(eBook PDF) Predictive Analytics for

Business Strategy by Jeff Prince

Visit to download the full and correct content document:
https://ebooksecure.com/download/ebook-pdf-predictive-analytics-for-business-strate
gy-by-jeff-prince/
preface
This book is meant to teach students how data analysis can inform
strategy, within a framework centered on logical reasoning and
practical communication.
The inspiration for this project comes from having taught for
more than 20 years at the college level to a wide range of students
(in mathematics and economics departments, and in business
schools), covering a wide range of quantitative topics. During that
time, it has become clear to me that the average business stu-
dent recognizes, in principle, that quantitative skills are valuable.
However, in practice (s)he often finds those skills intimidating and
esoteric, wondering how exactly they will be useful in the workforce.
As of this writing, there are many econometrics books and many
operations/data mining/business analytics books in the market.
However, these books are generally geared toward the specialist,
who needs to know the full methodological details. Hence, they are
not especially approachable or appealing to the business student
looking for a conceptual, broad-based understanding of the mate-
rial. And in their design, it can be easy for students—specialists and
nonspecialists alike—to “lose sight of the forest for the trees.”
As I see it, the problem with regard to data analysis is as fol-
lows: There is a large group of future businesspeople, both future
analysts and managers, who recognize data analysis can be valu-
able. However, taking a course that is essentially a treatise on
methodology and statistics causes the future managers to narrow
their view toward simply “getting through” the course. In contrast,
the future analysts may enjoy the material and often emerge
understanding the methods and statistics, but lacking key skills to
communicate and explain to managers what their results mean.
This book is designed to address the problem of the dual audi-
ence, by focusing on the role of data analysis in forming business
strategy via predictive analytics. I chose this focus since all busi-
nesses, and virtually all management-level employees, must be
mindful of the strategies they are following. Assessing the relative
merit among a set of potential strategic moves generally requires
one to forecast their future implications, often using data. Further,
this component of predictive analytics contributes toward develop-
ment of critical thinking about analytical findings. Both inside and
outside of business, we are bombarded with statements with the
following flavor: “If you do X, you should expect Y to happen.”
(Commercials about the impact of switching insurance providers
immediately come to mind.) A deep understanding of how data can
inform strategy through predictive analytics will allow students to
critically assess such statements.
Given its purpose, I believe this book can be the foundation
of a course that will benefit both future analysts and managers.
The course will give managers a basic understanding of what data
can do in an important area of business (strategy formation) and
present it in a way that doesn’t feel like a taxonomy of models and
their statistical properties. Managers will thus develop a deeper
understanding of the fundamental reasoning behind how and
why data analysis can generate actionable knowledge, and be
able to think critically about whether a given analysis has merit
or not. Consequently, this course could provide future managers
some valuable data training without forcing them to take a highly
technical econometrics or data mining course. It will also serve as
a natural complement to the strategy courses they take.
This course will give future analysts a bigger-picture under-
standing of what their analysis is trying to accomplish, and the con-
ditions under which it can be deemed successful. It will also give
them tools to better reason through these ideas and communicate
them to others. Hence, it will serve as a valuable complement to
the other, more technically focused, analytics courses they take.
KEY PEDAGOGICAL FEATURES
This text includes many features designed to ease the learning
experience for students and the teaching process for instructors.
Data Challenges Each chapter opens by presenting a challenging
data situation. In order for students to properly and effectively rise
to the challenge, they must understand the material presented in
that chapter.
At the end of the chapter, a concluding section titled Rising to
the Data Challenge discusses how the challenge can be confront-
ed and overcome using some of the newly acquired knowledge
and skills that chapter develops.
These challenges, which bookend the chapter, are designed to
motivate the reader to acquire the necessary skills by learning the
chapter’s material and understanding how to apply it.
Learning Objectives Learning objectives in each chapter orga-
nize the chapter content and enhance the learning experience.
Communicating Data Through real-world applications or expla-
nations of text material in “layman’s terms,” Communicating Data
examples demonstrate how to describe and explain data, data
methods, and/or data results in a clear, intuitive manner. These
vii
 examples are designed to enhance the reader’s ability to com-
municate with a wide audience about data issues.
Reasoning Boxes Reasoning Boxes summarize main concepts
from the text in the context of deductive and inductive reason-
ing. By understanding reasoning structure, readers will be better
equipped to draw and explain their own conclusions using data
and to properly critique others’ data-based conclusions.
Demonstration Problems Beyond the opening Data Challenge,
each chapter includes Demonstration Problems that help target
and develop particular data skills. These are largely focused on
primary applications of chapter material.
Key Terms and Marginal Definitions Each chapter ends with
a list of key terms and concepts. These provide an easy way for
instructors to assemble material covered in each chapter and
for students to check their mastery of terminology. In addition,
marginal definitions will appear as signposts throughout the text.
End-of-Chapter Problems Each chapter ends with two types
of problems to test students’ mastery of the material. First are
Conceptual Questions, which test students’ conceptual understand-
ing of the material and demand pertinent communication and
reasoning skills. Second are Quantitative Problems, which test stu-
dents’ ability to execute and explain (within a logical framework) per-
tinent data analytical methods. The Quantitative Problems are sup-
ported by Excel datasets available through McGraw-Hill Connect®.
Applications The material in this book is sufficient for any course
that exclusively uses quizzes, homework, and/or exams for evalua-
tion. However, to allow for a more enhanced, and applied, under-
standing of the material, the book concludes with an Applications
section. This section has three parts. The first is “Critical Analysis
of Data-Driven Conclusions.” This section presents several real-
world data applications that explicitly or implicitly lead to action-
able conclusions, and then challenges students to critically assess
these conclusions using the reasoning and data knowledge
presented throughout the book. The second section is “Written
Explanations of Data Analysis and Active Predictions.” This sec-
tion presents students with several mini-cases of data output, and
challenges them to examine and explain the output in writing with
appropriate reasoning. The third section is “Projects: Combining
Analysis with Reason-based Communication.” This last section pro-
vides three versions of a mini-project, based on projects Professor
Prince has assigned in his own classes for several years. These
projects require students to work from dataset to conclusions in
a controlled, but realistic, environment. The projects are accom-
panied by datasets in Excel format, which can be easily tailored to
instructors’ needs. A key merit of these projects is flexibility, in that
they can be used for individual- and/or group-level assessment.
viii Preface
ORGANIZED LEARNING
CHAPTER LEARNING OBJECTIVES
The organization of each chapter reflects common themes out-
lined by six to eight learning objectives listed at the beginning of
each chapter. These objectives, along with AACSB and Bloom’s
taxonomy learning categories, are connected to the end-of-
chapter material and test bank questions to offer a comprehensive
and thorough teaching and learning experience.
ASSURANCE OF LEARNING READY
Many educational institutions today are focused on the notion of
assurance of learning, an important element of some accredi-
tation standards. Predictive Analytics for Business Strategy is
designed specifically to support your assurance of learning initia-
tives with a simple, yet powerful solution.
Instructors can use Connect to easily query for learning out-
comes/objectives that directly relate to the learning objectives of
the course. You can then use the reporting features of Connect
to aggregate student results in similar fashion, making the col-
lection and presentation of assurance of learning data simple
and easy.
AACSB STATEMENT
McGraw-Hill Global Education is a proud corporate member of
AACSB International. Understanding the importance and value
of AACSB accreditation, Predictive Analytics for Business Strategy
has sought to recognize the curricula guidelines detailed in the
AACSB standards for business accreditation by connecting ques-
tions in the test bank and end-of-chapter material to the general
knowledge and skill guidelines found in the AACSB standards.
It is important to note that the statements contained in
Predictive Analytics for Business Strategy are provided only as a
guide for the users of this text. The AACSB leaves content cover-
age and assessment within the purview of individual schools, the
mission of the school, and the faculty. While Predictive Analytics
for Business Strategy and the teaching package make no claim of
any specific AACSB qualification or evaluation, we have labeled
questions according to the general knowledge and skill areas.
MCGRAW-HILL CUSTOMER CARE CONTACT
INFORMATION
At McGraw-Hill, we understand that getting the most from new
technology can be challenging. That’s why our services don’t
stop after you purchase our products. You can e-mail our Product
Specialists 24 hours a day to get product training online. Or you
can search our knowledge bank of Frequently Asked Questions on
our support website. For Customer Support, call 800-331-5094,
or visit www.mhhe.com/support. One of our Technical Support
Analysts will be able to assist you in a timely fashion.
acknowledgments
I would like to thank the following reviewers, as well as hundreds colleagues who unselfishly gave up their own time to provide com-
of students at Indiana University’s Kelley School of Business and ments and suggestions to improve this book.

