Risikoentscheidungen
Gudrun hat sich im Sp\xe4tsommer 2018 zum dritten Mal mit Oliver Beige (@oliverbeige) in Berlin verabredet. Oliver besch\xe4ftigt sich unter anderem mit mathematischen Modellen f\xfcr \xf6konomische Prozesse und hat neben der wissenschaftlichen Expertise auch sehr unterschiedliche praktische Erfahrungen. Der Plan f\xfcr das Gespr\xe4ch war, sich \xfcber Baysean Updates zu unterhalten. Kurz gesagt ist das ist eine M\xf6glichkeit, bessere Entscheidungen mit wenigen und unsicheren Informationen zu treffen. Der Name beschreibt schon die zentrale Idee: Der Satz von Bayes wird verwendet, um die Wahrscheinlichkeit f\xfcr eine Hypothese neu zu berechnen, wenn mehr Informationen verf\xfcgbar werden. Entscheidungen unter unsicheren Informationen muss man selbst im Alltag und f\xfcr die eigene Zukunft st\xe4ndig treffen, weshalb sich die H\xf6rerschaft sicher gut vorstellen kann, dass dies eigentlich eine fast unl\xf6sbare Aufgabe ist. F\xfcr Unternehmen geht es in der mittleren und Langzeitplanung darum, das Potential von Mitarbeitern und von Ideen richtig einzusch\xe4tzen. L\xe4sst sich ein Produkt mit den eigenen Mitteln zur Marktreife entwickeln und wie wird der Markt in 5-30 Jahren daf\xfcr aussehen? Vor allem wenn es um einen Markt geht, den es noch gar nicht gibt. Ein Beispiel hierf\xfcr ist automatisiertes Fahren. Die Idee gibt es schon seit etwa 30 Jahren und auch Schritte in der Entwicklung, aber bis heute gibt es noch nichts auf dem Markt. Schon Anfang der 1990er Jahre gab es gro\xdfe Erwartungen, was neuronale Netze und Machine Learning hier bald leisten werden, aber diese Begeisterung war um die Jahrtausendwende schon wieder erloschen. Heute erleben die Ideen eine Renaissance, denn es gibt nun viele Daten, genug Rechenpower und ein Zusammenwirken von Statistik und Informatik ist so endlich m\xf6glich. Damals wie heute stellt sich aber die Frage: Wie viel Geld und andere Ressourcen sollte man einsetzen und zu welchem Zeitpunkt endg\xfcltig entscheiden, sich ganz hinter das neue Produkt zu stellen oder die Pl\xe4ne ad acda zu legen. Der Versuch, hierf\xfcr Modelle zu finden, die alle Zweige und Eventualit\xe4ten nachbilden ist nicht sinnvoll umsetzbar, weil zu viele Informationen gesch\xe4tzt werden m\xfcssen und je weiter in die Zukunft geplant werden muss, desto unw\xe4gbarer sind Zahlenwerte hierf\xfcr. Deshalb ist es bessser, hier mit einfachen Modellen zu arbeiten, die sich gut anwenden lassen, aber auch nur Teile von Entscheidungsprozessen vereinfachen. Ein Beispiel hierf\xfcr ist das Baysean updating. Experten wissen einiges, sind aber nicht perfekt - vor allem wegen unvollst\xe4ndiger Information. Mit Hilfe von Wahrscheinlichkeitsrechnung l\xe4\xdft sich berechnen, was der Beitrag der Experten sein kann und ob sie n\xfctzlich sind. Hierzu werden gut testbare Annahmen gut ausformuliert und am Markt getestet in einzelnen Entscheidungsstufen. Die Kosten f\xfcr den Test werden m\xf6glichst niedrig gehalten. Anschlie\xdfend wei\xdf man z.B., welches f\xfcr Kunden das wichtigstes Feature ist und kann dies zuerst entwickeln (Minimal Viable Product) (...)