Eine Prognose wird nicht dadurch belastbar, dass sie aus einem komplexen Modell stammt. Zuerst braucht es eine klare Geschäftsfrage, geeignete Daten und ein Verständnis dafür, wie das Ergebnis verwendet wird. Danach folgen Modellwahl, Prüfung, Betrieb und laufende Überwachung.
Das Modul «Business Economics Advanced» im zweiten Semester baut auf Business Economics Intermediate auf und richtet den Blick auf grosse Datenbestände sowie Predictive Analytics. Die Notion-Seite zum Modul enthält nur einen knappen Curriculumauszug. Für diesen Beitrag habe ich deshalb zusätzlich meine separate Zusammenfassung zu Big Data und Predictive Analytics geprüft und mit öffentlichen Fachquellen eingeordnet.
Mit einer Entscheidung beginnen, nicht mit den Daten
Datenanalysen können vergangene Entwicklungen beschreiben, Ursachen untersuchen oder künftige Werte schätzen. Predictive Analytics konzentriert sich auf Vorhersagen: Modelle leiten aus historischen Beobachtungen Wahrscheinlichkeiten oder erwartete Werte für neue Fälle ab. Das kann beispielsweise Nachfrage, Ausfallwahrscheinlichkeit oder Kundenabwanderung betreffen.
Vor dem Modell muss feststehen, welcher Entscheid verbessert werden soll. Eine technisch genaue Prognose bleibt nutzlos, wenn niemand weiss, welche Handlung daraus folgt. Umgekehrt kann ein einfacheres Modell ausreichend sein, wenn es rechtzeitig ein verständliches Signal liefert.
Big Data ist keine einzelne Architektur
«Big Data» bezeichnet Datenbestände und Verarbeitungssituationen, die herkömmliche Ansätze hinsichtlich Umfang, Geschwindigkeit, Vielfalt oder weiterer Anforderungen herausfordern können. Der Begriff ist nicht mit einem Data Warehouse gleichzusetzen. Das NIST Big Data Interoperability Framework beschreibt eine hersteller- und technologieunabhängige Referenzarchitektur mit verschiedenen Rollen und Komponenten.
Ein Data Warehouse kann strukturierte Informationen aus mehreren Quellsystemen für Analysen zusammenführen. Daneben bestehen Data Lakes, operative Datenplattformen, Streaming-Systeme und weitere Architekturen. Die Wahl hängt von Anwendungsfall, Datenarten, Aktualitätsbedarf, Sicherheit und vorhandenen Fähigkeiten ab. Ebenso wichtig ist eine korrekte Begriffsabgrenzung: IaaS, PaaS und SaaS sind Cloud-Servicemodelle; On-Premise bezeichnet eine Bereitstellungsform ausserhalb dieser Einteilung.
Datenqualität ist eine Geschäftsverantwortung
Vollständigkeit, Aktualität, Konsistenz und Eindeutigkeit lassen sich technisch prüfen. Ob ein Datenfeld fachlich das Richtige bedeutet, kann die ICT allein jedoch nicht entscheiden. Dafür braucht es verantwortliche Personen aus den Geschäftsbereichen, gemeinsame Definitionen und Regeln über den gesamten Datenlebenszyklus.
Fehler entstehen nicht erst beim Modelltraining. Ein geänderter Prozess kann dafür sorgen, dass historische und aktuelle Daten nicht mehr vergleichbar sind. Fehlende Werte können systematisch bestimmte Gruppen betreffen. Ein Zielmerkmal kann nur eine bequeme Näherung für den eigentlich gewünschten Nutzen sein. Solche Fragen gehören in die Datenstrategie und Data Governance.
Modellgüte muss zum Einsatz passen
Regression, Klassifikation und Zeitreihenverfahren beantworten unterschiedliche Fragen. Ihre Qualität wird mit passenden Metriken beurteilt. Bei einer Klassifikation können beispielsweise Präzision und Trefferquote für relevante Fälle wichtiger sein als eine einzige Gesamtgenauigkeit. Welche Fehlentscheidung schwerer wiegt, ergibt sich aus dem Geschäftskontext.
