Was Data Science tatsächlich für Growth liefert

Data Science ist eine Art, besser zu entscheiden, keine Abteilung

Frag zehn Leute, was Data Science ist, und du bekommst zehn Antworten. Die meisten drehen sich um "KI" und um eine Folie mit einem leuchtenden Gehirn. Die Definition, der ich vertraue, ist nüchterner. Das US National Institute of Standards and Technology (NIST) beschreibt Data Science als "the methodology for the synthesis of useful knowledge directly from data through a process of discovery or of hypothesis formulation and hypothesis testing", also als Methode, aus Daten direkt brauchbares Wissen zu gewinnen, durch Entdecken oder durch das Aufstellen und Prüfen von Hypothesen.¹

Schau genau, was in diesem Satz fehlt. Kein Dashboard, kein Algorithmus, keine Abteilung. Eine Methode, die Daten in Wissen verwandelt, mit dem du etwas anfangen kannst.

Meine eigene Fassung für Geschäftsführerinnen und Geschäftsführer ist noch kürzer. Data Science ist die Gewohnheit, eine geschäftliche Entscheidung ein Stück besser zu treffen, als du sie ohne die Daten getroffen hättest, und danach nachzuprüfen, ob sie wirklich besser war. Alles andere ist Werkzeug.

Was liefert Data Science also? Bessere Entscheidungen. Keinen hübscheren Bericht und kein Modell, das in einem Notebook verstaubt. Ändert sich keine Entscheidung, wurde nichts geliefert, egal wie elegant die Mathematik ist.

In diesem Artikel zeige ich dir, wie das in der Praxis ausschaut: den Kreislauf, dem jedes brauchbare Projekt folgt, eine einfache Art, einer besseren Entscheidung einen Wert in Euro zu geben, und ein durchgerechnetes Beispiel bei einer erfundenen Gartencenterkette rund um Linz, die drei kleine Modelle einsetzt. Wo eine Idee einen eigenen, ausführlichen Artikel hat, verweise ich dorthin, statt sie hier zu wiederholen.

Ein Beispiel: Toni führt Gartenhaus Traunblick, drei Gartencenter in Linz, Leonding und Wels. Toni ist erfunden, das Unternehmen ist erfunden, und jede Zahl in diesem Artikel ist ausgedacht, damit ich jeden Rechenschritt zeigen kann. Toni hat eine Registrierkasse mit Warenwirtschaft, einen Kundenclub und eine Tabelle mit den Bestellungen bei den Lieferanten. Einen Data Scientist hat Toni nicht, und "KI" will Toni auch nicht. Toni will aufhören, jeden Juni Beetpflanzen in den Container zu werfen. Das ist ein Entscheidungsproblem, und genau dort fängt Data Science an.

Was die Zahlen über österreichische Unternehmen und Daten sagen

Bevor es um die Methode geht, ein Blick aufs Feld. Wie viele Unternehmen in Österreich nutzen ihre Daten tatsächlich?

Die belastbarsten Zahlen kommen aus der europaweiten Erhebung zur Nutzung von Informations und Kommunikationstechnik in Unternehmen. Die statistischen Ämter der Mitgliedstaaten erheben sie nach einheitlichen Regeln. In Österreich macht das Statistik Austria jedes Jahr bei Unternehmen ab zehn Beschäftigten, und Data Analytics gehört zu den Themen.² Eurostat veröffentlicht die Ergebnisse für Unternehmen ab zehn Beschäftigten (ohne Landwirtschaft und Finanzsektor).³ In Österreich ließen 2025 genau 26,34 % dieser Unternehmen Datenanalysen durchführen, von eigenen Leuten oder von einem Dienstleister.³ Das ist gut ein Viertel. Der Durchschnitt der EU lag bei 39,85 %.

Noch deutlicher wird es, wenn du fragst, welche Daten analysiert werden. Nur 13,85 % der österreichischen Unternehmen werten Daten aus ihren eigenen Transaktionen aus, also Verkäufe und Zahlungen. Kundendaten wie Kaufhistorie oder Vorlieben analysieren 8,80 %.³ Und während die EU zwischen 2023 und 2025 von 33,25 % auf 39,85 % zugelegt hat, ist Österreich nur von 23,94 % auf 26,34 % gekommen. Der Abstand zur EU ist damit gewachsen, von gut neun auf gut 13 Prozentpunkte.³

Die Bundesregierung beschreibt dasselbe Muster aus der anderen Richtung. In der Datenstrategie für Österreich von 2024 steht, dass die Mehrheit der Daten in Unternehmen nicht genutzt wird, und dass unzureichende Kapazitäten zur Analyse gerade kleine und mittlere Betriebe zunehmend an ihre Grenzen bringen.⁴ Die Daten sind also da. Was fehlt, ist die Verbindung zur Entscheidung.

