{"id":16557,"date":"2024-04-04T10:18:00","date_gmt":"2024-04-04T08:18:00","guid":{"rendered":"https:\/\/bdg.io\/de\/?p=16557"},"modified":"2026-03-24T13:21:01","modified_gmt":"2026-03-24T12:21:01","slug":"ki-in-der-datenanalyse","status":"publish","type":"post","link":"https:\/\/bdg.io\/de\/ki-in-der-datenanalyse\/","title":{"rendered":"KI in der Datenanalyse – LLM’s sind nicht die L\u00f6sung"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Okay, okay, wir machen mit. Lassen Sie uns \u00fcber KI in der Datenanalyse sprechen \u2013 insbesondere dar\u00fcber, warum\u00a0<\/span><\/strong>k\u00fcnstliche Intelligenz in Form von\u00a0<\/span>Large Language Models (LLMs) wie GPT und Gemini nicht gut mit Daten zurechtkommen, und wie sich das irgendwann \u00e4ndern k\u00f6nnte.\u00a0<\/span><\/strong><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

KI in der Datenanalyse, TLDR:<\/strong> LLM-KIs sind als k\u00fcnstliche neuronale Netze konzipiert, die auf Beziehungen und <\/span>Assoziationswahrscheinlichkeiten basieren. Das Problem dabei ist: Gesch\u00e4ftsdaten <\/span>basieren fast nie auf Assoziationswahrscheinlichkeiten \u2013 sie sind kausal … weil sie es sein m\u00fcssen<\/span>. Wenn Sie also GPT-3 mit einer Reihe von Zahlen f\u00fcttern, <\/span>wird es in seinem Datensatz nach “assoziierten Zahlen” suchen … und deshalb\u00a0<\/span>erfindet es st\u00e4ndig irgendwelche Fantasiezahlen. Je nachdem, was Sie erreichen <\/span>wollen, ist ein einfacher Algorithmus zur Hintergrundanalyse viel besser geeignet. <\/span>Irgendwann k\u00f6nnten wir aber erleben, wie KI die Assoziationswahrscheinlichkeiten <\/span>berechnet, um Ereignisse und Ergebnisse mit historischen, numerischen Daten zu <\/span>verkn\u00fcpfen \u2013 und dann werden die Vorhersagef\u00e4higkeiten deterministische Niveaus <\/span>erreichen … ob das so toll ist, wird sich noch zeigen.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

KI in der Datenanalyse: Zwischen Kausalit\u00e4t und Assoziation<\/span><\/strong><\/h3>


K\u00fcrzlich habe ich ChatGPT von OpenAI<\/a> gebeten, einen von mir geschriebenen Text zu <\/span>rezensieren. Die Antwort war detailliert, fair, koh\u00e4rent und intelligent \u2013 also sie war halt echt <\/span>brilliant.<\/span><\/p>

GPT ist ein \u201eLarge Language Model\u201c oder LLM. Wenn man es auf das Wesentliche reduziert, <\/span>ist es im Grunde ein Algorithmus, der gelernt hat, wie man spricht. Und hey: Der weltweite <\/span>Hype um die F\u00e4higkeiten dieser KI ist mehr als gerechtfertigt. Aber es wird nun zunehmend <\/span>versucht, sie in unterschiedlichen Kontexten einzusetzen. Einer davon ist unser Fachgebiet \u2013 <\/span>Datenanalyse, Forecasting, Planung und Prognosen. <\/span><\/p>

Naja und salopp gesagt: die Versuche, GPT-Versionen oder API-Aufrufe in Prognosemodelle\u00a0<\/span>einzuf\u00fchren, sind bisher kom\u00f6diantisch gescheitert. Vielleicht sollten wir also einmal dar\u00fcber <\/span>sprechen, was LLMs eigentlich sind und wie sie funktionieren.
<\/span><\/p>

1. Wie LLM’s funktionieren<\/strong><\/h4>

LLMs sind k\u00fcnstliche, vom Menschen korrigierte neuronale Netze. Sie sind \u2013 wie oben schon <\/span>gesagt \u2013 Algorithmen, die entwickelt wurden, um ein synapsenartiges Netz wahrscheinlicher\u00a0<\/span>Beziehungen und Assoziationen aufzubauen, die entweder durch den Vergleich mit dem <\/span>realen menschlichen Gebrauch oder einfach durch menschliche Redakteure direkt korrigiert <\/span>werden. Sie st\u00fctzen sich au\u00dferdem stark auf Datens\u00e4tze, die von Menschen erstellt wurden <\/span>und daher fehlerbehaftet sind.<\/span><\/p>

