Get the FLASH PLAYER to view this magazine:

Get Adobe Flash player

- or -

View as HTML version

Erfolg Ausgabe März 2016

14 Korrelation oder Kausalität «Kräht der Hahn auf dem Mist, ändert sich das Wetter oder es bleibt wie es ist,» sagte meine Mutter immer, wenn das Argument so offensichtlich gar nichts mit dem Thema zu tun hatte. Dasselbe kann inzwischen über BigData gesagt werden. Bisher wurde zumindest versucht die Kausalität zwischen Daten heraus zu finden. Inzwischen geht man so weit, dass eine Korrelation reicht. Beispielsweise steigt die Waldbrandgefahr wenn mehr Glacé verkauft wird. Natürlich hat beides mit höheren Temperaturen zu tun, aber eine Kausalität besteht nicht. Auch reagiert die Börse nicht auf die Breite von Krawatten und trotzdem gibt es einen Krawattenindex. Der Mensch naturgemäss ziemlich gut im Erkennen von Mustern. Wir nutzen das als Input für unsere Intuition, akzeptieren aber auch, wenn das mal in die Hose geht. Bringen wir das Computern bei, sind wir bei Weitem nicht so tolerant. Neulich wurde die Problematik mit Algorithmen bei der Wettervorhersage diskutiert. Anzeigen Informatik Algorithmen nutzen Differentialgleichungen welche kein Mensch freiwillig mit Papier und Bleistift lösen würde. Zum Erstaunen vieler, lieferten verschiedene Computer mit dem selben Programm völlig unterschiedliche Ergebnisse. Das lag an den unterschiedlichen Rundungs- routinen der Prozessoren. «Nun stellen wir uns mal janz Dumm» (Die Feuerzangenbowle) und nehmen an wir analysieren unsere ganzen Daten die wir aus unterschiedlichsten Quellen bekommen haben, nur auf Korrelation und nicht auf Kausalität. Auch hier würden hübsche, vielleicht sogar lernfähige Algorithmen – mit Differentialgleichungen – den Datenwust durchwühlen. Würden wir akzeptieren, wenn uns der Computer sagt, dass mit der Kirschblüte sicher die Verkaufszahlen für Bilderrahmen steigen? Natürlich, denn sonst hätten wir uns das teure Ding doch nicht angeschafft. Das stimmt doch sicher. Sicher? Kann der Hersteller es beweisen? Nein. Er kann nur Beispiele anbringen, wo es geklappt hat. Wo was verpasst wurde, geht unter. Bei der Apfelblüte wäre vielleicht noch besser gewesen, aber der Algorithmus kannte nur das Wort Apple. Nur wo man komplett daneben lag, wird es registriert. Seien wir vorsichtig, wenn keine Kausalität hergestellt gezeigt werden kann. BigData bewegt sich mit Korrelationen auf dünnem Eis. Christian Tillmanns, info@informica.ch informica gmbh christian.tillmanns@informica.ch Kolumne Ausgabe 3 / März 2016 / ERFOLG Das Märchen vom wahrhaften Patron Ich stolpere immer wieder über diese Geschichte. Unternehmen, gestandender Patron, liebt seine Mitarbeiter, Fluktuation hoch. Letztere beide passen nicht zusammen. Traditionell strukturierte IT, starre Hierarchie und «schwierig gute Mitarbeiter zu finden». Das Wort «Untergebene» aus dem Gehege der Zähne des Chefs, ist an Geringschätzung nur schwer zu übertreffen. In solchen Unternehmen machen Mitarbeiter Dienst nach Vorschrift und ziehen weiter, sobald es was nur ein bisschen Besseres gibt. Potentiale liegen brach. Das Ende ist nah, denn Industrie 2.0 steht vor der Tür. Der ganze Elektrische Krimskrams der jetzt plötzlich die Gemüter bewegt ist schon lange da. Wir stehen uns aber mit altbackenen Organisationen selbst im Weg. Der Patron der alle Fäden in der Hand hat und noch jeden Handgriff selbst ausführen kann – glaubt er zumindest – ist ein Anachronismus. Was Industrie 2.0 braucht, sind selbstorganisierende Systeme die auch schnell auf Unvorhergesehenes reagieren können, denn sonst bauen wir dieselben starren Organisationen elektronisch nach, die sich nicht schnell genug ändern können. Der Schlüssel sind in erster Linie die Mitarbeiter, welche bestens ausgebildet und hochmotiviert eigenständig auf äussere Einflüsse reagieren, ohne den Umweg über den Chef. Mit Untergebenen geht das nicht. Wie schon der alte Fritz sagte: «Ich bin der erste Diener des Staates». So muss der moderne Patron der erste Diener seiner Mitarbeiter sein.

Page 1
Page 2
Page 3
Page 4
Page 5
Page 6
Page 7
Page 8
Page 9
Page 10
Page 11
Page 12
Page 13
Page 14
Page 15
Page 16
Page 17
Page 18
Page 19
Page 20
Page 21
Page 22
Page 23
Page 24
Page 25
Page 26
Page 27
Page 28
Page 29
Page 30
Page 31
Page 32
Page 33
Page 34
Page 35
Page 36
Page 37
Page 38
Page 39
Page 40
Page 41
Page 42
Page 43
Page 44
Page 45
Page 46
Page 47
Page 48