Imam Alam Kathryn Ernstberger Georgette Nicolaides Richard Szal

University of Northern Iowa Indiana University Southeast Syracuse University Northern Arizona University
Ahmad Bajwa Ana L. Rosado Feger Jie Peng Vicar Valencia
University of Arkansas at Little Ohio University St. Ambrose University Indiana University South Bend
Rock
Frederick Floss Jeremy Petranka Timothy S. Vaughan
Steven Bednar Buffalo State University Duke University University of Wisconsin, Eau Claire
Elon University
Chris Forman Kameliia Petrova Bindiganavale Vijayaraman
Hooshang M. Beheshti Georgia Institute of Technology State University of New York at The University of Akron
Radford University Plattsburgh
Avi Goldfarb Padmal Vitharana
Anton Bekkerman University of Toronto Claudia Pragman Syracuse University
Montana State University Minnesota State University,
Michael Gordinier Razvan Vlaicu
Mankato
Khurrum S. Bhutta Washington University, St. Louis University of Maryland
Ohio University Reza Ramazani
Gauri Guha Rubina Vohra
Saint Michael's College
Gary Black Arkansas State University New Jersey City University
University of Southern Indiana Doug Redington
Kuang-Chung Hsu Emily Wang
Elon University
Andre Boik University of Central Oklahoma University of Massachusetts,
University of California, Davis Sunil Sapra Amherst
Kyle Huff
California State University,
Ambarish Chandra Georgia Gwinnett College Miao Wang
Los Angeles
University of Toronto Marquette University
Jongsung Kim Robert Seamans
Richard Cox Bryant University Matthew Weinberg
New York University
Arizona State University Drexel University
Ching-Chung Kuo Mary Ann Shifflet
Steven Cuellar University of North Texas Andy Welki
University of Southern Indiana
Sonoma State University John Carroll University
Lirong Liu Timothy Simcoe
Craig Depken Texas A&M University, John Whitehead
Boston University
University of North Carolina, Commerce Appalachian State University
Charlotte Shweta Singh
Stanislav Manonov Peter Wui
Kean University
Mark Dobeck Montclair State University University of Arkansas, Pine Bluff
Cleveland State University John Louis Sparco
John Mansuy
Wilmington University
Tim Dorr Wheeling Jesuit University
University of Bridgeport Arun Srinivasan
Ryan McDevitt
Indiana University Southeast
Neal Duffy Duke University
State University of New York at Purnima Srinivasan
Alex Meisami
Plattsburgh Kean University
Indiana University South Bend
Jerry Dunn Leonie Stone
Ignacio Molina
Southwestern Oklahoma State State University of New York at
Arizona State University
University Geneseo

ix
 McGraw-Hill Connect® is a highly reliable, easy-to-use
homework and learning management solution that
utilizes learning science and award-winning adaptive
tools to improve student results.

Homework and Adaptive Learning

▪ Connect’s assignments help students

contextualize what they’ve learned through
application, so they can better understand
the material and think critically.
▪ Connect will create a personalized study
path customized to individual student needs
through SmartBook®.
▪ SmartBook helps students study more
efficiently by delivering an interactive reading
experience through adaptive highlighting
and review.

Using Connect improves retention

Over 7 billion questions have been rates by 19.8%, passing rates by
answered, making McGraw-Hill 12.7%, and exam scores by 9.1%.
Education products more intelligent,
reliable, and precise. 73% of instructors
who use Connect
require it; instructor
Quality Content and Learning Resources satisfaction increases
by 28% when Connect
is required.
▪ Connect content is authored by the world’s best subject
matter experts, and is available to your class through a
simple and intuitive interface.
▪ The Connect eBook makes it easy for students to access
their reading material on smartphones and tablets. They
can study on the go and don’t need internet access to use
the eBook as a reference, with full functionality.
▪ Multimedia content such as videos, simulations, and games
©McGraw-Hill Education
drive student engagement and critical thinking skills.
Robust Analytics and Reporting

▪ Connect Insight® generates easy-to-read reports

on individual students, the class as a whole, and on
specific assignments.
▪ The Connect Insight dashboard delivers data on
performance, study behavior, and effort. Instructors ©Hero Images/Getty Images
can quickly identify students who struggle and focus
on material that the class has yet to master.
▪ Connect automatically grades assignments
and quizzes, providing easy-to-read reports
on individual and class performance.

More students earn

As and Bs when they
use Connect.

Trusted Service and Support

▪ Connect integrates with your LMS to provide single sign-on and automatic syncing
of grades. Integration with Blackboard®, D2L®, and Canvas also provides automatic
syncing of the course calendar and assignment-level linking.
▪ Connect offers comprehensive service, support, and training throughout every phase
of your implementation.
▪ If you’re looking for some guidance on how to use Connect, or want to learn tips and
tricks from super users, you can find tutorials as you work. Our Digital Faculty
Consultants and Student Ambassadors offer insight into how to achieve the results
you want with Connect.

www.mheducation.com/connect
 Supplements
I understand that the reliability and accuracy of the book and
the accompanying supplements are of the utmost importance.
To that end, I have been personally involved in crafting and
accuracy checking each of the supplements. The following
ancillaries are available for quick download and convenient
access via the instructor resource material available through
Connect.
POWERPOINT PRESENTATION
Presentation slides incorporate both the fundamental concepts of
each chapter and the graphs and figures essential to each topic.
These slides can be edited, printed, or rearranged to fit the needs
of your course.
SOLUTIONS MANUAL
This manual contains solutions to the end-of-chapter conceptual
questions and quantitative problems.
TEST BANK
A comprehensive test bank offers hundreds of questions catego-
rized by learning objective, AACSB learning category, Bloom’s
taxonomy objectives, and level of difficulty.
xii Acknowledgments
COMPUTERIZED TEST BANK
TestGen is a complete, state-of-the-art test generator and edit-
ing application software that allows instructors to quickly and
easily select test items from McGraw Hill’s test bank content.
The instructors can then organize, edit and customize ques-
tions and answers to rapidly generate tests for paper or online
administration. Questions can include stylized text, symbols,
graphics, and equations that are inserted directly into ques-
tions using built-in mathematical templates. TestGen’s random
generator provides the option to display different text or calcu-
lated number values each time questions are used. With both
quick and simple test creation and flexible and robust editing
tools, TestGen is a complete test generator system for today’s
educators.
ONLINE RESOURCES
Student supplements for Predictive Analytics for Business Strategy
are available online at www.mhhe.com/prince1e. These include
datasets for all Quantitative Problems and sample datasets for the
Course Project.
brief contents
chapter 1 The Roles of Data and Predictive Analytics in Business 1

chapter 2 Reasoning with Data 32

chapter 3 Reasoning from Sample to Population 55

chapter 4 The Scientific Method: The Gold Standard for Establishing

Causality 83

chapter 5 Linear Regression as a Fundamental Descriptive Tool 113

chapter 6 Correlation vs. Causality in Regression Analysis 151

chapter 7 Basic Methods for Establishing Causal Inference 187

chapter 8 Advanced Methods for Establishing Causal Inference 224

chapter 9 Prediction for a Dichotomous Variable 258

chapter 10 Identification and Data Assessment 292

APPLICATIONS Data Analysis Critiques, Write-ups, and Projects 322

GLOSSARY 335

xiii
 contents

CHAPTER 1 CHAPTER 2
The Roles of Data and Predictive Analytics Reasoning with Data 32
in Business 1 Data Challenge: Testing for Sex Imbalance 32
Data Challenge: Navigating a Data Dump 1 Introduction 33
Introduction 2 What is Reasoning? 33
Defining Data and Data Uses in Business 2 Deductive Reasoning 35
Data 3 Definition and Examples 35
Predictive Analytics within Business Analytics 3 Empirically Testable Conclusions 41
Business Strategy 4 Inductive Reasoning 43
Predictive Analytics for Business Strategy 4 Definition and Examples 43
Data Features 5 Evaluating Assumptions 45
Structured vs. Unstructured Data 5 Selection Bias 49
The Unit of Observation 6 Rising to the Data Challenge 51
Data-generating Process 9 Summary / Key Terms and Concepts / Conceptual Questions /
Basic Uses of Data Analysis for Business 12 Quantitative Problems
Queries 12 ●  OMMUNICATING DATA 2.1: Deducing Guilt and
C
Pattern Discovery 15 Innocence 39
Causal Inference 17 ● C
 OMMUNICATING DATA 2.2: Inductive Reasoning via
Data Analysis for the Past, Present, and Future 19 Customer Testimonies 45
Lag and Lead Information 19 ● C OMMUNICATING DATA 2.3: Selection Bias in News
Predictive Analytics 22 Network Polls 51
Active Prediction for Business Strategy Formation 25 ● REASONING BOX 2.1: Direct Proof and Transposition 38
Rising to the Data Challenge 26 ● REASONING BOX 2.2: Inductive Reasoning for Evaluating
Summary / Key Terms and Concepts / Conceptual Questions / Assumptions 46
Quantitative Problems ● REASONING BOX 2.3: Selection Bias in Inductive
● C
 OMMUNICATING DATA 1.1: Is/Are Data Singular Reasoning 50
or Plural? 4
● COMMUNICATING DATA 1.2: Elaborating on
CHAPTER 3
Data Types 10
● COMMUNICATING DATA 1.3: Situational Batting Reasoning from Sample to Population 55
Averages 14 Data Challenge: Knowing All Your Customers
● COMMUNICATING DATA 1.4: Indirect Causal by Observing a Few 55
Relationships in Purse Knockoffs 18 Introduction 56
● COMMUNICATING DATA 1.5: Passive and Active Distributions and Sample Statistics 57
Prediction in Politics and Retail 25

xiv
 Distributions of Random Variables 57 ●  OMMUNICATING DATA 4.4: Marshmallows and
C
Data Samples and Sample Statistics 61 Reliability 105
The Interplay Between Deductive and Inductive ● COMMUNICATING DATA 4.5: The Rewards of
Reasoning in Active Predictions 77 Rudeness 108
Rising to the Data Challenge 79 ● REASONING BOX 4.1: The Treatment Effect 94
Summary / Key Terms and Concepts / Conceptual Questions / ● R EASONING BOX 4.2: The Distribution of Experimental
Quantitative Problems
Outcomes 98
● C
 OMMUNICATING DATA 3.1: What Can Political Polls
● R
 EASONING BOX 4.3: Hypothesis Test for the
Tell Us about the General Population? 70
Treatment Effect 100
● COMMUNICATING DATA 3.2: Does Working at Work
● R
 EASONING BOX 4.4: Confidence Interval for the
Make a Difference? 77
Treatment Effect 103
● REASONING BOX 3.1: The Distribution of the Sample
Mean 66
● REASONING BOX 3.2: Confidence Intervals 68
CHAPTER 5
● R
 EASONING BOX 3.3: The Distribution of the Sample Linear Regression as a Fundamental
Mean for Hypothesized Population Mean 71 Descriptive Tool 113
● REASONING BOX 3.4: Hypothesis Testing 76 Data Challenge: Where to Park Your Truck? 113
● REASONING BOX 3.5: Reasoning in Active Predictions 78 Introduction 114
The Regression Line for a Dichotomous Treatment 116
CHAPTER 4 An Intuitive Approach 116
A Formal Approach 119
The Scientific Method: The Gold Standard The Regression Line for a Multi-Level Treatment 124
for Establishing Causality 83 An Intuitive Approach 124
Data Challenge: Does Dancing Yield Dollars? 83 A Formal Approach 127
Introduction 84 Sample Moments and Least Squares 133
The Scientific Method 84 Regression for Multiple Treatments 135
Definition and Details 84 Single vs. Multiple Treatments 135
The Scientific Method and Causal Inference 89 Multiple Regression 139
Data Analysis Using the Scientific Method 95 What Makes Regression Linear? 142
Experimental Data vs. Non-Experimental Data 104 Rising to the Data Challenge 145
Examples of Nonexperimental Data in Business 105 Summary / Key Terms and Concepts / Conceptual Questions /
Consequences of Using Nonexperimental Data to Quantitative Problems
Estimate Treatment Effects 107 ● C
 OMMUNICATING DATA 5.1: Regression Line
Rising to the Data Challenge 109 Origins 132
Summary / Key Terms and Concepts / Conceptual Questions / ● C OMMUNICATING DATA 5.2: Least Squares vs. Least
Quantitative Problems
Absolute Deviations 134
●  OMMUNICATING DATA 4.1: Penicillin and the
C ● C  OMMUNICATING DATA 5.3: Regression for
Scientific Method 88
Ratings 144
● COMMUNICATING DATA 4.2: The Effect of Banner Ad ● R  EASONING BOX 5.1: The Regression Line for a
Features 95
Dichotomous Treatment 122
● COMMUNICATING DATA 4.3: Music Training and ● REASONING BOX 5.2: The Simple Regression Line 132
Intelligence 102
● REASONING BOX 5.3: Multiple Regression 140

Contents xv
 CHAPTER 6 CHAPTER 7
Correlation vs. Causality in Regression Basic Methods for Establishing Causal
Analysis 151 Inference 187
Data Challenge: Where to Park Your Truck— Data Challenge: Does Working Out at Work Make
Redux 151 for a Happy Worker? 187
Introduction 152 Introduction 188
The Difference Between Correlation and Causality 152 Assessing Key Assumptions Within a Causal Model 188
Regression Analysis for Correlation 157 Random Sample 189
Regression and Sample Correlation 157 No Correlation between Errors and Treatments 196
Regression and Population Correlation 161 Control Variables 200
Passive Prediction Using Regression 169 Definition and Illustration 200
Regression Analysis for Causality 170 Dummy Variables 202
Regression and Causation 171 Selecting Controls 207
Linking Causal Regression to the Experimental Ideal 179 Proxy Variables 210
Active Prediction Using Regression 179 Form of the Determining Function 213
The Relevance of Model Fit for Passive and Active Rising to the Data Challenge 218
Prediction 182 Summary / Key Terms and Concepts / Conceptual Questions /
Rising to the Data Challenge 183 Quantitative Problems
Summary / Key Terms and Concepts / Conceptual Questions / ● C
 OMMUNICATING DATA 7.1: Is Education Going Up in
Quantitative Problems Smoke? 203
● C
 OMMUNICATING DATA 6.1: Physical Fitness and ● C OMMUNICATING DATA 7.2: Does GDP Growth Proxy
Academic Success 157 Economic Climate? 212
● C OMMUNICATING DATA 6.2: Experiments vs. Causal ● C  OMMUNICATING DATA 7.3: Trouble with the (Laffer)
Regression Analysis 180 Curve 215
● C  OMMUNICATING DATA 6.3: Will Drinking Fatty Milk ● REASONING BOX 7.1: Criteria for a Good Control 201
Make You Fat? 181 ● R  EASONING BOX 7.2: Criteria for a Good Proxy
● R  EASONING BOX 6.1: Consistency of Regression Variable 211
Estimators for Population Correlations 164
● R
 EASONING BOX 7.3: Why Polynomials Do the Trick—the
● R
 EASONING BOX 6.2: Confidence Intervals for Weierstrass Theorem 214
Correlational Regression Analysis 166
● R
 EASONING BOX 6.3: Hypothesis Testing for Correlational
Regression Analysis 167
CHAPTER 8
● R
 EASONING BOX 6.4: Equivalence of Population Advanced Methods for Establishing Causal
Regression Equation and Determining Function 174 Inference 224
● R
 EASONING BOX 6.5: Consistency of Regression Data Challenge: Do TV Ads Generate
Estimators for Determining Functions 175 Web Traffic? 224
● R
 EASONING BOX 6.6: Confidence Intervals for Introduction 225
Parameters of a Determining Function 176 Instrumental Variables 225
● R
 EASONING BOX 6.7: Hypothesis Testing for Parameters Definition and Illustration 225
of a Determining Function 176 Two-Stage Least Squares Regression 228

xvi Contents
 Evaluating Instruments 233 ● C
 OMMUNICATING DATA 9.1: How to Model and
Exogeneity 234 Predict Cord Cutting 262
Classic Applications of Instrumental Variables for Business 237 ● C OMMUNICATING DATA 9.2: Characterizing
Panel Data Methods 239 Endogeneity within a Linear Probability Model 270
Difference-in-Differences 239 ● C  OMMUNICATING DATA 9.3: The “Right” Model for a
The Fixed-Effects Model 242 Dichotomous Dependent Variable 286
Practical Applications of Panel Data Methods ● R  EASONING BOX 9.1: Interpretation of a Linear Probability
for Business 252 Model 266
Rising to the Data Challenge 254 ● R
 EASONING BOX 9.2: Contrasting the Probit and Logit
Summary / Key Terms and Concepts / Conceptual Questions /
Model 275
Quantitative Problems
● R
 EASONING BOX 9.3: Consistency of MLE Estimators for
● C
 OMMUNICATING DATA 8.1: Measuring the Impact of
Probit/Logit Determining Functions 281
Broadband Expansion 238
● R
 EASONING BOX 9.4: Confidence Intervals for
● C OMMUNICATING DATA 8.2: Using Diff-in-Diff to
Parameters of a Probit/Logit Determining Function 282
Assess the Minimum Wage 243
● R
 EASONING BOX 9.5: Hypothesis Testing for Parameters
● C  OMMUNICATING DATA 8.3: Does Multimarket
of a Probit/Logit Determining Function 282
Contact Affect Airlines’ On-Time Performance? 253
● R  EASONING BOX 8.1: Using an Instrumental Variable to
Achieve Causal Inference via 2SLS 229 CHAPTER 10
● R
 EASONING BOX 8.2: When Does Diff-in-diff Identification and Data Assessment 292
Regression Solve an Endogeneity Problem? 242
Data Challenge: Are Projected Profits over the
● R
 EASONING BOX 8.3: Implications of the Fixed Hill? 292
Effects Model 252
Introduction 293
Assessing Data Via Identification 293
CHAPTER 9 Identification Problems and Remedies 296
Extrapolation and Interpolation 297
Prediction for a Dichotomous Variable 258
Variable Co-movement 303
Data Challenge: Changing the Offer to Change
Identification Damage Control: Signing The Bias 314
Your Odds 258
Rising to the Data Challenge 318
Introduction 259
Summary / Key Terms and Concepts / Conceptual Questions /
Limited Dependent Variables 260 Quantitative Problems
The Linear Probability Model 263 ● COMMUNICATING DATA 10.1: Projecting Trends 304
Definition and Interpretation 263
● C
 OMMUNICATING DATA 10.2: Disentangling
Merits and Shortcomings 267
Promotion from Financing 313
Probit And Logit Models 270
● C OMMUNICATING DATA 10.3: A Distorted View of a
Latent Variable Formulation 271
Degree’s Value 317
Marginal Effects 276
● R  EASONING BOX 10.1: Can Data Deliver the (Sufficiently
Estimation and Interpretation 278
Precise) Answer? 296
Merits and Shortcomings 285
Rising to the Data Challenge 287
● R
 EASONING BOX 10.2: The Effects of Variable
Co-Movement on Identification 310
Summary / Key Terms and Concepts / Conceptual Questions /
Quantitative Problems ● REASONING BOX 10.3: Signing Omitted Variable Bias 316

