Als Hedgefonds-Manager verbrachte ich über ein Jahrzehnt damit, Termingeschäfte zu prognostizieren. Wir hatten Tickdaten, die Jahrzehnte zurückreichten, aber es gab eine starke Zufallskomponente, die automatische Prognosen über einen bestimmten Präzisionsgrad hinaus unmöglich machte. Die Kombination aller Beweggründe, die Menschen für den Kauf und Verkauf zu einem bestimmten Zeitpunkt haben, mit der gewaltigen Anzahl von Menschen, die Geschäfte tätigen, bedeutete, dass es uns – unabhängig davon, was wir machten – nie perfekt gelingen würde, aus dem Rauschen Indikatoren zu entnehmen.
In der Datenwissenschaft bezeichnet man dies als unlösbare Probleme, und über einen bestimmten Punkt hinaus werden Datenanalyse und Big Data ganz einfach keine weiteren Fortschritte erzielen.
Aber es gibt auch gute Neuigkeiten: Viele Probleme, die auf den ersten Blick praktisch nicht lösbar erscheinen, lassen sich dennoch lösen, indem man den Ansatz oder die Eingabewerte justiert.
Das Wissen, wann sich als praktisch nicht lösbar erscheinende Probleme mit einigen tragbaren Änderungen lösen lassen, verschafft Unternehmen – und Projektsponsoren – eine Ausgangsposition für stetigen Erfolg. Im Gegenzug dazu kann man mit der Fähigkeit, Probleme mit unrealistischen Ausmaßen zu erkennen, verhindern, dass Zeit und Gelder verschwendet werden, die man profitabler für eine besser fokussierte Frage einsetzen könnte.
Hier sind vier Problembehandlungsmethoden, die Ihre Ergebnisse verbessern könnten. Durch die schrittweise Anwendung einer oder mehrerer dieser Methoden könnten Sie, statt immer wieder mit dem Kopf gegen eine Wand zu rennen, Ihre Chancen erhöhen, Nutzen aus Ihren Analysen zu ziehen.
1. Eine besser fokussierte Frage stellen
Der beste Schritt nach vorn besteht häufig darin, einen Teilbereich der ursprünglichen Fragestellung zu lösen und die Erkenntnisse zu extrapolieren. Der Versuch, die Wahrscheinlichkeit zu bestimmen, mit der sich ein bestimmter Social-Media-Benutzer für ein von Ihnen designtes Auto interessiert, wird wahrscheinlich scheitern. Selbst mit einer großen Menge brauchbarer Daten haben Sie vermutlich zu viele Variablen, um zu einem Modell mit echtem Vorhersagewert zu gelangen.
Wenn man neue Daten hinzufügt, erschließt man manchmal neue Horizonte und neues Vorhersagepotenzial.