Eine Einschränkung gehört dazu, und ich nehme sie ernst. Diese Zahlen zeigen, wer analysiert, nicht ob es sich auszahlt. Unternehmen, die Daten auswerten, sind vielleicht auch sonst besser geführt. Ein Zusammenhang ist kein Beweis. Wer dir erzählt, Data Science garantiere Wachstum, will dir etwas verkaufen.

Durchgerechnetes Beispiel: was 26,34 % in einem Gewerbepark bedeuten

Stell dir 100 österreichische Unternehmen mit mindestens zehn Beschäftigten in einem großen Gewerbepark vor. Mit dem Anteil von 2025 gilt $100 \times 0{,}2634 = 26{,}34$. Rund 26 von ihnen lassen also überhaupt Datenanalysen laufen.³

Ihre eigenen Verkaufs und Zahlungsdaten werten $100 \times 0{,}1385 = 13{,}85$ aus, also rund 14. Kundendaten analysieren $100 \times 0{,}0880 = 8{,}80$, also rund neun. Die übrigen 86 haben eine Kasse oder einen Shop, der jeden Verkauf aufzeichnet, und entscheiden trotzdem ohne diese Daten. Tonis Gartencenter gehört zu diesen 86: jede Menge Daten in der Kasse, nichts davon in der Bestellentscheidung.

Genau darin liegt die Chance. Toni fehlen keine Daten. Die Daten und die Entscheidung sind sich nur noch nie begegnet.

Der Kreislauf: Frage, Daten, Modell, Entscheidung, Messung

Jedes brauchbare Data Science Projekt, an dem ich gearbeitet habe, folgt denselben fünf Schritten in derselben Reihenfolge. Scheitert ein Projekt, dann meist, weil ein Schritt ausgelassen wurde, am häufigsten der erste oder der letzte.

Die Frage steht am Anfang, und sie ist immer eine Entscheidung, die jemand treffen muss. Die Daten kommen als Zweites, ausgewählt, weil sie diese Entscheidung betreffen, nicht weil sie zufällig herumliegen. Das Modell ist das Dritte, und es ist das Kleinste, was die Frage beantwortet. Die Entscheidung ist der Schritt, der das Geld verdient, deshalb ist er hervorgehoben. Die Messung schließt den Kreis, damit du weißt, ob der neue Weg besser war als der alte. Dann beginnt die nächste Runde.

Ein Bericht beschreibt die Vergangenheit. Ein Kreislauf verändert die nächste Entscheidung und lernt daraus.

Durchgerechnetes Beispiel: eine Runde bei Gartenhaus Traunblick

Tonis Frage: Wie viele Paletten Beetpflanzen soll jedes Gartencenter für die vier Wochen rund um die Feiertage im Mai bestellen, also den Staatsfeiertag am 1. Mai, Christi Himmelfahrt und Pfingsten?

Die Daten: drei Jahre Kassendaten nach Artikel und Tag, die Bestelllisten, das Abschriftenbuch (Pflanzen, die unverkauft weggeworfen wurden) und das tägliche Wetter für Linz, das es frei zum Herunterladen gibt.

Das Modell: eine Prognose der Wochennachfrage je Standort, aus den Verkäufen des Vorjahres, den Terminen von Ostern und den Feiertagen im Mai und der Frage, ob das Wochenende trocken war.

Die Entscheidung: Toni bestellt nach der Prognose plus einem kleinen Puffer, statt nach "Vorjahr plus 10 %, weil es sich voll angefühlt hat".

Die Messung: Ende Juni vergleicht Toni die Abschriften und die ausverkauften Wochenenden mit dem Vorjahr. Die Zahlen dazu kommen weiter unten.

Fang mit der Frage an, und mach eine Entscheidung daraus

Der häufigste Fehler, den ich sehe, ist ein Projekt, das bei den Daten beginnt. "Wir haben all diese Kundenkartendaten, was können die für uns tun?" ist ein Angelausflug, und der übliche Fang ist ein Dashboard, das ab der dritten Woche niemand mehr aufmacht.

