11
Angewandte Statistik (Subject) / Lektion 01 (Daten und Statistik) (Lesson)
Statistik
This lesson was created by Dennis1602.
This lesson is not released for learning.
Advertisement
- Praktiker/Wissenschaftler haben Unterschiede im Vorgehen/Denken, aber auch Gemeinsamkeiten - Bild machen über den interessanten Teil - Bild aussagekräftig gestalten - Schlüsse aus Erkenntnissen ziehen, Handlungsanweisungen ableiten, kommunizierbar machen - Erfordert Informationen zu filtern, zusammenzufassen, analysieren, untersuchen
- Statistik - Auflistung bzw. Zusammenstellung von Daten- und Zahlenmaterial - Darstellung der Resultate von Auszählungen - Methoden zur Untersuchung von Daten aus der Beobachtung zufallsabhängiger Phänomene
- Mengen von Untersuchungseinheiten - Grundgesamtheit (Population) aller prinzipiell interessierenden Untersuchungseinheiten - Stichprobe (beschränkte, zufällig, systematisch aus Population herausgegriffenen Menge)
- Teilbereiche der Statistik - Deskriptive Statistik (beschreibende St., Aufbereitung von Datenmaterial anhand Tabellen, Kennzahlen, Grafiken) - Induktive Statistik (schließende St., Übertragung von Befunden aus Stichproben auf zugehörige Grundgesamtheiten, um empirisch gestützte Entscheidungshilfen abzuleiten)
- Ziele der Statistik - Daten- und Informationsverdichtung -- Berechnung Durchschnittsalter, Anteil von Männern oder Frauen bei einer Arbeitslosenstatistik - Suche nach strukturellen Besonderheiten bzw. Gesetzmäßigkeiten -- Untersuchung, ob Zusammenhang zwischen Alter, Geschlecht, Nationalität besteht - Erstellung von Prognosen für die Zukunft -- Wie wird sich die Jugendarbeitslosigkeit entwickeln? Wichtig für Maßnahmenableitung -- Zusammenhänge stochastischer oder deterministischer Natur? Deterministische Zusammenhänge werden in der Mathematik untersucht -- z.B. Zusammenhang zwischen Radius und Durchmesser eines Kreises ist deterministisch -- stochastischer Zusammenhang (Zusammenhang zwischen zwei Merkmalen abhängig vom Zufall) -- z.B. Zusammenhang zwischen Börsenkursen und der Zeit ist stochastisch -- in BWL werden stochastische Zusammenhänge benutzt, um mithilfe statistischer Methoden unternehmerische Entscheidungen quantitativ abzusichern und zu bewerten -- „es besteht ein statistisch signifikanter Zusammenhang zwischen zwei Sachverhalten“ - Weitere stochastische betriebswirtschaftliche Beispiele -- Prognosemodelle (Absatzprognosen, Gewinnprognosen) -- Qualitätskontrolle, Aktienanalysen -- Warenkorbanalyse, Customer Analytics - Customer Relationship Management (CRM) -- Wichtige Anwendung von stochastischen Zusammenhängen in der BWL Praxis -- Statistische Anwendungsmöglichkeiten im CRM anhand Analyse des Erfolgsbeitrages über den Kundenzyklus hinweg
- Customer Relationship Management (CRM) - Potenzielle Kunden (Zielmarkt, Reagierer, kein Erfolgsbeitrag eines Kunden) -- Aufgaben (Anbahnung von neuen Geschäftsbeziehungen, Interessentenmanagement) -- Data Mining-Unterstützung (Zielgruppenselektion, Responseanalysen) -- Verfügbare Daten (zugekaufte Adressen, Soziodemografie, Kontakthistorie) - Aktive Kunden (Neukunden, Kunden mit hihem Wert, hohem Potenzial, geringem Wert, hoher/mittlerer/geringer Erfolgsbeitrag eines Kunden) -- Aufgaben (Festigung/Intensivierung der Beziehung, Kundenbindungsmanagement) -- Data Mining-Unterstützung (Warenkorbanalysen, Cross- und Up-Selling-Analysen, Kundenbewertung) -- Verfügbare Daten (Produktnutzung, Zahlungshistorie, Selbstauskünfte) - Verlorene/Reaktivierte Kunden (freiwillige Kündiger, gezwungene Kündiger, geringer/hoher/kein Erfolgsbeitrag eines Kunden) -- Aufgaben (Vermeidung von Kündigungen, Rücknahme von ungewollten Kündigungen) -- Data Mining-Unterstützung (Churn-Analysen) -- Verfügbare Daten (Kündigungsgrund)
- Vorgehensweise in Wissenschaft und Praxis (BWL) - Formal- und Realwissenschaft, Theoriebildung, formale Analyse betrieblicher Prozesse/Organisationen und Untersuchung von Phänomenen der Praxis
