Risikoentscheidungen

Gudrun hat sich im Spätsommer 2018 zum dritten Mal mit Oliver
Beige (@oliverbeige) in Berlin verabredet. Oliver beschäftigt
sich unter anderem mit mathematischen Modellen für ökonomische
Prozesse und hat neben der wissenschaftlichen Expertise auch sehr
unterschiedliche praktische Erfahrungen. Der Plan für das
Gespräch war, sich über Baysean Updates zu unterhalten. Kurz
gesagt ist das ist eine Möglichkeit, 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 für eine Hypothese neu zu
berechnen, wenn mehr Informationen verfügbar werden.


Entscheidungen unter unsicheren Informationen muss man selbst im
Alltag und für die eigene Zukunft ständig treffen, weshalb sich
die Hörerschaft sicher gut vorstellen kann, dass dies eigentlich
eine fast unlösbare Aufgabe ist. Für Unternehmen geht es in der
mittleren und Langzeitplanung darum, das Potential von
Mitarbeitern und von Ideen richtig einzuschätzen. Lässt sich ein
Produkt mit den eigenen Mitteln zur Marktreife entwickeln und wie
wird der Markt in 5-30 Jahren dafür aussehen? Vor allem wenn es
um einen Markt geht, den es noch gar nicht gibt. Ein Beispiel
hierfür 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 große 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 möglich.


Damals wie heute stellt sich aber die Frage: Wie viel Geld und
andere Ressourcen sollte man einsetzen und zu welchem Zeitpunkt
endgültig entscheiden, sich ganz hinter das neue Produkt zu
stellen oder die Pläne ad acda zu legen. Der Versuch, hierfür
Modelle zu finden, die alle Zweige und Eventualitäten nachbilden
ist nicht sinnvoll umsetzbar, weil zu viele Informationen
geschätzt werden müssen und je weiter in die Zukunft geplant
werden muss, desto unwägbarer sind Zahlenwerte hierfür.


Deshalb ist es bessser, hier mit einfachen Modellen zu arbeiten,
die sich gut anwenden lassen, aber auch nur Teile von
Entscheidungsprozessen vereinfachen.


Ein Beispiel hierfür ist das Baysean updating. Experten wissen
einiges, sind aber nicht perfekt - vor allem wegen
unvollständiger Information. Mit Hilfe von
Wahrscheinlichkeitsrechnung läßt sich berechnen, was der Beitrag
der Experten sein kann und ob sie nützlich sind. Hierzu werden
gut testbare Annahmen gut ausformuliert und am Markt getestet in
einzelnen Entscheidungsstufen. Die Kosten für den Test werden
möglichst niedrig gehalten. Anschließend weiß man z.B., welches
für Kunden das wichtigstes Feature ist und kann dies zuerst
entwickeln (Minimal Viable Product) - die anderen erst später.


Oliver ist Karlsruher Wirtschaftingenieur und hat diese über
Wettbewerb in Netzwerken in den USA promoviert, an der UC
Berkeley nahe am Silicon Valley, zu Zeiten des dot-com Booms. In
Deutschland wird solche Forschung meist im Unternehmen gemacht.
In den USA gibt es neben dieser Forschung in Unternehmen auch
noch sogenanntes Venture Capital. Die Investoren erwarten nicht,
dass alle unterstützten Ideen am Ende Profit bringen - man weiß,
dass die meisten Ideen zu nichts führen. Es reichen im Verlauf
einiger Jahre nur wenige durchschlagende Ideen mit einem riesigen
Profit, um das System interessant zu machen. Kurz gesagt gibt es
damit einen Marktplatz für Ideen. Heute gibt es das auch als
sogenannte Gründerszene in Deutschland (besonders in Berlin) aber
noch längst nicht in dem Umfang wie in den USA.


Das Gespräch dreht sich in weiten Kreisen und behandelt neben
Mathematik und ökonomischen Entscheidungen auch interessante
Beispiele aus 30 Jahren. Außerdem verlieren sie sich in
unterschiedlichsten Fragen rings um neue Techniken, die auch
einbeziehen, wie sich die Rolle von Autos für die Gesellschaft
ändert und ändern muss und wie der rechtliche Rahmen für den
Austausch von Informationen zwischen Fahrzeugen geregelt werden
müsste. Es ist eine schreckliche Vorstellung, wenn Autos für
Hackerangriffe anfällig sind. Anscheinend ist es aber nach wie
vor so, dass wir eher bereit sind, mit menschlichen Fehlern zu
leben als mit Fehlern, die Algorithmen machen, obwohl autonom
fahrende Fahrzeuge wohl viele Tote und verletzte Personen
vermeiden könnten.

Literatur und weiterführende Informationen

Wikipedia: Expected value of sample information

C. Howson & P. Urbach: Scientific Reasoning: The Bayesian
Approach (3rd ed.). Open Court Publishing Company. ISBN
978-0-8126-9578-6, 2005.

A.Gelman e.a.: Bayesian Data Analysis Third Edition. Chapman
and Hall/CRC. ISBN 978-1-4398-4095-5, 2013.

Yu, Angela: Introduction to Bayesian Decision Theory
cogsci.ucsd.edu, 2013.

Devin Soni: Introduction to Bayesian Networks, 2015.

Oliver Beige: The 4P's of Silicon Valley Risk Capital, ein
Tweetstorm, 2018.

G. Nuti, L. Rugama, A.-I. Cross: Efficient Bayesian Decision
Tree Algorithm, arXiv:1901.03214 stat.ML, 2019.


Podcasts

B. Sieker, S. Ritterbusch: Flugunfälle, Gespräch im
Modellansatz Podcast, Folge 175, Fakultät für Mathematik,
Karlsruher Institut für Technologie (KIT), 2018.
http://modellansatz.de/flugunfaelle

O. Beige, G. Thäter: Wahlprognosemodelle, Gespräch im
Modellansatz Podcast, Folge 149, Fakultät für Mathematik,
Karlsruher Institut für Technologie (KIT), 2017.
http://modellansatz.de/wahlprognosemodelle

O. Beige, G. Thäter: Mikroökonomik, Gespräch im Modellansatz
Podcast, Folge 140, Fakultät für Mathematik, Karlsruher Institut
für Technologie (KIT), 2017.
http://modellansatz.de/mikrooekonomik