Im Dialog: Thomas Liehr

Im Dialog mit

Im Dialog über

Dr. Thomas Liehr, TNS Infratest

Bissantz Was wird passieren, wenn es uns gelingt, dem oft geschmähten Bauchgefühl eine softwaregestützte Renaissance zu verschaffen?

Dr. Liehr Nun, der Grundgedanke leuchtet natürlich ein. Unsere Überlebensfähigkeit in den hunderttausenden von Jahren unserer Entwicklung hing natürlich davon ab, dass wir richtige Entscheidungen schnell getroffen haben. Insofern werden die menschlichen, nicht computergestützten Heuristiken sicher unterschätzt.

Wenn wir bedenken, dass die Fugger oder die Venezianer kaufmännische Weltreiche ohne Software, sogar ohne Karteikästen gesteuert haben...

Und ohne SAP... Völlig richtig. Ich denke, man wird das empirisch überprüfen müssen. Wenn die Heuristiken zu denselben Aussagen kommen, die auch der Entscheider nach einem komplexen Prozess der Entscheidungsfindung richtig findet, dann wird es funktionieren. Allerdings finden wir ja leider nicht immer ein Klima vor, das an "neutralen" datengestützten Erkenntnissen interessiert wäre. Denken wir mal an einen bekannten Konzernchef der 90-er Jahre: "Und wenn Sie meinen, Ihre Entscheidung wäre die richtige, dann fallen mir tausend Gründe ein, warum sie doch falsch und meine richtig ist". Das steht stellvertretend für das Thema der Gefälligkeitsgutachten. Die Entscheidung steht längst und die Berater werden gerufen, um sie zu begründen. So sieht natürlich kein idealer Nährboden aus, um neue Erkenntnisse zu gewinnen.

Ein Problem im Vermitteln neuer Erkenntnisse besteht auch darin, ob die Empfänger, die wir mit unserer Weisheit beglücken wollen, mit so viel Neuem überhaupt gut bedient sind. Neues kann nur dann sinnvoll aufgenommen werden, wenn es im Kontext von Bekanntem sinnvoll verortet werden kann. Es ist daher eine gute Strategie für Präsentationen, mindestens 2/3 Bekanntes (oder: Erwartetes) und allerhöchstens 1/3 Neues (sprich: Unerwartetes) zu zeigen. Was ich sagen will: Die Wahrheit ist eine sehr schwierige Ware - und sie muss vom Entscheider nachvollzogen und akzeptiert werden, damit sie Grundlage für ein besseres Handeln werden kann.

Ich will keineswegs den Eindruck erwecken, dass die Mehrheit der Personen, für welche wir unsere Analysen durchführen, nicht an echten Ergebnissen interessiert wäre. Dies ist keineswegs so - ansonsten könnten wir unseren Beruf ja auch an den Nagel hängen. Dennoch sind gerade die Fälle "interessant", bei denen wir dies nicht ohne weiteres voraussetzen können: Wir haben da auf der einen Seite die Alibi-Einforderer, die vorher schon wissen, was sie hören wollen, und auf der anderen Seite die Algorithmusgläubigen. Je geheimnisvoller die Methode, desto eher wird die Botschaft geglaubt.; am besten bis in die Nachkommastellen. Wir wünschen uns dann oft mehr Kritikfähigkeit und mehr Offenheit und Bereitschaft, um die reale Tragweite und Belastbarkeit der Ergebnisse ehrlich diskutieren zu können. Alle Modelle haben ihren belastbaren Anwendungsbereich, der sich aus den zur Verfügung stehenden Analysedaten ergibt. Wenn wir diesen Bereich verlassen, fußen die Aussagen auf sehr unsicherem Boden. Das Problem ist hierbei, dass vom Analysten erwartet wird, er kenne die ganze Wahrheit, wohingegen er in Wirklichkeit nur datenbasierte Erkenntnisse zu bieten hat, die vorsichtig und kontextsensitiv interpretiert werden müssen. Wenn er darauf aufmerksam macht, kann es passieren, dass er massiv an Glaubwürdigkeit einbüßt - ein Paradoxon! Ich kann es mir nur dadurch erklären, dass auch hier das Prinzip gilt, dass der natürlichen Komplexität dieser Welt gerne durch allzu vereinfachte Kochrezepte begegnet wird. Und Analyseergebnisse lassen sich gut dafür instrumentalisieren.

Es hängt natürlich auch davon ab, ob wir es mit einem komplexen Problem zu tun haben, wo uns aufwändige Analysen wirkliche Einsichten bieten können, wie z. B. bei Marktsimulationen - hier kann man eine gewisse Methodengläubigkeit nachvollziehen -, oder ob wir es mit Tatsachen zu tun haben, die nach Berücksichtigung der Sachlage mit relativ einfachen Entscheidungsschemata zufrieden stellend gelöst werden können. Hier wäre in besonderem Maße der kritische Einsatz des gesunden Menschenverstandes anzumahnen.

Das klingt nach einer wichtigen Unterscheidung: Wir haben Managementthemen, wo komplexe mathematische Modelle eine gute Entscheidungshilfe bieten können - vorausgesetzt, die Ergebnisse werden nicht überstrapaziert. Und wir haben Themen, die können durchaus mit einfachen Heuristiken entschieden werden, wenn der Manager die Zeit aufbringen würde, was wiederum nicht sinnvoll ist, wenn der Rechner das für ihn viel schneller tun kann.

... und dabei trotzdem eine vergleichbare Heuristik mit ähnlich guten Ergebnissen nutzt. Ja, in Ordnung. In diesen Fällen kann der Rechner wirklich eine hohe Effizienzsteigerung bei der datenbasierten Entscheidungsfindung ermöglichen. Es hängt wahrscheinlich davon ab, ob es uns gelingt, solche relativ allgemeingültigen Heuristiken zu identifizieren, die für eine relativ große Bandbreite von Analyseaufgaben gute Ergebnisse ermöglichen, und dies dann auf robuste Art und Weise in eine Softwarelösung zu implementieren.

Wenn es also gelingt, eine beschränkte Anzahl von Heuristiken auf eine ganze Reihe von Problemen mit guten Ergebnissen loszulassen, dann kann das funktionieren. Dies wäre wirklich ein entscheidender Schritt für die softwaregestützte Datenanalyse: weg vom reinen Modellansatz von Statistik und Data Mining hin zu einer Art natürlicher - und dadurch nachvollziehbarer - Hilfestellung bei der datenbasierten Entscheidungsfindung.