LLM-KIs sind Assoziierungs-Pros: Sie spielen ein gigantisches Spiel \u201eAssoziation\u201c mit n-<\/span>Grammen, Buchstaben, W\u00f6rtern, Wortgruppen, Abs\u00e4tzen usw. Wenn man also einem LLM einen <\/span>Buchstaben gibt, sagen wir: E, wird es die h\u00e4ufigsten Fakten \u00fcber E aufrufen, die h\u00e4ufigsten <\/span>W\u00f6rter finden, die mit E beginnen, mit E enden und die W\u00f6rter, die die meisten Es enthalten, <\/span>sowie W\u00f6rter, die lose mit E verbunden sind, wie z.B. “Alphabet” und nat\u00fcrlich alles, was <\/span>daran gekn\u00fcpft ist, und so weiter … <\/span>Das LLM “verbindet die Punkte”, von denen es glaubt, <\/span>dass die Wahrscheinlichkeit einer Assoziation am gr\u00f6\u00dften ist \u2013 basierend auf dem fr\u00fcheren\u00a0<\/span>menschlichen Gebrauch im Datensatz \u2013, und wird schlie\u00dflich eine Antwort aus den <\/span>Informationen geben, die es f\u00fcr die relevantesten h\u00e4lt. Dadurch simuliert es etwas, das wir <\/span>als linguistische Intelligenz zu erkennen glauben. Sie kann auch Gegens\u00e4tze erkennen und <\/span>Ausrei\u00dfer im Assoziationsnetz leicht identifizieren, also so etwas wie eine rhetorische Logik <\/span>entwickeln.<\/span><\/p>

Sprache ist aber nicht logisch im klassischen Verst\u00e4ndnis, also nicht mathematisch logisch. <\/span>Sie basiert ausschlie\u00dflich auf Beziehungen, Assoziationen, Kontext und Konventionen. Und Daten halt nicht \u2013 denn darum geht es ja gerade: Datenanalysen sollen objektiv, austauschbar und mathematisch korrekt sein. Daten, die je nach der relativen Position des Betrachters eine andere Bedeutung haben, sind unglaublich schwer effektiv zu nutzen, und wir versuchen, Formate zu standardisieren und clevere Wege zu finden, um saubere, objektive Wahrheiten aus ihnen herauszuholen, wo immer wir k\u00f6nnen.<\/span><\/p>

2. Wie wollen wir KI in der Datenanlyse eigentlich nutzen?<\/strong><\/h4>

Beim Sammeln und Analysieren von Daten geht es immer darum, Schlussfolgerungen zu <\/span>ziehen und darauf basierend Vorhersagen zu machen, und daf\u00fcr brauchen wir g\u00fcltige, <\/span>saubere und korrekte Daten, die mathematisch kausal sind \u2013 bis zu dem Punkt, an dem sie <\/span>eine numerische Darstellung von Ursache-Wirkungs-Ketten sind. Denn es geht uns ja genau <\/span>darum, diese Kausalketten auszunutzen: Das ist das Ziel und die Begr\u00fcndung unserer <\/span>Datensammelwut \u2013 wir machen das ja nicht einfach so.<\/span><\/p>

Und vielleicht m\u00fcssen wir an dieser Stelle mit der Diskussion beginnen: Was soll KI\u00a0<\/span>eigentlich f\u00fcr uns tun? Lassen Sie sich nicht t\u00e4uschen, das ist eine rhetorische Frage: <\/span>Nat\u00fcrlich wollen wir, dass die k\u00fcnstliche Intelligenz der menschlichen Intelligenz die Arbeit <\/span>abnimmt … sofern sie besser ist.<\/span><\/p>