Eine gute Frage nennt eine Entscheidung, eine Person, die sie trifft, und einen Termin, bis zu dem sie fällt. "Wie sind unsere Kunden so?" ist in diesem Sinn keine Frage. "Welche Clubmitglieder bekommen bis zum 1. März den Frühjahrsgutschein?" ist eine.

Dazu habe ich einen ganzen Artikel geschrieben, fang bei der Entscheidung an, nicht beim Dashboard, und einen kürzeren über die drei Fragen, die deine Daten beantworten sollten. Wenn du nach diesem hier nur noch eine Sache liest, dann den ersten.

Ein Beispiel: Tonis erster Impuls war, sich "ein Dashboard für den Kundenclub" zu wünschen. Ich habe gefragt, was Toni am Montagmorgen anders machen würde, wenn es das Dashboard gäbe. Die ehrliche Antwort war "draufschauen". Also haben wir die Frage neu formuliert: "Welche unserer 18.000 Mitglieder sind kurz davor, nicht mehr zu kommen, und zahlt es sich aus, ihnen einen Gutschein über € 5 zu schicken?" Diese Frage hat eine Entscheidung (schicken oder nicht), eine verantwortliche Person (Toni), Kosten (€ 5 pro Gutschein) und einen Termin (vor dem Frühjahrsansturm). Sie lässt sich beantworten, und die Antwort lässt sich überprüfen.

Die Daten sind meist schon da, und unordentlicher als gedacht

Die meisten wachsenden Unternehmen haben die Daten für ihr erstes brauchbares Modell längst im Haus. Kasse, Onlineshop, Newsletter Tool und Buchhaltung zeichnen zusammen fast alles auf, was zählt. Was sie selten tun: übereinstimmen.

Nach meiner Erfahrung gehen die ersten Wochen eines Projekts dafür drauf, die Zahlen vertrauenswürdig zu machen, nicht fürs Modellieren. Artikelnummern ändern sich, ein Standort sperrt für einen Umbau zu und seine Nullumsätze schauen aus wie ein Einbruch, eine Aktion wurde nie erfasst. Diese Phase beschreibe ich ausführlich in der erste Data Science Monat, und einen schnellen Test, den du selbst machen kannst, findest du in lügt dein Dashboard dich an.

Die andere Datenfrage ist die Menge. Wie viel Vergangenheit brauchst du, bevor sich ein Modell auszahlt? Für manche Fragen weniger, als Anbieter behaupten, für andere mehr, als Gründer hoffen. Die Zahlen stehen in wie viele Daten brauchst du wirklich.

Ein Beispiel: Laut Kasse hat Leonding vor zwei Jahren im April drei Wochen lang keine einzige Beetpflanze verkauft. Ein Modell würde das als katastrophalen April lesen. Tatsächlich wurde das Glashaus in Leonding neu verglast, und die Pflanzen sind in der Zeit über Linz hinausgegangen. Eine Zeile in einer Notizspalte löst das: diese drei Wochen als "geschlossen" markieren, sonst nichts verschieben. Ohne diese Zeile hätte die Prognose für Leonding seitdem jeden April zu wenig bestellt. Die Korrektur hat zehn Minuten gedauert. Sie zu finden hat ein Gespräch mit dem Filialleiter in Leonding gekostet, und deshalb gehört zum Datenschritt immer, mit Menschen zu reden.

Das Modell ist das Kleinste, was die Frage beantwortet

"Modell" klingt groß. Ein Modell ist jede Rechnung, die aus den Daten, die du hast, die Schätzung macht, die du brauchst. Ein saisonaler Durchschnitt ist ein Modell. Eine Regel wie "Mitglieder, die 90 Tage nicht da waren, sind gefährdet" ist ein Modell. Ein Gradient Boosted Forest mit 400 Merkmalen ist auch ein Modell, und er ist nur sehr selten das erste, das du brauchst.

Genau deshalb gibt es bei mir einen Artikel mit dem Titel Zählen und Summieren schlägt maschinelles Lernen. Das einfache Modell ist schneller gebaut, leichter der Person zu erklären, die danach handeln muss, und leichter zu prüfen, wenn es danebenliegt. Zu etwas Schwererem wechselst du erst, wenn das einfache gemessen wurde und nicht reicht. Wenn die Begriffe durcheinandergehen, sortiert KI vs Machine Learning, welches Wort was meint.

