Modelle prägen, wie wir Daten interpretieren und Entscheidungen treffen. Dieser Artikel zeigt, warum Modellannahmen entscheidender sind als die Daten selbst – und wie kleine Änderungen in der Modellstruktur das Verhalten komplexer Systeme grundlegend verändern können.
Daten gelten als objektiv.
Modelle nicht.
Und doch begegnen uns täglich Ergebnisse, die wie Fakten behandelt werden:
Prognosen, Scores, Simulationen.
Der Eindruck: Zahlen sprechen für sich.
Die Realität ist umgekehrt.
Daten sind nicht das Problem.
Das Modell ist die Entscheidung.
Die eigentliche Rolle von Modellen
Ein Modell ist kein Werkzeug zur Beschreibung der Realität.
Es ist eine Struktur, die festlegt,
welche Realität überhaupt sichtbar werden kann.
Modellannahmen bestimmen:
- welche Variablen existieren
- welche Zusammenhänge erlaubt sind
- welche Dynamiken überhaupt auftreten können
Ein Modell beschreibt nicht die Welt.
Es definiert, welche Welt beschrieben werden kann.
Warum kleine Änderungen große Effekte haben
In komplexen Systemen wirken Modellannahmen nicht linear.
Eine scheinbar kleine Änderung:
- ein zusätzliches Feature
- ein anderes Aggregationsniveau
- ein veränderter Rückkopplungspfad
kann das Verhalten des gesamten Systems kippen.
Nicht, weil die Daten falsch sind.
Sondern weil das Modell eine andere Dynamik zulässt.
Modelle sind sensitiv, weil sie Strukturen festlegen — nicht nur Werte.
Unsichtbare Entscheidungen
Modelle erscheinen neutral, weil ihre Annahmen unsichtbar sind.
Doch jede Modellierung enthält Entscheidungen:
- Optimieren wir Effizienz oder Resilienz?
- Betrachten wir kurzfristige oder langfristige Effekte?
- Stabilisieren wir oder maximieren wir Wachstum?
Diese Entscheidungen sind selten explizit.
Aber sie sind im Modell kodiert.
Modelle unterscheiden sich nicht fundamental in ihrer Form – sondern in ihrer Struktur
(siehe hierzu All Models Are the Same Model)
Der eigentliche Fehler
Die meisten Probleme entstehen nicht durch schlechte Daten.
Sondern dadurch, dass Modelle verwendet werden,
deren Struktur nicht verstanden wird.
Wer Modelle nutzt, ohne ihre Annahmen zu verstehen, optimiert innerhalb eines Systems, das er nicht kennt.
Konsequenz
Wenn Modelle Entscheidungen tragen, dann tragen Annahmen Verantwortung.
Nicht die Datenqualität ist der Engpass.
Sondern die Qualität der Struktur, in der sie interpretiert werden.
Modelltransparenz ist damit keine akademische Frage,
sondern eine strategische Notwendigkeit.
Fazit
Daten liefern keine Realität.
Modelle erzeugen sie.
Modellierung ist deshalb keine technische Aufgabe, sondern eine strukturelle Entscheidung:
Welche Dynamik erlauben wir?
Und welche schließen wir aus?
Dieser Text setzt eine Perspektive.
Eine ausführlichere Einführung findet sich hier: