SEMINAR
WAS WAR NOCH MAL... sta | tis | ti | sche
VON AMY GALLO
Wenn Sie ein Experiment machen oder Daten auswerten, möchten Sie wissen, ob Ihre Forschungsergebnisse signifikant sind. Aber die Tatsache, dass sie vielleicht betriebswirtschaftlich relevant sind( anders ausgedrückt: dass sie praktische Signifikanz besitzen), ist nicht gleichzusetzen mit statistischer Signifikanz. Darunter verstehen wir die Gewissheit, dass die Ergebnisse nicht auf purem Zufall beruhen. Das ist ein wichtiger Unterschied. Leider wird statistische Signifikanz in Unternehmen oft missverstanden und falsch verwendet. Doch weil Unternehmen heute wichtige wirtschaftliche Entscheidungen zunehmend mithilfe von Daten treffen, ist das Verständnis dieses Konzepts für Manager so wichtig.
WOFÜR BRAUCHEN WIR SIE?
„ Statistische Signifikanz hift uns zu quantifizieren, ob ein Ergebnis eher zufällig zustande gekommen ist oder von einem bestimmten Faktor beeinflusst wurde“, sagt Tom Redman, Unternehmensberater und Autor mehrerer Bücher über Datenmanagement. Wenn das Ergebnis signifikant sei, können Sie davon ausgehen, dass es dauerhaft gültig ist – und nicht nur, dass Sie ein gutes( oder schlechtes) Händchen bei der Auswahl der Stichprobe hatten.
Wenn Sie ein Experiment, eine Studie, eine Umfrage durchführen oder einen Datensatz analysieren, nehmen Sie eine Stichprobe der Gruppe, an der Sie interessiert sind. Sie schauen sich also bewusst nicht jeden möglichen
Datenpunkt an. Nehmen wir zum Beispiel eine Marketingkampagne: Sie haben ein neues Konzept entwickelt und wollen überprüfen, ob es besser funktionieren würde als Ihr aktuelles. Natürlich können Sie es nicht jedem Zielkunden zeigen, deshalb bestimmen Sie eine Gruppe von Kunden als Stichprobe.
Bei der Auswertung zeigt sich nun, dass Zielkunden, die die neue Kampagne gesehen haben, im Schnitt 10,17 Dollar ausgeben. Kunden, die nur die alte Kampagne kennen, geben dagegen lediglich 8,41 Dollar aus. Diese Differenz von 1,76 Dollar mag auf den ersten Blick groß und bedeutend aussehen. Aber es könnte sein, dass Sie einfach nur Pech hatten und die Probanden nicht repräsentativ für die Gesamtbevölkerung waren. Womöglich gab es gar keinen wesentlichen Unterschied zwischen den beiden Kampagnen und ihrem Einfluss auf das Kaufverhalten. Dieses Phänomen nennt sich Standard- oder Stichprobenfehler. Sie werden es bei jedem Test bekämpfen müssen, für den Sie nicht die gesamte für Sie interessante Bevölkerung einbinden können.
Standardfehler gehen hauptsächlich auf zwei Faktoren zurück: Größe der Stichprobe und Streuung der Grund- gesamtheit. Warum die Größe der Stichprobe so wichtig ist, lässt sich intuitiv verstehen. Stellen Sie sich vor, Sie werfen eine Münze fünfmal in die Luft oder 500-mal. Je häufiger Sie werfen, desto weniger wahrscheinlich ist es, dass am Ende „ Kopf“ deutlich überwiegt. Das Gleiche gilt für statistische Signifikanz: Je größer die Stichprobe, desto geringer die Gefahr, dass Ihr Ergebnis nur di e
Zufallswahrscheinlichkeit abbildet. Unter ansonsten gleichen Bedingungen können Sie größeres Vertrauen in die Genauigkeit der 1,76-Dollar-Differenz setzen, wenn 1000 Kunden die neue Kampagne gesehen haben statt nur 25. Die statistische Streuung ist etwas schwieriger zu durchdringen, doch wer als Manager mit Daten zu tun hat, sollte verstehen, worum es hier geht. Die Grafiken unten zeigen zwei unterschiedliche Verteilungen von Kundenkäufen bei
GERINGE STREUUNG
Anzahl der Kunden
Ausgabenhöhe
GRÖSSERE STREUUNG
Anzahl der Kunden
Ausgabenhöhe Quelle: Thomas C. Redman
102 HARVARD BUSINESS MANAGER JULI 2017