Warum Daten lügen können

Aus diesen Gründen sollten Sie nicht vollständig auf Ihre Daten vertrauen

Warum wir Daten nicht vollständig vertrauen sollten

Wir treffen jeden Tag Entscheidungen, die auf unterschiedlichen Daten basieren. Das machen wir, damit wir die Entscheidungen nicht aus dem Bauch heraus treffen müssen, und weil wir so davon ausgehen, dass wir die richtige Entscheidung treffen. Da wir uns auf diese Weise sehr stark auf die zugrundeliegenden Daten verlassen ist es wichtig, sich dessen bewusst zu werden, dass Daten lügen können, wenn wir aufgrund von Datenanalysen wichtige Entscheidungen treffen, die weitreichende Auswirkungen auf unser Unternehmen haben können. Wenn die Ergebnisse der Analyse ungenau oder falsch sind, können sie zu Fehlentscheidungen führen, die wiederum zu finanziellen Verlusten, schlechter Reputation, Kundenverlust oder sogar zu Rechtsstreitigkeiten führen können. Darüber hinaus können fehlerhafte Datenanalyseergebnisse auch das Vertrauen in die Analysefähigkeit eines Unternehmens beeinträchtigen und somit das Geschäftsergebnis negativ beeinflussen. Daher ist es von entscheidender Bedeutung, sich bewusst zu sein, dass die Datenlage manchmal trügerisch sein kann, und entsprechende Massnahmen zu ergreifen, um sicherzustellen, dass die Analyseergebnisse jederzeit zuverlässig und genau sind.

Warum Daten lügen können

Es gibt zahlreiche Gründe, warum Daten lügen können:

1. Fehlerhafte Daten:

Wenn die Daten, die in die BI-Lösung eingespeist werden, fehlerhaft sind, kann das zu falschen Schlussfolgerungen führen. Dafür können unterschiedliche Faktoren verantwortlich sein:

• Datenqualität: Ist keine hohe Datenqualität gegeben, kann es sein, dass die verwendeten Daten fehlerhaft, unvollständig oder inkonsistent sind. Warum das passieren kann und wie ein gutes Data Quality Management dabei hilft, eine hohe Datenqualität sicherzustellen, lesen Sie im Beitrag «Data Quality Management».
• Aktualität: Wenn die Daten, auf denen die Analyse basiert, veraltet sind, kann die Analyse nicht die aktuellen Marktbedingungen oder Veränderungen in der Branche widerspiegeln, was wiederum zu falschen Ergebnissen führen kann und die Relevanz von früheren Analysen und Daten verringern kann.
• Datenquelle: Wenn die verwendeten Datenquellen nicht gut sind, können auch die Analysen in Ihrem BI-System falsch sein. Zum Beispiel können Daten, die manuell eingegeben oder aus verschiedenen Quellen kombiniert wurden, fehlerhaft, nicht vollständig oder inkonsistent sein. Auch wenn Datenquellen nicht korrekt miteinander verknüpft sind, können Analysen verzerrt werden. Wollen Sie beispielsweise analysieren, aus welchen Ländern die meisten Ihrer Kunden stammen, achten beim Anlegen der Kundendaten in Ihrem CRM-System aber nicht konsequent darauf, das Land zu pflegen, ist die Datenquelle mangelhaft. Daher ist es wichtig sicherzustellen, dass die Daten aus einer verlässlichen Quelle stammen.

2. Schlechte Datenerhebung:

Wenn die Analysetechniken, die bei der Erhebung der Daten verwendet wurden, falsch sind oder nicht richtig angewendet werden, können die Ergebnisse verzerrt sein. Zum Beispiel kann eine schlechte Wahl von statistischen Methoden oder eine unzureichende Interpretation von Ergebnissen zu falschen Schlussfolgerungen führen. Auch eine mangelnde Validierung kann problematisch sein, da ohne diese nicht sichergestellt wird, dass die Analysemethoden oder -algorithmen korrekt angewendet wurden und dass die Ergebnisse plausibel und nachvollziehbar sind. Das kann beispielsweise passieren, wenn Sie eine Umfrage durchführen, aber nicht alle relevanten Faktoren berücksichtigen, eine falsche Frage stellen oder die Antwortmöglichkeiten nicht klar definieren. Dies beeinflusst die Ergebnisse der Umfrage, sodass das Ergebnis im Umkehrschluss nicht korrekt ist. Es ist auch möglich, dass die Analysemethode schon im Vorfeld durch unbewusste Vorurteile beeinflusst wird, sodass die Ergebnisse der Analyse dann ebenfalls fehlerhaft sind.