Im Zusammenhang mit der Steuerung von Controllingsoftware bedeutet dies, dass die KI die <\/span>Daten analysieren, Schlussfolgerungen daraus ziehen und darauf basierende Vorhersagen <\/span>im Kontext aktueller wirtschaftlicher, kultureller und politischer Bedingungen treffen sowie die <\/span>gelegentliche Suez-Kanal-Krise ber\u00fccksichtigen muss. Um dann, mit all dem im Hinterkopf, <\/span>die Budgets um ein angemessenes Ma\u00df zu erh\u00f6hen oder zu k\u00fcrzen.<\/span><\/p>

Gro\u00dfe Sprachmodelle sind noch nicht in der Lage, Daten effektiv zu analysieren \u2013 weil sie <\/span>statt nach mathematischen Kausalit\u00e4ten nach sprachlichen Assoziationen suchen.<\/span><\/p>

Und genau das ist der Grund, warum wir so verliebt in sie sind. Eine technische Nachbildung <\/span>der sprachlichen Intelligenz ist so kompliziert, dass wir vergessen haben, dass die <\/span>Nachahmung der mathematischen Intelligenz Im Grunde die Basis der Computertechnologie <\/span>war. Denn wenn man einer anst\u00e4ndigen Rechensoftware <\/span>eine mathematische Formel <\/span>vorgibt, antwortet sie einfach sofort richtig.<\/span><\/p>

Um bei diesem Beispiel zu bleiben: Ein Large Language Model zu bitten, Ihre <\/span>Gesch\u00e4ftsdaten zu analysieren, ist so, als w\u00fcrde man eine Rechensoftware bitten, einen <\/span>Witz zu erz\u00e4hlen. Daf\u00fcr ist es nicht gedacht, und es wird auch nicht exzellent darin sein \u2013 no <\/span>pun intended.<\/span><\/p>

3. Wie wird LLM-KI Business Intelligence und Prognosen beeinflussen?<\/span><\/strong><\/h4>

LLM-KI gl\u00e4nzt \u00fcberall dort, wo es darum geht, Informationen aus menschlichen\u00a0<\/span>Kommunikationsmustern herauszuholen. Sie erweisen sich als sehr n\u00fctzlich, wenn es darum <\/span>geht, konzeptionelles Wissen zu erlangen und Trends zu erkennen. Wenn Sie beispielsweise <\/span>ein LLM befragen, das sich auf einen aktuellen Datensatz st\u00fctzt, erhalten Sie schnell <\/span>Einblicke in wirtschaftliche, politische oder kulturelle Trends auf globaler Ebene. Nutzen Sie\u00a0<\/span>es, um Hintergrundinformationen f\u00fcr Ihre Planungsprozesse zu erhalten! Welches sind die <\/span>wahrscheinlichsten Modetrends f\u00fcr das n\u00e4chste Jahr? Welches ist das meistdiskutierte\u00a0<\/span>K\u00fcchenger\u00e4t? Was kritisieren die meisten Kunden an unserem Produkt oder dem Produkt <\/span>eines Wettbewerbers? Die globalen M\u00e4rkte werden so stark von Massenpsychologie und <\/span>Kommunikation getrieben, dass es mit den richtigen Prompts vielleicht sogar gelingt, das\u00a0<\/span>relative Vertrauen der Konsumenten in einen Wirtschaftsraum oder eine W\u00e4hrung zu <\/span>ermitteln.<\/span><\/p>

Kurz gesagt: Nutzen Sie LLMs f\u00fcr das, wof\u00fcr sie gedacht sind \u2013 zum Verstehen der <\/span>menschlichen Kommunikation.<\/span><\/p>

Wenn es um Planungs- und Forecasting-Software geht, gibt es vielleicht einen API-Aufruf, <\/span>um Kommentare in einen Plan einzuf\u00fcgen oder den Kontext f\u00fcr eine Version bereitzustellen, <\/span>aber nichts wirklich Revolution\u00e4res. Ein bisschen Spekulation: Mittel- bis langfristig k\u00f6nnten <\/span>wir LLMs sehen, die dasselbe tun wie Menschen \u2013 intuitiv zwischen objektiven Daten und <\/span>assoziativen Wahrscheinlichkeiten unterscheiden. Und sobald dieser Schritt gelungen ist, <\/span>k\u00f6nnten wir KI erleben, die assoziative Wahrscheinlichkeitsfunktionen nutzen kann, um die <\/span>kausalen Kettenreaktionen von Ereignissen im Kontext der menschlichen Interaktion, <\/span>Kommunikation und Psychologie zu berechnen. Im Grunde also: Algorithmen, die Vergleiche <\/span>zu historischen Ereignissen anstellen, historische Daten analysieren und auf dieser <\/span>Grundlage Vorhersagen treffen \u2013 und zwar auf einer Ebene, die detaillierter und\u00a0<\/span>aufschlussreicher ist, als es ein Mensch je k\u00f6nnte.<\/span><\/p>

