Datenbasierte Entscheidung und öffentliche Datenanalyse

Gewinne:

• Erkennt die Qualität, Vertraulichkeit und Interpretationsrisiken bei der Arbeit mit Daten und richtet einen sicheren Analysefluss ein.
• Es wählt den richtigen Indikator für einen bestimmten Zweck aus und unterscheidet zwischen irreführenden Einzelindikatoren und Messungen, die anfällig für Manipulationen sind.
• Es erkennt irreführende Diagrammtechniken (Achse beginnt nicht bei Null, gewählter Bereich) und beobachtet eine ehrliche Visualisierung.

Die Öffentlichkeit produziert täglich Daten: Antragszahlen, Lösungszeiten, Budgetposten, Bevölkerungsbewegungen, Serviceanfragen, Auditergebnisse, Zufriedenheitsumfragen. Die meisten dieser Daten befinden sich in Excel-Tabellen, Formularen und Aufzeichnungssystemen, werden jedoch nicht in Entscheidungen umgesetzt – da ihre Analyse Fachwissen und Zeit erfordert. Datenbasierte Entscheidungsfindung (ein Ansatz zur Zuweisung von Ressourcen und zur Festlegung von Richtlinien auf der Grundlage gemessener Erkenntnisse und nicht auf Meinungen oder Gewohnheiten) erhöht sowohl die Effizienz als auch die Fairness im öffentlichen Sektor: Ressourcen gehen dorthin, wo sie zahlenmäßig am meisten benötigt werden. Hier ist KI ein leistungsstarker Assistent, der eine Tabelle versteht, Muster und Anomalien findet, zusammenfassende Statistiken extrahiert und die Ergebnisse in einfache Sätze übersetzt. In dieser Einheit erfahren Sie, wie Sie mit KI den Weg von öffentlichen Rohdaten zu einer vertretbaren Entscheidung verkürzen und im wichtigsten Aspekt diszipliniert bleiben – der korrekten Interpretation der Zahl.

Drei Gefahren bei der Arbeit mit Daten

Daten sind mächtig, aber sie bergen drei Fallen, und KI kann diese Fallen sowohl abschwächen als auch vergrößern:

1. Korrelation ≠ Kausalität. Nur weil sich zwei Dinge gemeinsam ändern, heißt das nicht, dass das eine das andere verursacht. Eisverkauf und Ertrinken nehmen zu – weil beides mit der Sommerhitze zusammenhängt und nicht das eine das andere verursacht. KI konstruiert fließend „Weil“-Sätze; Stellen Sie jeden Anspruch auf Kausalität in Frage.
2. Voreingenommene/fehlende Daten. Von wem und wie wurden die Daten erhoben? Die Beschwerdedaten spiegeln nur diejenigen wider, die sich beschweren können. digitale Bewerbungsdaten diejenigen mit Zugang zum Internet. Wenn Sie die fehlende Gruppe nicht sehen, ist die Entscheidung voreingenommen.
3. Nummer ohne Kontext. Allein „um 30 % erhöht“ ist bedeutungslos: Was, in welchem ​​Zeitraum, wie hoch ist die absolute Zahl? Fragen Sie die KI nach Kontext.

Achtung: Während die KI die von Ihnen bereitgestellte Tabelle analysiert, fügt sie manchmal „vernünftige“, aber fiktive Zahlen von außerhalb der Tabelle hinzu oder füllt die fehlenden Zellen stillschweigend aus. Vergleichen Sie jede Ausgabenummer mit der Quelltabelle. Geben Sie der KI die Regel „Verwenden Sie nur die Werte in der Tabelle, die ich Ihnen gebe, wenn sie fehlen, sagen Sie ‚Keine Daten‘“.

