Unsere Methode: Warum Barrakudas?
Wie SapientSwarm aus Gruppen Schwärme macht.
Sind Menschen Herdentiere? Ja und Nein.
Der Große Barrakuda (Sphyraena barracuda) ist ein pelagischer Raubfisch, der von Natur aus Einzelgänger ist, aber sich opportunistisch für die Jagd zu großen Schwärmen zusammenschließt. Schwärme profitieren von einem größeren kollektiven Blickfeld und einer koordinierter Jagdstrategie, z.B. Beute einzukreisen und zu erschöpfen sowie erhöhter hydrodynamischer Effizienz. Es ist eine treffende Metapher für die menschliche "Weisheit der Massen", da es die Effizienz erhöht und das Risiko verringert, wobei es freiwillig und opportunistisch ist. Insofern ist auch der Begriff "Schwarmintelligenz" für einige Leser vielleicht etwas verwirrend, da er oft im Zusammenhang mit Modellrechnern und Robotik benutzt wird und jedem einzelnen Bestandteil nur sehr primitive Auswahl- und Kommunikationsmöglichkeiten unterstellt (z.B. an/aus). Menschen sind natürlich zu komplex und oft auch zu "eigensinnig", um auf diese Weise zu agieren und deshalb haben wir von Ameisen und Bienen in der Entwicklung Abstand genommen und uns konkret von dem Verhalten von Raubfischen inspirieren lassen. Doch Menschen können noch viel mehr und sind so potenziell in der Lage, scheinbar unlösbare Probleme in intelligenten Gruppen zu lösen. Dies ist jedoch nur mit der richtigen Abstimmung und Motivation der Gruppe möglich. Auch angemessenes Feedback spielt bei unserem Prozess eine große Rolle.
So kann die Qualität von Prognosen z.B. mit Hilfe der Brier-Score Methode bewertet werden. Dabei mißt der Brier Score den Überraschungsfaktor und ein hoher Wert ist eine schlechte Prognose. Relative Brier-Scores mehrerer Vorhersagen, die die gleichen Fragen beantwortet haben, sind also ein wesentlich besseres Urteil über die Vorhersagegenauigkeit als die Trefferquote, die Konsensprognosen bevorzugt. Fragen per Schwarm zu beantworten, macht immer dann Sinn, wenn es keine eindeutige, korrekte Antwort gibt, aber die Qualität der Antwort durch mehr Informationen verbessert werden kann. Hier unterscheiden wir zwischen drei Hauptkategorien: Komplexität, Reflexivität und Subjektivität. Das Wetter morgen oder die Bahn einer Roulettekugel könnten theoretisch berechnet werden, sind dazu aber zu komplex. Ob es zu Krieg kommt, ein populistischer Kandidat die Wahl gewinnt oder der Aktienmarkt fällt ist auch komplex, hängt aber nicht nur von unzähligen Faktoren ab, sondern wird durch das Verhalten der Akteure selbst beeinflußt, d.h. wenn wir berechnen könnten, dass unser jetziges Verhalten zu Krieg führen würde, würden wir uns dadurch vermutlich anders verhalten. Diese Dimension ist die Reflexivität. Bei Subjektivität spielt die Übereinstimmung von Prognose und Ereignis keine Rolle, sondern die Präferenz der Befragten. Die Qualität der Antwort liegt dann nicht in ihrerm Wahrheitsgrad, sondern ob sie repräsentativ ist oder nicht. Komplexe Sachverhalte lassen sich im Schwarm oft besser analysieren, wenn sie bereits von Experten oder dem Computer aufbereitet wurden. So ist die Frage 'Kommt es heute zum Crash am Aktienmarkt: JA/NEIN' verhältnismäßig sinnlos, da die Antwort JA zu selten eintrifft. Schwarmergebnisse sind in der Regel dann am wertvollsten, wenn sie keine vermeintlich "sicheren" Ausgänge abfragen. Reflexivität erfordert es, die Schwarmteilnehmer angemessen, aber nicht übermäßig, für das Eintreffen unwahrscheinlicher Ereignisse zu belohnen. Subjektive Schwarmfragen erscheinen oft unkompliziert, da es oft kein unmittelbares Feedback über richtig oder falsch gibt, erfordern aber genauso subtile