Auswahlverzerrung

Bias in Daten bewältigen

Konstantinos Kattidis

Data Analytics Lead

Was ist Auswahlverzerrung?

Eine Verzerrung, die entsteht, wenn Daten für die Analyse so ausgewählt werden, dass sie systematisch bestimmte Personen, Gruppen oder Merkmale begünstigen

Diagramm zeigt eine Population, die sich von der Stichprobe unterscheidet.

Dadurch ist die Stichprobe nicht repräsentativ für die Zielpopulation

Schauen wir uns die fünf häufigen Arten der Auswahlverzerrung an

1. Stichprobenverzerrung

Stichprobenverzerrung entsteht, wenn die Stichprobenmethode nicht fair oder zufällig ist
Sie rührt von der Vorgehensweise her, mit der wir die Stichprobe ziehen, und kann die Übertragbarkeit auf die Population erschweren oder verhindern
Zum Beispiel:
- Eine E‑Commerce‑Plattform misst Zufriedenheit mit Convenience Sampling
- Die Ergebnisse spiegeln ggf. nicht die gesamte Kundschaft wider

Person überlegt, welche Stichprobenmethode zu nutzen ist

2. Undercoverage-Verzerrung

Beispiel: Marktforschung zu Online-Konsumierenden, Personen ohne Internetzugang werden ausgeschlossen
Undercoverage-Verzerrung zeigt die unzureichende Abdeckung bestimmter Gruppen in der Stichprobe
Sie unterscheidet sich von Stichprobenverzerrung: Fokus auf Gruppenrepräsentation, nicht auf Zufälligkeit/Fairness der Methode

Forschende ignorieren Konsumierende ohne Internetzugang

3. Non-Response-Bias

Non-Response-Bias entsteht, wenn sich Nicht-Teilnehmende systematisch von Teilnehmenden unterscheiden

Zufriedenheitsumfrage: Befragte sind zufrieden, Nicht-Befragte unzufrieden

In einer Umfrage zur Mitarbeiterzufriedenheit nehmen Unzufriedene seltener teil
Das führt zu einem zu optimistischen Bild der Stimmung

4. Selbstselektion

Analyst untersucht Ergebnisse, die durch Selbstselektion verzerrt sind

Selbstselektion entsteht, wenn Personen freiwillig teilnehmen oder Feedback geben
Zum Beispiel:
- Kund:innen wählen sich für eine Zufriedenheitsumfrage selbst aus
- Ihre Ansichten repräsentieren nicht die gesamte Kundschaft
- Das verzerrt die Gesamtwahrnehmung

5. Survivorship Bias

Tritt auf, wenn nur erfolgreiche Fälle in die Analyse einbezogen werden

Zum Beispiel:

Analyse erfolgreicher Produkteinführungen ohne die gescheiterten zu berücksichtigen
Das führt zu verzerrten Einsichten und übersieht Faktoren, die zum Scheitern beitragen

Person analysiert erfolgreiche Produkte und ignoriert gescheiterte

Ein ganzheitliches Verständnis schaffen

Unausgeglichene Waage mit Fragezeichen

Oft wirken mehrere Verzerrungen zusammen und erschweren Analysen
Eine Kundenzufriedenheitsumfrage kann z. B. Selbstselektion und Non-Response-Bias aufweisen

Lass uns üben!

Bias in Daten bewältigen