Contents xvii
 APPLICATIONS
Data Analysis Critiques, Write-ups,
and Projects 322
Introduction 322
Critical Analysis of Data-Driven Conclusions 323
Case 1: Tennis Analytics 323
Case 2: Switching Insurance 324
Case 3: Grocery Store Price Promotions 325
Written Explanations of Data Analysis and Active
Predictions 326
Case 1: Insurance Claims and Deductibles 326
Case 2: Wearable Features and Sales 328
Case 3: Ad Duration and Clicks 329
Projects: Combining Analysis with
Reason-Based Communication 331
Project 1: Tablet Price and Profits 331
Project 2: Auto Ad Budget and Revenues 332
Project 3: Machine Maintenance and Quality 333
Glossary 335
Index 340

xviii Contents
The Roles of Data and Predictive
Analytics in Business
1
LEARNING OBJECTIVES
After completing this chapter, you will be able to:
LO1.1 Explain how predictive analytics can LO1.6 Discriminate between lead and lag
help in business strategy formulation. information.
LO1.2 Distinguish structured from LO1.7 Discriminate between active and
unstructured data. passive prediction.
LO1.3 Differentiate units of observation. LO1.8 Recognize questions pertaining
to business strategy that may
LO1.4 Outline a data-generating process.
utilize (active) predictive
LO1.5 Describe the primary ways that data analytics.
analysis is used to aid business
performance.

dataCHALLENGE Navigating a Data Dump

As a newly hired analyst at Papa John’s, your boss comes to you with a data question. She notes
that the company’s database contains data collected from Facebook, the company website, and
internal sources. Below is a list of variables from each source for which the company has data.

FACEBOOK WEBSITE INTERNAL SOURCES

Number of likes
Age of likers
Education of likers
Income of likers
Click-through rate to website
Number of visits
Number of pages per visit
Bounce rate
Location of visitors
Device used by visitors
Product sales
Employee salaries
Product prices
Advertising expenditures
Production costs

Your boss is interested to know if and how Facebook “Likes” lead to sales. The question your
boss has posed is clear enough. However, she provides no guidance beyond the question.
How should you begin?

1
 Introduction
Traditionally, data analysis was reserved for a small corner of the business community,
performed by quantitatively oriented experts, if it was done at all. With the increasing
digitization of business information, computer and software power, and information
availability, data analysis has become an integral component of business. Data analy-
sis can help businesses improve production processes, customer marketing, and stra-
tegic positioning. The enormous list of applications makes it impractical to learn about
all of them in just one book or one course.

Why should our focus be on predictive analytics for business strategy? First, the topic
is relevant for virtually every business discipline. Every discipline must regularly for-
mulate and evaluate strategic options, and all are affected by strategies undertaken
by various branches of the firm. Second, predicting the consequences of a strategic
move stems from perhaps the most fundamental application of data analysis: gener-
ating knowledge about cause and effect. The use of data to learn about cause and
effect spans well beyond the business environment into areas such as medicine,
physics, chemistry, and public policy, to name just a few. The critical thinking skills one
must acquire to understand predictive analytics for business strategy have value well
beyond this one area of study.

The first section of the chapter defines data and provides a concise characterization
of predictive analytics for business strategy—one of many ways businesses use data.
The next section details data features. For those already familiar with data, the data
definition and many of the data features will be familiar; however, a clear understand-
ing of predictive analytics for business strategy and a data-generating process are
crucial for what follows in the book, and therefore these two sections merit a review.
The third section gives a broad overview of data uses in business. The final section
describes different temporal uses of data, i.e., measuring the past and present versus
predicting the future, and makes a crucial distinction between two different types of
prediction, passive and active.

The objective of this chapter is to paint a basic picture of the business analytics landscape
and explain where predictive analytics for business strategy lives within that landscape. In
doing so, we provide a general description of what this strand of business analytics does,
and differentiate it from other types of business analytics and predictive analytics.

Defining Data and Data Uses in Business

We begin by defining data and other basic terminology relating to data. (Be sure to read
Communicating Data 1.1, which addresses the question of whether data is/are singular or
plural.) We then characterize predictive analytics for business strategy by breaking it down
into its core components.

2 CHAPTER 1 The Roles of Data and Predictive Analytics in Business

DATA
Put simply, data are a collection of information. Often, we associate data with numerical data A collection of
entries in a table, stored in a computer spreadsheet. However, data are stored and organized information.
in many other ways as well. The pencil marks that recorded your height on a wall during
your childhood constitute a collection of data. The websites you visited each day over the
past week that are logged in your computer’s “History” folder are a collection of data.
Organized collections of data that firms use for analysis are called databases. A
database consists of one or more tables of information, although some alternative database Organized
database systems use other methods of storage, including domains. All the analytical collection of data that
methods we will discuss in this text use a single table of data; however, we will at firms use for analysis.
times consider alternative methods that use multiple tables for comparison purposes.
If the data to be analyzed are stored across several tables (or domains) within a data-
base, it is a straightforward task to construct the appropriate single table/spreadsheet
for analysis.
Fortunately, even when data are stored using other forms of media (pen and paper,
marks on a wall), it is generally feasible to import them into a spreadsheet for analysis.
Suppose you decided to keep track of how much you spent on lunch over the past five days.
To do this, you may have simply written down the dates and expenditures on a piece of
paper as follows: 6/2/18, $7.34; 6/3/18, $8.42; 6/4/18, $7.63; 6/5/18, $5.40; 6/6/18, $9.30.
You could import these data to a spreadsheet as shown in Table 1.1.
Putting the data into a spreadsheet often makes even the most basic analysis simpler. For
example, we can see that the lunch expense on 6/5 was several dollars less than the others.

PREDICTIVE ANALYTICS WITHIN BUSINESS ANALYTICS

Once you’ve recorded some data, even data as simple as your lunch expenses for the
week, you’ll be able to analyze the data for any information they can provide. The
use of data analysis to aid in business decision making is commonly referred to as
business analytics. Business analytics is a broad field encompassing many (often over- business analytics
lapping) approaches to data analysis including econometrics, data mining, and predictive The use of data analysis
analytics. to aid in business
Predictive analytics is any use of data analysis designed to form predictions about decision making.
future, or unknown, events or outcomes. Formulating accurate predictions for the future predictive analytics
has obvious value in many contexts. Areas where predictive analytics are practiced are The use of data analysis
numerous and include fraud detection (predicting false insurance claims), risk manage- designed to form
ment (predicting portfolio performance), and business strategy. predictions about future,
or unknown, events or
outcomes.

TABLE 1.1 DATE EXPENSE

Lunch Expense Data
6/2/18 $7.34
6/3/18 $8.42
6/4/18 $7.63
6/5/18 $5.40
6/6/18 $9.30

CHAPTER 1 The Roles of Data and Predictive Analytics in Business 3

 COMMUNICATING DATA 1.1
IS/ARE DATA SINGULAR OR PLURAL?
For people in business who use and talk data, the term’s Latin roots can be cause for confusion regarding whether the
word data is singular or plural. The answer is it can be either, depending on the context. Going back to the word’s Latin
origins, data is the plural of datum (meaning a piece of information). But although plural in Latin, data as an English word is
treated both as a count noun (multiple items that can be counted) and as a mass noun (an entity with an amount that cannot
naturally be counted). Hence, those who treat data as a count noun will say “The data are, or indicate” and those who treat
data as a mass noun will say “The data is, or indicates.”
Some data-oriented fields are particular about how to “properly” use the word. For example, in economics, there is a
tendency to use the plural. Other fields tend toward the singular. Beyond this, it is a matter of preference. As an economist
and former Latin scholar, I will use the plural version of data throughout this book; however, this is not to indicate it is more
correct than the oft-used singular version.

business strategy
A plan of action
designed by a business
practitioner to achieve a
business objective.
BUSINESS STRATEGY
A business strategy is a plan of action designed by a business practitioner to achieve
a business objective. Examples of business objectives include profit maximization,
improved customer retention, and enhanced employee satisfaction. Examples of plans of
action include pricing decisions, advertising campaigns, and methods of employee com-
pensation. A simple business strategy, for example, may be to lower a product’s price in
order to grow sales.1
To remain competitive, managers and other decision makers must constantly be mindful
of the business strategies they are employing and of alternative strategies that might be
worth considering. While simply measuring corresponding outcomes may seem sufficient
for evaluating strategies that are currently being followed, the crucial question is what one
should expect a strategy to accomplish in the future. This expectation should be compared
against expectations for competing strategies, so the manager can follow the optimal
business strategy moving forward. The ability to make comparisons regarding the future
depends on the ability to form reliable predictions, often using data.

