Warum beweist ein deutliches Muster in Ihren Daten keinen ursächlichen Zusammenhang?
Ein starkes Muster beweist keine Ursache. Dasselbe Muster kann entstehen, wenn ein dritter Faktor beide Werte beeinflusst, wenn die Ursache in die andere Richtung wirkt oder wenn die Übereinstimmung Zufall ist. Eine Korrelation misst, wie eng sich zwei Größen gemeinsam verändern; über das Warum sagt sie nichts aus.
Nehmen Sie den fiktiven Haushaltswarenhändler Larkfield Home mit 30 Filialen. Die Vertriebsleiterin Priya wertet das letzte Quartal aus. Acht Filialen veranstalteten an Wochenenden Kochgeschirrvorführungen, 22 nicht. Ihr Datenexport sieht so aus: 'Filialen mit Vorführungen: durchschnittlicher Wochenumsatz 41,200. Filialen ohne Vorführungen: 34,900. Unterschied: +18%. Hinweis: Vorführungen von Regionalleitungen ausgewählt. Vorführungen überwiegend Nov bis Dez. Zu den Filialen mit Vorführungen gehören 5 unserer 6 größten Standorte.' Ein KI-Assistent fasste die Tabelle so zusammen: 'Kochgeschirrvorführungen steigern den Wochenumsatz um 18%. Eine Einführung in allen Filialen dürfte den Umsatz erhöhen.' Die Geschäftsleitung möchte die Einführung am Montag genehmigen.
| Filialgruppe | Filialen | Durchschnittlicher Wochenumsatz | Größte berücksichtigte Websites | Monate, in denen Demos liefen |
|---|---|---|---|---|
| Demo-Shops | 8 | 41,200 | 5 von 6 | Überwiegend November und Dezember |
| Shops, die keine Demo-Shops sind | 22 | 34,900 | 1 von 6 | Keine |
Wie prüfen Sie, ob ein Zusammenhang ursächlich ist?
Prüfen Sie eine Korrelation, indem Sie die drei alternativen Erklärungen nacheinander ausschließen. Führen Sie dann, soweit möglich, einen fairen Vergleich durch, bei dem sich nur die vermutete Ursache unterscheidet. Jeder der folgenden Schritte ist eine Frage, die Sie an die Daten stellen, bevor jemand Geld ausgibt.
1. Suchen Sie nach einem Störfaktor
Ein Störfaktor ist ein dritter Faktor, der beide Größen beeinflusst, die Sie vergleichen. Bei Larkfield kommen die Filialgröße und die Jahreszeit infrage: Große Filialen verkaufen ohnehin mehr, und November und Dezember sind umsatzstarke Monate für Kochgeschirr. Fragen Sie sich, was sich zwischen den beiden Gruppen sonst noch unterscheidet.
2. Prüfen Sie die Richtung
Umgekehrte Kausalität bedeutet, dass die Wirkung tatsächlich die vermeintliche Ursache auslöst. Wenn Regionalleitungen Vorführungen in Filialen durchführten, deren Geschäfte bereits gut liefen, führten steigende Umsätze zu Vorführungen und nicht umgekehrt. Fragen Sie, wie die Gruppen ausgewählt wurden.
3. Berücksichtigen Sie den Zufall
Bei acht Filialen und einem Quartal kann ein Unterschied zufällig entstehen, besonders wenn jemand viele Werbeaktionen untersucht und nur die auffälligste gemeldet hat. Fragen Sie, wie viele Vergleiche durchgeführt wurden und ob das Muster auch in einem anderen Zeitraum besteht.
4. Vergleichen Sie Gleiches mit Gleichem
Vergleichen Sie Geschäfte mit Produktvorführungen mit ähnlichen Geschäften ohne Produktvorführungen in denselben Wochen: große mit großen, kleine mit kleinen. Wenn der Unterschied größtenteils verschwindet, waren die Störfaktoren dafür verantwortlich.
5. Führen Sie ein Experiment durch
Der aussagekräftigste Test ist ein kontrollierter Versuch: Wählen Sie vergleichbare Filialen aus, weisen Sie der Hälfte davon nach dem Zufallsprinzip Vorführungen für dieselben Wochen zu und vergleichen Sie die Ergebnisse. Die zufällige Zuweisung verteilt Größe, Standort und bisherige Geschäftsentwicklung gleichmäßig. Ein verbleibender Unterschied ist deshalb mit deutlich höherer Wahrscheinlichkeit auf die Vorführung zurückzuführen.
Wie sieht eine schwache und eine verbesserte Interpretation der Larkfield-Daten aus?
Die schwache Interpretation übernimmt die KI-Zusammenfassung ungeprüft: 'Vorführungen steigern den Umsatz um 18%, also sollten sie überall stattfinden.' Sie macht aus einem beobachteten Unterschied zwischen zwei Gruppen, die sich in Größe, Saison und Auswahl unterscheiden, ein Versprechen darüber, was in 22 weiteren Filialen passieren wird.
