Recency-Gewichtung

Wer aus Vergangenheitsdaten etwas über die Zukunft sagen will, muss entscheiden, wie viel jeder einzelne Datenpunkt zählt. Die einfachste Antwort lautet: alle gleich viel. Die Recency-Gewichtung wählt eine andere Antwort. Sie gibt frischen Beobachtungen mehr Gewicht als alten. Ein Verkaufszahl von gestern beeinflusst die Vorhersage dann stärker als eine von vor drei Jahren. Der englische Begriff « recency » bedeutet schlicht Aktualität oder Neuheit.

Warum alte Daten irreführen können

Die Welt bleibt selten still. Preise steigen, Modegeschmäcker drehen sich, Nutzergewohnheiten ändern sich nach jedem Update einer App. Fachleute nennen das « Drift »: Die Regeln, nach denen die Daten entstehen, verschieben sich mit der Zeit. Ein Modell, das alle Jahre gleich behandelt, lernt dann eine Mischung aus alter und neuer Welt. Das Ergebnis passt zu keinem der beiden Zeiträume richtig.

Ein Beispiel aus dem Handel macht das greifbar. Eine Kette will die Nachfrage nach Winterjacken schätzen. Fließen die Zahlen aus fünf Jahren gleich stark ein, dominiert der Durchschnitt. Ein warmer Winter im letzten Jahr und eine neue Konkurrenz um die Ecke gehen darin unter. Mit Recency-Gewichtung schlagen genau diese jüngsten Signale stärker durch.

Es gibt aber auch die Gegenrichtung, und die wird oft unterschätzt. Wer das Neueste zu stark gewichtet, verwechselt Zufall mit Trend. Eine einzelne verrückte Woche wird dann für die neue Normalität gehalten. In der Verhaltensforschung heißt dieser Denkfehler beim Menschen Recency-Bias. Bei Software entsteht er nicht aus Psychologie, sondern aus einer schlecht gewählten Einstellung.

Halbwertszeit und Zeitfenster

Technisch bekommt jeder Datenpunkt eine Zahl als Gewicht. Aktuelle Punkte bekommen etwa 1,0, ältere entsprechend weniger. Sehr verbreitet ist die exponentielle Abnahme: Das Gewicht halbiert sich nach einem festen Zeitraum. Diesen Zeitraum nennt man Halbwertszeit, ähnlich wie in der Physik. Bei einer Halbwertszeit von 30 Tagen zählt ein Datenpunkt von vor 60 Tagen nur noch ein Viertel.

Die einfachere Variante ist das gleitende Zeitfenster. Dabei nutzt man nur Daten der letzten 90 Tage und wirft alles Ältere weg. Das ist leicht umzusetzen, wirkt aber wie ein harter Schnitt. Ein Datenpunkt von Tag 89 zählt voll, der von Tag 91 gar nicht. Die exponentielle Variante geht sanfter vor und wird deshalb häufiger gewählt.

Die entscheidende Frage ist immer, wie schnell das Gewicht fallen soll. Sinkt es zu langsam, reagiert das System träge auf echte Veränderungen. Sinkt es zu schnell, zappelt die Vorhersage bei jedem Ausreißer. Man testet deshalb mehrere Halbwertszeiten an vergangenen Daten und prüft, welche die besten Prognosen geliefert hätte. Bei großen KI-Modellen taucht dasselbe Prinzip auf, wenn neuere Texte im Training häufiger vorkommen als sehr alte.

Von der Kreditprüfung bis zum Feed

In Finanznachrichten begegnet dir das Prinzip ständig, oft ohne den Namen. Risikomodelle für Kredite bewerten Zahlungsverhalten der letzten Monate stärker als das von vor acht Jahren. Kursprognosen arbeiten mit gleitenden Durchschnitten, die jüngere Kurse höher gewichten. Auch Betrugserkennung stützt sich vor allem auf frische Muster, weil Betrüger ihre Methoden laufend ändern.

Im Alltag steckt die Recency-Gewichtung in fast jedem Empfehlungssystem. Ein Musikdienst schlägt eher vor, was du diese Woche gehört hast, nicht was dir vor drei Jahren gefiel. Soziale Netzwerke sortieren Beiträge auch danach, wie neu sie sind. Genau deshalb wirken solche Feeds manchmal kurzatmig: Was zwei Tage alt ist, gilt bereits als erledigt.

Wichtig ist die Abgrenzung zu einem verwandten Missverständnis. Recency-Gewichtung ist keine Aussage darüber, ob Daten wahr sind. Alte Daten können völlig korrekt sein und trotzdem wenig über heute verraten. Umgekehrt macht Aktualität eine Zahl nicht verlässlicher. Die Gewichtung entscheidet nur über Relevanz, nicht über Qualität.