LO 1.1 Explain how PREDICTIVE ANALYTICS FOR BUSINESS STRATEGY

predictive analytics can
help in business strategy
formulation.
Without data, business decision makers would have to rely on theoretical arguments alone
to predict the effects of alternative strategies and ultimately decide which one(s) to enact.
Some theoretical arguments are formal; others are based on “gut feelings” or “instinct.”
Although theoretical arguments can be compelling, they can become much more
powerful and convincing when supported by data. For example, it is debated whether
drinking diet soda helps people lose weight or actually causes them to gain weight. There
are theoretical arguments on both sides. Those claiming it helps people lose weight argue
that diet soda has fewer calories, and fewer calories translates into lower weight. Those

1
In business, some will draw distinctions between strategies and tactics, claiming that a pricing decision is typically a tactic rather than a
strategy. We simplify the discussion by labeling what some may call tactics as “simple” strategies.

4 CHAPTER 1 The Roles of Data and Predictive Analytics in Business

claiming it causes weight gain argue that diet soda’s inability to quench the body’s crav-
ing for sugar creates even stronger cravings that will be satisfied by consuming unhealthy
foods. Which claim is correct? With no supporting data, the decision becomes one based
on “gut feeling.” Now, suppose 1,000 individuals were split into two groups of 500: One
group (Group A) was allowed to drink only regular soda, and the other group (Group B)
was allowed to drink only diet soda. Then, after one year, suppose Group B showed a much
greater increase in weight than Group A. Which prediction concerning diet soda would you
believe after these data came in?
Predictive analytics is an ideal complement to the formulation of business strategy. It
allows the decision maker to make evidence-based assessments (where the evidence con-
sists of data) of expected outcomes from alternative strategies, and then choose the optimal
one based on her or his business objective. Consider a manager who is trying to determine
whether to change the price of a product, and if so, in what direction. The objective is to
increase revenue in the short run. Gut feeling may suggest that a price increase will accom-
plish this task. However, before acting on this instinct, the manager collects data on prices
and sales for the product, and then uses these data to estimate a predictive analytics model.
The finding is that the price elasticity of the product is –2.1. This means that a 1% increase
in price leads to a 2.1% decrease in quantity demanded. Since price increases result in
decreased revenue when price elasticity is greater than one (in absolute value), the man-
ager decides that a price decrease is the proper strategy to follow based on this analysis.
Predictive analytics models do not always yield perfect predictions. These models rely
on assumptions, some testable and others not. However, they provide a structured mecha-
nism that allows us to use what actually has occurred (recorded as data) to inform us about
what alternative strategies will accomplish. Understanding the level of reliability of the
predictive analytical model being used is a crucial part of this process, and a recurrent
theme in this book.

DATA FEATURES
Data possess several important features that affect their ability to be analyzed and the
analysis method to be used. In this section, we discuss three key features that we should LO 1.2 Distinguish
identify before attempting to analyze any dataset: whether the data are structured or not, structured from
the unit of observation, and the data-generating process. unstructured data.

STRUCTURED VS. UNSTRUCTURED DATA

structured data Data
The analytical methods we discuss in this book all apply to data of a particular type: with well-defined units
structured data. Structured data are the type of data with which most casual observ- of observation for which
ers are familiar; they are the data that come in a spreadsheet format. More formally, corresponding information
structured data have well-defined units of observation for which corresponding is identifiable; they are
information is identifiable. By unit of observation, we mean the entity for which the data that come in a
information has been collected. For example, the data in Table 1.2 are structured data spreadsheet format.
on yearly sales; the unit of observation is a year and the corresponding information is unit of observation
number of sales. The entity for which
Structured data need not be in spreadsheet format. Suppose you found a piece of information has been
paper in your desk, and at the top was written, “Yearly Sales.” Then, written haphazardly collected.

CHAPTER 1 The Roles of Data and Predictive Analytics in Business 5

 TABLE 1.2 YEAR SALES
Example of
2012 4,382
Structured Data
2013 4,615
2014 4,184
2015 5,043
2016 5,218
2017 5,133
2018 5,391

unstructured data
Any data that cannot be
classified as structured.
across the paper you saw the following figures: 4,382(2012); 4,615(2013); 4,184(2014);
5,043(2015); 5,218(2016); 5,133(2017); 5,391(2018). Although not in spreadsheet format,
these data are structured. As in the spreadsheet, the unit of observation is well defined (a
year), and the corresponding information (sales) is identifiable.
Unstructured data are the complement to structured data; they are any data that can-
not be classified as structured. A series of images is an example of unstructured data. The
words in this paragraph are unstructured data. The data in Table 1.3 are unstructured; this
is because, although it seems clear these are yearly data, there is no way, with the informa-
tion given, to identify the corresponding sales information for each year.

LO 1.3 Differentiate THE UNIT OF OBSERVATION

units of observation.
The crucial component of structured data is the unit of observation; we cannot build or analyze
a structured dataset without it. In addition, the unit of observation tells us the way in which the
information in the data varies. Does the information in the data vary across people, countries,
time, people and time, etc.? As we will see in later chapters, understanding how the informa-
tion varies in the data can be a critical factor in choosing and assessing a method of analysis.
Determining the unit of observation essentially boils down to answering these four
fundamental questions: What? Where? Who? When? The unit of observation becomes
more refined as the data give answers to more of these questions, provided an answer (a)
is not constant across all observations and (b) is not perfectly determined by the answer
to another question.
For example, if the data consist of production figures for 10 factories in 2017, the unit of
observation is a factory. In this case, the answer to “What?” is the factory, and there is variation

TABLE 1.3 YEAR SALES 2012

Example of
4,615 4,184
Unstructured Data
2013 2016 5,133
5,043 2015
4,382
5,391 5,218
2017
2018 2014

