Das System im Detail

Wissenschaftliche Analyse. Automatisch.

Bringen Sie Ihren Datensatz mit und legen Sie fest, was Sie verstehen möchten. OptiMod prüft die Daten, bewertet geeignete Verfahren und führt die Analyse durch – mit Ergebnissen, Unsicherheit und einem Wissenschaftlichen Bericht, den Sie prüfen können.

Keine Programmier- oder Statistikkenntnisse erforderlich.

01 / Der Analysekern

Das Verfahren folgt den Daten.

Die Fragestellung bestimmt das Analyseziel. Variablentypen, Datenqualität und Zusammenhänge grenzen die infrage kommenden Verfahren ein. Mathematische Voraussetzungen und diagnostische Befunde bilden die Grundlage für die endgültige Auswahl.

  1. Daten prüfen

    Variablentypen, Vollständigkeit und Abhängigkeiten prüfen. Informationen erkennen, die das Ergebnis vorwegnehmen würden.

  2. Verfahren bewerten

    Geeignete Verfahren bestimmen, Kandidaten schätzen und ihre Annahmen und diagnostischen Befunde im Hinblick auf das Analyseziel vergleichen.

  3. Ergebnis dokumentieren

    Die Schätzwerte mit dem gewählten Verfahren, ihrer Unsicherheit und den für die Interpretation relevanten Grenzen verknüpfen.

Die Kernalgorithmen von OptiMod wurden im eigenen Haus entwickelt und bauen auf mehrjähriger Forschung an der Leibniz Universität Hannover auf. Wissenschaftliches Wissen wird zum Bestandteil des Ablaufs – von der ersten Datenprüfung bis zum abschließenden Bericht.

Die wissenschaftliche Grundlage erkunden

02 / Statistisches Fachwissen, integriert

Sie bringen die Frage mit. OptiMod übernimmt die Statistik.

Eine einfachere Oberfläche ist nur ein Teil des Fortschritts. OptiMod integriert wissenschaftliche Entscheidungslogik in die Analyse selbst. So können Menschen ihre Daten untersuchen, ohne dafür zu Statistikspezialisten werden zu müssen.

Ein klassischer statistischer Analyseablauf

Leistungsstarke Werkzeuge. Sie steuern die Analyse.

Statistiksoftware stellt die Verfahren bereit. Wer sie nutzt, muss weiterhin bestimmen, was zu den Daten passt, welche Annahmen zu prüfen sind und wie die Ergebnisse zu interpretieren sind.

  • Ein geeignetes Verfahren auswählen und konfigurieren.
  • Die relevanten Annahmeprüfungen durchführen.
  • Schätzwerte und Unsicherheit interpretieren.
  • Verfahren und Ergebnisse zur Prüfung zusammenstellen.

Mit OptiMod

Ein Autopilot für wissenschaftliche Analysen.

Sie bringen die Fragestellung und Ihr Fachwissen ein. OptiMod übernimmt den statistischen Ablauf und verknüpft die Ergebnisse mit ihrer Begründung.

  • Datengestützte Bewertung und Auswahl geeigneter Verfahren.
  • Automatische Annahmeprüfungen mit dokumentierten Ergebnissen.
  • Verständliche Erkenntnisse mit ihrer Unsicherheit und ihren Grenzen.
  • Ein Wissenschaftlicher Bericht mit Verfahren, Tests und Analyseentscheidungen.

03 / Ein Beispiel. Ein viel größeres Potenzial.

Der Mittelwert kann
den Effekt verdecken.

Diese simulierte Arzneimittelstudie zeigt einen typischen blinden Fleck der Datenanalyse: Ein Gesamtmittelwert kann wichtige Subgruppeneffekte verdecken. Sie ist eines von vielen Beispielen dafür, was eine tiefere wissenschaftliche Analyse sichtbar machen kann.

Simulierte Arzneimittelstudie · 600 Teilnehmende
Mittlere Veränderung je Studiengruppe
VerbesserungVerschlechterung

Veränderung des Symptomwerts · niedrigere Werte sind besser

KontrollgruppeBehandlungsgruppeGruppe A · BehandlungGruppe B · Behandlung

Ein begrenzter Blick

Fast derselbe Mittelwert.