Ein Beispiel: Für Tonis Frage zum Kundenclub ist das erste Modell eine Tabelle. Jedes Mitglied bekommt eine Zeile mit drei Zahlen: Tage seit dem letzten Besuch, Besuche im letzten Jahr und Umsatz im letzten Jahr. Sortiert wird nach den Tagen seit dem letzten Besuch. Wer über 120 Tage weg ist und im Jahr davor mindestens viermal da war, wird markiert. Das ist ein Modell. Es hat einen Nachmittag gedauert. Später, wenn es sich bewährt hat, kann ein richtiges Überlebenszeitmodell es ersetzen, aber erst, wenn es dieses Upgrade selbst bezahlt hat.

Der Wert einer besseren Entscheidung

Hier ist die eine Formel dieses Artikels, und mit ihr entscheide ich, ob ein Data Science Projekt sich überhaupt auszahlt. Der Wert eines Modells ist nicht seine Genauigkeit. Er ist der Betrag, um den die Entscheidung besser wird, minus das, was das Modell gekostet hat.

$$\Delta V = \sum_{i} p_i \, v_i(a_{\text{new}}) - \sum_{i} p_i \, v_i(a_{\text{old}}) - C$$

Dabei ist $\Delta V$ der Wert der besseren Entscheidung in Euro. Der Index $i$ läuft über die möglichen Ausgänge, etwa eine ruhige, eine normale und eine starke Saison. $p_i$ ist die Wahrscheinlichkeit des Ausgangs $i$. $v_i(a)$ ist der Gewinn, den du mit der Handlung $a$ machst, wenn Ausgang $i$ eintritt. $a_{\text{new}}$ ist die Entscheidung mit dem Modell, $a_{\text{old}}$ die Entscheidung, die du ohne das Modell getroffen hättest. Jede Summe $\sum_i p_i \, v_i(a)$ ist der erwartete Gewinn dieser Handlung, also der langfristige Durchschnitt über alle Ausgänge, gewichtet danach, wie wahrscheinlich sie sind. $C$ sind die Kosten, das Modell zu bauen und zu betreiben. Den Erwartungswert erkläre ich von Grund auf in Grundlagen: der Erwartungswert, die Wahrscheinlichkeit in Grundlagen: Wahrscheinlichkeit.

Aus der Formel folgen zwei Dinge, und die sind wichtiger als die Formel selbst. Erstens: Ändert das Modell die Entscheidung nicht, ist $a_{\text{new}}$ gleich $a_{\text{old}}$, die beiden Summen heben sich auf, und der Wert ist minus $C$. Ein Modell, das bestätigt, was du eh vorgehabt hast, ist ein Kostenfaktor. Zweitens: Die Größe des Gewinns hängt an der Größe der Entscheidung. Ein brillantes Modell für eine kleine Entscheidung ist weniger wert als ein grobes für eine große.

Die gründliche Behandlung von Entscheidungen unter Unsicherheit steht in Entscheidungstheorie für Gründer.

Durchgerechnetes Beispiel: Christbäume in Wels

Jedes Jahr bestellt Gartenhaus Traunblick Christbäume für den Standort Wels. Ein Baum kostet Toni € 20 und wird um € 50 verkauft. Ein Baum, der am Heiligen Abend noch steht, ist nichts mehr wert. Die alte Regel ist schlicht: 2.000 bestellen, "weil ausverkauft schlecht ausschaut".

Eine einfache Prognose aus fünf Jahren Verkaufsdaten ergibt drei mögliche Ausgänge für die Nachfrage heuer:

• Ruhig: 1.400 Bäume, Wahrscheinlichkeit 0,3
• Normal: 1.700 Bäume, Wahrscheinlichkeit 0,5
• Stark: 2.000 Bäume, Wahrscheinlichkeit 0,2

Schritt eins, der Gewinn der alten Entscheidung, also 2.000 Bäume, in jedem Ausgang. Die Bestellung kostet $2.000 \times 20 = 40.000$ Euro.

• Ruhig: $1.400 \times 50 - 40.000 = 30.000$, also € 30.000 Gewinn
• Normal: $1.700 \times 50 - 40.000 = 45.000$, also € 45.000
• Stark: $2.000 \times 50 - 40.000 = 60.000$, also € 60.000

Der erwartete Gewinn der alten Entscheidung gewichtet jeden Ausgang mit seiner Wahrscheinlichkeit: $0{,}3 \times 30.000 + 0{,}5 \times 45.000 + 0{,}2 \times 60.000 = 9.000 + 22.500 + 12.000 = 43.500$, also € 43.500.

