Was ist eine Korrelation (und was nicht)?

Was ist eine Korrelation?

Eine Korrelation beschreibt, wie zwei Variablen gemeinsam variieren. Sie kann einen möglichen Zusammenhang sichtbar machen, sagt für sich genommen aber nicht, ob eine Variable die andere verursacht.

Die Definition der Korrelation: Was misst sie wirklich?

Der Pearson-Korrelationskoeffizient ist ein statistisches Maß für die Stärke und Richtung einer linearen Beziehung zwischen zwei quantitativen Variablen. Er liegt zwischen -1 und +1. Eine Korrelation beschreibt gemeinsames Variieren, nicht die Wirkung einer gezielten Veränderung von A auf B.

Der Korrelationskoeffizient: Ein Spektrum von -1 bis +1

Der gängigste Korrelationskoeffizient ist der Pearson-Korrelationskoeffizient (r). Seine Werte lassen sich wie folgt interpretieren:

• +1 (Perfekte positive Korrelation): Wenn Variable A um eine Einheit steigt, steigt Variable B um einen konstanten Betrag. Die Datenpunkte liegen auf einer perfekt geraden Linie mit positiver Steigung.

• 0 (Keine lineare Korrelation): Es gibt keinen erkennbaren linearen Zusammenhang zwischen den Variablen. Wenn A sich ändert, gibt es kein systematisches Muster in der Änderung von B.

• -1 (Perfekte negative Korrelation): Wenn Variable A um eine Einheit steigt, sinkt Variable B um einen konstanten Betrag. Die Datenpunkte liegen auf einer perfekt geraden Linie mit negativer Steigung.

In der Praxis sind perfekte Korrelationen von +1 oder -1 extrem selten. Die meisten Korrelationen in der realen Welt liegen irgendwo dazwischen. Ein Wert von +0,7 deutet auf eine starke positive Korrelation hin, während ein Wert von -0,2 eine sehr schwache negative Korrelation signalisiert.

Visuelle Analyse: Das Streudiagramm (Scatter Plot)

Bevor man überhaupt einen Koeffizienten berechnet, ist der erste und wichtigste Schritt die Visualisierung der Daten in einem Streudiagramm. Jedes Wertepaar (A, B) wird als Punkt in einem Koordinatensystem dargestellt. Die entstehende Punktwolke gibt einen intuitiven Eindruck über die Art des Zusammenhangs:

• Eine Punktwolke, die von links unten nach rechts oben ansteigt, deutet auf eine positive Korrelation hin.

• Eine Punktwolke, die von links oben nach rechts unten abfällt, signalisiert eine negative Korrelation.

• Eine diffuse, formlose Punktwolke lässt auf keine Korrelation schließen.

Wichtig: Der Pearson-Koeffizient misst nur lineare Zusammenhänge. Ein starker, aber nicht-linearer Zusammenhang (z. B. eine U-Form) kann einen Korrelationskoeffizienten nahe Null ergeben, obwohl offensichtlich eine Beziehung besteht. Dies unterstreicht die Notwendigkeit der visuellen Prüfung.

Arten der Korrelation: Beispiele aus der Unternehmenspraxis

Um das Konzept greifbarer zu machen, betrachten wir typische Anwendungsfälle aus dem Geschäftsalltag.

Positive Korrelation: Variablen verändern sich in dieselbe Richtung

Bei einer positiven Korrelation treten höhere Werte der einen Variable tendenziell gemeinsam mit höheren Werten der anderen auf. Das allein erklärt nicht, warum sie gemeinsam variieren.

• Beispiel 1: Marketingausgaben und Umsatz. In einem Datensatz können höhere Marketingausgaben mit höheren Umsätzen einhergehen. Daraus folgt nicht, dass die Ausgaben den Umsatzanstieg verursacht haben: Saison, Produktverfügbarkeit oder die gezielte Erhöhung des Budgets in umsatzstarken Phasen könnten ebenfalls eine Rolle spielen.

