Das ist der Ausgangspunkt für die sich anbahnende «Revolution»: Algorithmen generieren im Nachhinein Hypothesen und wählen die beste aus. Wenn sie gut konstruiert sind, liegen sie in der Regel auch richtig. Wie diese Hypothesen zustande gekommen sind, lässt sich jedoch nicht erklären. Es ist, als wäre es eine Blackbox.
Ein Beispiel dafür sind die Fälle, in denen ein Kreditkartenbetrug erkannt wird: Es wäre schwierig, zu erklären, warum der Algorithmus bestimmte Transaktionen als verdächtig einstuft. Wenn es sich um Betrug handelt, wird die Abbuchung verweigert, aber wenn es sich nicht um Betrug handelt, wird die Karte nicht gesperrt.

Warum ist das alles so wichtig?
Warum also? Die Antwort auf diese Frage liegt in den Händen des Managements. Das ist nicht selten eine Welt, in der Entscheidungen getroffen werden, weil der CEO so etwas wie eine Vorahnung hat oder einfach nur, weil er die Konkurrenz imitiert. Muss ich wissen, warum meine Umsätze steigen, warum Kunden abwandern oder warum ein bestimmtes Produkt nicht funktioniert? Muss ich wissen, was sich in der Blackbox befindet, oder reicht es, das zukünftige Ergebnis zu erraten?
Bei bestimmten Geschäftsproblemen ist die Erklärbarkeit nicht unbedingt erforderlich, und in diesem Fall haben Algorithmen Vorteile. Unternehmen werden bessere Entscheidungen treffen, wenn sie die Daten gut analysieren und sie nicht einfach übernehmen, nur weil sie vorhanden sind. Um das Beste aus Big Data herauszuholen, braucht man Menschen, die wissen, wie man Fragen stellt und wo man nach den Antworten sucht.
Eine solche Frage ist zum Beispiel: Was haben etwa Airbnb, Disney, Uber, ING, Virgin, Google oder Walmart gemeinsam?
Die Antwort: Sie alle verfügen über eine grosse Menge an Kundendaten, und sie alle wenden bei ihren Entscheidungen auch verhaltensökonomische Methoden an.

Zwei Welten mit einem einzigen Profil
Die Synergien zwischen den beiden Welten Big Data und Verhaltensökonomie sind offensichtlich, und ein Profil scheint sich durchzusetzen: das des Datenwissenschaftlers. Vielleicht ist dies der erste Schritt, denn die Big-Data-Revolution ist noch recht jung, und viele Unternehmen haben keine Historie oder haben nicht alle für ihr Geschäft relevanten Informationen gesammelt.
Wenn diese Phase vorbei ist, kommt der nächste Schritt: Was nun? Viele haben riesige Summen in die Speicherung von unzähligen Daten investiert. Ihnen wurde weisgemacht, dass Big Data ein Wunderwerk sei, aber sie sind frustriert ob der Datenfriedhöfe.
Der Datenwissenschaftler muss dabei sein, aber Big Data muss sich anderen Bereichen öffnen, um das volle Potenzial der Zahlen auszuschöpfen. Die Technologie der Datenerfassung hat sich viel schneller weiterentwickelt als die Theorie, was wir damit machen können. Daten sind das Öl des 21. Jahrhunderts, so lautet eine der modischen Behauptungen. Aber selbst das schwarze Gold brauchte viel mehr Disziplinen, um das Beste daraus zu machen. Jetzt ist etwas Ähnliches im Gange.
Die Big-Data-Revolution fällt zeitlich mit einer anderen zusammen, mit jener der Verhaltensökonomie von Richard Thaler. Thalers Arbeit konzentriert sich darauf, wie psychologische, soziale und kognitive Faktoren das individuelle wirtschaftliche Entscheidungsverhalten beeinflussen. Er hat gezeigt, dass Menschen oft nicht rational handeln, wie es die traditionelle ökonomische Theorie annimmt, sondern vielmehr systematischen Denkfehlern und Verhaltensverzerrungen unterliegen. Diese Verhaltensmuster beeinflussen das Sparverhalten, Investitionsentscheidungen, Konsumgewohnheiten und andere ökonomische Entscheidungen. Dies gilt es in einer intelligenten Datenanalyse unbedingt zu berücksichtigen. Datenintelligenz bezieht sich auf den Prozess der intelligenten Datenerfassung, -sammlung, -analyse und -nutzung, um Erkenntnisse zu gewinnen und strategische Entscheidungen zu unterstützen. Es geht darum, Daten nicht nur passiv zu sammeln, sondern sie aktiv zu nutzen, um Informationen zu generieren, Muster zu erkennen und Einblicke zu gewinnen, die zu neuen Erkenntnissen oder einem Wettbewerbsvorteil führen können.