Erste Prinzipien des Denkens für Datenwissenschaftler

schrieben an die Smithsonian Establishment und baten um alles, was sie auf dem menschlichen Flug hatten. Er und sein Bruder Orville verschlangen alle Arbeiten, Theorien und Berechnungen der führenden Luftfahrtforscher ihrer Zeit. Sie studierten Otto Lilienthals Segelflugzeugkonstruktionen, Octave Chanutes technische Prinzipien und Samuel Langleys Tabellen zu Auftrieb und Widerstand.

Dann taten sie etwas Radikales: Sie stellten alles in Frage.

Als ihre Segelflugzeuge nicht die erwartete Leistung erbrachten, gingen die Gebrüder Wright nicht davon aus, dass sie dafür verantwortlich waren. Sie bauten ihren eigenen Windkanal und testeten selbst über 200 Flügeldesigns. Was sie dann fanden, verblüffte sie. Lilienthals Auftriebskoeffizienten – die Zahlen, auf die sich das gesamte Fachgebiet verlassen hatte – waren falsch, und zwar nicht nur geringfügig. Völlig, völlig falsch.

Die Gebrüder Wright stellten dies nicht aus Arroganz in Frage; Sie wandten das Denken nach den ersten Prinzipien an. Und das machte den Unterschied zwischen ihrem ersten Flug im Jahr 1903 und dem Absturz seines Flugzeugs in den Potomac durch Langley – der über mehr Geld, Ansehen und Ressourcen verfügte – nur neun Tage zuvor aus.

Heutige Datenwissenschaftler stehen vor einer ähnlichen Herausforderung. Wir sind umgeben von Playbooks, Frameworks und Greatest Practices – A/B-Testleitfäden, Metrik-Taxonomien und Checklisten für die Modellauswahl. Diese Werkzeuge sind von unschätzbarem Wert. Aber genau wie Langleys Tabellen können sie uns in die Irre führen, wenn sie blind angewendet werden.

Die strategischsten Datenwissenschaftler, die ich kenne, entscheiden sich nicht zwischen Frameworks und Grundprinzipien. Sie nutzen beides. Frameworks geben Geschwindigkeit. Erste Prinzipien sorgen für Klarheit. Gemeinsam trennen sie Aufgabenausführende von strategischen Partnern.

Was ist das Denken der ersten Prinzipien?

Beim Denken nach den ersten Prinzipien geht es darum, ein Drawback auf seine Grundwahrheiten herunterzubrechen und es von Grund auf neu aufzubauen. Aristoteles beschrieb es als das Finden „der ersten Grundlage, auf der eine Sache erkannt wird“.

In der Praxis heißt das:

• Was wissen wir als absolut wahr?
• Wovon gehen wir aus?
• Welche dieser Annahmen können wir in Frage stellen?

Das bedeutet nicht, vorhandenes Wissen abzulehnen: Die Gebrüder Wright studierten alle verfügbaren Forschungsergebnisse; Sie betrachteten es einfach nicht als Evangelium.

Für Datenwissenschaftler gilt das Gleiche. Frameworks sind Karten – bewährte Abkürzungen durch vertrautes Gelände. Das Wichtigste ist der Kompass, der uns die Orientierung gibt, wenn die Karte etwas unscharf wird.

Warum Datenwissenschaftler das jetzt brauchen

Frameworks gibt es in der Datenwissenschaft aus gutem Grund überall. Sie helfen uns, Experimente durchzuführen, Metriken zu definieren und Modelle schnell zu erstellen. Sie können aber auch falsches Vertrauen schaffen.

Ich habe gesehen, dass Groups fehlerfreie A/B-Assessments durchgeführt haben, bei denen die falsche Frage beantwortet wurde. Ich habe gesehen, dass Standardmetriken zu Dashboards führten, die beeindruckend aussahen, aber nichts aussagekräftiges ergaben. Diese Fehler traten nicht auf, weil die Frameworks fehlerhaft waren. Sie geschahen, weil niemand innehielt, um die ersten Grundsatzfragen zu stellen: Welche Entscheidung wollen wir eigentlich mitteilen? Welchen Wert versuchen wir wirklich zu messen? Brauchen wir dieses Maß an Komplexität überhaupt?

