Warum braucht Data Science kritisches Denken?

Data Science beginnt vor dem Code

Buchaussage Der Ausgangspunkt einer Datenanalyse ist nicht der Algorithmus, sondern eine Frage. Ohne Fragestellung ist ein Datensatz zunächst nur eine Sammlung von Beobachtungen. Erst die Frage bestimmt, welche Merkmale relevant erscheinen, welche Vergleiche sinnvoll sind, welche Zielgröße gewählt wird und welche Form der Analyse überhaupt zum Problem passt.

Genau an dieser Stelle entsteht bereits ein Bedarf an Urteilskraft. Wer etwa Kundenabwanderung untersuchen möchte, muss festlegen, was als „Abwanderung“ gilt, welcher Zeitraum betrachtet wird, welche Kundenpopulation gemeint ist und welche Daten als mögliche Einflussgrößen einbezogen werden. Diese Festlegungen sind nicht einfach im Datensatz enthalten. Sie werden vor oder während der Analyse getroffen.

Data Science kann deshalb nicht auf die Frage reduziert werden, welcher Python-Befehl, welches Modell oder welche Kennzahl technisch funktioniert. Einordnung Ein technisch korrekter Rechengang kann eine ungeeignete Fragestellung ebenso präzise bearbeiten wie eine gute. Kritisches Denken setzt früher an: Es prüft, welches Problem tatsächlich untersucht wird und welche Voraussetzungen bereits in dieser Problemformulierung stecken.

Zwischen Daten und Entscheidung liegen mehrere Urteilsschritte

Buchaussage Ein Datenpunkt ist noch keine Erklärung. Ein Diagramm ist noch kein Argument. Eine Modellvorhersage ist noch keine hinreichend begründete Entscheidung. Das Buch trennt deshalb verschiedene Ebenen, die in der Praxis leicht ineinanderfallen.

1. Beobachten: Welche Werte, Ereignisse oder Messungen liegen tatsächlich vor?
2. Beschreiben: Welches Muster lässt sich in diesen Beobachtungen erkennen?
3. Interpretieren: Welche Bedeutung könnte dieses Muster besitzen?
4. Erklären oder hypothesieren: Welche Ursachen oder Mechanismen könnten dafür verantwortlich sein?
5. Bewerten: Nach welchen Zielen, Kriterien oder Werten wird ein Ergebnis beurteilt?
6. Entscheiden: Welche Alternative erscheint unter den gegebenen Informationen, Unsicherheiten und Folgen am besten begründet?

Einordnung Diese Stufen sind keine starre Pipeline. In realen Projekten springt eine Analyse häufig zurück: Eine Interpretation wirft eine neue Frage auf, eine überraschende Modellleistung führt zu einer erneuten Prüfung der Daten oder eine Entscheidung macht zusätzliche Informationen erforderlich. Gerade diese Rückkopplung ist ein Grund, warum Data Science nicht nur aus dem Ausführen einer technischen Methode besteht.

Kritisches Denken heißt prüfen – nicht pauschal zweifeln

Einordnung „Kritisch“ bedeutet hier nicht, Daten grundsätzlich zu misstrauen oder jede Aussage reflexartig zurückzuweisen. Eine solche Haltung wäre ebenso unproduktiv wie blindes Vertrauen. Gemeint ist vielmehr eine prüfende Haltung: Welche Annahmen sind im Spiel? Welche Informationen fehlen? Welche alternative Erklärung wäre möglich? Welche Unsicherheit bleibt bestehen? Und würde die Schlussfolgerung auch dann noch plausibel erscheinen, wenn das Ergebnis den eigenen Erwartungen widerspräche?

Kritisches Denken richtet sich damit nicht gegen quantitative Methoden. Es hilft, ihre Aussagekraft genauer einzuordnen. Ein sauber berechneter Mittelwert kann korrekt sein und trotzdem einen stark schiefen Datensatz unzureichend charakterisieren. Eine hohe Korrelation kann real sein und trotzdem keine Ursache belegen. Eine hohe Accuracy kann mathematisch korrekt berechnet werden und trotzdem für einen unausgeglichenen Anwendungsfall wenig aussagekräftig sein. Die technische Richtigkeit bleibt notwendig, aber sie ist nicht immer hinreichend.

Warum menschliches Urteilen zusätzliche Prüfungen braucht

Externe Evidenz Forschung zum Urteilen unter Unsicherheit zeigt, dass Menschen heuristische Vereinfachungen verwenden können. Tversky und Kahneman beschrieben unter anderem Repräsentativität, Verfügbarkeit und Ankereffekte. Solche Heuristiken sind nicht einfach „Fehler“: Sie können Entscheidungen effizient machen. Unter bestimmten Bedingungen können sie jedoch systematische Fehlurteile begünstigen.

Für Datenanalysen ist diese Grenze wichtig. Auffällige Fälle können stärker im Gedächtnis bleiben als zahlreiche unspektakuläre Fälle. Ein plausibles erstes Muster kann die Suche nach Alternativerklärungen verkürzen. Eine bereits erwartete Hypothese kann beeinflussen, welche Auswertungen besonders interessant erscheinen.

Nickersons Überblick zum Confirmation Bias beschreibt das Suchen oder Interpretieren von Evidenz in einer Weise, die vorhandene Erwartungen oder eine bereits bevorzugte Hypothese begünstigen kann. Daraus folgt nicht, dass eine konkrete Analystin oder ein konkreter Analyst „voreingenommen“ diagnostiziert werden dürfte. Die Forschung begründet vielmehr eine methodische Vorsichtsregel: Gegenbeispiele und alternative Hypothesen sollten aktiv mitgeprüft werden.

Auch Dual-Process-Ansätze werden häufig zu stark vereinfacht. Evans’ Review zeigt, dass die Forschung unterschiedliche Formen schneller, impliziter und langsamer, deliberativer Verarbeitung beschreibt und diese nicht ohne Weiteres auf zwei vollständig getrennte Systeme reduziert werden sollten. Für die Data-Science- Praxis genügt die vorsichtigere Aussage: Erste intuitive Deutungen und bewusste analytische Prüfung sind nicht dasselbe.

Beispiel: Was sagt eine Churn Rate von 18 Prozent wirklich?

Buchbeispiel Das Buch verwendet die Abwanderungsrate als wiederkehrendes Beispiel. Angenommen, ein Unternehmen berichtet eine Churn Rate von 18 Prozent. Diese Zahl kann korrekt berechnet sein. Trotzdem ist noch nicht geklärt, was sie bedeutet und welche Handlung daraus folgen soll.

Das Beispiel zeigt den Kern kritischer Datenarbeit: Die Zahl verschwindet nicht und wird auch nicht relativiert, nur weil weitere Fragen gestellt werden. Im Gegenteil: Ihre Bedeutung wird genauer. Kritisches Denken ergänzt die Messung um die Prüfung der Schritte, die zwischen Messwert und Handlung liegen.

Was Python beitragen kann – und was nicht

Buchaussage Python besitzt im Buch eine besondere Rolle, weil Code Analyseschritte explizit dokumentieren und damit zu Nachvollziehbarkeit und Reproduzierbarkeit beitragen kann. Ein Filter muss formuliert, eine Variable ausgewählt, eine Kennzahl berechnet und ein Modell mit konkreten Parametern aufgerufen werden. Dadurch werden Entscheidungen sichtbar, die in einer rein verbalen Beschreibung leicht verborgen bleiben.

Trotzdem löst Programmcode das Erkenntnisproblem nicht automatisch. Python kann einen Mittelwert korrekt berechnen, ohne beurteilen zu können, ob der Mittelwert für die vorliegende Verteilung eine angemessene Zusammenfassung ist. Ein Machine-Learning-Verfahren kann ein Ziel optimieren, ohne zu entscheiden, ob die gewählte Zielvariable tatsächlich das Problem repräsentiert, das eine Organisation lösen sollte.

Technischer Kontext Fachliteratur zum statistischen Lernen beschreibt eine große Bandbreite von Verfahren für Vorhersage, Klassifikation und Mustererkennung. Diese technische Leistungsfähigkeit ist eine notwendige Grundlage moderner Data Science. Sie beantwortet jedoch eine andere Frage als die normative oder erkenntnistheoretische Bewertung eines konkreten Einsatzes. Hastie, Tibshirani & Friedman, 2009 .

Sechs Prüffragen für eine belastbarere Datenanalyse

Redaktionelle Synthese Aus der Buchlogik lässt sich für die praktische Arbeit eine kurze Prüfreihenfolge ableiten. Sie ist kein validiertes Assessment und kein Ersatz für fach- oder domänenspezifische Methoden.

1. Problem: Welche konkrete Frage soll beantwortet oder welche Entscheidung vorbereitet werden?
2. Daten: Was wurde tatsächlich beobachtet, wie wurde gemessen und welche relevanten Aspekte fehlen möglicherweise?
3. Methode: Passt die verwendete statistische oder algorithmische Methode zur Fragestellung und zur Struktur der Daten?
4. Interpretation: Welche Aussage folgt unmittelbar aus dem Ergebnis und welche zusätzlichen Annahmen werden erst durch die Interpretation eingeführt?
5. Alternativen: Welche konkurrierenden Hypothesen, Modelle oder Handlungsoptionen wurden ernsthaft geprüft?
6. Folgen: Welche Unsicherheiten, Fehlerfolgen, Zielkonflikte und betroffenen Interessen müssen vor einer Entscheidung berücksichtigt werden?

Diese Fragen verlangsamen eine Analyse nicht zwangsläufig. Häufig helfen sie vielmehr, technische Arbeit auf das tatsächlich relevante Problem zu konzentrieren. Ein aufwendig optimiertes Modell für eine unpassende Zielvariable kann mehr Zeit verschwenden als eine früh gestellte kritische Frage.

Wo die Aussage bewusst endet

Kritisches Denken garantiert keine richtige Entscheidung. Es verhindert weder Messfehler noch Bias noch Overfitting automatisch. Es ersetzt keine Fachkenntnis, Statistik, Softwarequalität, Domänenwissen oder empirische Prüfung.

Ebenso wäre es falsch, aus der Existenz menschlicher Urteilsverzerrungen zu schließen, algorithmische Entscheidungen seien deshalb grundsätzlich überlegen. Modelle beruhen selbst auf Problemdefinitionen, Daten, Zielvariablen, Auswahlentscheidungen und Bewertungsmaßstäben. Die relevante Frage lautet daher nicht „Mensch oder Algorithmus?“, sondern welche Kombination aus Daten, Methode, Prüfung, Transparenz und Verantwortungszuordnung für den konkreten Zweck tragfähig ist.

Die zentrale Aussage dieser Wissensseite bleibt deshalb begrenzt: Kritisches Denken ist in Data Science dort erforderlich, wo technische Ergebnisse in Aussagen über Wirklichkeit, Erklärungen, Bewertungen oder Entscheidungen übergehen.

Quellen und Einordnung