Algorithmic Decision Making
Oktober 21, 2018
Aus dem Unterricht des CAS Disruptive Technologies mit Dozent Dr. Tim Nonner berichtet Lawrence Schmidmeier:
Die ganze Klasse ist schon sehr gespannt auf das interessante aber auch komplexe Thema, das bereits heute aber auch in der Zukunft vermehrt zum Einsatz kommt. Die Rede ist von Algorithmen.
Dr. Tim Nonner hat den Vormittag so aufgebaut, dass die Klasse zuerst Einblicke in die Theorie bekommt, bevor dann verschiedene Cases angeschaut werden.
Algorithmen
Schon heute werden Algorithmen „AI“ in verschiedenen Branchen angewendet. Automatische Entscheidungen werden beispielsweise im US-Traiding zu 75% automatisiert durchgeführt. Oder aber auch bei den Airlines. Jeder kennt den Kampf, wenn ein Flug über eine Plattform gebucht werden soll: Die Preise verändern sich dauernd. Die Rede ist hier von dynamischen Preisen, hinter dem auch wieder ein Algorithmus steckt. Nicht zuletzt basiert Amazon mit seinen Empfehlungen oder Google mit seinem SEA stark auf einem Algorithmus.
Tim fragt in die Klasse: “Sind diese Beispiele disruptive? Oder nicht?” Grosses Schweigen breitet sich im Klassenzimmer aus. Tim erklärt, dass gewisse Bereiche disruptive sind und andere eher nicht. Google ist ein gutes Beispiel für Disruption, denn sie haben das Internet mit ihrem Algorithmus total umgewälzt.
Was ist aber nun ein Algorithmus genau?
Der Algorithmus ist der missing Link zwischen Daten und Entscheidungen!
Grafische Darstellung Data, Algorithm, Decision
Warum brauchen wir dann überhaupt Algorithmen?
- Entscheidungen können optimal und schnell getroffen werden
- Der Entscheidungsprozess wäre für eine Person zu aufwendig
- Maschine ist besser und schneller
- Weniger politisch
- Der Mensch ist per se nicht rational und entscheidet sich oft für etwas falsches (weniger Intuition und Vorurteile)
Cognitive Biases
Der Begriff Cognitive Biases (Kognitive Verzerrung) steht für eine systematische fehlerhafte Neigung bei der Wahrnehmung, Erinnerung, Denkweise und Urteilsweise. Dies passiert meist unterbewusst.
- Anchoring ⇒Man bestimmt Preise aufgrund von anderen Preisen und vergleicht
- Disposition Effect ⇒ Wir verkaufen Sachen ungerne, die ihren Wert verloren haben. Beispiel Aktien: Wenn sie an Wert verliert versucht man, sie zu halten und umgekehrt
- Hot-hand fallacy ⇒Welcher Code wurde zufällig und welche von Hand erzeugt?
Binärcode händisch und zufällig erstellt
Es wird angenommen, dass die erste Sequenz zufällig erstellt wurde, weil sie abwechslungsreicher ist. Dies ist aber nicht so. Die erste Sequenz wurde händisch erstellt. Wir Menschen nehmen aber Sachen oft falsch an.
Daniel Kahneman, Wirtschaft Nobelpreisträger 2002, beschreibt einen Cognitive Biases wie folgt:
“For having integrated insights from psychological research into economic science, especially concerning human judgment and decision-making under uncertainty”
Nun kommen wir zum wichtigsten Teil: Dem Instrument für Decision Making. Gut anschauen für die Prüfung! Anhand von drei Schritten wird im Folgenden versucht, die Grafik zu erklären.
Einseitige Dimension
Einseitige Dimension – What? Why? How?
Entscheidungsprozesse werden automatisiert, wie wird vorgegangen?
- (What): Historische Daten werden analysiert. Habe ich gute Daten? Kann ich diese verwenden? 80% der Projekte befassen sich mit dem What
- (Why): In diesem Schritt wird versucht, aus den verlässlichen Daten, Ableitungen für die Zukunft vorherzusagen. Was passiert in der Zukunft?
- (How): Hier kommt es zu einem Ergebnis (eine Entscheidung), damit in der Zukunft etwas verbessert werden kann. Die wenigsten Projekte schaffen es bis zum How, nur ca. 1%
Das Prinzip kann auch auf eine Mehrseitige Dimension angewendet werden. Projekte können aufgrund des Levels der Entscheidung aufgeteilt werden in strategisch, taktisch oder operationale Dimensionen.
Mehrseitige Dimension
Mehrseitige Dimension – Strategic & Tactical
Im Folgenden wird auf paar Case Studies eingegangen, die wir im Unterricht angeschaut haben.
Case 1: Mitarbeiter auf Projekte zuteilen
Case 1 – Mitarbeiter auf Projekte zuteilen
Alice und Bob haben unterschiedliche Fähigkeiten. Wir sind die HR Abteilung und müssen Alice und Bob den unterschiedlichen Projekten zuordnen. Wie kann ich jetzt eine richtige Entscheidung treffen? Für eine Zuteilung wird geschaut, welche Kompetenzen die Mitarbeiter haben und welches Projekt sie favorisieren. Die Analyse der Fähigkeiten ist eine typische deskriptive Anwendung.
Bei einem einfachen Fall mit Bob und Alice, ist eine richtige Zuordnung relativ einfach. Wenn aber 100 Personen auf 100 Projekten zugeordnet werden müssen, ist dies händisch nicht mehr möglich. Wir brauchen einen Algorithmus, der diese Aufgabe für uns erledigt, wie zum Beispiel der gayle-shapley Algorithmus. Dieser Algorithmus wird auch bei Dating Matches zwischen Mann und Frau angewendet.
Eine weiterer Matching Algorithmus ist der Local Search Algorithmus. Hier beginnt man zuerst mit der Lösung und verändert diese so, dass man sich dadurch laufend verbessert.
Case 2: Pricing & Revenue Management
Case 2 – Pricing & Revenue Management
Das Pricing & Revenue Management wird oft bei Hotels, Booking und Flugbuchungen wie Skyscanner angewendet. Hier wird versucht herauszufinden, was für eine Person einkauft (Privat oder Business). Kriterien für eine Preissteigerung sind vergangene Daten von Buchungen oder Land, Kantone, Regionen, Saison, Tag und Uhrzeit und sogar Laptop Marke! Arme Apple User So wird versucht, die maximale Revenue zu erzielen.
Case 3: Inventory Management
Case 3: Inventory Management
Der Inventory Management Algorithmus wird im Bereich von Lagern und in der Logistik angewendet. Dadurch sollen die Bestellungen und die Lagerungen von Produkten optimiert werden. Lieferungen und Lagerkosten sind teuer und zeitaufwendig. Durch den Algorithmus soll versucht werden, einen optimalen Bestellvorgang zu entwickeln, so dass maximal verdient werden kann.
Dazu gab es in der Klasse eine Competition. Fünf Gruppen – Rot, Blau, Gelb, Grün und ein Roboter – traten gegeneinander an. Ziel war es Bier optimal über einen begrenzten Zeitraum zu bestellen. Wichtig war es, Lagerkosten, Wetterbedingungen zu berücksichtigen.
Gewinner: Es gab ein Unentschieden zwischen Team Rot und…. oh Wunder, natürlich dem Roboter mit seinem Algorithmus
Gruppen Game – Bier optimal bestellen