Kategorie: Data Science

Unternehmerisches Handeln bedeutet Entscheidungen zu treffen. Mit einer Entscheidung werden in aller Regel Ziele verfolgt. Um zielführende Entscheidungen treffen zu können benötigt es die richtigen Informationen. Die zum Entscheidungszeitpunkt vorliegenden Informationen können dabei unvollständig oder fehlerhaft sein. Durch unvollständige oder fehlerhafte Informationen ergeben sich Risiken.

Rosenkranz/Missler-Behr schreiben dazu in ihrem Buch „Unternehmensrisiken erkennen und managen: Einführung in die quantitative Planung„: „Unternehmerisches Handeln führt zu unternehmerischem Risiko oder erfolgt unter Risiko. Nach allgemeinem Verständnis hat dies etwas mit den unsicheren oder nicht genau prognostizierbaren Auswirkungen von Management-Entscheidungen oder den mit unternehmerischen Entscheidungen verbundenen Risiken zu tun.“ Helten beschreibt dabei Risiko als: „Informationsdefizit über das Erreichen von Zielen.“ (Helten E: Die Erfassung und Messung des Risikos. Reihe Versicherungsbetriebslehre Bd11, Gabler, Wiesbaden, 1994).

Wir haben es also in aller Regel mit unklaren Situationen zu tun und in der Entscheidungstheorie wird darunter auch die „Entscheidung unter Unsicherheit“ verstanden. In einem Artikel (Sicher, unsicher, ungewiss – eine kurze Klassifikation von Entscheidungssituationen) beschreibt Dr. Monika Setzwein typische Merkmale wodurch sich Unsicherheit bei Entscheidungen ergeben können:

• Komplexität: Viele vernetzte Elemente stehen mit einander in Wechselbeziehungen.
• Intransparenz: Man weiß nicht einmal, was man nicht weiß.
• Dynamik: Dinge/Situationen ändern sich ständig.
• Zeitdruck: Objektiv oder subjektiv besteht die Notwendigkeit zu entscheiden.

Entscheidung unter Unsicherheiten

Unter Entscheidungen unter Unsicherheit versteht man in der Entscheidungstheorie Situationen, in denen der Eintritt bzw. die Auswirkung von zukünftigen Umweltzuständen nicht mit Sicherheit vorausgesagt werden kann (im Gegensatz dazu stehen die Entscheidungen unter Sicherheit).

Dabei wird wiederum unterschieden ob die Eintrittswahrscheinlichkeit(en) eines Ereignisses oder mehrerer Ereignisse oder ob gar die Auswirkung(en) einer Entscheidung bekannt ist (bekannt sind).

Unternehmerisches Handeln bedeutet somit nicht nur das Treffen von Entscheidungen, sondern auch das managen von Unsicherheiten und Risiken und letztendlich das minimieren von Unsicherheiten und Risiken durch eine gesteuerte Reduzierung des Informationsdefizits (von der Übernahme der Verantwortung für die getroffenen Entscheidungen gar nicht zu reden).

Im Unterschied zur klassischen Entscheidungstheorie bei der die Auswirkung der Entscheidung nur vom eigenen Handeln abhängt, werden in der Spieltheorie Entscheidungssituationen modelliert, in denen sich mehrere Beteiligte gegenseitig beeinflussen. Sie versucht dabei unter anderem, das rationale Entscheidungsverhalten in sozialen Konfliktsituationen davon abzuleiten.  Der Erfolg des Einzelnen hängt dabei nicht mehr nur vom eigenen Handeln, sondern auch von den Aktionen anderer ab.

Warum also der Blog „Data Driven Decisions„?

Meine persönliche Erfahrung ist, dass in der Unternehmenspraxis häufig Entscheidungen getroffen werden die nicht auf Basis von Fakten oder Daten beruhen. Sehr häufig ist noch nicht einmal bekannt welche Daten oder Fakten dazu im Unternehmen vorhanden sind oder ob die Daten, die als Grundlage für Entscheidungen genutzt werden, valide, vollständig oder überhaupt relevant sind.

