211service.com
Wie uns das Data Mining des Scheiterns die Geheimnisse des Erfolgs beibringen könnte
Frau Technik | Edison: Kongressbibliothek, Leuchtmittel: Pixabay
Thomas Edison wird oft als Amerikas größter Erfinder bezeichnet. Zu seinen Erfolgen gehören die Stromerzeugung, die Tonaufnahme und die elektrische Glühbirne.
Aber Edison war das Scheitern nicht fremd. Er testete bekanntermaßen 1.000 verschiedene Designs, bevor er sich für den Kohlefaden entschied, der zur ersten kommerziell erfolgreichen Glühbirne wurde. Diese Hartnäckigkeit zeichnete ihn aus. Viele der Versager des Lebens seien Menschen, die nicht erkannten, wie nah sie dem Erfolg waren, als sie aufgaben, sagte er.
Viele Gruppen und Einzelpersonen haben die Natur des Erfolgs studiert. Diese Studien haben zu unterschiedlichen Erkenntnissen geführt. Die Kehrseite – die Natur des Scheiterns – ist viel weniger gut untersucht, aber wohl wichtiger. Über die Mechanismen, die die Dynamik des Versagens bestimmen, ist wenig bekannt.
Heute ändert sich das zumindest teilweise dank der Arbeit von Yian Yin an der Northwestern University in Evanston, Illinois, und Kollegen. Dieses Team hat die Art des Scheiterns in drei riesigen Datensätzen analysiert, die das Schicksal von Start-up-Unternehmen, Forscher, die versuchen, die Finanzierung zu sichern, und Terroranschläge verfolgen. Die Arbeit offenbart die Dynamik des Scheiterns und eine verborgene Signatur, die drohende Misserfolge frühzeitig von Erfolgen trennen kann.
Die Methode des Teams basiert auf der Analyse von drei Datensätzen. Die erste ist eine Sammlung aller gesundheitsbezogenen Forschungsvorschläge, die zwischen 1985 und 2015 bei den US National Institutes of Health eingereicht wurden.
Die NIH sind der weltweit größte Geldgeber für biomedizinische Forschung, daher ist dieser Datensatz riesig und besteht aus 776.721 Anträgen von 139.091 Forschern. Es enthält auch Informationen darüber, ob jeder Vorschlag finanziert wurde oder nicht; mit anderen Worten, ob es erfolgreich war oder nicht.
Die zweite Datenbank enthält Investitionsaufzeichnungen in Startup-Unternehmen von VentureXpert, der offiziellen Datenbank der National Venture Capital Association. Dies folgt dem Schicksal jedes von Risikokapitalgebern finanzierten Startups zwischen 1970 und 2017 – insgesamt 58.111 Unternehmen mit 253.579 Innovatoren.
In diesem Fall gilt ein Startup als erfolgreich, wenn es innerhalb von fünf Jahren nach seiner Gründung einen Börsengang oder eine hochwertige Fusion und Übernahme durchgeführt hat.
Der endgültige Datensatz stammt aus der Global Terrorism Database, die zwischen 1970 und 2017 170.350 Terroranschläge von 3.178 Terrororganisationen aufzeichnet. In diesem Fall ist ein erfolgreicher Angriff einer, der mindestens ein Leben kostet, während ein Fehlschlag derjenige ist, der niemanden tötet.
Ein Hauptmerkmal dieser Datensätze ist, dass sie es Yin und Co ermöglichen, das Schicksal von Forschern, Innovatoren und Terrorgruppen zu verfolgen, die zahlreiche Versuche unternehmen, um ihr Ziel zu erreichen. Eine Schlüsselfrage, der sie nachgehen, ist, wie sich Versuche im Laufe der Zeit verändern und welche Faktoren an diesen Veränderungen beteiligt sind.
Yin und Co untersuchen speziell zwei Faktoren, von denen angenommen wird, dass sie eine wichtige Rolle für Erfolg und Misserfolg spielen: Zufall und Lernen. Sie betrachten zuerst den Zufall, die Vorstellung, dass zufällige Ereignisse eine wichtige Rolle spielen, um die Erfolgschancen zu behindern oder zu steigern.