Schritt zwei, die Entscheidung, auf die die Prognose zeigt: 1.700 bestellen. Die Bestellung kostet $1.700 \times 20 = 34.000$ Euro. In einem ruhigen Jahr verkauft Toni 1.400, in einem normalen oder starken alle 1.700.

• Ruhig: $1.400 \times 50 - 34.000 = 36.000$, also € 36.000
• Normal: $1.700 \times 50 - 34.000 = 51.000$, also € 51.000
• Stark: $1.700 \times 50 - 34.000 = 51.000$, also € 51.000

Der erwartete Gewinn der neuen Entscheidung ist $0{,}3 \times 36.000 + 0{,}5 \times 51.000 + 0{,}2 \times 51.000 = 10.800 + 25.500 + 10.200 = 46.500$, also € 46.500.

Schritt drei, die Kosten abziehen. Angenommen, die Prognose kostet jeden Herbst einen Tag Arbeit für Aufbau und Prüfung, also € 1.000. Dann ist $\Delta V = 46.500 - 43.500 - 1.000 = 2.000$.

Die Prognose ist also rund € 2.000 im Jahr wert, an einem Standort, für ein Produkt. Das zahlt sich aus, und es ist gut zu wissen, bevor jemand eine Prognoseplattform um € 20.000 kauft, um Christbäume zu planen. Schau dir auch an, was in einem starken Jahr passiert: Toni gehen die Bäume aus, und der Gewinn liegt € 9.000 unter dem der alten Regel. Der Erwartungswert ist der langfristige Durchschnitt. Über das eine Jahr, das du dir nicht leisten kannst zu verpatzen, sagt er nichts. Wenn ein ausverkaufter Dezember der Marke wirklich schaden würde, darf Toni einen Puffer behalten.

Miss nach, sonst schließt sich der Kreis nie

Der letzte Schritt wird am häufigsten übersprungen, und gerade er sagt dir, ob irgendetwas davon funktioniert hat. Ohne ihn hast du ein Modell und ein Gefühl.

Richtig messen heißt, die neue Art zu entscheiden mit der alten zu vergleichen, bei derselben Art von Kunden oder derselben Art von Wochen, und ehrlich mit dem Zufall umzugehen. Am saubersten geht das mit einem Test und einer Kontrollgruppe: Ein Teil der Kunden oder Wochen bekommt die neue Entscheidung, der Rest die alte, und dann vergleichst du. Wenn ein sauberer Test nicht möglich ist, gibt es andere Versuchsanordnungen, jede mit eigenem Haken. Die beschreibe ich in fünf Wege, um zu beweisen, dass eine Kampagne wirklich gewirkt hat und, mit der Mathematik zur Stichprobengröße, in statistische Tests: Stichprobengröße, Lift und vollfaktorielle Designs.

Ein Beispiel: Wenn Toni den Gutschein über € 5 an die markierten Mitglieder schickt, bekommen 400 zufällig ausgewählte davon nichts. Das ist die Kontrollgruppe. Zwölf Wochen später vergleicht Toni, wie viele aus jeder Gruppe wiedergekommen sind. Ohne die 400 würde Toni dem Gutschein auch die Mitglieder zuschreiben, die sowieso für die Blumenerde im Frühjahr gekommen wären. Mit ihnen ist der Unterschied zwischen den beiden Gruppen die echte Wirkung des Gutscheins. Die Kontrollgruppe kostet nichts, sie spart sogar 400 Gutscheine.

Durchgerechnetes Beispiel: drei kleine Modelle bei einer Gartencenterkette rund um Linz

Jetzt das ganze Bild. Gartenhaus Traunblick setzt mit seinen drei Standorten rund € 4,2 Millionen im Jahr um. Über ein Jahr lässt Toni drei kleine Modelle laufen, eins nach dem anderen, jedes durch den ganzen Kreislauf. Alle Zahlen sind erfunden.

Modell eins: eine Nachfrageprognose für Beetpflanzen im Frühjahr

Die Frage: Wie viele Paletten Beetpflanzen soll jeder Standort für die Frühjahrssaison bestellen?

