Labrenqo - Denkfehler-Katalog: Kognitive Fallen bei Datenanalysen

Welche Denkfehler sind besonders häufig?

Kognitive Verzerrungen bei der Dateninterpretation entstehen nicht aus Unkenntnis, sondern aus der Funktionsweise unseres Denkens. Sie betreffen erfahrene Analysten genauso wie Berufseinsteiger. Wer sie kennt, kann sie erkennen, bevor sie Entscheidungen prägen.

Korrelation als Kausalität deuten

Zwei Größen bewegen sich parallel. Das Gehirn schlussfolgert: Eine verursacht die andere. Dabei können beide von einer dritten Variablen abhängen, oder die Beziehung ist rein zufällig.

Unternehmensbeispiel: Ein Onlinehändler beobachtet: An Tagen mit hohem Webseitentraffic steigen die Retouren. Schlussfolgerung: Traffic verursacht Retouren. Tatsächliche Erklärung: Beide steigen nach Werbekampagnen, die unpräzise Produktbeschreibungen bewarben.

Häufigkeit: hoch Kontext: Vertrieb, Marketing

Confirmation Bias

Analysten suchen unbewusst nach Daten, die ihre bestehende Hypothese bestätigen. Widersprüchliche Daten werden als Ausreißer bezeichnet oder im Anhang versteckt.

Unternehmensbeispiel: Ein Produktteam ist überzeugt, dass Feature X den Umsatz steigert. Die Auswertung zeigt gemischte Ergebnisse. Im Bericht erscheinen nur die Segmente, bei denen Feature X positiv korreliert. Die anderen Segmente werden als "statistisch nicht signifikant" ausgeblendet.

Häufigkeit: sehr hoch Kontext: Produktentwicklung, Strategie

Survivorship Bias

Nur die Fälle, die ein bestimmtes Ergebnis erreicht haben, werden analysiert. Die Fälle, die dasselbe versucht haben und gescheitert sind, fehlen im Datensatz.

Unternehmensbeispiel: Ein Unternehmen analysiert seine erfolgreichsten Kunden und identifiziert gemeinsame Merkmale. Daraus wird ein Zielkundenprofil abgeleitet. Was fehlt: Die Kunden mit denselben Merkmalen, die abgewandert sind oder nie konvertiert haben.

Häufigkeit: hoch Kontext: CRM, Kundenanalyse

Regression zur Mitte ignorieren

Extreme Messwerte tendieren dazu, beim nächsten Messzeitpunkt weniger extrem zu sein. Wer das nicht berücksichtigt, interpretiert natürliche Schwankung als Wirkung einer Maßnahme.

Unternehmensbeispiel: Die Verkäufer mit den schwächsten Ergebnissen im Quartal erhalten ein Coaching. Im nächsten Quartal verbessern sich ihre Zahlen. Das Coaching wird als Ursache gewertet, obwohl die Verbesserung auch ohne Intervention wahrscheinlich eingetreten wäre.

Häufigkeit: mittel Kontext: HR, Vertriebssteuerung

Post hoc ergo propter hoc

A geschah vor B, also hat A B verursacht. Zeitliche Abfolge wird als kausaler Beweis interpretiert. Eines der ältesten logischen Trugschlüsse, in Unternehmensberichten jedoch allgegenwärtig.

Unternehmensbeispiel: Nach der Einführung eines neuen ERP-Systems steigen die Fehllieferungen. Schlussfolgerung: Das ERP-System verursacht die Probleme. Tatsächlich hatte das Unternehmen gleichzeitig zwei neue Lagerstandorte eröffnet und den Versanddienstleister gewechselt.

Häufigkeit: sehr hoch Kontext: Operations, IT

Simpson's Paradox

Ein Trend, der in aggregierten Daten sichtbar ist, kehrt sich um, wenn die Daten nach relevanten Untergruppen aufgeteilt werden. Aggregation kann systematisch in die Irre führen.

Unternehmensbeispiel: Gesamthaft betrachtet hat Standort A eine höhere Kundenzufriedenheit als Standort B. Unterteilt nach Produktkategorie ist Standort B in jeder einzelnen Kategorie besser. Der Effekt entsteht, weil Standort A mehr Kunden in einer Kategorie hat, die generell höhere Zufriedenheitswerte erzeugt.

Häufigkeit: mittel Kontext: Qualitätssicherung, Reporting

Denkfehler-Katalog