Das führt zu einem einfachen Modell. Wenn der Zufall der Schlüsselfaktor für den Erfolg ist, dann hat jeder Versuch eine endliche Erfolgswahrscheinlichkeit. In der Tat wird der Erfolg schließlich eintreten, wenn genügend Versuche unternommen werden. Dies deutet darauf hin, dass die Anzahl der Versuche vor einem Erfolg einer Exponentialverteilung folgen sollte.
Um diese Theorie zu testen, untersuchten Yin und Co. die Fehlerfolgen derselben Personen oder Teams, bevor sie einen Erfolg erzielten. Es stellt sich heraus, dass diese Sequenzen nicht der Art der Verteilung folgen, die von einem Zufallsmodell vorhergesagt wird.
Yin und Co. werteten auch den ersten und vorletzten Versuch in diesen Fehlerserien aus und verglichen sie dann, um zu sehen, wie sie sich verändert haben. Wenn Glück alles ist, was zählt, sollte es keinen signifikanten Unterschied geben.
Aber die vorletzten Versuche seien deutlich besser als die ersten Versuche, sagt das Team. Dies deutet darauf hin, dass ein anderer Mechanismus im Spiel sein muss: Die beteiligten Personen müssen lernen. Mit anderen Worten, die Erfahrung des Scheiterns lehrt wertvolle Lektionen, die verwendet werden können, um die Leistung beim nächsten Mal zu verbessern.
Da das Lernen die Anzahl der erforderlichen Versuche bis zum Erreichen des Erfolgs verringern soll, sollte es zu einer engeren Verteilung von Misserfolgssträhnen führen als die vom Zufallsmodell vorhergesagte exponentielle Form.
Aber zur Überraschung von Yin und Co. folgen Fehlerserien auch nicht diesem Muster. Tatsächlich haben sie eine viel fettere Verteilung. Diese Beobachtungen zeigen, dass weder Zufall noch Lernen allein die empirischen Muster erklären können, die Misserfolgen zugrunde liegen, sagen die Forscher.
Welche anderen Faktoren sind also wichtig? Um das herauszufinden, haben Yin und Co. modelliert, wie Menschen aus Erfahrungen lernen und wie dies ihren nächsten Versuch beeinflusst. Insbesondere modellierten sie, ob Menschen alle ihre bisherigen Erfahrungen berücksichtigen oder nur einige davon.
Das resultierende Modell berücksichtigt eine vollständige Bandbreite des Lernens – von Agenten, die all ihre bisherigen Erfahrungen berücksichtigen, bis hin zu denen, die keine ihrer bisherigen Erfahrungen berücksichtigen, und alles dazwischen.
Das Team sagt, dass das Modell eine Phasenänderung im Verhalten vorhersagt, die mit den empirischen Daten übereinstimmt. Wenn das Niveau des Lernens aus Erfahrung unter einer bestimmten Schwelle liegt, werden zukünftige Versuche nie gut genug, um erfolgreich zu sein. Tatsächlich können Gruppen am Ende die Qualität ihrer Arbeit verringern.
Aber wenn das Niveau des Erfahrungslernens über dieser Schwelle liegt, werden zukünftige Versuche immer besser, bis sie schließlich erfolgreich sind. Und der Schlüsselfaktor ist die Art und Weise, wie Menschen lernen.
Das hat wichtige Implikationen. Das bedeutet zum Beispiel, dass der Lernprozess eines Teams ein guter Indikator dafür ist, ob es irgendwann gelingt oder nicht. Unsere Ergebnisse enthüllen identifizierbare, aber bisher unbekannte frühe Signale, die es uns ermöglichen, Fehlerdynamiken zu identifizieren, die zu endgültigem Sieg oder Niederlage führen werden, sagen Yin und Co.
Im nächsten Schritt wird der Lernerfolg analysiert vor Ort damit es von erfolglosem Lernen unterschieden und schließlich systematisch vermittelt werden kann.
Dies könnte ein entscheidender Weg für Teams sein, sich einen Wettbewerbsvorteil zu verschaffen. Und da so viel in Bezug auf Finanzierung und Investitionen auf dem Spiel steht, haben erfolgreiche Lernende einen großen Anreiz, sich noch mehr anzustrengen. Edison wäre sicherlich beeindruckt.
Ref: arxiv.org/abs/1903.07562 : Quantifizierung der Ausfalldynamik in Wissenschaft, Startups und Sicherheit