Warum beginnt Data Science mit dem Problem und nicht mit dem Modell?

Data Science beginnt vor dem Modell

Buchaussage Vorwort und Einleitung der BookRix-EPUB stellen ausdrücklich heraus, dass Data Science in der Praxis selten mit einem fertigen Datensatz und einer klaren Modellaufgabe beginnt. Häufig stehen zunächst ein unscharfes Problem, widersprüchliche Erwartungen, unvollständige Daten, unklare Zielgrößen und die Frage im Raum, welche Entscheidung überhaupt unterstützt werden soll.

Der rote Faden des Buches führt deshalb vom Problem zur verantwortbaren Lösung. Daten sind nicht das Ziel, sondern Ausgangspunkt. Modelle sind Werkzeuge zur Unterstützung von Entscheidungen. Nutzen entsteht erst, wenn Analyseergebnisse in begründete Handlungen und eine tragfähige Umsetzung überführt werden.

Einordnung Damit verschiebt sich die erste Qualitätsfrage eines Data-Science-Projekts. Sie lautet nicht „Welches Modell sollen wir trainieren?“, sondern „Welcher Zustand soll verbessert werden, und welche Entscheidung soll durch Daten besser begründet werden?“ Ein technisch korrekter Algorithmus kann eine ungeeignete Problemformulierung ebenso präzise bearbeiten wie eine gute.

Vom Problem zur guten Data-Science-Frage

Buchaussage Abschnitt 1.3 definiert ein Problem zunächst als Lücke zwischen einem aktuellen und einem gewünschten Zustand. Die Aussage „Wir benötigen ein Machine-Learning-Modell“ beschreibt daher bereits eine mögliche Lösung, aber noch kein Problem. Erst eine konkrete Fragestellung schafft eine belastbare Arbeitsgrundlage.

1. Problem: Welcher Zustand soll verbessert werden?
2. Fragestellung: Was soll mit Daten verstanden, beschrieben oder vorhergesagt werden?
3. Daten: Welche Informationen werden dafür tatsächlich benötigt?
4. Entscheidung: Welche Handlung soll durch die Analyse besser begründet werden?
5. Lösung: Welche Umsetzung erzeugt anschließend einen praktischen Nutzen?

Einordnung Gute Fragestellungen sind nach der BookRix-EPUB verständlich formuliert, mit Daten grundsätzlich untersuchbar, auf einen konkreten Nutzen bezogen und mit einer Entscheidung verbunden. Damit beeinflusst die Problemformulierung schon früh Zielvariable, Zeitraum, Population, Datenauswahl und später auch die Bewertung von Fehlern.

Die Entscheidung sollte vor dem Modell sichtbar sein

Buchaussage Abschnitt 1.3 formuliert den eigentlichen Wert von Data Science über Entscheidungen. Ein Vorhersagemodell besitzt nur dann Nutzen, wenn seine Ergebnisse in Handlungen umgesetzt werden können. Deshalb soll bereits zu Beginn gefragt werden, welche Entscheidung durch die Analyse verbessert werden soll.

Die BookRix-EPUB nennt beispielsweise Entscheidungen darüber, welche Kundinnen und Kunden kontaktiert, welche Produkte empfohlen, welche Maschinen gewartet oder welche Anträge genauer geprüft werden sollen. Diese Entscheidungen bestimmen mit, welche Daten benötigt werden und welche Modelle sinnvoll sind.

Probleme verändern sich im Projektverlauf

Die BookRix-EPUB beschreibt Problemlösung ausdrücklich nicht als einmalige Aktivität zu Projektbeginn. Neue Daten können bisherige Annahmen widerlegen, fachliche Rahmenbedingungen können sich ändern, Zielgrößen müssen angepasst werden und Analysen können zeigen, dass das ursprünglich angenommene Problem nicht die eigentliche Ursache war.

Externe Evidenz Anhang 9.1 bezeichnet Data Science entsprechend als iterativen Problemlösungsprozess und verweist dabei auf CRISP-DM und Fayyad u. a. Jeder Schritt kann Erkenntnisse liefern, die eine Rückkehr zu früheren Annahmen erforderlich machen.

Einordnung Das schützt vor einer zu linearen Sichtweise. „Problem zuerst“ bedeutet nicht, dass die erste Problemdefinition unangetastet bleiben muss. Im Gegenteil: Gute Projekte behandeln sie als überprüfbare Arbeitshypothese, die durch neue Evidenz präzisiert werden kann.

Beispiel: Kundenabwanderung rückwärts denken

Buchbeispiel Abschnitt 1.3 verwendet Kundenabwanderung als Beispiel dafür, wie aus einem unscharfen Problem verschiedene datenbezogene Fragestellungen entstehen können: Welche Faktoren beeinflussen die Kündigungswahrscheinlichkeit? Welche Gruppen kündigen besonders häufig? Lassen sich Kündigungen frühzeitig vorhersagen? Welche Maßnahmen reduzieren das Kündigungsrisiko?

Das Beispiel zeigt, warum eine hohe Modellkennzahl nicht mit Projekterfolg gleichgesetzt werden darf. Eine Vorhersage kann statistisch gut sein und trotzdem keine sinnvolle Handlung auslösen. Die BookRix-EPUB beschreibt Erfolg deshalb über die Wirkung der umgesetzten Lösung.

Was Python beitragen kann – und was nicht

Technischer Kontext Die BookRix-EPUB setzt Python konsequent als Werkzeug ein und verweist dafür unter anderem auf McKinney, Pedregosa u. a. und Géron. Der Fokus liegt aber ausdrücklich nicht auf der Sprache selbst. Python soll Ideen umsetzen, Daten untersuchen und Lösungswege praktisch nachvollziehbar machen.

Programmcode kann Transformationen, Filter, Merkmalsbildung und Modellparameter explizit machen. Er kann jedoch nicht automatisch entscheiden, ob die Problemformulierung sinnvoll ist, eine Zielvariable das fachliche Problem wirklich repräsentiert oder eine Handlung unter den gegebenen Folgen verantwortbar ist.

Sieben Prüffragen vor dem ersten Modell

Redaktionelle Synthese Aus der BookRix-EPUB lässt sich für die praktische Arbeit eine kurze Prüfreihenfolge ableiten. Sie ist kein validiertes Assessment und kein starres Vorgehensmodell.

1. Problem: Welcher aktuelle Zustand soll konkret verbessert werden?
2. Betroffene: Wer ist von Problem, Entscheidung und möglichen Fehlern betroffen?
3. Fragestellung: Welche datenbezogene Frage muss beantwortet werden?
4. Entscheidung: Welche konkrete Handlung soll dadurch besser begründet werden?
5. Erfolg: Woran wird später die tatsächliche Wirkung der Lösung erkannt?
6. Alternativen: Ist Machine Learning erforderlich, oder reicht ein einfacherer Lösungsweg?
7. Grenzen: Welche Unsicherheiten, fehlenden Informationen und Fehlerrisiken sind bereits sichtbar?

Wer diese Fragen nicht beantworten kann, benötigt möglicherweise noch keinen besseren Algorithmus, sondern zunächst ein belastbareres Problemverständnis.

Wo die Aussage bewusst endet

Problemorientierung garantiert keinen Projekterfolg. Eine gute Fragestellung schützt nicht automatisch vor schlechter Datenqualität, Datenleckage, ungeeigneten Metriken, Overfitting, technischen Schulden oder Fehlentscheidungen im Betrieb.

Ebenso folgt aus der BookRix-EPUB nicht, dass komplexe Modelle grundsätzlich unnötig wären. Die begrenzte Aussage lautet: Problem, Zweck und Entscheidung müssen ausreichend verstanden sein, bevor die Wahl von Daten, Modell und Metrik sinnvoll beurteilt werden kann.

Quellen und Einordnung

Die externen Quellen werden hier nur in dem Umfang eingeordnet, in dem sie in der BookRix-EPUB als fachlicher Kontext verwendet werden. Sie validieren das Buch nicht als wissenschaftliches Gesamtmodell.