Mit diesem Blog möchte ich dieses Thema adressieren und über Möglichkeiten, Methoden und deren Anwendung zu diskutieren.

In einem 2013 veröffentlichten Artikel „Data Science and its Relationship to Big Data and Data-Driven Decision Making,” von Foster Provost und Tom Fawcett wird ‚data-driven decision making‘ als Praxis bezeichnet, bei der Entscheidungen eher auf der Analyse von Daten als rein auf Intuition beruhen. Dabei wird Data Science als das Bindeglied zwischen Datenverarbeitenden Technologien (einschließlich Big Data) und ‚data-driven decision making‘ gesehen.

War es früher teuer und aufwändig Informationen und Daten zu erhalten oder zu speichern, sind uns nun Informationen überall zugänglich. Wir leben regelrecht in einem Informationsüberfluss. Eric Schmidt  hat dazu 2010 (zu dem Zeitpunkt CEO von Google) auf einer Techonomy-Konferenz angemerkt, dass wir heutzutage in zwei Tagen so viele Daten erzeugen, wie seit Anbeginn der Menschheit bis 2003 zusammen. Es geht hier um die schier unglaubliche Menge von 5 Exabyte Daten (entspricht einer Million Terabyte) die jeden Tag generiert werden. Und inzwischen dürfte dies sicherlich übertroffen werden. Law/Greenbacker/Eberhardt haben in ihrer Infographik „Do You Know Big Data?“ von 2014 festgehalten, dass jedes Jahr 5 Zettabyte an Internet-Traffic erzeugt wird. Die Herausforderung liegt also nicht mehr darin an Informationen heranzukommen, sondern den Daten Sinn und Struktur zu geben um sie verwertbar zu machen. Firmen wie Google und Facebook bauen darauf ihre Geschäftsgrundlage.

Themen wie Big Data, Data Science (die Extraktion von Wissen aus Daten), Machine Learning (Verfahren zum ‚erkennen‘ von Mustern und Gesetzmäßigkeiten), künstliche Neuronale Netze bzw. Deep Learning (als Abstraktion der Informationsverarbeitung bei denen die Nervenzellenvernetzung im Gehirn als Vorbild dient) sind erfolgreich praktizierte Mittel um der vom Mensch verursachten Datenflut Herr zu werden. Und diese Datenflut wird durch Themen wie Internet of Things (ioT) und durch Industrie 4.0 noch zusätzlich vergrößert. Laut Virgin Atlantic erzeugt dabei allein eine Boeing 787 ein halbes Terabyte Daten pro Flug. Diese ganzen Daten wären wertlos ohne geeignete Methoden diese auszuwerten und auf Unregelmäßigkeiten aufmerksam zu machen.

Neben der schieren Menge an Daten sind die Real-Daten mehrheitlich unstrukturiert und unsortiert (und damit mit bisherigen Methoden oft nicht verwendbar) oder die Daten liegen auf unterschiedlichen Informationsinseln und man hat Schwierigkeiten die Daten zusammenzubringen um sie gegeneinander und miteinander auswerten zu können.

Ist ‚Data Driven Decisions‘ das Allheilmittel?

Des Traynor spricht in seinem Artikel „The Problem with Data Driven Decisions“ diese Thematik an und kommt zu dem Schluss, dass es noch andere Perspektiven gibt die berücksichtigt werden müssen und das Daten alleine nie das einzige Mittel sein sollten.

Oder besser gesagt – eine Perspektive alleine ohne Prüfung von anderen Perspektiven sollte uns nie zu einer Entscheidung führen. Letztendlich sind Daten nur ein Werkzeug und wie jedes Werkzeug gibt es nicht das eine das auf alle Problemstellungen passt. Darum gibt es ja so viele unterschiedliche Werkzeuge und die Kunst besteht darin, das richtige Werkzeug zur Richtigen Situation auszuwählen. Und damit sind wir wieder am Anfang und das unternehmerisches Handel bedeutet Entscheidungen zu treffen – auch die Entscheidung welchem Werkzeug wir für ein Problem verwenden wollen.