Dies ist wichtiger denn je, da KI das automatisiert Ausführung Seite der Datenwissenschaft. Gen AI kann Daten abfragen, Visualisierungen generieren und Frameworks hervorragend anwenden. Aber es kann nicht entscheiden, ob Sie die richtige Frage stellen.

Das Denken nach den ersten Prinzipien ist Ihr Unterscheidungsmerkmal. Es ist die Fähigkeit, die dafür sorgt, dass Frameworks in der Realität verankert sind – und sie entwickelt sich zur am besten vertretbaren Fähigkeit eines strategischen Datenwissenschaftlers.

Wo die ersten Prinzipien alles verändern

Hier sind drei Beispiele, bei denen das Knowledge-Science-Playbook durchaus intestine geschrieben ist, eine strikte Befolgung desselben jedoch zu einem schlechten Ergebnis führen würde.

Mehr als nur Lehrbuch-A/B-Assessments

Das Framework besagt: Definieren Sie Ihre Hypothese, randomisieren Sie Benutzer, messen Sie Ihre primäre Metrik, überprüfen Sie die Signifikanz. Das funktioniert perfekt – wenn Sie die richtige Frage stellen.

Aber die Frage nach den ersten Prinzipien kommt schon früher: Welche Entscheidung wollen wir mitteilen? Welche Unsicherheit versuchen wir zu lösen?

Ich habe einmal ein Crew beraten, das einen neuen Empfehlungsalgorithmus testete. Das Framework-Denken besagte: Benutzer randomisieren, Klickrate messen, zwei Wochen lang laufen lassen. Versenden Sie den Gewinner.

Doch eine erste Grundsatzpause offenbarte etwas anderes. Wir waren uns hinsichtlich der Klicks nicht unsicher – erste Signale deuteten darauf hin, dass sie steigen würden. Wir waren uns nicht sicher, ob diese Klicks zu echtem Engagement oder nur zu Lärm führen würden.

Additionally haben wir geändert, was wir gemessen haben. Anstelle von Klicks haben wir uns auf wiederkehrende Besuche, Sitzungstiefe und langfristiges Engagement konzentriert. Das Ergebnis? Der neue Algorithmus erhöhte die Klicks um 12 %, verringerte jedoch die Zahl der erneuten Besuche um 8 %. Das Customary-Framework hätte „Versenden“ gesagt. Der Ansatz der ersten Prinzipien lautete „noch nicht“.

Wir kamen zu dem Schluss, dass der neue Algorithmus zu „klickfreudig“ sei. Frameworks lieferte uns die Methodik. Die ersten Prinzipien gaben uns die richtige Frage.

Was messen unsere Kennzahlen wirklich?

Metrik-Frameworks – North Star, OKRs, HEART – sind leistungsstark, weil sie Struktur verleihen. Sie können aber auch die Phantasm erzeugen, dass wir gemessen haben, worauf es ankommt.

Das Denken nach den ersten Prinzipien fragt: Was ist das grundlegende Verhalten oder der Wert, der uns am Herzen liegt? Erfasst diese Metrik dies tatsächlich?

Denken Sie über Engagement nach. Viele Frameworks schlagen DAU, Sitzungslänge oder Aktionen professional Sitzung vor. Vernünftige Stellvertreter – aber haben sie Recht?

• Für eine Meditations-App sehen längere Sitzungen vielleicht „besser“ aus, aber das grundlegende Ziel ist eine nachhaltige Praxis. Das könnte bedeuten kürzer Sitzungen im Laufe der Zeit.
• Bei einem Analysetool könnten mehr Abfragen professional Benutzer auf eine intensivere Nutzung hinweisen oder bedeuten, dass Benutzer Schwierigkeiten haben, Antworten zu finden. Der wahre Wert liegt in schnelleren und gezielteren Erkenntnissen.

Ich habe einmal einen neuen Job begonnen und ein Dashboard geerbt, das stolz wöchentlich aktive Benutzer als primäre Erfolgskennzahl meldete. Doch als ich genauer hinschaute, wurde mir klar, dass sich die meisten „aktiven“ Benutzer nur einloggten, sich umsahen und wieder gingen, ohne eine einzige Aufgabe erledigt zu haben. Aus erster Sicht kam ich zu dem Schluss, dass der wahre Wert in den erledigten Aufgaben liegt. Und als ich die Metrik änderte, stellten wir (wie erwartet) fest, dass die Nutzung unter der neuen Definition weitaus geringer battle, aber der neue Rahmen verschaffte uns Klarheit darüber, worauf wir uns konzentrieren sollten, um eine sinnvolle Akzeptanz voranzutreiben.