Der Ausgangspunkt: Toni kauft jedes Frühjahr Beetpflanzen um € 300.000 zum Einkaufspreis. Im letzten Frühjahr wurden 18 % unverkauft abgeschrieben, und $300.000 \times 0{,}18 = 54.000$, also sind € 54.000 im Container gelandet.

Dazu kommt: Die beliebtesten Sorten waren an zwei starken Wochenenden ausverkauft. Tonis Filialleiter schätzen die entgangene Marge auf € 20.000.

Das Modell: eine Wochenprognose je Standort und Warengruppe, gebaut aus drei Jahren Kassendaten, den Terminen von Ostern und den Feiertagen im Mai und dem Wetter. Die ganze Methode, mit ehrlichen Fehlerbändern, steht in Nachfrageprognosen: Autokorrelation und Saisonalität.

Die Entscheidung: nach der Prognose bestellen, Standort für Standort, mit einem Puffer bei den Bestsellern.

Die Messung: Im nächsten Frühjahr sinkt die Abschrift auf 11 %, und $300.000 \times 0{,}11 = 33.000$, also € 33.000.

Das ist eine Ersparnis von $54.000 - 33.000 = 21.000$, also € 21.000. Die ausverkauften Wochenenden halbieren sich, und damit kommt etwa die Hälfte der entgangenen Marge zurück, $20.000 \times 0{,}5 = 10.000$, also € 10.000. Zusammen ergibt das $21.000 + 10.000 = 31.000$: Die Prognose ist € 31.000 im Jahr wert.

Eine Einschränkung: Ein freundliches Frühjahr lässt jede Prognose gut ausschauen. Toni misst ein zweites Jahr weiter, bevor das Ergebnis als gesichert gilt.

Modell zwei: welche Clubmitglieder kurz vor dem Absprung stehen

Die Frage: Welche Mitglieder sind kurz davor, nicht mehr zu kommen, und zahlt sich ein Gutschein über € 5 für sie aus?

Der Ausgangspunkt: Der Club hat 18.000 Mitglieder. Jedes Jahr springen etwa 30 % ab, das heißt, sie kommen zwölf Monate lang nicht mehr, und $18.000 \times 0{,}30 = 5.400$ Mitglieder.

Ein aktives Mitglied bringt Toni etwa € 60 Marge im Jahr.

Das Modell: die Tabelle von vorhin, Mitglieder sortiert nach Tagen seit dem letzten Besuch und ihren Besuchen im Vorjahr. Die 2.400 mit dem höchsten Risiko werden markiert. (Das richtige Werkzeug dafür, sobald die einfache Fassung sich bewährt hat, ist die Überlebenszeitanalyse, beschrieben in Survival Analyse, Churn und Customer Lifetime Value.)

Die Entscheidung: 2.000 der markierten Mitglieder, zufällig ausgewählt, bekommen den Gutschein, die anderen 400 bleiben als Kontrollgruppe ohne.

Die Messung: In der Kontrollgruppe springen 55 % ab. Unter den Mitgliedern mit Gutschein sind es 45 %. Der Gutschein hat also 10 von 100 vom Absprung abgehalten. Bei den 2.000 mit Gutschein sind das $2.000 \times (0{,}55 - 0{,}45) = 200$ gehaltene Mitglieder.

Bei € 60 Marge pro Kopf sind das $200 \times 60 = 12.000$, also € 12.000.

Jetzt die Kosten. Von den 2.000 kommen 55 % wieder, also 1.100 Mitglieder. Etwa 600 davon lösen den Gutschein ein, viele, die eh gekommen wären, und $600 \times 5 = 3.000$, die Gutscheine kosten also € 3.000.

Unterm Strich bleiben $12.000 - 3.000 = 9.000$, also € 9.000. Weniger als bei der Prognose, und das passt. Toni lernt dabei außerdem etwas, das mehr wert ist als die € 9.000: wer die abspringenden Mitglieder eigentlich sind. Das fließt später in die Segmentierung ein (siehe Segmentierung: Strategie vor Algorithmen).

Modell drei: ein Preistest bei Blumenerde

Die Frage: Ist der 50 Liter Sack Blumenerde zu günstig ausgepreist?

Der Ausgangspunkt: Der Sack kostet € 7,99 und im Einkauf € 4,50, also bringt jeder $7{,}99 - 4{,}50 = 3{,}49$, das sind € 3,49. Toni verkauft rund 40.000 Säcke im Jahr, und $40.000 \times 3{,}49 = 139.600$, also bringt die Blumenerde € 139.600 Marge.