Trainings-, Validierungs- und Testdaten müssen so getrennt werden, dass die Prüfung nicht bloss bekannte Fälle wiederholt. Zusätzlich ist zu klären, ob die beobachteten Zusammenhänge stabil bleiben. NIST weist im AI Risk Management Framework darauf hin, dass sich Daten und Einsatzbedingungen verändern können. Ein Modell, das bei der Einführung funktioniert, kann später an Aussagekraft verlieren.
Eine Prognose zeigt zudem nicht automatisch einen kausalen Zusammenhang. Sie kann ein nützliches Muster erkennen, ohne zu erklären, wodurch es entsteht. Führungskräfte sollten deshalb vermeiden, aus Vorhersagegenauigkeit vorschnell eine Ursache oder Massnahme abzuleiten. Hier ergänzt Decision Making die technische Analyse.
Verantwortung über den ganzen Lebenszyklus organisieren
Das NIST AI Risk Management Framework strukturiert den Umgang mit KI-Risiken über «Govern», «Map», «Measure» und «Manage». Governance setzt Zuständigkeiten und Leitplanken. Mapping klärt Kontext, Betroffene und mögliche Auswirkungen. Messung prüft Eigenschaften des Systems, während Management Risiken priorisiert und behandelt.
Für Predictive Analytics bedeutet das: Ziel und Einsatzgrenze dokumentieren, Datenherkunft nachvollziehbar halten, Modell und Schwellenwerte prüfen, Entscheidungen überwachen und einen Rückfallprozess für Störungen festlegen. Wird eine Prognose für Menschen verwendet, gehören Fairness, Transparenz und Möglichkeiten zur Überprüfung besonders früh in die Gestaltung.
Personenbezogenes Tracking kann nach Einschätzung des Eidgenössischen Datenschutz- und Öffentlichkeitsbeauftragten zu Profiling führen. Ob eine konkrete Bearbeitung zulässig ist, hängt vom Einzelfall ab. Datensparsamkeit, Zweckbindung, Transparenz und angemessene Schutzmassnahmen gehören deshalb bereits in die Konzeption und nicht erst in eine nachgelagerte Rechtsprüfung.
Prognosen unterstützen Entscheide, sie übernehmen sie nicht
Ein Modell kann konsistent rechnen und bleibt trotzdem von Daten, Zieldefinition, Modellannahmen und Schwellenwerten abhängig. Verantwortung lässt sich nicht an den Algorithmus delegieren. Menschen müssen verstehen, wann ein Ergebnis eingesetzt, hinterfragt oder verworfen wird.
Das gilt auch für Marketing und Lieferketten. Eine Nachfrageprognose beeinflusst Bestände, Beschaffung und Kapitalbindung. Ein Abwanderungsmodell kann bestimmen, welche Kundschaft ein Angebot erhält. Damit berührt Predictive Analytics Supply Chain Management und Social Media Marketing zugleich.
Mein Praxistransfer aus dem Modul
Bei einem Analytics-Vorhaben beginne ich mit fünf Fragen: Welcher Entscheid soll besser werden? Welche fachliche Bedeutung haben die Daten? Welche Fehler sind akzeptabel? Wer prüft die Wirkung im Betrieb? Wann wird ein Modell angepasst oder ausser Betrieb genommen?
Diese Fragen rücken die Verantwortung an die richtige Stelle. Predictive Analytics ist keine isolierte Aufgabe der Data Scientists. Sie verbindet Fachbereich, ICT, Datenschutz, Führung und die Personen, die von den Ergebnissen betroffen sind.
Quellen und Einordnung
- National Institute of Standards and Technology (2019). NIST Big Data Interoperability Framework: Volume 2, Big Data Taxonomies.
- National Institute of Standards and Technology (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0).
- Eidgenössischer Datenschutz- und Öffentlichkeitsbeauftragter (2025). Tracking – personality profiles can emerge from seemingly irrelevant data.
- Persönlicher Curriculumauszug zum Modul «Business Economics Advanced» sowie eigene Zusammenfassung «Big Data Management / Predictive Analytics», Semester 2. Nicht öffentlich zugänglich; genutzt für Themenauswahl und Praxiseinordnung.