6 CHAPTER 1 The Roles of Data and Predictive Analytics in Business

Another random document with
no related content on Scribd:
Schlummer, wie er erquicklicher auch bei uns im kühlen Europa nicht
gedacht werden kann; die Trogform des Safaribettes ist an sich
schon weniger bequem; kommt nun zu dem Temperaturminimum
etwa eine Stunde vor Sonnenaufgang, das den Schläfer stets
erwachen und nach einer zweiten Decke greifen läßt, auch noch das
Hustenkonzert einer größeren Karawane, dann ade süßer
Schlummer! Bei unserem Marsch von Lindi bis Massassi hatte sich
die große Schar der Polizeisoldaten stets im engen Kreis, die Köpfe
nach außen, um unsere Zelte gelagert; dann war in den schneidend
kalten Nächten von Nangoo und Chikugwe alsbald ein Gehuste und
Gespucke losgegangen, daß man wirklich nicht wußte, ob man die
unglücklichen frierenden Kerle draußen oder aber sich selbst mehr
bedauern sollte. Hier in Mwiti hätte ich meine Leibgarde wie auch
meine Träger sehr gern weit von unserem Zeltplatz untergebracht,
aber der kommandierende Gefreite hat mir erklärt, daß das nicht
gehe; die Wangoni seien im Anzuge. So hat sich mein Dutzend
Krieger, denn so viel hat mir Herr Ewerbeck als Schutztruppe
mitgegeben, wieder rings um uns herum gelagert; wieder tönt das
Gehuste ohne Unterlaß in mein warmes Zelt hinein, so daß an
Schlaf kaum zu denken ist; aber diesmal ist das Mitleid mit den
Kriegern doch größer als der Ärger über die unausgesetzte Störung.
Und es ist auch nur zu berechtigt. Die kleine Ebene vor Nakaams
Palais, auf der wir lagern, ist fast baumlos; steil von oben, durch
nichts aufgehalten, stürzt auf sie der eisigkalte Plateauwind herunter.
Zwar hat sich jeder Soldat neben der Matte, auf der er liegt, und dem
Pfahl, an dem Gewehr und Patronengürtel hängen, ein kräftiges
Feuer gemacht, doch was nützt das den Männern, deren Körper
durch das dünne Khaki trotzdem einer ungehinderten Ausstrahlung
ausgesetzt sind.
Es begreife die Negerseele wer da kann. Ich habe am nächsten
Morgen Soldaten und Träger versammelt und habe ihnen gesagt:
„Kerls, ihr friert doch wie die Schneider; gleich geht los und baut
euch Strohhütten, oder, wenn euch das zuviel ist, wenigstens
Windschirme.“ „Ndio, Bwana, jawohl, Herr!“ hat die ganze Schar
geantwortet; als ich mich aber am Nachmittag erkundigte, wo denn
ihre Bauten seien, da kam’s heraus: ich marschiere, hieß es, doch
bald weiter, da hätte es keinen Zweck, erst noch Wände zu bauen.
„Gut,“ habe ich ihnen da sehr kühl erwidert, „dann friert ihr eben.
Wer mir aber in den nächsten Tagen mit Katarrh kommt — fügte ich
für mich in Gedanken hinzu —, den werden wir zur Abwechselung
einmal nicht mit dem lieblichen Aspirin behandeln, sondern mit
Chinin, notabene ohne Wasser, und kauen sollen die Burschen
diese schöne, kräftige Daua vor meinen Augen.“ So verdirbt Afrika
den Charakter, leider nicht nur den der Schwarzen.
Mein zweiter Tag in Mwiti hat mir auch noch manches Lehrreiche
geboten. Mir mußte das Fieber, von dem ich soeben erst erstanden
bin, bereits in den Gliedern stecken; in merkwürdiger körperlicher
Erschlaffung war ich vormittags in meinem Liegestuhl unter
Nakaams Barasa sanft entschlummert. Klatsch — huuh; klatsch —
huuuh; klatsch — huuuh, tönt es dem Erwachenden ans Ohr. Ein
Blick nach links lehrt mich, daß der blonde Nils in seiner Eigenschaft
als interimistischer Unterpräfekt wie ein zweiter Salomo als Richter
waltet. Nun kenne ich zwar Gerichtssitzungen schon seit Lindi, aber
sie sind hier immer interessant, und so war ich im nächsten
Augenblick zur Stelle. Der Delinquent hatte unter bedeutendem
Wehgeheul inzwischen seine fünf wohlgezählten Hiebe erhalten; er
stand jetzt wieder aufrecht und rieb sich mit erklärlichen gemischten
Gefühlen die wunde Stelle; doch frech sah er immer noch aus. Nach
gegenwärtiger Landessitte etwas angesäuselt, hatte er sich im
Verhör erkühnt, Nils Knudsen mit einem besonderen Namen,
anscheinend dem Spitznamen des Norwegers bei den Negern, zu
belegen; dies durfte natürlich nicht ungerochen bleiben, und daher
die Exekution. Der Neger betrachtet sie übrigens als ganz
selbstverständlich; er würde sich aufs höchste wundern, wenn nicht
jede Ungebühr in dieser Weise und ohne Verzug gesühnt würde, ja
er würde uns direkt für schlapp und keineswegs als seine Herren
betrachten.
 Hofinneres in Mwiti.
Einen ebenso tragikomischen Anstrich hatte auch der nächste
Fall, zu dem ich ebenfalls erst am Schluß des Verhörs der drei
Beteiligten hinzukam. Ich sehe, wie der Gefreite Saleh mit einem
derben Kokosstrick, wie er von den Trägern benutzt wird, ihre Last
durch Umschnüren mit ihm handlich zu gestalten, über den Platz eilt.
Im selben Augenblick hat er auch schon einem vor dem Richter Nils
stehenden schwarzen Jüngling die Arme stramm auf dem Rücken
gefesselt. Dieser hat die Prozedur stillschweigend über sich ergehen
lassen; nun aber erhebt sich ein unglaublich lebhaftes Gerede. Mit
einer Art Lassowurf hat Saleh einem ebendort stehenden
jugendlichen Frauenzimmer, an dem mir nichts so sehr auffällt wie
die geradezu hottentottenhaft weit ausladende Gesäßpartie, das
andere Ende des Strickes um die Hüfte geworfen; blitzschnell ist
auch sie gefesselt und gefangen. „Nanu, was ist denn hier los?“
wage ich in den merkwürdigen Auftritt hineinzuwerfen.
„Sehen Sie sich nur einmal den andern an“, sagt der moderne
Salomo. „Dieser hier und das Weibsbild sind Mann und Frau; mit
dem andern aber hat die Frau, während der Mann verreist war,
monatelang zusammengelebt. Und als der ahnungslose Ehemann
zurückkommt und das Pärchen hübsch beisammen findet, da hat ihn
dieser Halunke hier zum Überfluß auch noch in die Hand gebissen.“
„So, und zur Belohnung binden Sie das saubere Pärchen nun
auch noch zusammen?“
„Zur Belohnung gerade nicht, aber die beiden müssen nach Lindi
hinunter zu ihrer Aburteilung — ein paar Monate Kette wird er wohl
schon kriegen — und da weiß ich wirklich nicht, wie ich sie anders
transportieren soll.“
Ich habe selten ein paar so vergnügte Gesichter gesehen wie die
Visagen dieses netten Pärchens, als sie abgeführt wurden.
Schon den ganzen Tag hatte ich einen meiner Träger um mein
Zelt herumschleichen sehen. Am Nachmittag kam der Bursche
näher; er wolle Daua, sagte er. Wofür? frage ich ihn kühl. Für eine
Wunde, lautet die Antwort. Ich, in der Meinung, der Mensch habe
sich eine Verletzung auf dem Marsch zugezogen, lasse den braven
Stamburi holen, jenen Askari, dem ich die therapeutische
Behandlung aller jener Fälle anvertraut habe, die ich nicht selbst
behandeln mag. Stamburi befreit mit nicht geringer Mühe das
fragliche Bein erst von einer fingerdicken Dreckkruste; neugierig bin
auch ich näher getreten, doch was muß ich sehen! Eine uralte
Wunde vorn auf dem Schienbein, wie eine Handfläche groß,
stinkfaul und bis auf den Knochen durchgefressen. Entrüstet fahre
ich Herrn Cigaretti — so heißt der Schmierlümmel — an, er habe
mich betrogen, er sei kein Träger, sondern ein Kranker, der ins
Hospital gehöre; seine Wunde sei nicht frisch, sondern schon
Monate alt; er werde mit der nächsten Gelegenheit nach Lindi
hinuntergeschickt werden. Sehr ruhig und frech heißt es darauf:
Lindi hapana, Bwana, er sei für sechs Monate gedungen, und eher
zu gehen fiele ihm gar nicht ein. Ich bin nun in einer etwas
unangenehmen Lage, da ich die bezüglichen Bestimmungen nicht
kenne; behalte ich den Burschen bei mir, so wird er eines schönen
Tags selbst transportunfähig oder geht wohl gar ein; jage ich ihn
aber in den Busch, so fressen ihn die Löwen. In jedem Fall ist es mir
sehr interessant, zu sehen, wie einseitig das Rechtsgefühl dieses
braven Mannes ausgebildet ist; er besteht auf seinem Schein,
jedoch nur soweit er ihm zu seinem Vorteil gereicht.
Und dann dieses schreckliche Wort hapana! Man würde die
ganze schwarze Rasse am besten mit zwei kleinen Wörtern
charakterisieren können. Das eine ist „hapana“, wörtlich: es ist nicht,
es gibt nicht, verallgemeinert: nein; das andere lautet: bado, noch
nicht. Einen von den beiden Ausdrücken bekommt man unter
hundert Fragen mindestens 99mal zur Antwort. „Hast du das und
das getan?“ oder: „Ist das und das zur Stelle?“ fragt der Europäer.
„Bado“ heißt es das eine Mal, hapana zum andern. Ich habe schon
den Vorschlag gemacht, die ganzen Bantu-Idiome des Ostens unter
dem Kollektivbegriff des Kihapana oder des Kibado
zusammenzufassen. Zunächst macht die Sache dem Weißen Spaß,
zumal besonders das bado dem Gehege der Zähne mit einem
Schmelz entflieht, daß jede höhere Tochter der sprachberühmten
Städte Braunschweig und Celle über eine solche Geziertheit der
Aussprache des „a“ neidisch werden könnte; hat man indessen
immer bloß bado und immer bloß hapana zu hören bekommen, und
niemals ein „Ndio“ oder ein „Me kwisha, ich bin fertig“, so wird man
wild und greift am liebsten zum Kiboko. —
Gegen Abend dieses denkwürdigen Tages ist es, etwa eine
Stunde vor Sonnenuntergang. Mit keckem Schritt tritt ein kleines
Bürschchen von 8 bis 9 Jahren an meinen Tisch heran, breitet auf
mein „Karibu, tritt näher“, eine ganze Anzahl wunderhübsch
verzierter, kleiner Kämme vor meinen Augen aus und bleibt in
erwartungsvoller Pose stehen. Die Dinger sind in der Tat reizend; der
eigentliche Kamm selbst ist aus feinen, gerundeten Holzstäbchen
zusammengesetzt, der ganze Oberteil aber bedeckt mit
buntfarbigem Stroh, das zu schönen geometrischen Mustern
geordnet ist. „Wo werden die Dinger gemacht?“ frage ich den kleinen
Kaufmann. „Karibu sana, hier ganz in der Nähe“, lautet die prompte
Antwort. „Und wer macht diese Kämme?“ „Ein Fundi, ein Meister“,
ertönt es daraufhin, etwas verwundert diesmal, denn der Weiße
sollte doch billig wissen, daß hierzulande alles von
Berufshandwerkern, von Fundi, gefertigt wird. Schnell werden wir
handelseins, ebenso schnell habe ich meinen Tropenhelm mit dem
leichten Filzhut vertauscht, habe noch Kibwana, der merkwürdig
schnellfüßig mit einem rasch umgehängten Gewehr heranspringt,
angeschnauzt, er solle seine Donnerbüchse nur ruhig wieder
weghängen und so mitkommen, da sind wir auch schon mitten drin
im schönen, grünen Urwald. Der kleine Mann eilt mit erstaunlich
raschen Schritten fürbaß, 5 Minuten, 10 Minuten, 15 Minuten. „Na,
wo ist denn dein Fundi?“ frage ich ihn schon ungeduldig. „Karibu
sana“, tönt es beschwichtigend zurück. Aus den 15 Minuten werden
30, werden 40; die Sonne ist schon hinter dem nächsten Bergrücken
verschwunden. Auf meine Anfragen stets eine ausweichende
Antwort: Dort, wo die Schambe ist, dort wohnt der Fundi, oder aber:
Unmittelbar hier vor uns, da ist es. Schließlich springe ich den
kleinen, flinken Führer unversehens von hinten an, indem ich ihn in
Ermangelung eines anderen passenden Angriffspunktes bei beiden
Ohren nehme. Strenges Verhör unter sanfter Nachhilfe an den
Ohrläppchen. Da kommt es denn heraus: es sei reichlich noch
einmal so weit, als wir schon gelaufen seien, und es sei hoch oben
in den Bergen. Demnach wäre ich also frühestens zwischen 7 und 8
Uhr ans Ziel gekommen, in vollkommen dunkler Nacht, gänzlich
unbewaffnet, ohne jede Unterkunft. So weit ging meine Begeisterung
für das Studium der Negertechnik denn doch nicht; ich zog, unter
Zugrundelegung unserer europäischen Ansichten über Nah und
Fern, aber zur schmerzlichen Verwunderung des Autochthonen,
diesem noch einmal die Ohren lang, entließ ihn dann mit leichtem
Klaps und zog unverrichteter Dinge wieder heim. Damals war ich
stark entrüstet über dieses unberechenbare Negervolk; heute muß
ich zugeben, daß es bei uns doch eigentlich wenig anders ist; dem
einen sind 20 Kilometer ein Katzensprung, dem andern die halbe
Meile ein Tagemarsch. Das aber habe ich schon gemerkt: der Neger
rechnet ganz allgemein mit viel größeren Entfernungen und auch mit
größeren Marschleistungen als wir. —
Wieder brennt die Lampe mit unsicher flackerndem Licht unter
Nakaams Barasa. Zwar ist diese besser abgedichtet als gestern,
aber der Sturm braust heute ungleich gewaltiger wie den Abend
vorher.
 „Und 60 Millionen Menschen wohnen in Uleia?“ fragt mich
Nakaam ganz verwundert. „60 Millionen? Aber was ist eine Million?
Ist es elfu elfu elfu, 1000 mal 1000 mal 1000?“
Donnerwetter, denke ich, der geht aber in die vollen; 1000 mal
1000 mal 1000, das ist ja eine Milliarde! 60 Milliarden Deutscher,
armes Vaterland! Es lebe die Bevölkerungsstatistik!
Doch soll ich den Nigger enttäuschen? Keinesfalls; wir haben an
Prestige sowieso nicht viel mehr zuzusetzen. So antworte ich ihm
denn: Ndio, elfu elfu elfu und belasse es bei den 60 Milliarden.
Und wieviel Askari hat der Sultani ya Uleia, der deutsche Kaiser?
Hier konnte ich ruhig bei der Wahrheit bleiben, denn in bezug auf
unsere Wehrmacht sind wir Gott sei Dank einstweilen noch allen
möglichen Gegnern über.
„Wenn wir keinen Krieg machen, haben wir 600000 Askari; wenn
wir aber Krieg machen, dann sind es 6 Millionen.“
Nakaam ist keiner von denen, die sich leicht imponieren lassen,
aber als er jetzt stumm nachrechnete: 6 mal elfu elfu elfu, da
wuchsen wir in seinem Ansehen ganz offensichtlich. Doch er ist nicht
nur kritisch veranlagt, sondern auch mit der Tagesgeschichte
wohlvertraut.
„Nicht wahr?“ sagt er, „in dem großen Kriege zwischen den
Russen und den Japanern haben die Russen Haue bekommen?“
Diese Tatsache konnte ich allerdings mit dem besten Willen nicht
wegleugnen, doch hielt ich es für durchaus angebracht, meiner
bejahenden Antwort in einem Atem hinzuzufügen, das wolle nichts
bedeuten, denn wir, die Wadachi, wir seien viel stärker als sie alle
zusammen, als die Russen, die Japaner und auch die Engländer.
Nakaam setzte jetzt endlich eine überzeugte Miene auf; aber ob sie
wirklich echt gewesen ist, wer kann das bei diesem schlauen Fuchs
ermessen.
In der Geographie hatte bis vor kurzem mein Boy Moritz die
beste Note; er hielt seinen Freunden, und auch wer ihm sonst
zuhören mochte, lange Kollegien über Uleia und Amerika, sprach
von Berlin, Hamburg und Leipzig und erklärte dem wißbegierigen
Auditorium mit gleichbleibender Geduld, welchen Daseinszweck auf
dieser Erde nun auch ich, sein Herr und Gebieter, dort im fernen
Uleia habe. Ich sei der Bwana kubwa eines großen, großen Hauses,
und in diesem großen Hause, da seien die Matten und die Stühle
und die Töpfe und die Löffel und die Kokosreiber aller Völker der
Erde, und ich sei hier ins Land gekommen, um nun auch von hier
alle diese schönen Dinge nach Uleia zu bringen. Moritz war also,
das muß man billig anerkennen, ein ganz guter Interpret meiner
Ziele, aber sein Ruhm war verblaßt, als ein paar Tage vor unserm
Abmarsch von Massassi Ali, der Weitgereiste, von Lindi herauf nach
Massassi gekommen war, um von neuem in Knudsens Dienste zu
treten. Jetzt verstummte Moritzens quäkige Stimme, denn nun
konnte Ali berichten, was er mit eigenen Augen in Berlin und
Hamburg gesehen hatte. Als Diener eines weißen Herrn war er in
der Tat im fernen Deutschland gewesen. Nur daß er Leipzig nicht
kannte, betrübte ihn.
 Ältere Makonde-Frau im Festschmuck.