Anpassung, um repräsentativ zu sein und Heuristiken zu vermeiden.Ein weiterer Vorteil des Schwarms liegt in der Verzögerung zwischen der anfänglichen Positionierung und dem Erreichen der Antwort. Gut informierte, aber unentschlossene Teilnehmer erhalten so eine Auswahlliste mit Antworten, bevor sie eine Entscheidung treffen. Die britische Brexit-Abstimmung ist ein gutes Beispiel. Sechs mögliche Reaktionen der Börsen auf die Ankündigung der Abstimmung zwischen "stark ansteigen" und "stark fallen" wurden auf die beiden Extreme zwischen den entschiedenen Teilnehmern reduziert. Unentschlossene Teilnehmer, die den starken Anstieg nach Schließen der Wahllokale richtig einschätzten, wählten "stark fallen" bevor eine einzige Stimme ausgezählt wurde, da aufgrund des besseren Risiko-Ertrags-Verhältnisses dies nur logisch erschien und die "sicheren" Optionen wie "Kurse bleiben unverändert" durch die Vorauswahl nicht mehr verfügbar waren. Eine Umfrage zu diesem Zeitpunkt hätte sehr wahrscheinlich zu genau dieser Art sicherer Antwort geführt und wäre nutzlos gewesen, da sie nicht mit der Volatilitätsprognose der Teilnehmer kompatibel gewesen wäre.
Der Gesamtprozess
Unser Schwarmprognoseprozess ist viel mehr als das Online-Tool. Wir coachen unsere Teilnehmer in den Grundlagen des 'Superforecasting', sensibilisieren sie auf Vorurteile, Heuristiken und die Gefahren bei Gruppenenscheidungen. Dieses Training deckt sowohl grundlegendes Wissen als auch themenspezifische Hinweise ab und wir messen ständig das Gruppen- und Entscheidungsverhalten. So können wir den Teilnehmern näherbringen, wann und wie man im Schwarm mit Überzeugung leitet, vermittelt oder widerspricht. Wir bieten auch Unterstützung bei der Datenanalyse, um Schwarmergebnisse weiter zu interpretieren oder Entscheidungsvariablen weiter aufzubereiten, und verfügen über eine große Auswahl an Kalibrierungsoptionen für alle Gruppengrößen und -stile.
Unser Team
Sapient Predictive Analytics verfügt kollektiv über mehr als 40 Jahre Erfahrung im Handel von Derivaten und Commodities, darunter Aktienindex-Futures und -Optionen, Öl, Gas und Strom sowie verschiedene Agrarrohstoffe und festverzinsliche Produkte. Unser Team ist sehr versiert in den Programmiersprachen, die am häufigsten im maschinellen Lernen, der Datenwissenschaft und der Webentwicklung verwendet werden. Es ist unsere Leidenschaft, schwierige Fragen und scheinbar unmögliche Herausforderungen zu lösen, und unsere Teammitglieder engagieren sich in einem breiten Spektrum von Wettbewerben und Experimenten. Wir lieben Open Source, Wikis und Dezentralisierung und hoffen, dass unsere Arbeit zum Aufbau einer gerechteren und nachhaltigeren Informationsgesellschaft beitragen kann.
Notwendige Voraussetzungen für intelligente Gruppenentscheidungen.
Von den sprichwörtlichen Lemmingen bis zum "groupthink" bei Führungskräften: Gruppen entscheiden nicht immer optimal. Um eine kollektive Intelligenz hervorzubringen und Mob-Mentalität zu vermeiden müssen Gruppen gewisse Anforderungen erfüllen:
- Heterogene Hintergründe und Meinungen und das Bewußtsein, dass dies von Vorteil ist.
- Unabhängiges Denken ohne Gruppenzwang und strenge soziale Normen.
- Angemessene Tools und Moderation, um Stimmen und Meinungen zusammenzufassen, die von allen Teilnehmern akzeptiert werden.
- Die Fähigkeit, Leistung zu messen und differenzieren zu können, ob diese auf Geschick oder Glück zurückzuführen ist.
- Obwohl dies wahrscheinlich nicht entscheidend ist, glauben wir, dass eine entspannende, spielerische Umgebung zu einer stressfreien, inspirierenden Zusammenarbeit beitragen kann.