3. Verzerrung durch Auswahl:

Wenn die Daten, die für eine Analyse verwendet werden, nicht repräsentativ sind, kann das zu Verzerrungen führen. Dasselbe gilt, wenn die Daten nicht ausreichen, um die Fragestellung oder das Problem adäquat abzubilden. Das ist beispielsweise der Fall, wenn Sie Produktbewertungen auf einer bestimmten Plattform sammeln, die hauptsächlich von einem speziellen Segment Ihrer Kunden benutzt wird. In diesem Fall sind die Bewertungen nicht repräsentativ für die Meinung der Gesamtheit Ihrer Kunden. Das Bild, das Sie durch die Bewertungen bekommen, ist also verzerrt.

4. Verzerrung durch Verarbeitung:

Wenn die Daten nicht korrekt verarbeitet werden, kann das ebenfalls zu Verzerrungen führen. Sammeln Sie beispielsweise Daten, um den Einkommensstand Ihrer Kunden zu erfassen, definieren dabei allerdings die obere und untere Grenze des Einkommens falsch, können die Ergebnisse der Analyse ein verzerrtes Bild widerspiegeln.

5. Fehlerhafte Interpretation:

Die vorliegenden Daten richtig zu interpretieren und daraus korrekte Schlussfolgerungen zu ziehen, ist eine schwierige Aufgabe. Verfügt die Person, die die Analyse durchführt, nicht über ausreichendes Fachwissen oder Verständnis der zugrundeliegenden Daten, können hierbei schnell Fehler passieren. Beispielsweise ist es so, dass die meisten Kunden eher zu einer Online-Bewertung Ihres Unternehmens oder Ihres Produktes verleitet werden, wenn Sie mit der Leistung unzufrieden sind. Ist Ihnen dies nicht bewusst, könnten Sie aus negativen Bewertungen schlussfolgern, dass die Mehrheit Ihrer Kunden unzufrieden ist, auch wenn dies gar nicht der Fall sein sollte.

6. Falsche Annahmen:

Auch wenn die Annahmen, die der Analyse zugrunde gelegt wurden, falsch sind, können die Ergebnisse verzerrt sein. Gehen Sie beispielsweise von falschen Marktbedingungen oder Kundenbedürfnissen aus, könnten Sie denken, dass Kunden Ihr Produkt nicht kaufen würden, wenn eine bestimmte Funktion fehlt. Die Kunden jedoch könnten diese spezielle Funktion unnötig finden, oder Ihr Produkt aus anderen Gründen kaufen.

7. Losgelöste Darstellung voneinander:

Werden Daten, die miteinander in einer Beziehung stehen, losgelöst voneinander betrachtet, kann dies ebenfalls zu einem verzerrten Bild der Realität führen. So ist vermutlich jedem klar, dass Osterhasen aus Schokolade zwei Monate vor Ostern gerne gekauft werden. Da Ostern aber nicht jedes Jahr am selben Datum stattfindet, könnte eine reine Betrachtung der Schokohasenverkäufe losgelöst von dem Datum der Feiertage verwirrend sein. Die Daten würden jeweils einen Anstieg der Käufe im Frühling zeigen sowie einen plötzlichen Abfall der Verkäufe. Warum das so ist, wäre in diesem Fall aber nicht verständlich.

8. Fehlerhafte Anwendung:

Wird die BI-Lösung nicht für den Zweck verwendet, für den sie entwickelt wurde, kann das ebenfalls zu falschen Ergebnissen führen. Nutzen Sie beispielsweise eine Lösung, die für die Finanzanalyse entwickelt wurde, um die Leistung Ihrer Produktion zu beurteilen, können möglicherweise nicht alle relevanten Daten abgebildet werden, sodass die Ergebnisse der Analyse fehlerhaft sein können.

