Sprache: Englisch
Unsere Datenquellen nehmen unaufhörlich an Umfang zu. Ein Trend, der das Interesse an einer neuen Klasse von Datenanalysemethoden fördert. Abhängig vom jeweiligen Ausgangspunkt werden diese Methoden manchmal als Big Data, manchmal als künstliche Intelligenz, Datenwissenschaften, maschinelles Lernen, Data Mining, Vorhersagemodellierung oder als Industrie 4.0 bezeichnet. Sie sind zu einem Synonym für die Erwartung geworden, hervorragende Erkenntnisse aus Daten zu gewinnen, mit deren Hilfe „kostenlos“ und mit nur wenig menschlichem Dazutun bessere Entscheidungen getroffen werden können.
Es gibt jedoch eine wachsende Zahl von Literatur, in der darauf verwiesen wird, dass die Vorteile dieser Methoden nicht so einfach zu nutzen sind, wie es ihre Verfechter glauben machen wollen. In ihrem Bestseller Weapons of Math Destruction (Mathematik-Vernichtungswaffen) stellt die Autorin Cathy O’Neil fest, dass die Kombination von großen Datenmengen und komplexen Analysefunktionen häufig unerwartete negative Folgen hat. Auch wenn neuere Methoden tatsächlich leistungsstark sind – und natürlich mehr Daten besser sind als wenige –, so sind sie dennoch nicht unfehlbar.
Stattdessen, so argumentiert O’Neil, erfordern moderne Datenanalysemethoden die gezielte Einbeziehung der jeweiligen Umstände und des Zwecks, zu dem die Daten ursprünglich erfasst wurden. Die Hauptursachen für viele Big Data-Analysepannen liegen darin, dass seit Jahrzehnten bekannte Grundsätze der Datenanalyse ignoriert werden, wie etwa ein genaues Augenmerk auf Datenqualität.
In diesem Video zeigen die Referenten anhand von Fallstudien aus der Praxis potenzielle Probleme bei der Nutzung neuerer Methoden zur Gewinnung von Einsichten aus großen Datenmengen auf. Sie demonstrieren, wie wichtig es ist, in Kombination mit der entsprechenden Fachkompetenz auch Methoden einzubeziehen, die die jeweiligen Beschränkungen der Daten berücksichtigen. Und sie stellen Lösungen vor, mit denen „falsche Fährten“, eine Vergeudung von Zeit und Geld sowie die Verfolgung unangebrachter Ziele aufgrund falscher Schlussfolgerungen vermieden werden können.