Über alle Teilnehmenden hinweg sind die Mittelwerte der Behandlungs- und Kontrollgruppe nahezu identisch. Eine reine Mittelwertanalyse zeigt insgesamt keinen statistisch signifikanten Unterschied.

−0,15PunkteBehandlungsgruppe − Kontrollgruppe

95%-KI −1,22 bis +0,92 · p = 0,780

Heißt das, dass niemand profitiert hat?

Die Frage verändert sich. Von „Wirkt es im Durchschnitt?“ zu „Bei wem wirkt es?“

Einblick in den Analysekern
Studiendesign, statistische Tests und Daten

Diese unabhängig berechnete Veranschaulichung verwendet simulierte Daten. Sie zeigt weder eine reale Arzneimittelstudie noch eine mit OptiMod durchgeführte Analyse. Die beiden Gruppen werden anhand der Biomarkerwerte zu Studienbeginn definiert, bevor die Behandlungsergebnisse beobachtet werden. Jede Gruppe umfasst 150 Teilnehmende mit Behandlung und 150 in der Kontrollgruppe.

Zweiseitige Welch-Tests vergleichen Behandlung und Kontrolle insgesamt sowie innerhalb jeder Gruppe. Die p-Werte der Subgruppen sind für die beiden Vergleiche nach Holm adjustiert; die dargestellten 95%-Konfidenzintervalle sind punktweise.

Ein direkter Interaktionskontrast zwischen Behandlung und Gruppe prüft, ob sich die Effekte unterscheiden: +15,79 Punkte für B minus A, 95%-KI +14,68 bis +16,89, p < 0,001. Sein Standardfehler kombiniert die Varianzen der vier unabhängigen Zellen mit Welch–Satterthwaite-Freiheitsgraden.

Die Kurven sind Kerndichteschätzungen mit Gauß-Kern und derselben Bandbreite für jede Gruppe. Die Kurven der behandelten Subgruppen sind mit ihrem Anteil von jeweils 50 % gewichtet, sodass sie zusammen die Verteilung der Behandlungsgruppe ergeben.

Mehr Analysetiefe. Mehr vom Potenzial Ihrer Daten.

Verborgene Subgruppeneffekte sind nur ein Beispiel. Auch Störfaktoren, mit Kausalität verwechselte Korrelationen und ungeeignete Modelle können Schlussfolgerungen verfälschen. OptiMod automatisiert die wissenschaftliche Prüfung in der Tiefe. So können Teams übersehene Erkenntnisse und ungenutzte Potenziale erschließen – in Forschung, Wirtschaft und Politik.

04 / Die hybride Architektur

Wo Regeln und KI ihren Beitrag leisten.

OptiMod verbindet wissenschaftliches Wissen, mathematische Berechnungen und gezielte KI-Unterstützung. Gemeinsam ermöglichen sie eine effiziente Analyse mit verständlichen Ergebnissen.

Die analytische Grundlage

Wissenschaftliche Regeln & Berechnungen.

Wissenschaftliche Anforderungen und rechnerische Befunde bestimmen den Analyseweg – von den zu den Daten passenden Verfahren bis zu den daraus gewonnenen Schätzungen.

  • Bestimmen, welche Verfahren geeignet sind.
  • Modellannahmen anhand der Daten prüfen.
  • Geeignete Verfahren und ihre Diagnoseergebnisse vergleichen.
  • Effekte, Teststatistiken und Unsicherheit berechnen.

Unterstützung, wo sie Mehrwert schafft

Gezielte KI-Unterstützung.

KI unterstützt das Verständnis der Daten und eine effiziente Analyse. Sie hilft, komplexe Befunde verständlich zu erklären – im Einklang mit den zugrunde liegenden Berechnungen.

  • Die Struktur und den Kontext der Daten einordnen.
  • Ausgewählte Arbeitsschritte beschleunigen.
  • Erkenntnisse verständlich formulieren.
  • Erklärungen mit Ergebnissen und ihren Grenzen verknüpfen.
  1. Wissenschaftliches Wissen
  2. Mathematische Prüfungen
  3. Statistische Evidenz
  4. Verständliche Erklärung

Bei wissenschaftlichen und geschäftskritischen Entscheidungen liegt der Engpass nicht mehr darin, eine Antwort zu erzeugen, sondern ihr vertrauen zu können.