Schritt-für-Schritt-Datenanalyseablauf

1. Klären Sie die Frage. Auf welche Frage suchen wir Antworten für die Entscheidung? („In welcher Nachbarschaft dauert die Lösungszeit am längsten?“)
2. Kennen Sie die Daten. Was sind die Spalten, was ist die Einheit, was ist der Zeitraum, gibt es fehlende/falsche Werte?
3. Persönliche Daten extrahieren. Anonymisieren/aggregieren, wenn die individuelle Identifizierung für die Analyse nicht erforderlich ist (siehe Einheit 11).
4. Zusammenfassung und Muster entstehen. Lassen Sie die KI grundlegende Statistiken, Gruppierungen und Anomaliemarkierungen durchführen.
5. Stellen Sie den Kommentar in Frage. Korrelation oder Kausalität? Alternative Erklärung? Fehlende Gruppe?
6. Visualisieren und vereinfachen. Eine einfache Zusammenfassung und Grafik, die der Entscheidungsträger verstehen kann.
7. Dokumentieren Sie die Entscheidung und ihre Begründung. Welche Entscheidung wurde aufgrund welcher Daten getroffen? Audit-Trail.

drei Mini-Koffer

Fall 1 – Die Quelle ist an der richtigen Stelle gelandet. In der Vergangenheit verteilte eine Gemeinde ihr Parkpflegebudget „gleichmäßig auf alle Stadtteile“. Bei der Analyse der Nachfrage- und Nutzungsdaten über 18 Monate mit KI ergab sich, dass die Pro-Kopf-Nachfrage der drei Stadtteile das 2,4-fache des Durchschnitts betrug. Das Budget wurde je nach Bedarf umverteilt; Die Gesamtzufriedenheit stieg ohne zusätzlichen Aufwand.

Fall 2 – Es wurden verzerrte Daten festgestellt. Eine Behörde würde sich digitale Antragsdaten ansehen und zu dem Schluss kommen, dass „die Bürger nicht mehr zur Mautstelle kommen.“ Als in der Analyse jedoch die Altersaufschlüsselung abgefragt wurde, zeigte sich, dass Bewerbungen über 65 Jahre immer noch überwiegend über den Schalter kamen. Wenn nur digitale Daten betrachtet würden, würde diese Gruppe ignoriert; Der Kassenservice blieb erhalten.

Fall 3 – Die künstliche Kausalität wurde gestoppt. Bei der Interpretation einer Tabelle sagte YZ: „Die Zahl der Unfälle ging zurück, weil die Zahl der Inspektionen zunahm.“ Der Analyst erinnerte daran, dass sich im gleichen Zeitraum auch das Wetter änderte und der Verkehr abnahm; Es einer einzigen Ursache zuzuschreiben, war irreführend. Der Bericht wurde mit der Aussage korrigiert: „Es besteht ein Zusammenhang, der Kausalzusammenhang wurde jedoch nicht nachgewiesen.“

Vier kopierbare Vorlagen

1) Den Tisch kennenlernen:

Ihre Rolle: Datenanalyst. Untersuchen Sie die Tabelle unten und fassen Sie NUR basierend auf den Werten in dieser Tabelle Folgendes zusammen: (1) Fassen Sie zusammen, was jede Spalte ist, welche Einheit und Periode sie hat, (2) alle Zellen, die fehlen/falsch erscheinen, (3) die drei auffälligsten Muster zusammenfassen. Zahlen von außerhalb der Tabelle hinzufügen; Wenn sie fehlen, sagen Sie „keine Daten“. TABELLE: [Daten einfügen]

2) Zusammenfassende Statistiken mit Kontext:

Beantworten Sie die folgende Frage aus der folgenden Tabelle: [Frage]. Das Ergebnis MUSS im Kontext angegeben werden: absolute Zahl + Rate + Vergleichszeitraum. Wenn Sie „um X % erhöht“ sagen, geben Sie an, in welchem ​​Umfang und in welchem ​​Zeitraum. Verwenden Sie einfach die angegebenen Daten.TABELLE: [Daten] FRAGE: [Frage]

3) Kausalitätsfragesteller:

Interpretieren Sie den folgenden Befund, aber ACHTUNG: Verwechseln Sie Korrelation nicht mit Kausalität. Generieren Sie mindestens 3 alternative Erklärungen für diesen Zusammenhang (dritte Variable, umgekehrte Richtung, Zufall). Sagen Sie mir, welche zusätzlichen Daten zum Nachweis der Kausalität erforderlich sind. ERGEBNIS: [Beziehung]

4) Einfache Zusammenfassung der Entscheidung:

Vereinfachen Sie die folgende Analyse für einen Entscheidungsträger, der kein Datenexperte ist: nicht mehr als 5 Elemente, jedes Element ein Ergebnis und eine Erklärung „Was bedeutet das?“. Schreiben Sie auch die Unsicherheiten und Grenzen der Daten deutlich auf. Neue Informationen hinzufügen.ANALYSE: [Text]

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwach: „Analysieren Sie dieses Diagramm und sagen Sie uns, was wir tun sollen.“

Strong: „Ihre Rolle ist Datenanalyst. Verwenden Sie NUR die Tabelle unten; fügen Sie keine Zahlen von außen hinzu, sagen Sie „keine Daten“ zur fehlenden Zelle. Machen Sie sich zunächst mit den Spalten, Einheiten und dem Zeitraum vertraut. Beantworten Sie dann die Frage „Welche Nachbarschaft hat die längste Lösungszeit“ mit absoluter Zahl + Verhältnis + Vergleichszeitraum. Wenn Sie ein Muster finden, überlegen Sie sich drei alternative Erklärungen, bevor Sie es mit Kausalität erklären. Listen Sie abschließend die Punkte und Grenzen der Daten auf (fehlende Gruppe, kurzer Zeitraum), die uns die Entscheidung überlassen.“

Unterschied: Starke Eingabeaufforderung stellt Datentreue, Kontext, Kausalitätsdisziplin und Entscheidungsgrenze zusammen; Das Ergebnis ist eine vertretbare Analyse.

Wo kann man KI im Datengeschäft vertrauen?

Geschäft

KI-Vertrauen

Regel

Tabellenzusammenfassung, Gruppierung

hoch

Nur Daten angegeben

Anomalie/Mustermarkierung

mittel

menschliche Bestätigung

Kausalitätsinterpretation

niedrig

Eine alternative Erklärung ist erforderlich

Fehlende Daten ergänzen

zu niedrig

Lass es nicht geschehen; „keine Daten“

Vereinfachung/visuelle Zusammenfassung

hoch

Der Sinn muss erhalten bleiben

Indikatordesign und irreführende Diagrammfalle

Der wichtigste Schritt beim Treffen von Entscheidungen mit Daten ist die Wahl des richtigen Indikators (der numerische Ausdruck, der ein Phänomen messbar macht – zum Beispiel „durchschnittliche Bearbeitungszeit“ oder „Kosten pro Antrag“). Der falsche Indikator führt selbst bei korrekten Daten zur falschen Entscheidung: Während die „Gesamtzahl der gelösten Schadensfälle“ offenbar zunimmt, könnte sich die „Wartezeit pro Bürger“ verschlechtern. KI kann Kandidatenindikatoren für ein Thema auflisten und angeben, was jeder einzelne misst und verbirgt. Aber Sie entscheiden, welcher Indikator wirklich das öffentliche Interesse repräsentiert. Seien Sie sich auch der Gefahr einer irreführenden Visualisierung (verzerrte Wahrnehmung durch Techniken wie die Achse, die nicht bei Null beginnt, unverhältnismäßiger Maßstab, ausgewähltes Zeitintervall) in den Diagrammen bewusst, die die KI vorschlägt oder beschreibt; Ehrliche visuelle Darstellung öffentlicher Daten ist Teil der Governance.

Mini-Fall – falsches Zeichen, falsche Prahlerei. Eine Einheit brach Rekorde beim Indikator „Anzahl der pro Monat geschlossenen Akten“; aber die Beschwerden der Bürger nahmen zu. Betrachtet man den genauen Indikator, die „Erstkontakt-Lösungsrate“, sank die Rate von 58 Prozent auf 44 Prozent – ​​Akten wurden schnell geschlossen und wieder geöffnet. Mit der Änderung des Indikators änderte sich auch die Verwaltungspriorität.

Mini-Fall – Achse, die nicht bei Null beginnt. In der in einer Präsentation beschriebenen Grafik AI beginnt die vertikale Achse bei 40, ein Anstieg um 2 Prozent schien ein dramatischer Sprung zu sein. Als die Achse auf Null bewegt wurde, entstand das reale Bild und die Entscheidung wurde aus der übertriebenen Wahrnehmung eliminiert.