Das Modell: ein Test, keine Vermutung. Acht Wochen lang wechselt der Preis an allen drei Standorten Woche für Woche zwischen € 7,99 und € 8,49, sodass Wetter und Saison beide Preise gleich treffen. In den teureren Wochen liegt der Absatz 3 % niedriger.

Der Preis ist um $\frac{8{,}49 - 7{,}99}{7{,}99} = 6{,}3\,\%$ gestiegen, der Absatz um 3 % gefallen, also liegt die Preiselastizität bei etwa

$$\varepsilon = \frac{-3\,\%}{6{,}3\,\%} \approx -0{,}48$$

Dabei ist $\varepsilon$ die Preiselastizität der Nachfrage, die prozentuale Änderung der verkauften Menge geteilt durch die prozentuale Änderung des Preises. Ein Wert zwischen 0 und minus 1 heißt, die Nachfrage ist unelastisch: Die Kundschaft merkt die Änderung kaum. Die Idee baue ich von Grund auf in Grundlagen: Elastizität auf, und die Regressionsmethode für echte Daten steht in Nachfrage und Preiselastizität mit Regression modellieren.

Die Entscheidung: den Sack auf € 8,49 setzen.

Die Messung: Zum neuen Preis verkauft Toni etwa $40.000 \times 0{,}97 = 38.800$ Säcke, und jeder bringt $8{,}49 - 4{,}50 = 3{,}99$, also € 3,99. Und $38.800 \times 3{,}99 = 154.812$, also € 154.812 Marge.

Der Zugewinn ist $154.812 - 139.600 = 15.212$, also € 15.212, rund € 15.200. Die Einschränkung: Ein Test über acht Wochen im Frühjahr sagt nichts über den Herbst, und eine Preisänderung bei einem Mitbewerber kann die Elastizität verschieben. Toni wiederholt den Test im nächsten Jahr. Warum eine einzige Elastizität nie für jeden Preis passt, erkläre ich ohne Formeln in Preiselastizität einfach erklärt.

Was die drei Modelle zusammen gebracht haben

Die waagrechte Achse zeigt die drei Modelle. Die senkrechte Achse zeigt die Wirkung jedes Modells in Euro über ein Jahr, nach den direkten Kosten der Umsetzung (etwa den Gutscheinen), aber vor den Kosten, die Modelle zu bauen. Jede Zahl ist für dieses Beispiel erfunden. Die Erkenntnis steckt in der Reihenfolge der Balken: Der größte Gewinn ist aus der größten Entscheidung gekommen, der Frühjahrsbestellung über € 300.000, nicht aus dem raffiniertesten Modell. Das Modell für den Kundenclub war am spannendsten zu bauen und hat am wenigsten gebracht.

Zusammen sind die drei $31.000 + 15.200 + 9.000 = 55.200$ wert, also € 55.200 im Jahr.

Angenommen, Datenbereinigung und der Bau der drei Modelle kosten im ersten Jahr € 18.000. Dann bleiben Toni $55.200 - 18.000 = 37.200$, also € 37.200, und der größte Teil der Baukosten fällt nicht wieder an. Bei € 4,2 Millionen Umsatz sind € 55.200 etwa 1,3 %. Genau das liefert Data Science normalerweise für ein Unternehmen dieser Größe: keine Verwandlung, sondern eine stetige, gemessene Verbesserung bei Entscheidungen, die sowieso getroffen werden, Jahr für Jahr. Nach meiner Erfahrung ist genau das der Grund, warum sich der Effekt aufbaut. Jede Runde des Kreislaufs macht die nächste schneller.

Was Data Science nicht liefert

Über die Grenzen spricht der Hype selten offen, also hier sind sie.

Data Science liefert keine Gewissheit. Jede Prognose hat ein Fehlerband, und ein ehrliches Modell sagt, wie breit es ist. Data Science sagt dir nicht, was was verursacht hat, außer du planst genau dafür, mit einem Test oder einer sorgfältigen Methode. Eine Korrelation in den Daten vom letzten Jahr ist kein Grund, siehe kausale Inferenz im Marketing. Und Data Science ersetzt kein Urteilsvermögen. Es gibt dem Urteil besseres Material.