05 / Ihre Analyse zum Mitnehmen

Ein Bericht, der bei Ihnen bleibt.

Exportieren Sie Ihren Wissenschaftlichen Bericht als PDF. Er dokumentiert die Datenaufbereitung, die Methodenwahl, die Modellannahmen, die konkret eingesetzten Prüfverfahren und die Ergebnisse. So können Sie die Analyse prüfen, teilen und aufbewahren – unabhängig von Ihrem Zugang zu OptiMod.

Beispielauszug · simulierte Studie

Behandlungseffekte nach Ausgangsmerkmalen

Veränderung des Symptomwerts · niedrigere Werte sind besser

Studiendesign
600 Teilnehmende; zufällige Zuteilung zu Behandlung und Kontrolle im Verhältnis 1:1 innerhalb zweier vorab festgelegter Gruppen anhand eines Ausgangsbiomarkers. Je 150 Teilnehmende pro Studienarm und Gruppe.
Vergleich
Mittelwertdifferenz: Behandlung minus Kontrolle, insgesamt sowie innerhalb der Gruppen A und B. Interaktion: Behandlungseffekt in Gruppe B minus Behandlungseffekt in Gruppe A.
Statistische Tests
Zweiseitige Welch-t-Tests; Prüfung der Interaktion als Kontrast unabhängiger Gruppen mit Satterthwaite-Freiheitsgraden. Holm-Korrektur für die beiden Subgruppentests. Punktweise 95%-Konfidenzintervalle.
Ergebnisse
  • Insgesamt−0,15 Punkte · 95%-KI −1,22 bis 0,92 · p = 0,780
  • Gruppe A−8,05 Punkte · 95%-KI −8,81 bis −7,28 · korrigiertes p < 0,001
  • Gruppe B+7,74 Punkte · 95%-KI 6,94 bis 8,54 · korrigiertes p < 0,001
  • Interaktion15,79 Punkte · 95%-KI 14,68 bis 16,89 · p < 0,001
Unabhängig berechnetes Beispiel mit synthetischen Daten.

Das Beispielpaket enthält den synthetischen Datensatz, das Berechnungsskript und die vollständigen numerischen Ergebnisse.

Beispielpaket herunterladen (ZIP)
Ein weiteres Analysebeispiel: Modellvergleich
Öffentliches Beispiel · Modellvergleich

Zwei Modelle. Zwei unterschiedliche Fragen.

In diesem unabhängig berechneten Beispiel mit öffentlichen Daten von Capital Bikeshare wurden beide Zählmodelle an den ersten 547 Tagen angepasst. Die Vorhersagen wurden anhand der folgenden 184 Tage mit den aufgezeichneten Wetterdaten bewertet.

Das Beispiel nach Analyseziel erkunden
KandidatAIC auf TrainingsdatenMAE auf TestdatenAusleihen/Tag
Poisson66,197.6689
Negativ-binomial (NB2)8,815.7863

Bei beiden Kennzahlen sind niedrigere Werte besser. Das AIC bewertet die Modellanpassung unter Berücksichtigung der Komplexität. Der mittlere absolute Fehler (MAE) misst den Vorhersagefehler.

Analyse des Zusammenhangs. Das Poisson-Modell zeigte eine deutliche Überdispersion. NB2 hatte das niedrigere AIC auf den Trainingsdaten und wurde in diesem Beispiel zur Untersuchung der Zusammenhänge ausgewählt.

Vorhersagefehler. An den 184 zurückgehaltenen Testtagen wichen die Poisson-Vorhersagen im Mittel um 689 Ausleihen pro Tag ab, gegenüber 863 bei NB2. Dieser Vergleich verwendete beobachtete Wetterdaten.

06 / Über den Arbeitsbereich hinaus

Ein wissenschaftlicher Kern. Vielfältige Einsatzmöglichkeiten.

Nutzen Sie OptiMod direkt oder erkunden Sie, wie sich seine Analysefunktionen in Ihre eigene Software, Datenplattform oder Ihren KI-Assistenten einbinden lassen. Die Oberfläche kann sich ändern; der Bedarf an wissenschaftlich fundierten, nachvollziehbaren Erkenntnissen bleibt derselbe.