Nur: Die daf\u00fcr ben\u00f6tigte Rechenleistung ist immens, und die ethischen Implikationen sind <\/span>unkalkulierbar \u2013 das wird also noch eine Weile nicht \u00f6ffentlich verf\u00fcgbar sein.<\/span><\/p>

In der Zwischenzeit k\u00f6nnen Sie vergleichsweise einfache statistische Analysemodelle<\/a> im\u00a0<\/span>Hintergrund Ihrer Datenlandschaft nutzen, um Ausrei\u00dfer zu erkennen und die <\/span>Wahrscheinlichkeit kausaler Zusammenh\u00e4nge zu berechnen \u2013 f\u00fcrs Erste ist das <\/span>wahrscheinlich eine viel bessere L\u00f6sung. Was nicht hei\u00dft, dass Sie Ihr System nicht future-<\/span>proof gestalten sollten.<\/span><\/p>

Denn es bleibt dabei: Wenn datengesteuerte, pr\u00e4diktive KI mit linguistischen F\u00e4higkeiten und <\/span>ausreichender Rechenleistung auf den Markt kommt, wird jeder, der nicht in der Lage ist, sie <\/span>sofort zu integrieren, bei jeder Entscheidung von der Konkurrenz und dem Markt selbst <\/span>\u00fcberholt werden.<\/span><\/p>

4. Wie sollten wir uns auf KI in der Datenanalyse vorbereiten?<\/strong><\/h4>

Gl\u00fccklicherweise ist die Vorbereitung auf dieses Ereignis recht einfach und entspricht allgemein vern\u00fcnftigen Gesch\u00e4ftspraktiken: Bringen Sie Ihre Daten in Ordnung, implementieren Sie ein effektives Business-Intelligence-System mit Planungsfunktionen, minimieren Sie den manuellen Aufwand und halten Sie offene APIs f\u00fcr die sp\u00e4tere Integration von wirklich pr\u00e4diktiver KI bereit. Brauchen Sie dabei Hilfe? Nun, daf\u00fcr sind wir ja da. Sprechen Sie uns einfach an<\/a><\/strong> \u2013 <\/span>wir freuen uns auf Sie!\u00a0\u00a0<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

Okay, okay, wir machen mit. Lassen Sie uns \u00fcber k\u00fcnstliche Intelligenz in der Datenanalyse sprechen \u2013 insbesondere dar\u00fcber, warum Large Language Models (LLMs) wie GPT und Gemini nicht gut mit Daten zurechtkommen, und wie sich das irgendwann \u00e4ndern k\u00f6nnte.<\/p>\n","protected":false},"author":21,"featured_media":16805,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-16557","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-better-insights"],"_links":{"self":[{"href":"https:\/\/bdg.io\/de\/wp-json\/wp\/v2\/posts\/16557","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/bdg.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/bdg.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/bdg.io\/de\/wp-json\/wp\/v2\/users\/21"}],"replies":[{"embeddable":true,"href":"https:\/\/bdg.io\/de\/wp-json\/wp\/v2\/comments?post=16557"}],"version-history":[{"count":44,"href":"https:\/\/bdg.io\/de\/wp-json\/wp\/v2\/posts\/16557\/revisions"}],"predecessor-version":[{"id":19084,"href":"https:\/\/bdg.io\/de\/wp-json\/wp\/v2\/posts\/16557\/revisions\/19084"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/bdg.io\/de\/wp-json\/wp\/v2\/media\/16805"}],"wp:attachment":[{"href":"https:\/\/bdg.io\/de\/wp-json\/wp\/v2\/media?parent=16557"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/bdg.io\/de\/wp-json\/wp\/v2\/categories?post=16557"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/bdg.io\/de\/wp-json\/wp\/v2\/tags?post=16557"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}