Besser entscheiden mit Algorithmen
Oktober 28, 2018
Aus dem Unterricht des CAS Disruptive Technologies mit Dozent Tim Nonner berichtet Heiko Brunner:
Ziel des Unterrichts sowie Definition eines Algorithmus
Ziel des Unterrichts ist, zu vermitteln wie man ausgehend von Daten mittels Algorithmen besser entscheiden kann.
Algorithmische Entscheidungen können in 3 Phasen oder Tools zerlegt werden:
- Deskriptive oder beschreibende Phase (what): Daten aus der Vergangenheit werden erfasst, qualitativ beurteilt und strukturiert.
- Prädiktive oder voraussagende Phase (why): Die Parameter werden so angeordnet, dass ein gutes Ergebnis erreicht wird.
- Preskriptive oder verordnende Phase (how): Es werden Handlungsanordnungen gegeben.
Entscheide können auf 3 verschiedenen Ebenen je nach Zeithorizont getroffen werden. Insbesondere auf operationeller Ebene, in der ständig Entscheide getroffen werden, sind maschinelle Algorithmen verlässlich.
Definition Algorithmus gemäss Wikipedia
Ein Algorithmus ist eine eindeutige Handlungsvorschrift zur Lösung eines Problems oder einer Klasse von Problemen. Algorithmen bestehen aus endlich vielen, wohldefinierten Einzelschritten.[1] Damit können sie zur Ausführung in ein Computerprogramm implementiert, aber auch in menschlicher Sprache formuliert werden. Bei der Problemlösung wird eine bestimmte Eingabe in eine bestimmte Ausgabe überführt.[2]
Algorithmen kommen heute in verschiedensten Formen zur Anwendung. 75% des US Handels ist automatisiert. Airlines benützen Algorithmen für ihr Revenue Management, Amazon für Empfehlung-Systeme und die Bahn zur Berechnung der Kurspläne.
Ist ein Algorithmus “disruptiv” und wo ist der Zusammenhang zum Kursthema?
Ein Algorithmus kann einen Beitrag zur Disruption eines Marktes leisten. Es kommt darauf an, in welchem Kontext er eingesetzt wird. Wurde ein etablierter Anbieter aufgrund der Anwendung eines Algorithmus aus dem Markt gedrängt? In welcher Zeitspanne fand die Verdrängung statt?
Der Nutzen von Algorithmen
Der Nutzen eines Algorithmus besteht darin, unter dem Einsatz von Daten und Programmierung…
- schneller,
- günstiger,
- ohne Fehler und
- objektiver
… entscheiden zu können. Tatsächlich entscheiden wir aufgrund der “Cognitive Bias” (kognitiven Wahrnehmungsverzerrung) nicht objektiv und verhalten uns nicht rational. Beispiele von Cognitive Bias:
- Anchoring: Ein übertrieben hoher Preis (Anchor) eines Gerichtes auf der Speisenkarte lässt ein einfaches Gericht mit einem hohem Preis gar nicht so teuer erscheinen.
- Disposition Effect: Wir verkaufen ungerne fallende Aktien. Wir nehmen Verluste stärker wahr als Gewinne.
- Hot Hand Fallacy: Der erste Code erscheint abwechslungsreicher, ist es aber nicht im Vergleich zum maschinell erstellten zweiten Code.
Anschauungsbeispiele von Algorithmen
Das Monty Hall Problem
Das Monty Hall Problem erklärt anschaulich die Vorteile von Algorithmen. Hinter einer Türe sind $1000. Man wählt eine Türe. Dann bekommt man die Auskunft, dass hinter einer der “Nicht-gewählten” Türe, keine $1000 Dollar sind. Als nächstes wird man gefragt, ob man sich für die andere Türe entscheiden will oder bei seinem ursprünglichen Tipp bleiben will. Intuitiv wird die Wechselwahrscheinlichkeit nicht höher (33%) eingeschätzt. Die meisten bleiben also beim ursprünglichen Tipp. In Wirklichkeit ist die Wechselwahrscheinlichkeit jedoch 66%. Unsere Wahrnehmung ist verzerrt. Aber mittels eines programmierten Algorithmus, der alle Wahrscheinlichkeiten durchspielt, findet man schnell heraus, dass die Wahrscheinlichkeit tatsächlich bei 66% ist. Wechseln wäre rationaler.
Gayle Shapley Algorithm
Bei diesem Beispiel werden Mitarbeitern mit bestimmten Qualifikationen, Stellen mit bestimmten Anforderungen zugewiesen. Der Prozess ist iterativ. Zuerst wird dem Mitarbeiter, der die beste Qualifikation auf der ersten Anforderung hat, die Stelle zugewiesen. Dann wird der nächste Mitarbeiter zugeteilt bis alle eine Stelle haben. Bei mehreren Qualifikationen und Anforderungen kann dieser Prozess in der manuellen Zuordnung ausarten (Brute Force Methode). Mit einem Algorithmus lässt sich das Matching zeitlich jedoch bewältigen und die Zuordnung ist “stabil”, das heisst, keiner bleibt übrig und jeder hat den besten Job für seine Qualifikation. Bei der Zuordnung kann es zu “Ties” bzw. “Gleichbeurteilung” oder “No-Goes” kommen, die der Algorithmus zeitlich bewältigen kann. Treten jedoch beide Fälle auf, kann es zum sogenannten NP Complete Problem kommen, was heisst, dass selbst der Algorithmus ewig lange brauchen würde, um die Zuordnung durchzuführen.
Pricing and Revenue Management
Hier geht es um den Algorithmus, den sich Flug-Buchungsplattformen, Hotels oder generell E-Shops zu Nutze machen. Der Kunde fragt das Produkt an und bekommt einen Preis genannt. Entweder kauft er oder nicht (descriptive). Wenn der Kunde kauft, ist dies das gewünschte Ereignis (predictive) und es können Wahrscheinlichkeiten berechnet werden. Nun können neue Preise mit gewünschter Kaufwahrscheinlichkeit (prescriptive) ausgespielt werden, um den Umsatz zu maximieren. Wenn man die Wahrscheinlichkeit in eine nächste Simulation oder Modell eingibt, kommt man zu einer Verkettung und dem sogenannten “Deep Learning”. Dieser Algorithmus zeigt auch sehr schön, die einzelnen Phasen der Entscheidungsfindung (Masterchart, den man für die Prüfung wissen sollte).
Inventory Management
Anhand des Beispiels vom Beer Stock Games erfahren wir, wie ein Algorithmus immer die optimale Bestellmenge berechnet. Dieser Algorithmus ist weit verbreitet (Dynammic Programming, Local Search) und ist ein weiteres Beispiel für Deep Learning.