Für den Anfang braucht es auch keine Plattform. Gebotsdaten in Echtzeit, Attribution über jeden Kanal und automatische Auslöser sind real und nützlich, aber sie sind die zweite oder dritte Runde des Kreislaufs, nicht die erste. Wie du auf Kundenwert bietest, steht in biete auf den Kundenwert, nicht auf die Kosten pro Klick, und welcher Kanal den nächsten Euro verdient, in Media Mix Modelling.

Ein Beispiel: Nach dem Ergebnis bei der Blumenerde fragt Toni, ob alle Preise um 6 % rauf sollen. Dazu sagen die Daten nichts. Der Test galt für ein Produkt, eine Preisstufe, eine Saison. Blumenerde ist ein Grundbedarf, den die Leute kofferraumweise kaufen. Ein Pflanztrog um € 40 ist ein ganz anderer Kauf mit ganz anderen Mitbewerbern. Die ehrliche Antwort lautet "teste die nächste Warengruppe, bevor du sie angreifst". Das ist weniger aufregend als "das Modell sagt, Preise rauf", und es leert den Parkplatz deutlich seltener.

Wer die Arbeit macht, und wann du einen Data Scientist brauchst

Muss Toni jetzt jemanden anstellen? Wahrscheinlich noch nicht. Die drei Modelle oben brauchen jemanden, der Daten bereinigen, sorgfältig zählen, einen fairen Test aufsetzen und das Ergebnis erklären kann. Das kann eine fähige Analystin sein, ein Spezialist in Teilzeit oder eine neugierige Inhaberin mit etwas Unterstützung.

Für genau diesen Moment habe ich du brauchst noch keinen Data Scientist geschrieben, und Data Engineer, Data Scientist, Data Analyst: wer macht was, falls du die Rollen auseinandersortieren willst.

Ein Beispiel: Tonis Faustregel, die ich sofort unterschreiben würde: erst dann eine Person dazuholen, wenn der Kreislauf schneller dreht, als die vorhandenen Leute mitkommen. Drei Modelle im Jahr brauchen keine Vollzeitstelle. Im dritten Jahr, mit wöchentlichen Prognosen, einem Überlebenszeitmodell und Preistests in sechs Warengruppen, kann die Rechnung anders ausschauen. Entscheiden tut dieselbe Formel: der Wert der besseren Entscheidung, minus die Kosten.

Wo es tiefer geht

Dieser Artikel ist die Landkarte. Jeder der vertiefenden Artikel nimmt sich einen Schritt des Kreislaufs oder eine Art von Modell vor und baut ihn von Grund auf:

• Die Frage: fang bei der Entscheidung an, nicht beim Dashboard
• Die Daten: der erste Data Science Monat
• Prognosen: Nachfrageprognosen: Autokorrelation und Saisonalität
• Absprung und Kundenwert: Survival Analyse, Churn und Customer Lifetime Value
• Segmente: Segmentierung: Strategie vor Algorithmen
• Marketingbudgets: Media Mix Modelling: Adstock und wohin das nächste Budget geht
• Preise: Nachfrage und Preiselastizität mit Regression modellieren
• Anstellen: du brauchst noch keinen Data Scientist

Und unter allen liegen die Grundlagen, die jede Formel von Grund auf erklären.

Footnotes

1. NIST Big Data Public Working Group, NIST Big Data Interoperability Framework: Volume 1, Definitions, Version 3 (NIST Special Publication 1500-1r2), National Institute of Standards and Technology, Oktober 2019, https://doi.org/10.6028/NIST.SP.1500-1r2

2. Statistik Austria, IKT Einsatz in Unternehmen (Informationen zur Erhebung), statistik.at, 2026, https://www.statistik.at/ueber-uns/erhebungen/unternehmen/ikt-einsatz-in-unternehmen

3. Eurostat, Data Analytics nach Unternehmensgrößenklassen (Datensatz isoc_eb_das), Unternehmen ab zehn Beschäftigten, Werte für Österreich und die EU 2023 und 2025, aktualisiert am 27. Februar 2026, https://ec.europa.eu/eurostat/databrowser/view/isoc_eb_das/default/table?lang=de

4. Bundeskanzleramt Österreich, Datenstrategie für Österreich, Wien, Juni 2024, https://digitalaustria.gv.at/dam/jcr:4cca42d8-3112-4a9e-bb52-822c4adecea0/Datenstrategie_barrierefrei_final-02102024.pdf