Wenn zwei Firmen dieselben Sterne teilen – und der Zufall Urlaub macht.

Auffällige Bewertungstrends – Eine statistische Betrachtung und Einordnung

Ausgangslage

Auf Google Maps erschienen kürzlich mehrere neue, sehr positive Rezensionen für die Isar-Haus GmbH.

Auffällig dabei: Zwei Nutzer – Matteo Giardini und Kevin Uhlenbrock – bewerteten:

1. Das Musikding (Musikshop)
2. und die Isar-Haus GmbH (Bauträger)
   

am selben Tag oder innerhalb weniger Stunden jeweils mit 5-Sterne-Bewertungen.

Diese Beobachtung wirft die Frage auf:

Handelt es sich um einen außergewöhnlichen Zufall – oder um ein gesteuertes Bewertungsmuster?

Statistische Analyse

Um die Auffälligkeit dieser Bewertungen einzuordnen, erfolgt eine Wahrscheinlichkeitsanalyse basierend auf kombinatorischen und stochastischen Überlegungen.

1. Grundwahrscheinlichkeit einer Einzelbewertung

Gegeben sei:

1. Zahl der bei Google gelisteten Unternehmen in Deutschland N \approx 2.000.000.
   

Für eine beliebige Firma F beträgt die Wahrscheinlichkeit p_F, dass ein zufälliger aktiver Google-Nutzer diese Firma bewertet:

p_F = \frac{1}{N}

Setzt man konservativ an:

p_F \approx \frac{1}{2.000.000}

2. Gemeinsame Bewertung zweier spezifischer Firmen

Für zwei unabhängige Firmen F_1 und F_2 (hier: Musikding und Isar-Haus), ergibt sich die gemeinsame Wahrscheinlichkeit p_{F1 \cap F2} bei einem Nutzer durch:

p_{F1 \cap F2} = p_{F1} \times p_{F2}

Also:

p_{F1 \cap F2} \approx \left( \frac{1}{2.000.000} \right) \times \left( \frac{1}{2.000.000} \right) = \frac{1}{4.000.000.000.000}

Das entspricht einer Wahrscheinlichkeit von:

p_{F1 \cap F2} = 2,5 \times 10^{-13}

→ 1 zu 4 Billionen.

3. Zwei Nutzer unabhängig betrachtet

Die Wahrscheinlichkeit, dass zwei verschiedene Nutzer unabhängig voneinander dieselben zwei Firmen bewerten, ergibt sich wiederum aus:

(p_{F1 \cap F2})^2

Also:

(2,5 \times 10^{-13})^2 = 6,25 \times 10^{-26}

Das entspricht einer Eintrittswahrscheinlichkeit von:

\frac{1}{1.600.000.000.000.000.000.000.000.000}

oder 1 zu 1,6 Oktillionen (!!!).

4. Berücksichtigung der Einschränkungen

Natürlich sind nicht alle 2 Millionen Firmen für alle Nutzer gleich wahrscheinlich.

Reduzieren wir den Raum konservativ auf z.B. 50.000 Firmen (relevante Zielgruppen), ergibt sich:

p_{F1} \approx \frac{1}{50.000}

p_{F1 \cap F2} = \left( \frac{1}{50.000} \right) \times \left( \frac{1}{50.000} \right) = \frac{1}{2.500.000.000}

Immer noch:

1. 1 zu 2,5 Milliarden für eine Person
2. 1 zu 6,25 \times 10^{18} (1 zu 6 Trillionen) für zwei unabhängige Personen!

5. Zeitlicher Faktor

Wenn zusätzlich der Zeitraum der Bewertungen auf wenige Stunden begrenzt ist, verengt sich die Eintrittswahrscheinlichkeit weiter:

→ Das Ereignis tritt dann nicht einfach “irgendwann”, sondern innerhalb eines engen Zeitfensters auf.

Bei täglicher Aktivität und einer angenommenen Bewertungsspanne von 30 Tagen:

\text{Tageswahrscheinlichkeit} = \frac{1}{30}

Kombiniert:

p_{\text{zeitgleich}} = p_{F1 \cap F2} \times \left( \frac{1}{30} \right)^2

Das reduziert die Wahrscheinlichkeit nochmals um den Faktor \frac{1}{900}.

Ergebnis der Analyse

Punkt	Ergebnis
Zufall zwei Firmen bewertet	praktisch ausgeschlossen
Zufall zwei Personen bewerten beide Firmen	extrem ausgeschlossen
Zeitgleiche Bewertungen	praktisch unmöglich

→ Statistisch betrachtet ist ein zufälliges Auftreten dieser Bewertungsmuster extrem unwahrscheinlich.

Juristisch sichere Bewertung

Basierend auf dieser Analyse kann juristisch korrekt festgestellt werden:

“Die auffällige zeitliche und inhaltliche Parallelität mehrerer neuer positiver Bewertungen für zwei unabhängige Firmen durch verschiedene Nutzer lässt erhebliche Zweifel an der Echtheit der Rezensionen entstehen. Die Eintrittswahrscheinlichkeit eines rein zufälligen Zustandekommens ist rechnerisch als vernachlässigbar gering anzusehen.”

Wichtig:

1. Es wird keine strafrechtliche Handlung behauptet.
2. Es wird lediglich eine statistische Auffälligkeit objektiv dargestellt.

Warum ist das Thema relevant?

1. Bewertungen sind ein zentrales Entscheidungskriterium für Verbraucher.
2. Künstlich erzeugte Bewertungsmuster können die Objektivität von Plattformen untergraben.
3. Transparenz und Authentizität sind gerade in der Bauwirtschaft essentiell.

Fazit

Die analysierten Bewertungsmuster zeigen eine statistische Auffälligkeit,

die mit extrem hoher Wahrscheinlichkeit nicht auf zufälligem Verhalten basiert.

Verbraucher sollten daher stets aufmerksam prüfen und auch bei positiven Rezensionen kritisch bleiben.

Hinweis

Dieser Beitrag stellt eine private, mathematisch-statistische Betrachtung und persönliche Meinung dar.

Er dient der Aufklärung und Meinungsbildung und erhebt keinen Anspruch auf rechtliche Wertung oder Tatsachenfeststellung.

q.e.d.

#Bewertungen #FakeBewertungen #GoogleRezensionen #IsarHaus #Hausbau #Bauhorror #Baupfusch #OnlineBewertungen #Kundenbewertung #Baumängel #Bauträger #PfuschAmBau #Bauprojekt #Verbraucherschutz #GoogleBewertung #Bewertungsanalyse #Statistik #Bewertungsmanipulation #Erfahrungsbericht #HausbauFail #Rohbau #Bautagebuch #Baustellenchaos #Satire #Ironie #SchwarzerHumor #Bauchronik #Baurecht #BauträgerErfahrung #Vertrauensbruch #Betrugsprävention #Aufklärung #FakeRezensionen #Verbrauchertäuschung #Baustellenwahnsinn #Bewertungstricks #EhrlicheMeinung #Hausbautipps #GoogleBewertungenKritisch #Qualitätssicherung #RegenImHaus #Fundamentversagen #IsarDrama #SchimmelImRohbau #DasMusikding