Ein KI-Projekt liefert zwei deutlich getrennte Punktwolken. Der Bericht nennt einen Silhouettenkoeffizienten von 0,86. Das sieht überzeugend aus – doch welche Entscheidung darf daraus folgen? Haben Sie tatsächlich unterschiedliche Kundenbedürfnisse entdeckt oder nur Personen mit niedrigen und hohen Werten eines einzigen Merkmals getrennt?
Der Silhouettenkoeffizient bei KI hilft, eine Clusterzuordnung anhand von Abständen zu beurteilen. Er beantwortet damit eine engere Frage als die nach einem brauchbaren Kundensegment. Eine eigene Rechenübung zeigt, was die Kennzahl aussagt, was ein Mittelwert verdecken kann und welche fachlichen Fragen vor einer Nutzung offenbleiben.
Was die Kennzahl tatsächlich vergleicht
Clustering ordnet Datenfälle in Gruppen. Anders als bei einer überwachten Klassifikation müssen dafür keine bereits bekannten richtigen Klassen vorliegen. Die vergebenen Clusterbezeichnungen sind zunächst nur Gruppennamen. „Cluster 1“ ist deshalb weder ein Qualitätsurteil noch eine bestätigte Kundengruppe.
Für jeden Fall werden zwei Größen verglichen: a ist sein durchschnittlicher Abstand zu den anderen Fällen im eigenen Cluster. b ist der kleinste durchschnittliche Abstand zu einem anderen Cluster. Dafür werden die Abstände zu dessen Mitgliedern gemittelt. Es geht also nicht einfach um den nächsten einzelnen Datenpunkt oder den nächsten Mittelpunkt.
Die Formel lautet s = (b − a) / max(a, b). Die offizielle Dokumentation zu silhouette_score beschreibt einen Wertebereich von −1 bis 1: Hohe positive Werte sprechen für eine klare Trennung nach der verwendeten Distanz; Werte nahe null für Überlappung. Negative Werte deuten darauf hin, dass der Fall einem anderen Cluster im Durchschnitt näher liegt als seinem eigenen.
Vier erfundene Fälle machen die Rechnung sichtbar
Wir betrachten einen frei erfundenen Nutzungsindex ohne Einheit. Er ist nur eine Lernhilfe und keine Empfehlung für eine echte Kundensegmentierung. Die Zuordnung zu zwei Clustern ist vorgegeben; wir behaupten nicht, dass ein bestimmtes KI-Verfahren sie erzeugt hat. Als Abstand verwenden wir die absolute Differenz der Indexwerte.
| Fall | Index | Cluster |
|---|---|---|
| A | 1 | 1 |
| B | 2 | 1 |
| C | 8 | 2 |
| D | 9 | 2 |
Der Fall B hat einen hohen positiven Wert
B liegt bei 2. Sein einziges weiteres Clustermitglied A liegt bei 1. Damit beträgt der durchschnittliche eigene Abstand a = 1. Zum anderen Cluster sind die Abstände 6 und 7; ihr Mittelwert ist b = 6,5.
Die Rechnung ergibt s(B) = (6,5 − 1) / 6,5 ≈ 0,846. A erreicht rund 0,867; C und D spiegeln diese beiden Ergebnisse. Der Durchschnitt aller vier Werte beträgt ungefähr 0,856. Die beiden Gruppen sind nach unserem festgelegten Maßstab gut getrennt.
Mehr haben wir damit nicht nachgewiesen. Aus dem Index kennen wir weder Beratungsbedarf noch Zahlungsbereitschaft oder bevorzugte Lernformen. „Wenig genutzt“ und „viel genutzt“ wären beschreibende Namen. „Uninteressiert“ und „Premiumkunde“ wären zusätzliche Deutungen, für die dieser Datensatz keine Grundlage liefert.
Eine andere Zuordnung erzeugt ein Warnsignal
Ordnen wir stattdessen A und C gemeinsam sowie B und D gemeinsam zu, beträgt Bs eigener Abstand zu D nun 7. Zum anderen Cluster sind es 1 und 6, im Mittel 3,5. Damit erhalten wir s(B) = (3,5 − 7) / 7 = −0,5.
Die Zuordnung wirkt geometrisch unplausibel. Trotzdem ist der negative Wert keine automatische Anweisung, B umzuhängen: Eine neue Zuordnung verändert auch die Berechnungen anderer Fälle. Zuerst sollte das Team verstehen, wie die Gruppierung zustande kam und ob die verwendeten Merkmale zur Aufgabe passen.
Ein guter Durchschnitt kann problematische Fälle verdecken
silhouette_samples berechnet Werte je Datenfall; der Gesamtwert fasst sie zusammen. Für einen Bericht lohnt es sich deshalb, die einzelnen Werte und ihre Verteilung je Cluster anzusehen. So lässt sich unterscheiden, ob fast alle Fälle deutlich zugeordnet sind oder eine Mehrheit einige schwache Bereiche überdeckt.
Ein zweites, bewusst vereinfachtes Berichtsbeispiel: Angenommen, eine Auswertung zeigt 80 Fälle mit jeweils 0,8 und 20 Fälle mit jeweils −0,2. Der Durchschnitt beträgt (80 × 0,8 + 20 × (−0,2)) / 100 = 0,6. Das positive Gesamtergebnis beseitigt nicht die auffällige Gruppe. Es bedeutet insbesondere nicht „60 Prozent richtige Zuordnungen“.