Die verbesserte Auswertung lautet: 'Filialen mit Vorführungen verkauften pro Woche 18% mehr. Es handelte sich aber überwiegend um unsere größten Standorte, die Vorführungen fanden in unseren zwei umsatzstärksten Monaten statt, und die Regionalleitungen hatten die Filialen ausgewählt. Vergleicht man die fünf großen Filialen mit Vorführungen mit großen Filialen ohne Vorführungen in denselben Wochen, beträgt der Unterschied etwa 4%. Das liegt innerhalb der normalen Schwankungen von Woche zu Woche. Wir können noch nicht sagen, ob Vorführungen helfen. Vorschlag: ein sechswöchiger Versuch in 12 vergleichbaren mittelgroßen Filialen. Sechs werden zufällig für Vorführungen ausgewählt; gemessen werden der Verkauf von Kochgeschirr und die Arbeitsstunden.' Diese Fassung zeigt dem Vorstand, was bekannt ist, was nicht bekannt ist und wie sich das klären lässt – zum Preis einer Verzögerung um einen Monat.
Wie können KI-Zusammenfassungen Sie durch Korrelationen in die Irre führen?
KI-Zusammenfassungen führen besonders häufig in die Irre, indem sie eine Korrelation mit ursächlichen Formulierungen wie 'bewirkt', 'führt zu', 'steigert' oder 'aufgrund von' beschreiben. So klingt ein Muster wie eine nachgewiesene Wirkung. Ein Sprachmodell formuliert flüssige Erklärungen zu Zahlen. Es weiß nicht, wie die Filialen ausgewählt wurden, wenn Sie es ihm nicht sagen, und weist selten von sich aus darauf hin, dass es Ursache und Zufall nicht unterscheiden kann.
Sie können dies verringern, indem Sie dem Assistenten den fehlenden Kontext geben: wie die Gruppen ausgewählt wurden, welche Zeiträume gelten und wie groß die Stichprobe ist. Bitten Sie ihn, klar zu trennen, was die Daten zeigen und was sie möglicherweise erklären könnten. Prüfen Sie die Ausgabe anschließend auf Verben, die einen ursächlichen Zusammenhang ausdrücken, und ersetzen Sie diese jeweils durch die tatsächlich beobachtete Aussage, zum Beispiel 'Geschäfte, die Vorführungen durchführten, hatten auch höhere Umsätze'.
Wie prüfen Sie eine Aussage über einen Kausalzusammenhang, bevor Sie danach handeln?
Prüfen Sie eine Behauptung über einen Kausalzusammenhang: Wie wurden die Gruppen ausgewählt? Ging die Ursache in beiden Gruppen der Wirkung voraus? Bleibt der Unterschied auch in einem anderen Zeitraum oder bei einer größeren Stichprobe bestehen? Steht in der Zusammenfassung „steht im Zusammenhang mit“, wenn die Belege lediglich eine Korrelation zeigen? Notieren Sie die Antworten neben der Behauptung, bevor jemand Ausgaben genehmigt.
Was sind häufige Fehler im Umgang mit Korrelation und Kausalität?
Der häufigste Fehler ist, eine Änderung einzuführen, weil eine Übersicht einen Unterschied gezeigt hat, ohne zu fragen, wie die Gruppen gebildet wurden. Weitere Fehler: einen hohen Korrelationskoeffizienten als Beweis behandeln, nur die eine von zwanzig Werbeaktionen melden, die gut aussah, saisonale Einflüsse vergessen und annehmen, dass keine Korrelation auch keine Wirkung bedeutet. Auch der umgekehrte Fehler kostet Geld: erst bei völliger Gewissheit handeln wollen, obwohl ein kleiner randomisierter Versuch meist günstig ist.
Wo ist diese Lektion bei Tosheo.ai eingeordnet?
Diese Lektion gehört zur Kategorie Datenwissenschaft und Datenanalyse und steht am Anfang des Datenwissenschaftskurses. Denn bei jedem späteren Thema, von Übersichtsansichten bis zum maschinellen Lernen, kommt es darauf an, ein Muster nicht mit einer Ursache zu verwechseln. In der Praxisaufgabe bei Tosheo.ai erhalten Sie einen fiktiven Datensatz und eine KI-generierte Zusammenfassung. Die Rückmeldung anhand des Kriterienrasters zeigt jede Aussage über Ursachen auf, die durch die Daten nicht belegt ist. Das Angebot vermittelt berufliche Grundlagen, kein Statistikstudium.
Quellen und Geltungsbereich
Australian Bureau of Statistics: Korrelation und Kausalität (geprüft am 19. Oktober 2026) ↗