Observation Data

Observation Data sind Daten, die man einfach durch Zuschauen sammelt. Niemand verändert dabei die Situation, man hält nur fest, was ohnehin passiert. Ein Beispiel: Ein Onlineshop speichert, welche Produkte Kunden anklicken und kaufen. Der Shop hat den Kunden nichts vorgeschrieben, er hat nur mitgeschrieben. Das Gegenstück dazu ist ein Experiment: Dort greift man absichtlich ein und schaut, was sich dadurch ändert. Der deutsche Ausdruck lautet Beobachtungsdaten, in der Fachwelt liest man aber fast immer die englische Form.

Warum Beobachtung nicht gleich Erklärung ist

Beobachtungsdaten sind billig und in riesigen Mengen verfügbar. Jede App, jede Kasse und jeder Sensor produziert sie nebenbei. Genau darauf beruhen die meisten KI-Systeme, die heute im Einsatz sind. Ein Sprachmodell wurde mit Texten trainiert, die Menschen aus ganz anderen Gründen geschrieben haben. Niemand hat diese Texte für das Training geplant.

Der große Haken ist die Frage nach Ursache und Wirkung. Beobachtungsdaten zeigen, was gemeinsam auftritt, nicht was wodurch entsteht. Ein bekanntes Beispiel: In Monaten mit hohem Eisverkauf gibt es mehr Badeunfälle. Das Eis verursacht die Unfälle aber nicht. Beides hängt am heißen Wetter, einer verborgenen dritten Ursache.

Für Unternehmen ist dieser Unterschied teuer. Ein Modell sieht vielleicht, dass Kunden mit Newsletter mehr kaufen. Ob der Newsletter das bewirkt, weiß es nicht. Vielleicht abonnieren ihn ohnehin nur die treuesten Kunden. Wer daraufhin sein Marketingbudget umschichtet, kann viel Geld verbrennen.

Wie aus mitgeschriebenen Spuren ein Datensatz wird

Am Anfang steht ein sogenanntes Log, also eine automatisch geführte Protokolldatei. Server, Apps oder Maschinen schreiben dort laufend Ereignisse mit Zeitstempel hinein. Diese Rohdaten sind unordentlich: Einträge fehlen, doppeln sich oder stehen in verschiedenen Formaten. Ein großer Teil der Arbeit besteht darin, sie zu bereinigen und in eine einheitliche Tabelle zu bringen.

Danach versuchen Fachleute, die Verzerrungen im Blick zu behalten. Beobachtungsdaten zeigen nämlich nur, was überhaupt beobachtet wurde. Eine Bank hat Rückzahlungsdaten ausschließlich von Menschen, denen sie einen Kredit gegeben hat. Über die Abgelehnten weiß sie nichts. Trainiert man ein Modell blind auf solchen Daten, lernt es die alten Entscheidungen mit, nicht die Wirklichkeit.

Es gibt statistische Verfahren, die Ursachen auch ohne Experiment schätzen. Man vergleicht dabei möglichst ähnliche Gruppen miteinander und rechnet bekannte Störfaktoren heraus. Das nennt sich kausale Inferenz. Sicher ist das Ergebnis nie, denn ein unbekannter Störfaktor kann immer übrig bleiben. Deshalb gilt ein kontrolliertes Experiment weiterhin als der zuverlässigere Weg.

Von Klickpfaden bis zu Studien in der Medizin

Im Alltag erzeugst du ständig Beobachtungsdaten. Streamingdienste merken sich, welche Folgen du zu Ende schaust. Navigations-Apps sammeln Tempoangaben von tausenden Handys und erkennen daran Staus. Fitnessuhren protokollieren Puls und Schrittzahl über Monate. In all diesen Fällen greift niemand in dein Verhalten ein.

In den Nachrichten taucht der Begriff oft bei Medizin und Regulierung auf. Sogenannte Real-World-Daten aus Kliniken und Krankenkassen sind Observation Data. Sie zeigen, wie Medikamente außerhalb sauberer Studien wirken. Behörden akzeptieren sie zunehmend als Ergänzung, aber selten als alleinigen Beweis. Der Grund ist wieder derselbe: Wer ein Medikament bekommt, ist meist nicht zufällig ausgewählt.

Ein häufiger Irrtum ist die Annahme, sehr viele Daten würden das Problem lösen. Das stimmt nicht. Eine Verzerrung wird durch Masse nicht kleiner, sondern nur präziser gemessen. Deshalb betreiben große Tech-Firmen zusätzlich echte Experimente, meist A/B-Tests genannt. Dabei sehen zwei zufällig gebildete Nutzergruppen verschiedene Varianten einer Seite. Erst dieser Zufall macht den Vergleich aussagekräftig.