- Vorgehensweise in Wissenschaft und Praxis (Empirische Forschung (angewandte Statistik)) - Verlangt theoretische Vorüberlegungen, reduziert die in der Realität auftretende Komplexität anhand Modellen und muss für Dritte nachvollziehbar sein - Bessere Ratschläge möglich aufgrund empirischer Befunde
- Vorgehensweise in Wissenschaft und Praxis (Systematische Entscheidungsvorbereitung) - 1. Problem/Fragestellung/Planung der Studie/Eingrenzung der Situation -- Strukturierung des Problems anhand von Merkmalen und Thesen über Zusammenhänge - 2. Aufstellen eines Grundmodells -- Entwicklung eines Modells anhand von Indikatoren, Instrumenten und Hypothesen - 3. Stichprobenkonstruktion -- Klärung, welche Daten benötigt werden, Auswahl/Abgrenzung des Feldes - 4. Datenerfassung -- Erhebung von Primärdaten, Sammlung von Sekundärdaten, Beziehen aus Data Warehouse -- Statistisches Bundesamt, OECD -- Data Warehouse (gespeicherte Kundendaten, historische, andere Zielrichtung als normale DB) -- Typische Kundendaten (Kundenstammdaten, Kontaktdaten, Performance Indikator (Kundenwert, Kündigungswahrscheinlichkeit, Produktaffinitäten, Cross- und Up-Selling), Verträge/Produkte, Bestandsdaten, Transaktionsverhalten - 5. Datenanalyse- und Interpretation -- Prüfen/Auswahl geeigneter Methoden zur statistischen Auswertung, statistische Beschreibung und Modellierung, Hypothesenprüfung - 6. Ergebnispräsentation -- Überprüfung der Ergebnisse auf Beitrag zur Problemlösung, ggf. zurück zu Schritt 1 - 7. Entscheidung -- Treffen von empirisch begründeten Entscheidungen bzw. Unterbreiten von fundierten Entscheidungsvorschlägen
- Vorgehensweise in Wissenschaft und Praxis (Standardprozess einer Modellentwicklung am Beispiel der Risikoeinschätzung einer Bank) - Datenbeschaffung aus Primär- oder Sekundärdaten - Deskriptive Betrachtung und Aufbereitung (Berechnung neuer Variablen, Umgang Ausreißer) - Iterativer und langwieriger Prozess (meist 80% der Projektlaufzeit) - Anschließend Beginn mit eigentlicher statistischen Modellentwicklung, d.h. Woran erkennt die Bank einen guten oder schlechten Kunden? Kredit wird nicht zurückbezahlt - Analysedatensatz wird in Test- und Trainingsstichprobe (60% zu 40%) unterteilt, anhand der Trainingsdaten wird Modell entwickelt und getestet - Finale Modell wird nochmals evaluiert - Wenn nicht in mehrere Stichproben unterteilt wird, droht ein Overfitting (Überanpassung ihrer Modelle, die dann in weiteren Anwendungen nicht gut funktionieren) - Nach Modellabwicklung, kann das Modell in den laufenden Betriebsprozess aufgenommen werden - Danach erhält der Bankmitarbeiter nach Eingabe der Kundendaten an seinem PC eine Entscheidung über Kreditrisiko des Kunden, Festlegung zu welchen Zinssätzen der Kredit vergeben werden darf oder ob der Kunde abgelehnt wird
- Advertisement
- Statistische Software-Pakete und ihre (Fehl-)Anwendungen - Professionelle Statistikpakete (SAS, SPSS, Stata, Statistica) - Freie verfügbare Systeme (R, OpenStat) - Klassische Fehlanwendungen -- Folge definitorischer Mängel statistischer Verfahren (dürftige Methodenkenntnisse) -- Nachlässige Datenerhebung (Zeitdruck, Ressourcenknappheit, falscher Versuchsplan) -- Unsorgfältige Auswertung (Nachlässigkeit, Absicht, Unvermögen) - Fehler bei der Planung und Durchführung -- Fehler in der Messung (Bsp. Befragung, ob Armee zu Schwarzen ungerecht ist, keine Unabhängigkeit zum Messinstrument, auch gängiger Fehler, wenn eigene Kunden befragt werden) -- Fehler in der Stichprobenauswahl (z.B. Telefoninterviews erreichen überwiegend Studenten, Arbeitslose oder Hausfrauen) -- Fehler durch falsche Assoziation (Schuhgröße und Schreibqualität, aber Kinder mit größeren Schuhen sind meist älter und schrieben deshalb besser) oder zusätzliche im Modell nicht erwähnte Variable, die die berücksichtigten Variablen beeinflusst (Suppressorvariable), die dann festgestellten Zusammenhänge sind nur Scheinzusammenhänge -- Irreführung durch mangelhafte Formulierung (zweidrittel der Frauen haben Studium aufgegeben, aber es wurde nicht gesagt, dass es nur 3 Studentinnen gab) oder Formulierungen wie 9 von 10 Zahnärzten sagten …. (Werbetrick), Vorsicht ggü. Zahlen, Befunden und Aussagen