Bias (Verzerrung) bezeichnet in der Statistik und im maschinellen Lernen eine systematische Abweichung in Trainingsdaten, Merkmalsauswahl oder Modellgewichten, durch die bestimmte Gruppen, Segmente oder Ergebnisse dauerhaft bevorzugt oder benachteiligt werden.
Erklärung
Verzerrungen entstehen im B2B-Kontext häufig schon bei der Datenerhebung. Wird etwa ein Lead-Scoring-Modell ausschließlich mit historischen Abschlüssen trainiert, die das Vertriebsteam aktiv bearbeitet hat (Selection Bias), bewertet der Algorithmus neue Zielbranchen oder kleinere Unternehmensgrößen systematisch zu niedrig. Ähnliche Fehlschlüsse treten bei automatisierten Bewerbervorauswahlen, Kreditprüfungen oder Abwanderungsprognosen auf, wenn historische Ungleichgewichte ungeprüft als Muster gelernt werden. Um Bias zu begrenzen, prüfen Data-Science-Teams Trainingsdatensätze auf Repräsentativität, entfernen indirekte Stellvertretermerkmale (Proxy-Variablen) und messen Fehlerraten getrennt nach Kundensegmenten oder demografischen Gruppen. Im laufenden Betrieb helfen regelmäßige Audits dabei, schleichende Datenverschiebungen (Data Drift) frühzeitig zu korrigieren.