Was kann getan werden, um diese Fehler zu vermeiden?

Um die oben genannten Fehler bei der Verwendung von BI-Lösungen zu vermeiden, können entsprechende Massnahmen ergriffen werden:

1. Hohe Datenqualität:

Es ist wichtig, dass Unternehmen sicherstellen, dass die Daten, die in die BI-Lösung eingespeist werden, sauber und präzise sind. Dies kann durch die Durchführung von Qualitätskontrollen sowie eine kontinuierliche Überprüfung der Daten auf Vollständigkeit und Genauigkeit erreicht werden. Achten Sie ausserdem darauf, keine veralteten Daten oder Daten aus nicht verlässlichen Quellen zu verwenden.

2. Durchdachte Datenerhebung:

Zudem ist es wichtig, dass die Daten, die für eine Analyse verwendet werden, repräsentativ sind. Überlegen Sie daher bereits vor der Datenerhebung genau, wo und auf welche Weise Sie die Daten gewinnen möchten, sowie welche Daten und Faktoren relevant sind. Führen Sie ausserdem eine Validierung der Daten durch, wie beispielsweise durch die Verwendung von repräsentativen Stichproben. Achten Sie bei der Auswahl der Daten darauf, dass diese für Ihre Fragestellung oder Ihr Problem repräsentativ sind.

3. Korrekte Verarbeitung:

Die korrekte Datenverarbeitung kann durch standardisierte Verfahren sowie die Überprüfung der Ergebnisse auf logische Fehler erreicht werden.

4. Richtige Interpretation:

Eine richtige Interpretation der vorliegenden Daten kann sehr schwierig sein. Achten Sie daher darauf, dass jeder, der Ihre Daten analysiert und interpretiert, ausreichend geschult ist. Zudem sollten die Annahmen, die bei der Analyse getroffen werden, genau durchdacht und dokumentiert werden, sodass Sie sie jederzeit nachvollziehen können. Wurden fehlerhafte Annahmen getroffen, fällt es auf diese Weise schnell auf, sodass die Analyse korrigiert werden kann. Achten Sie ausserdem darauf, zusammengehörende Datensätze nicht losgelöst voneinander zu betrachten.

5. Bestimmungsgemässe Anwendung:

Es ist wichtig, dass eine BI-Lösung ausschliesslich für den Zweck verwendet wird, für den sie entwickelt wurde. Um dies sicherzustellen, sollten die Anwender ausreichend geschult werden. Haben Sie sich zunächst nur für einen bestimmten Anwendungszweck entschieden, wollen Ihre BI-Lösung zukünftig aber auch für andere Zwecke verwenden, so sollte die Software entsprechend angepasst werden, um alle relevanten Daten korrekt abbilden zu können.

Fazit

Ganz nach dem Motto «traue nie einer Statistik, die du nicht selbst gefälscht hast», können auch Daten in Business Intelligence Lösungen manchmal trügen. Da Entscheidungen, die auf einer solchen Basis getroffen werden, weitreichende Auswirkungen haben können, ist es wichtig, dass man sich dieser Problematik bewusst ist und Massnahmen ergreift, um sicherzustellen, dass Analyseergebnisse verlässlich sind. Denn trotz der möglichen Fehler, ist die Analyse von Daten und die Nutzung einer BI-Software wie myPARM BI^act sehr sinnvoll und ein wichtiger Bestandteil einer erfolgreichen Geschäftsstrategie.
Es ist zudem möglich und sinnvoll eine BI Software wie myPARM BI^act selbst für die Überprüfung und Visualisierung der Qualität der vorhandenen Daten einzusetzen. So lassen sich zum Beispiel unvollständige oder fehlerhafte Daten, sowie Inkonsistenzen betreffend logischer Zusammenhänge und Abhängigkeiten direkt in einem Dashboard darstellen.

Möchten Sie​ myPARM BI^act in einer Demonstration kennenlernen? Dann vereinbaren Sie gleich einen Termin!