Nakaams topographische Kenntnisse waren, wie die Moritzens,

auch nur theoretischer Natur; er kannte zudem nur Berlin. Doch
welch tiefes Interesse hatte dieser Mann an allen möglichen
Einzelheiten einer europäischen Stadt! Die Länge der Straßen wollte
er wissen, die Höhe der Häuser, und wie man hoch oben auf diese
Türme von Häusern hinaufkäme; und wieviel Menschen in einem
Hause wohnten, und wo sie ihre Chakula, ihr Essen, kochten, und
hundert andere Dinge mehr. Für mich mit meinem immerhin
geringen Suaheliwortschatz war es natürlich ganz unmöglich, diese
Wißbegier in ihrem ganzen Umfange zu befriedigen; um so
dankbarer konnte ich Knudsen für seine Aushilfe sein.
Den nächsten Tag sind wir bis zu einem gottverlassenen Nest
namens Mkululu marschiert; es ist noch auf keiner Karte
verzeichnet. Wie stachen die elenden Hütten hier von Nakaams
Palast ab, und wie unendlich schmutzig und verwahrlost waren
Dorfplatz und Barasa! Beide bedurften erst einer gründlichen
Reinigung, bevor wir unsere Zelte unmittelbar am Rasthaus selbst
aufrichten konnten. Und doch müssen wir dem Schicksal danken,
daß wir ganz instinktiv den Schutz dieses dörflichen Strohdaches
gesucht haben. Der Sturm, der uns in Mwiti die Abende so verleidet
hatte, setzte auch hier bald nach Sonnenuntergang ein. Im Freien
wäre überhaupt keines Bleibens gewesen, so wirbelten Staub und
Laub und Gras und Zweige in der Luft herum; doch auch unter der
Barasa war es nicht zum Aushalten. Also marsch ins Zelt und ins
warme Bett hinein. Aber was ist das? Das Bett will heute gar nicht
warm werden; ich nehme zu der einen, gewohnten Kamelhaardecke
noch die zweite. Es nützt alles nichts; ein wahnsinniger Frost
schüttelt meine Glieder, und die Zähne klappern, daß es zeitweise
selbst das Brausen des Sturmes übertönt. Dieses Brausen ist mit
jeder Viertelstunde lauter und fürchterlicher geworden; ich schiebe
mein Frieren auf den üblichen abendlichen Temperatursturz und
stehe auf, um das Zelt noch dichter zu machen. Ich bin gar nicht
einmal ganz aus seinem Innern ins Freie getreten; dennoch bin ich
heilfroh, mich wieder in seinen Schutz zurückgerettet zu haben. Ein
wahrer Hexensabbat umtobte Barasa und Zelt; heulend, sausend,
pfeifend umrasten dicke Wolken von Staub und Unrat meine
schwanke Segeltuchhütte, und wirbelnd umfaßte mich die
Windsbraut, als ich nur ein wenig ins Freie trat. Dazu ein
unaufhörliches Krachen und Brechen ringsum; starke Äste mußten
es sein, die von den hohen Dorfbäumen herabgeschleudert wurden,
und selbst die Bäume schienen einem solchen Aufruhr der Natur
nicht standhalten zu können. Ich habe in jener Nacht kein Auge
schließen können; der starke Schüttelfrost wich bald einem starken
Schweißausbruch; nur der unerbittliche Zwang weiter zu
marschieren, hat mich am frühen Morgen auf die Beine gebracht.
 Hüttentypus der Rovumaebene.

