Statistik neu denken: Vom Rechnen zum Entscheiden

Statistik ist aus Studium und Beruf nicht wegzudenken – und dennoch wird sie oft als rein technisches Fach vermittelt. Formeln, Tests und Rechenwege stehen im Vordergrund, während die eigentliche Frage unbeantwortet bleibt: Was bedeuten diese Zahlen für Entscheidungen?

Vor diesem Hintergrund wurde das Modul „Data & Decision Making“ im Rahmen der Neuentwicklung zweier Bachelorstudiengänge an der IMC Krems (Österreich) konzipiert. Inzwischen findet es auch Eingang in bestehende Curricula und ersetzt dort häufig das klassische Modul „Business Statistics“. Die zugrunde liegende Annahme ist bewusst pragmatisch:
Die meisten Studierenden werden im Berufsleben Statistik konsumieren, nicht produzieren. Sie müssen Ergebnisse verstehen, einordnen und kritisch hinterfragen können – oft unter Unsicherheit.

Entsprechend liegt der Schwerpunkt des Moduls auf deskriptiver Statistik und der Interpretation realer Datensätze. Studierende lernen, Verteilungen zu analysieren, Streuung zu verstehen und typische Fehlinterpretationen zu erkennen. Mittelwerte werden nicht als neutrale Kennzahlen behandelt, sondern als Größen, deren Aussagekraft vom Kontext abhängt.

Darauf aufbauend beschäftigen sich die Studierenden mit Zusammenhängen zwischen Variablen. Korrelationen, Scatterplots und einfache Regressionsmodelle helfen, Muster sichtbar zu machen – ohne vorschnell kausale Schlüsse zu ziehen. Gerade diese Differenzierung zwischen Zusammenhang und Ursache-Wirkungs-Beziehung erweist sich in der Praxis als zentral.

Gleichzeitig zeigt das Modul, dass datenbasierte Entscheidungen nicht auf die Beschreibung von Daten beschränkt bleiben. Anhand konkreter Beispiele, etwa eines A/B-Tests für eine Landing Page, wird deutlich, wie inferenzstatistische Überlegungen helfen können, Beobachtungen einzuordnen und Zufall von möglichen Effekten zu unterscheiden.

Ergänzt wird dies durch Reflexionen zu kognitiven Verzerrungen, Datenethik und der Wirkung von Visualisierungen. Studierende setzen sich mit der Frage auseinander, wie Daten Entscheidungen beeinflussen – und welche Verantwortung mit datenbasierten Aussagen verbunden ist.

„Data & Decision Making“ versteht Statistik damit nicht als Selbstzweck, sondern als Werkzeug zur Entwicklung von Urteilskraft. Ziel ist es, Studierende zu befähigen, mit Daten reflektiert umzugehen – gerade dort, wo sie keine eindeutigen Antworten liefern.

Reflexion: Was gut funktioniert hat und was ich weitergeben möchte

Rückblickend hat sich vor allem eines bestätigt: Berührungsängste ernst zu nehmen lohnt sich. Viele Studierende brachten, wie üblich, negative Erfahrungen mit Statistik und Mathematik aus der Schule mit. Entsprechend groß war zunächst auch die Unsicherheit – insbesondere auch im Umgang mit MS Excel. Umso bemerkenswerter war zu beobachten, wie sich diese Haltung im Laufe des Moduls veränderte.

Besonders wirksam erwiesen sich Lehrmomente, in denen Studierende selbst erlebten, wie leicht Daten fehlinterpretiert werden können: etwa bei irreführenden Visualisierungen, beim Vergleich von Mittelwert und Median oder bei der Unterscheidung von Korrelation und Kausalität. Diese Aha-Momente führten zu intensiven Diskussionen und zu einem deutlich reflektierteren Umgang mit Zahlen.

Sehr beeindruckt haben mich zudem die individuellen Datenanalysen, die im Rahmen der Prüfungsleistung entstanden sind. Eigene Datensätze auswählen oder erheben, diese strukturieren, analysieren und kritisch interpretieren – viele Studierende zeigten hier ein Niveau an Sorgfalt und Urteilsfähigkeit, das meine Erwartungen übertroffen hat. Mein Eindruck war, dass es gelungen ist, sowohl Angst vor Statistik als auch Hemmungen gegenüber MS Excel spürbar zu reduzieren.

Was ich anderen Lehrenden mitgeben möchte:

Auch wenn wir als Dozierende im Bereich der Statistik die Eleganz mathematischer Formeln schätzen – Formeln können Barrieren sein. Wenn wir wollen, dass Studierende einen Zugang zu Daten finden, müssen wir zuerst negative Grundeinstellungen abbauen. Verstehen, Einordnen und Interpretieren sollten vor Rechenroutinen stehen. Ziel ist nicht weniger Statistik, sondern eine andere, lernwirksamere Statistik.