A. Reinhart "Statistics Done Wrong - Statistik richtig anwenden und gängige Fehler vermeiden"
Dec 312016Statistische Kenntnisse sind in der heutigen digitalen Welt immer bedeutsamer. Sei es im Bereich maschinellen Lernens, im Neuromarketing oder im operativen A/B-Testing innerhalb der Konversionsoptimierung, es geht immer um Wahrscheinlichkeit, Signifikanz und damit letztlich um den Ausschluss des Zufalls innerhalb eines Toleranzbereiches. Die Akzeptanz von Fehlern in einem gewissen Maße ist auch die Erklärung, warum ein toter Fisch im Hirnscanner plötzlich emotionale Züge zeigt - Schwellenwerte bzw. Zugeständnisse an Fehler und daraus resultierend akzeptierte falsche Positive. Der schönste A/B-Test ist sinnlos, wenn das Ergebnis nicht statistisch belastbar, die Stichprobe zu klein und die Teststärke unzureichend ist. Losgelöst von trockener Theorie greift das Buch elementare Fehler in der Dateninterpretation auf und erläutert anhand von Beispielen die statistischen Hintergründe, ohne selbst zu tief in die Mathematik einzusteigen. Nach dem Lesen dieses Buches werden Sie bei der Präsentation von Ergebnisses eines A/B-Tests mit kleiner Stichprobe nicht mit „Heureka, die haben jetzt aber einen extremen Wachstumshebel gefunden“ antworten, sondern mit „Sapperlot! Die Teststärke ist ja völlig unzureichend“. Der Blick für die Wahrheit in den Daten wird deutlich geschärft und viele publizierte Erkenntnisse werden nicht valide wirken bzw. Schwachstellen zeigen. Statistische Kenntnisse bieten im beruflichen Kontext die Grundlage, um Ergebnisse von Tests, Studien und Analysen tief greifend zu hinterfragen und damit die negativen Auswirkungen von voreilig getroffenen Entscheidungen zu minimieren. Waren es in der Schule noch vier Kugeln unterschiedlicher Farbe, die aus einer Urne gezogen wurden, und damit der Bezug vergleichsweise abstrakt, legt das Buch seinen Schwerpunkt auf die Anwendung im Untemehmens-/Forschungsumfeld. Obwohl der Schwierigkeitsgrad der einzelnen Kapitel zunimmt, bleibt es durch die Erläuterung anhand konkreter Beispiele verständlich. Durch klare Tipps zur Anwendung statistischer Verfahren und die damit verbundenen potenziellen Fehler werden diese nicht nur anschaulich, sondern auch inhaltlich relevanter. Eine gewisse Affinität zu Zahlen und Zusammenhängen sollte dennoch vorhanden sein - für „blutige“ Anfänger sicher eine harte Kost.