Mit Bayes-Statistik und Small Data zum Erfolg

Small Data Projekte sind vor allem Projekte, die sich nicht auf eine Menge Daten verlassen können, um Muster zu extrahieren oder präzise Modelle zu bauen. Es gibt keine einheitliche Definition davon, was ein Small-Data Projekt und was ein Big-Data Projekt ausmacht. Wenn allerdings eine hohe Übereinstimmung mit den folgenden Punkten gegeben ist, handelt es sich höchstwahrscheinlich um ein Small-Data Projekt.

Die Daten:

• weisen ein Datenvolumen auf, das nicht größer als 50 GB ist
• liegen in einem Dateiformat wie JSON, CSV, Excel oder RDF vor
• wurden von Hand oder teilautomatisiert erzeugt
• sind entscheidungsrelevant für kritische Bereiche

Häufig zeichnen sich Small-Data Projekte durch ein erhöhtes Maß an Unsicherheit oder Entscheidungsrelevanz aus. Ein banales Beispiel: Ein junges Unternehmen hat den Durchbruch geschafft und endlich ein funktionierendes Hover-Board entwickelt. Erste Marketing-Aktivitäten zeigen, dass 25 von 100 befragten Personen das Board sofort kaufen würden. Bezieht man das auf die deutsche Bevölkerung in einem Alter zwischen 14 und 40 Jahren (24,94 Millionen Menschen) wären das 6,24 Millionen Hover-Boards, die verkauft werden. Aber stimmt das? Was ist, wenn manche sich zwei Hover-Boards kaufen? Was wenn es jemand doch nicht tut? Ist unsere Datenlage groß genug, um eine solche Aussage zuverlässig zu treffen? Für ein Unternehmen kann so eine Planung finanziell außerordentlich kritisch sein und hohen Einfluss auf Erfolg oder Misserfolg nehmen.

Damit sind alle für ein Small-Data Projekt relevanten Kriterien erfüllt:

• kleines Datenvolumen
• einfacher Datenzugang (in diesem Fall wahrscheinlich Excel)
• die Daten wurden per Hand erhoben
• die Auswertung und Entscheidung auf Grundlage der Daten hat direkten Einfluss auf den kritischen Geschäftserfolg

In der Bayes-Statistik werden zugrundeliegende Wahrscheinlichkeiten, wie zum Beispiel eine Verkaufsrate, wie im oberen Fall, nicht als statische Zahl angesehen. Die Rate kann schwanken, abhängig von externen Einflüssen, wie dem Wetter, der Inflation, dem was Elon Musk getwittert hat, oder anderen Dingen. Dadurch verändert sich aber auch das Ergebnis und liegt innerhalb einer Verteilung an wahrscheinlichen Werten. Für das Hover-Board Beispiel bedeutet das, statt fixen 6,24 Millionen Menschen eine Spannweite an möglichen Zahlen, die sich um diese 6,24 Millionen bewegen. Es können also auch mehr oder weniger sein. Der Clou: bei der Bayes-Statistik können in der praktischen Umsetzung Vermutungen und Erfahrungen in einem rationalen Verfahren über einen sogenannten Prior mit einbezogen werden. Ein Prior könnte zum Beispiel die Erfahrung sein, wie sich ähnlich Produkte in einem Markt verkauft haben. So könnte jemand aus dem Marketing angeben, dass ähnliche Produkte nie weniger als 19 % und nie mehr als 27 % der Zielgruppe erreicht haben. Eine vollständige Übersicht zur Bayes-Statistik finden sie in unserem Cheat-Sheet, welches wir Ihnen kostenlos als Download zur Verfügung stellen:

Eines vorweg: Bayes-Statistik ist keine Wunderwaffe gegen wenig Informationen und einer kleinen Menge an Daten. Es ist aber eine Methode Unsicherheit zu visualisieren und zu quantifizieren. Sich dem Ausmaß an Unsicherheit einer Prognose bewusst zu sein, gibt Platz für eine fundierte und gut abgewogene Entscheidung. Mehr braucht gutes Fachpersonal meist nicht um in kritischen Situationen handlungsfähig zu sein. Das lässt sich an dem oben genannten Hover-Board Beispiel gut visualisieren:

Die Daten aus der Umfrage sehen ungefähr so aus und werden von der Marketingabteilung in einer Excel-Liste bereitgestellt:

Ohne die Bayes-Statistik würde in den meisten Unternehmen wohl eine Prognose entstehen, die nur den Mittelwert zurückgibt (die schwarze Linie), aber die möglichen Schwankungen außen vorlässt. Mit dem bayesianischen Ansatz werden auf einmal mögliche Schwankungsbereiche sichtbar. In diesem Beispiel ist zwischen Jahr 1 und 2 keine allzu große Schwankung zu erwarten. Für die Zeit zwischen Jahr zwei und drei jedoch schon. Mit dieser Information kann die Produktion und das Budget deutlich umsichtiger geplant werden. Das hier gezeigte Beispiel ist nur ein kleiner Ausschnitt der Möglichkeiten und stark simplifiziert, um die Idee hinter dem Bayes Ansatz zu demonstrieren. Die folgenden Stichpunkte sollten Sie sich zum Thema Bayes jedoch merken:

•  auch mit wenig Daten können business-relevante Fragestellungen beantwortet werden
• mit Bayes kann Fachwissen der Mitarbeiter:innen sinnvoll einbezogen werden
• die Bayes-Statistik kann Unsicherheiten und Schwankungen quantifizieren und visualisieren
• Bayes lohnt sich in entscheidungskritischen Bereichen

Sie finden diese Auflistung auch in dem Bayes-Cheat-Sheet. Sollten Sie darüber hinaus fachliche Expertise zum Thema „Small Data“, „Bayes-Statistik“ oder dem Bestimmen von guten Einsatzgebieten benötigen, freuen wir uns, Sie tatkräftig zu unterstützen.