• Beispiel 2: Website-Ladezeit und Absprungrate. Eine längere Ladezeit kann gemeinsam mit einer höheren Absprungrate auftreten. Die Beobachtung kann eine Untersuchung motivieren, belegt aber nicht, dass die Ladezeit allein für die Absprünge verantwortlich ist.

Negative Korrelation: Variablen verändern sich gegenläufig

Bei einer negativen Korrelation treten höhere Werte der einen Variable tendenziell gemeinsam mit niedrigeren Werten der anderen auf.

• Beispiel 1: Produktpreis und Absatzmenge. Ein Datensatz kann einen negativen Zusammenhang zwischen Preis und Absatzmenge zeigen. Für eine kausale Aussage müssten unter anderem Rabatte, Nachfrage, Produktmix und Zeitpunkt berücksichtigt werden.

• Beispiel 2: Mitarbeiterschulung und Supportanfragen. Eine negative Korrelation zwischen Schulungsumfang und späteren Supportanfragen wäre ein Anlass, genauer hinzusehen. Unterschiede zwischen Teams, Softwareversionen oder dem Schwierigkeitsgrad der Aufgaben könnten den Zusammenhang mit erklären.

Keine Korrelation: Wenn kein Zusammenhang erkennbar ist

Hier besteht kein systematischer linearer Zusammenhang zwischen den Variablen.

• Beispiel: Schuhgröße eines CEO und der Aktienkurs des Unternehmens. Es gibt keinen plausiblen Grund anzunehmen, dass diese beiden Variablen in irgendeiner Weise miteinander verbunden sind. Jede zufällig gefundene Korrelation wäre rein zufällig und ohne Aussagekraft.

Der Elefant im Raum: Korrelation ist NICHT Kausalität!

Dies ist die wichtigste Lektion der Datenkompetenz und der Punkt, an dem die meisten Fehler gemacht werden. Nur weil zwei Variablen A und B korrelieren, bedeutet das nicht zwangsläufig, dass A die Ursache für B ist (oder umgekehrt). Eine Korrelation beschreibt lediglich ein gemeinsames Auftreten, nicht aber den Mechanismus dahinter.

Die Verwechslung von Korrelation und Kausalität führt zu kostspieligen Fehlentscheidungen. Ein Unternehmen könnte beispielsweise massiv in eine Initiative investieren, weil sie mit Erfolg korreliert, obwohl die wahre Ursache des Erfolgs ganz woanders liegt.

Die berühmte Scheinkorrelation (Spurious Correlation)

Eine Scheinkorrelation liegt vor, wenn zwei Variablen einen starken Zusammenhang aufweisen, dieser aber nicht auf einer direkten kausalen Verbindung beruht. Stattdessen sind beide von einer dritten, oft unsichtbaren Variable (einer “Lurking Variable” oder Störvariable) abhängig.

• Klassisches Beispiel: Es gibt eine starke positive Korrelation zwischen dem Verkauf von Eiscreme und der Anzahl der Ertrinkungsunfälle. Führt der Eisverkauf zum Ertrinken? Nein. Die Störvariable ist das heiße Sommerwetter, das sowohl den Eiskonsum als auch die Badeaktivitäten (und damit das Risiko des Ertrinkens) ansteigen lässt.

• Business-Beispiel: Ein Einzelhändler stellt fest, dass Filialen mit mehr Sicherheitspersonal (Variable A) auch höhere Diebstahlraten (Variable B) aufweisen. Die Schlussfolgerung, dass mehr Sicherheitspersonal zu mehr Diebstahl führt, wäre absurd. Die Störvariable ist die Kriminalitätsrate am Standort. In Gegenden mit hoher Kriminalität werden von vornherein mehr Sicherheitskräfte eingesetzt und es wird trotzdem mehr gestohlen.

