Forschungsmethodik
Zwei Analysten, ein Datensatz: wo die Zahlen gleich bleiben und die Empfehlungen auseinandergehen
Wir haben denselben Liefer-Datensatz unabhängig voneinander ausgewertet - 1.898 Bestellungen, dieselben Fragen. Die Zahlen stimmen bis auf die Nachkommastelle überein. Die Handlungsempfehlungen nicht. Genau dieser Unterschied ist der Punkt, an dem datengetriebene Entscheidungen wirklich entstehen.
Es gibt eine bequeme Annahme über Datenanalyse: Wenn die Daten stimmen, ergibt sich die Entscheidung von selbst. Wir konnten diese Annahme an uns selbst prüfen. Im Rahmen unseres MIT-Programms haben wir beide denselben Datensatz einer Liefer-Plattform bearbeitet, nach denselben vorgegebenen Fragen, ohne unsere Zwischenstände abzugleichen. Das Ergebnis vorweg: Die Zahlen sind identisch. Was wir daraus ableiten, ist es nicht.
Der Datensatz
Grundlage sind 1.898 Bestellungen einer Liefer-Plattform mit neun Merkmalen: Restaurant, Küchenart, Bestellwert, Wochentag, Bewertung, Zubereitungs- und Lieferzeit. Dahinter stehen 1.200 Kunden und 178 Restaurants aus 14 Küchenarten. Es fehlen keine Werte. Der Datensatz ist ein öffentlicher Lehr-Datensatz aus dem MIT-Programm.
Was beide Auswertungen übereinstimmend zeigen
Diese Übereinstimmung ist ausdrücklich keine Leistung, sondern die Erwartung: gleicher Datensatz, gleiche Fragen, korrektes Handwerk. Bemerkenswert wäre das Gegenteil gewesen. Die geteilte Faktenbasis:
| Kennzahl | Wert |
|---|---|
| Bestellungen / Kunden / Restaurants | 1.898 / 1.200 / 178 |
| Bestellwert (Mittel / Median) | 16,50 $ / 14,14 $ |
| Bestellungen über 20 $ | 555 (29,24 %) |
| Zubereitungszeit (Mittel) | 27,37 Min. |
| Lieferzeit (Mittel) | 24,16 Min. |
| Gesamtzeit über 60 Min. | 200 Bestellungen (10,54 %) |
| Nicht bewertete Bestellungen | 736 (38,78 %) |
| Netto-Provisionserlös | 6.166,30 $ |
Alle Beträge in US-Dollar gemäß Quelldatensatz.
Zwei Befunde stechen heraus. Erstens sind fast vier von zehn Bestellungen unbewertet - jede Aussage über Zufriedenheit steht damit auf einer Stichprobe, die sich selbst ausgewählt hat. Zweitens ist die Nachfrage klar konzentriert: American und Japanese stellen zusammen über die Hälfte aller Bestellungen.
Der Befund, an dem sich die Wege trennen
Die Plattform liefert am Wochenende schneller als unter der Woche: 22,47 Minuten gegen 28,34 Minuten - fast sechs Minuten Unterschied. Gleichzeitig liegt das Bestellvolumen am Wochenende deutlich höher. Beide Auswertungen kommen zu diesem Ergebnis. Beide leiten daraus etwas anderes ab.
| Gleicher Befund | Lesart A | Lesart B |
|---|---|---|
| Werktags weniger Bestellungen, langsamere Lieferung | Der Werktag ist ungenutztes Nachfragepotenzial: Aktionen und Firmenkunden im Mittagsgeschäft. | Der Werktag ist ein Betriebsproblem: erst klären, warum die Lieferung langsamer ist. |
| Wochenende trägt das Volumen | Bereits stark, deshalb Wachstum dort suchen, wo es fehlt. | Kapazität am Wochenende ausbauen, wo die Nachfrage nachweislich ist. |
| Küchenarten mit hohem Bestellwert vs. günstige Küchen | Premium-Positionierung teurer Küchen. | Günstige Küchen ausbauen, um das Angebot zu verbreitern. |
| 38,78 % ohne Bewertung | Konkretes Ziel setzen: unter 20 %. | Ursache zuerst: Bewertung überhaupt einfacher machen. |
Keine dieser Lesarten ist falsch, und keine folgt zwingend aus den Daten. Sie unterscheiden sich in der Annahme darüber, wo der Engpass liegt - bei der Nachfrage oder beim Betrieb. Genau diese Annahme steht nicht im Datensatz.
Was daraus für Datenprojekte folgt
- Reproduzierbarkeit ist die Eintrittskarte, nicht das Ergebnis. Dass zwei Analysen dieselben Zahlen liefern, beweist sauberes Handwerk - mehr nicht. Wer Reproduzierbarkeit als Ergebnis verkauft, verwechselt Voraussetzung mit Erkenntnis.
- Die Empfehlung ist der eigentliche Modellierungsschritt. Zwischen Kennzahl und Maßnahme liegt eine Annahme über Ursachen. Sie gehört offengelegt, nicht als „datengetrieben" kaschiert.
- Fehlende Daten sind ein Befund. 38,78 % unbewertete Bestellungen sind keine Lücke im Bericht, sondern die wichtigste Aussage über die Datenqualität der Plattform.
- Deshalb zwei Auswertungen. Wenn zwei unabhängige Lesarten dieselbe Zahl in entgegengesetzte Maßnahmen übersetzen, ist das der Moment, in dem eine Entscheidung bewusst getroffen wird - statt sich unbemerkt aus einer Grafik zu ergeben.
Reproduzierbarkeit & Verifikation
Beide vollständig ausgeführten Auswertungen liegen offen: github.com/myBytesResearch/foodhub-order-analysis-gwinger und github.com/myBytesResearch/foodhub-order-analysis-mpianowski. Beide Arbeiten entstanden als Coursework im Applied AI and Data Science Program der MIT Professional Education (verifizierbare Zertifikate: Guido Winger, Mariusz Pianowski).