Das Framework bietet Ihnen ein Menü mit Metriken. Das Denken nach den ersten Prinzipien zeigt Ihnen, ob einige davon tatsächlich den Wert Ihres Produkts widerspiegeln. Manchmal ist die Standardmetrik perfekt, aber manchmal ist sie gefährlich irreführend.

Als First Rules einen Begin rettete

Eines der klarsten Beispiele, das ich je erlebt habe, kam zu Beginn meiner Karriere, als mein Crew damit beauftragt wurde, einen „Benutzerqualitätsfaktor“ zu erstellen, um den Vertrieb bei der Priorisierung von Leads zu unterstützen.

Der Rahmenansatz battle offensichtlich: Überwachtes Lernen, Konvertierungswahrscheinlichkeit vorhersagen, Rangfolge nach Punktzahl. Wir hatten die Daten, die Funktionen, die Methodik.

Zwei Wochen später, als wir darum kämpften, schrittweise höhere Leistungswerte zu erzielen, fragte jemand: Welche Entscheidung wird der Vertrieb mit diesem Rating tatsächlich treffen?

Wir haben den Vertrieb gefragt. Die Antwort lautete nicht: „Geben Sie mir genaue Wahrscheinlichkeiten.“ Es battle: Sollte ich mir die Zeit nehmen und die Individual persönlich anrufen, um diesen Lead anzurufen, oder einfach eine kurze, standardisierte E-Mail senden?

Das hat alles verändert. Wir brauchten kein komplexes Modell, das den gesamten Wahrscheinlichkeitsbereich abdeckt. Wir brauchten einen einfachen, interpretierbaren Klassifikator, der um einen Schwellenwert optimiert ist.

Durch die Neuausrichtung sind wir von einem Ensemble-Modell zu einer logistischen Regression übergegangen, haben die Hälfte unserer Options weggelassen, drei Wochen schneller ausgeliefert – und etwas geliefert, was tatsächlich im Verkauf genutzt wurde.

Durch die Rückkehr zu den Grundprinzipien haben wir das eigentliche Drawback geklärt und sind dann zu den Customary-Frameworks zurückgekehrt, um eine Lösung zu entwickeln.

Der Kompass und die Karte

Hier ist die Lektion: Strategische Datenwissenschaftler entscheiden sich nicht zwischen Frameworks und Grundprinzipien. Sie kombinieren sie.

• Frameworks sind die Karte– Sie ermöglichen es Ihnen, schnell voranzukommen und das gesammelte Wissen zu nutzen.
• Erste Prinzipien sind die Kompass– Sie halten Sie auf dem Laufenden, wenn die Karte Ihren Weg nicht klar anzeigt.

Die Gebrüder Wright lehnten die Forschung ihrer Zeit nicht ab. Sie bauten darauf auf, wussten aber auch, wann sie zu den Grundlagen zurückkehren sollten.

Das ist der Denkwandel, der strategische Datenwissenschaftler von taktischen unterscheidet. Es geht nicht darum, mehr Methoden zu kennen oder härter zu arbeiten. Es geht darum zu wissen, wann Sie der Karte folgen und wann Sie Ihren Kompass überprüfen müssen.

Mithilfe der KI werden Frameworks immer einfacher anzuwenden sein. Aber den Kompass können Sie selbst bauen. Und es ist das, was Sie in den kommenden Jahren related, strategisch und unverzichtbar halten wird.

Dies ist eines der Kernthemen, die ich in meinem neuen Buch untersuche. Der strategische Datenwissenschaftler: Im Zeitalter der KI aufsteigen und erfolgreich sein (Amazon-Affiliate-Hyperlink). Es geht darum, grundlegendes Denken mit bewährten Frameworks zu kombinieren, um Wirkung zu erzielen, Roadmaps zu beeinflussen und sich als strategischer Associate zu positionieren – und nicht nur als technischer Ausführender.

Wenn Sie sich fragen, wie sich Ihr Job verändern wird, wenn die KI leistungsfähiger wird, oder einfach Ich möchte als Datenwissenschaftler mehr Einfluss haben und auf dem Weg zu einer Beförderung vorankommen, Bitte schauen Sie sich das Buch an Amazonas!