Drei mögliche Erklärungen für eine Korrelation zwischen A und B

Wenn Sie eine Korrelation finden, gibt es immer mindestens drei plausible Erklärungen, bevor Sie auf Kausalität schließen dürfen:

1. Kausalität: A verursacht B. (z.B. Mehr Werbeausgaben verursachen mehr Verkäufe).

2. Umgekehrte Kausalität: B verursacht A. (z.B. Erfolgreiche Teams zeigen höheres Engagement, nicht umgekehrt).

3. Störvariable (Confounding): Eine dritte Variable C verursacht sowohl A als auch B. (Das Wetter verursacht Eisverkäufe UND Ertrinkungsunfälle).

4. Zufall: Bei der Analyse von Tausenden von Variablen ist es statistisch wahrscheinlich, dass einige rein zufällig korrelieren, ohne jeglichen echten Zusammenhang.

Praktische Anwendung im Business-Kontext: Wie Sie Korrelationen richtig nutzen

Trotz der Gefahr der Fehlinterpretation ist die Korrelationsanalyse ein unschätzbar wertvolles Werkzeug, wenn sie richtig eingesetzt wird. Ihr wahrer Wert liegt nicht darin, endgültige Antworten zu geben, sondern fundierte Hypothesen zu generieren.

Anwendungsbereich	Beispiel für eine Korrelationsanalyse	Generierte Hypothese (für weitere Tests)
Marketing & Vertrieb	Blog-Beiträge pro Monat und Website-Traffic variieren im untersuchten Zeitraum gemeinsam.	Prüfen, ob Saison, Kampagnen und Veröffentlichungszeitpunkte den Zusammenhang erklären; für eine Wirkungsfrage ein geeignetes Experiment oder ein anderes kausales Design planen.
Produktentwicklung	Nutzung von Feature X und Kundenzufriedenheit unterscheiden sich gemeinsam zwischen Nutzergruppen.	Prüfen, ob Nutzertypen, Nutzungshäufigkeit oder andere Produktänderungen mit beiden Größen zusammenhängen.
Human Resources	Teilnahme an Weiterbildungen und Beförderungen treten gemeinsam häufiger auf.	Prüfen, ob Vorerfahrung, Tätigkeit oder Auswahlprozesse den Zusammenhang erklären, bevor Aussagen zur Wirkung der Weiterbildung getroffen werden.
Operations & Logistik	Wartungshäufigkeit und ungeplante Ausfallzeiten stehen im Datensatz in einem negativen Zusammenhang.	Maschinenzustand, Belastung und Wartungsgrund berücksichtigen; eine Änderung der Wartungsintervalle kontrolliert evaluieren.

Werkzeuge und Vorgehensweisen zur Korrelationsanalyse

Die Durchführung einer Korrelationsanalyse ist heute zugänglicher denn je.

• Visualisierung: Tools wie Microsoft Excel, Tableau oder Power BI ermöglichen die schnelle Erstellung von Streudiagrammen per Drag-and-Drop.

• Berechnung: In Excel kann der Pearson-Koeffizient einfach mit der Funktion =KORREL(Bereich1; Bereich2) berechnet werden. Statistische Software wie R oder Python (mit Bibliotheken wie Pandas und SciPy) bietet umfassendere Möglichkeiten zur Analyse von Korrelationsmatrizen für viele Variablen gleichzeitig.

• Interpretation: Der entscheidende Schritt bleibt die menschliche Expertise. Eine Korrelation von 0.8 ist statistisch stark, aber ist sie auch geschäftlich relevant? Gibt es plausible Erklärungen für den Zusammenhang? Welche Störvariablen könnten im Spiel sein? Diese Fragen kann keine Software beantworten.

Fazit: Was Korrelation aussagt

Eine Korrelationsanalyse beschreibt, wie zwei Variablen gemeinsam variieren. Sie kann Fragen für weitere Untersuchungen aufwerfen, erklärt aber nicht von selbst, wodurch ein Zusammenhang entsteht.

Vor einer kausalen Schlussfolgerung sind alternative Erklärungen, Messung und Studiendesign zu prüfen. Für Aussagen über Wirkungen braucht es ein geeignetes kausales Untersuchungsdesign; eine Korrelation allein reicht dafür nicht aus.