Vorlage, die die Indikatorauswahl unterstützt:

Aufgabe: Schlagen Sie 5 mögliche Indikatoren für den folgenden Zweck vor.Zweck: [z.B. Verbesserung der Servicequalität für die Bürger]Für jeden Indikator: was er misst | was kann es verbergen | Offenheit für Manipulation | empfohlene Lesehäufigkeit. Als nächstes: Schreiben Sie 3 Warnungen (die für sich genommen irreführend sind), um diese Indikatoren gemeinsam zu lesen. Regel: Geben Sie keine Zahlen an; Schlagen Sie einfach ein Indikatordesign vor.

Achtung: Verfallen Sie nicht dem Irrglauben, dass „Zahl objektiv ist“. Welche Zahl Sie messen, wie Sie sie anzeigen und welchen Bereich Sie wählen, ist eine Frage der Interpretation. Eine transparente und ehrliche öffentliche Interpretation ist ebenso wichtig wie genaue Daten.

Häufige Fehler

• Korrelation mit Kausalität verwechseln. „Gemeinsam erhöht“ ist nicht die Ursache; Suchen Sie nach alternativen Erklärungen.
• Fehlende Daten durch KI ergänzen lassen. Die Analyse bricht mit einem erfundenen Wert zusammen; Lass das Fehlende fehlen.
• Verallgemeinerung verzerrter Daten. Beschwerden/digitale Daten repräsentieren nicht jeden; Fragen Sie die fehlende Gruppe ab.
• Darstellung der Zahl ohne Kontext. Neben dem Verhältnis sollten eine absolute Zahl und ein Vergleichszeitraum angegeben werden.
• Unnötige Analyse personenbezogener Daten. Verwenden Sie keine individuelle Identifizierung, wenn aggregierte Daten ausreichend sind.
• Die Entscheidung wird nicht dokumentiert. Welche Entscheidung wurde getroffen, basierend darauf, welche Daten für die Prüfung erfasst werden sollten?

Zusammenfassend

Datenbasierte Entscheidungsfindung ist die wirkungsvollste Möglichkeit, Ressourcen im öffentlichen Sektor gerecht und effizient zu verteilen; KI ist in diesem Geschäft ein schneller Assistent, der das Bild versteht, Muster findet und das Finden vereinfacht. Aber lassen Sie die KI keine Zahlen erfinden, lassen Sie sie keine fehlenden Daten ergänzen, lassen Sie nicht zu, dass sie Korrelation mit Kausalität verwechselt, und vermeiden Sie die Verallgemeinerung voreingenommener/unvollständiger Daten. Es gibt Stärke in Zahlen; Wer es richtig interpretiert und die Entscheidung dokumentiert, ist stärker.

Anwendungsaufgabe

Holen Sie sich eine echte (persönliche Daten entfernte) Tabelle von Ihrer Einheit. Stellen Sie die Daten mit der Vorlage „Tabelle kennenlernen“ vor und lassen Sie sich anschließend mit der Vorlage „Kontextbezogene zusammenfassende Statistik“ eine für die Entscheidung wichtige Frage beantworten. Wenden Sie die Vorlage „Ursachenfragesteller“ auf eine entstehende Beziehung an und finden Sie mindestens eine alternative Erklärung. Überprüfen Sie, ob die KI Zahlen von außerhalb der Tabelle hinzufügt.

Checkliste

• [ ] Die KI hat nur die angegebene Tabelle verwendet; Er fügte keine Zahlen von außen hinzu.
• [ ] Ich habe die fehlenden Daten nicht ausgefüllt; Ich habe es als „keine Daten“ belassen.
• [ ] Ich habe jedes Ergebnis mit Kontext dargestellt (absolute Zahl + Rate + Zeitraum).
• [ ] Ich habe eine alternative Erklärung zu den Kausalitätsbehauptungen vorgelegt.
• [ ] Ich habe das Risiko voreingenommener/fehlender Daten und der fehlenden Gruppe bewertet.
• [ ] Ich habe die Entscheidung und die ihr zugrunde liegenden Daten dokumentiert.