Die offizielle Silhouettenanalyse mit K-Means zeigt, wie verschiedene Clusterzahlen mithilfe solcher Diagramme verglichen werden können. Betrachten Sie dabei die Verteilung der Werte und die Gruppengrößen, nicht nur eine Rangliste der Mittelwerte. Ein kleines, fachlich wichtiges Segment verdient Aufmerksamkeit, auch wenn es den Gesamtdurchschnitt kaum beeinflusst.
Warum der höchste Wert nicht automatisch die beste Lösung ist
Die Bewertung hängt von den verwendeten Daten und der Distanzregel ab. Vergleichen Sie Kandidaten deshalb auf einer dokumentierten, konsistenten Grundlage. Werden gleichzeitig Merkmale, Datenbestand und Abstandsmaß geändert, lässt sich ein höherer Wert nicht eindeutig einer besseren Clusterzuordnung zuschreiben.
Der scikit-learn-Leitfaden zu Clustering-Kennzahlen nennt zudem eine geometrische Grenze: Der Silhouettenkoeffizient fällt für konvexe Cluster typischerweise höher aus als für andere Clusterkonzepte, etwa dichtebasierte Gruppen. Vereinfacht gesagt bevorzugt er eher kompakte Formen. Eine fachlich passende, gebogene Struktur kann dadurch ungünstiger bewertet werden.
Unser Nutzungsindex illustriert eine weitere Grenze unabhängig von der Form: Eine saubere Trennung kann für die geplante Handlung bedeutungslos sein. Wenn beide Gruppen dieselbe Unterstützung benötigen, entsteht allein durch einen hohen Score kein sinnvoller Grund für unterschiedliche Angebote. Geometrische Qualität und praktische Nutzbarkeit müssen getrennt begründet werden.
Vom Datencluster zur verantwortbaren Entscheidung
Bevor ein Team Gruppen für Maßnahmen verwendet, sollte es eine kurze fachliche Begründung ergänzen. Diese Fragen helfen dabei:
- Was soll sich ändern? Beschreiben Sie die konkrete Entscheidung, etwa unterschiedliche Hilfestellungen, statt nur „Kunden besser verstehen“ zu versprechen.
- Was bilden die Merkmale ab? Prüfen Sie, ob der Nutzungsindex den benötigten Sachverhalt erfasst oder beispielsweise nur unterschiedliche Beobachtungszeiträume widerspiegelt.
- Welche Fälle passen schlecht? Schauen Sie auffällige Werte sachlich an. Eine negative Silhouette rechtfertigt keine abwertende Bezeichnung einer Person.
- Welche Aussage wurde zusätzlich geprüft? Halten Sie fest, welche unabhängigen Informationen die vermuteten Bedürfnisse stützen – und welche noch fehlen.
Ein ehrlicher Ergebnisbericht darf daher lauten: „Zwei Gruppen sind in diesen Merkmalen deutlich getrennt; unterschiedliche Beratungsbedürfnisse wurden noch nicht bestätigt.“ Diese Formulierung macht eine offene Frage sichtbar, ohne die Analyse kleinzureden.
FAQ zum Silhouettenkoeffizienten bei KI
Kann ich auch nur einen Cluster bewerten?
Für die genannte scikit-learn-Berechnung müssen mindestens zwei und höchstens ein Cluster weniger als Datenfälle vorliegen. Ohne anderes Cluster fehlt der Vergleich für b. Nicht jede beliebige Zuordnung ist somit auswertbar.
Brauche ich dafür bekannte richtige Kundengruppen?
Nein. Die Kennzahl nutzt Abstände und die vorhandene Zuordnung. Gerade deshalb bestätigt sie keine fachlichen Kategorien, deren Richtigkeit außerhalb der Datenanalyse geklärt werden müsste.
Ab welchem Wert ist ein Kundensegment einsatzbereit?
Eine allgemeine Freigabegrenze lässt sich daraus nicht ableiten. Der Wert beschreibt die Trennung unter gewählten Annahmen. Ob eine Maßnahme sinnvoll ist, verlangt eine zusätzliche fachliche Prüfung.
Fazit: Den Score lesen, die Bedeutung begründen
Der Silhouettenkoeffizient macht das Verhältnis zwischen Nähe im eigenen Cluster und Abstand zu anderen Clustern greifbar. Nutzen Sie ihn als Diagnosehilfe: Rechenbasis dokumentieren, Verteilungen anschauen und die praktische Deutung separat prüfen. Eine hohe Zahl ersetzt kein Verständnis der Menschen oder Vorgänge hinter den Daten.
Der Kurs KI-Grundlagenkompetenzen für die digitale Arbeitswelt behandelt Daten als Grundlage von KI-Systemen sowie die fachliche Bewertung von Ergebnissen. Dieser Artikel ist eine eigenständige Einführung, keine Zusage zu einer bestimmten Softwareübung im Kurs. Über den Kontakt zu GrandEdu Media können Sie Ihren Lernbedarf besprechen.
Quellen- und Angebotsprüfung: 10. Oktober 2026. Alle Zahlenbeispiele sind erfunden und dienen ausschließlich dem Lernen.