Hüttengrundriß.
Über den Gewaltmarsch von Mkululu bis Chingulungulu möchte
ich mich am liebsten ausschweigen; eine rühmliche Rolle kann ich in
meinem Zustand in den Augen unserer Mannschaft an jenem Tage
kaum gespielt haben. Auch Knudsen hatte Fieber. Am frühen
Morgen, solange es noch kühl und der Wald frisch und grün war,
ging es noch. Zwar mit dem Reiten war es nichts. Der Weg führte
zunächst am Westfuß des Makondeplateaus entlang. Es ist dies ein
Gebiet hoher Aufschüttung, zugleich auch eines starken
Quellenreichtums. Alle paar hundert Meter steht infolgedessen die
Karawane am Rande einer viele Meter tief senkrecht
eingeschnittenen Schlucht, die sich die Gewässer in das lockere
Erdreich gegraben haben. Unsicheren Fußes stolpert man den
steilen Abhang hinunter; nur mit Anspannung aller Kräfte des
fiebergeschwächten Körpers kommt man an der
gegenüberliegenden Seite wieder hinauf. So geht das mehr als ein
dutzendmal; da biegt der Führer vom Wege ab und verschwindet
rechts im Pori. Dieses wird lichter und lichter, je weiter die Steilwand
des Plateaus hinter uns zurückbleibt; schließlich ist es die typische
lichte Baumgrassteppe: ein Baum genau wie der andere, frisches
Grün nur hier und da; Unterholz auch nur spärlich, aber wo es
auftritt, von dorniger Beschaffenheit; das Gras an den meisten
Stellen bereits abgebrannt. Dann wirbelt in der glühenden
Mittagshitze eine undurchdringliche Aschenwolke, hervorgerufen
durch lokale Wirbelwinde, mehr wohl noch durch die Tritte der
Marschierenden, um uns herum, alles mit einer dichten schwarzen
Schicht überziehend. Ich habe die Zügel meines Tieres längst aus
der Hand gelassen; zweimal ist es in seinem angeborenen
Stumpfsinn und in seinem natürlichen Bestreben, stets den geraden
Weg zu gehen, in einen Dornenbusch gelaufen, so daß ich wohl
oder übel mich habe nach hinten fallen lassen müssen. Endlich die
erste Erlösung: das stolze Haus des Yaohäuptlings Susa taucht vor
uns auf; wenige Minuten später liegen Herren und Diener keuchend
in seinem Schatten.
Es ist doch etwas Stolzes um die Willensstärke eines
Vollkulturmenschen. Trotz unseres jammervollen Befindens hat es
uns nicht fünf Minuten auf unseren Reisestühlchen gelitten, da
standen Knudsen und ich auch schon in Susas Haus und fragten
und forschten und skizzierten und sammelten. Dieses war auch sehr
wohl angebracht, denn Susa scheint nicht nur persönlich ein ganz
einzigartiger Vertreter seiner Rasse zu sein, sondern auch sein Haus
ist eingerichtet, wie man es beim Neger niemals erwartet hätte. Er
selbst mit langem, schwarzem Vollbart, gut und sauber in weiße
Stoffe gekleidet, von intelligentem Gesichtsausdruck; seine Räume
hoch, außerordentlich sauber mit Lehm ausgestrichen, hell und
luftig. Der Herd ein wirkliches kleines Kunstwerk; zwar auch die
üblichen drei kopfgroßen Steine, aber diese Steine liegen auf einer
erhöhten Plattform aus Lehm, die sich die ganze Küche hindurch in
Meterbreite an der Wand entlang zieht. Rings um das Feuer eine
ganze Reihe höchst merkwürdiger, ebenfalls aus Lehm hergestellter
Konsolen, die, wie der Augenschein lehrt, den rundbäuchigen
Töpfen als Standfläche dienen. Und nun erst der Raum des
Hausherrn selbst! Zu europäischen Kanapees, wie der
Kamerunnigger sie längst in seiner Hütte besitzt, hat es der
Ostafrikaner Gott sei Dank noch nicht gebracht; dafür sehen wir aber
hier die Urform eines Ruhebetts: ebenfalls eine Plattform aus Lehm,
30 Zentimeter hoch, mehr als meterbreit, die Kanten nach außen
abgeschrägt; als Ruhelager für Kopf und Oberkörper eine schiefe
Ebene am oberen Ende; das Ganze endlich mit schönen, sauberen
Matten überdeckt.
Und doch kann ein Mann wie Susa nicht aus seiner Haut. Nach
Besichtigung aller Räume umschreiten wir das Haus. Was hängt
denn da? rufe ich und greife nach einer prächtigen Leberwurst, die
an einem fingerdicken Holzstabe von der Dachtraufe
herniederhängt. Freilich, Form und Aussehen unseres heimatlichen,
schätzenswerten Genußmittels hat das Ding wohl, auch führt der
Baum, auf dem es heranreift, im Munde der Weißen tatsächlich den
Namen Leberwurstbaum, aber im übrigen bestehen zwischen
Leberwurst und Kigelia weiter keine Beziehungen. Nach einigem
Zögern rückte Herr Susa mit einer Erklärung heraus. Es war
natürlich eine Daua, eine Medizin oder ein Amulett oder wie man
solch ein Schutzmittel nennen will. Die Frucht hatte die nicht leichte
Aufgabe, das Dach des Hauses vor den Folgen der hier in der
Ebene angeblich sehr häufigen, starken Windhosen zu schützen,
von denen es hieß, sie trügen mit Vorliebe Hausdächer davon.
Welche Ideenverknüpfung dazu geführt hat, der harmlosen
Baumfrucht die Fähigkeit zuzusprechen, die Natur selbst in ihren
stärksten Kraftäußerungen zu besiegen, war aus Susa nicht
herauszubekommen.
 Ruhelager und Herd Susas.
Auch der vorherige Marsch durch das Pori hat mir Gelegenheit
zu ein paar hübschen Beobachtungen gegeben. In malerischem
Durcheinander lagert meine Karawane zur Frühstückspause an
einer verhältnismäßig grünen Stelle im Walde; Knudsen und ich
sitzen etwas abseits, weil meine Geruchsnerven in diesem
Fieberstadium noch sensibler sind als gewöhnlich. Da schlagen
faule Witze an unser Ohr, ganz im Charakter der unserer Soldaten,
wenn ein weibliches Wesen in Rufnähe an einer Kriegerschar
vorüberkommt. Tatsächlich ist die Sachlage die gleiche; im Abstande
von 20 bis 30 Metern sucht ein junges Weib die Gruppe der
Fremdlinge zu umgehen. Das ist nun an sich weiter nichts
Aufregendes, aber plötzlich rufen alle meine Mannen, die ja längst
wissen, was mich am meisten interessiert: „Kipini, bwana, siehe den
Nasenpflock, Herr!“ Im nächsten Augenblick haben einige von ihnen
die Maid auch schon zu uns herangeführt. Es ist allerdings ein
ausnehmend herrliches Exemplar von Ebenholzpflock, was diese
Schöne in ihrem linken Nasenflügel trägt, womöglich noch zierlicher
und geschmackvoller mit Zinnpflöckchen ausgelegt, als man es
sonst zu sehen gewohnt ist. Zuerst steht die Frau unsern
Kaufangeboten glatt ablehnend gegenüber, schließlich aber scheint
doch die Furcht vor so viel wild aussehenden fremden Männern
wirksamer zu sein als selbst der Glanz eines Viertelrupienstücks.
Zögernd fährt sie mit der Linken an die Nase, fast gleichzeitig folgt
die Rechte nach. Mit einem geschickten Druck muß die Linke das
Kipini aus seinem gewohnten Lager befreit haben, denn schon reicht
sie das Ding herüber. Sichtbar ist der ganze Vorgang nicht gewesen,
denn mit einer geradezu unerklärlichen Ängstlichkeit und
Beharrlichkeit hat sie die ganze Nasenpartie mit der ausgebreiteten
Rechten überdeckt. Auch jetzt, nachdem sie längst ihr Silberstück in
Empfang genommen hat, steht sie noch in dieser Haltung da; meine
Leute witzeln von neuem, doch immer fester drückt die Frau die
Rechte auf die entblößte Stelle. Mit diesem Hinweis auf die lokale
Nacktheit haben wir den Vorgang psychologisch unzweifelhaft richtig
gedeutet; mit der Entfernung des Kipini wird das Schamgefühl
verletzt, daher das krampfhafte Zudecken jener Stelle.

Yao-Frauen mit Nasenpflock.

Eine solche „Verlagerung“ des Schamgefühls ist in der
Völkerkunde nichts Seltenes. Mit innigem Behagen lese ich in
meiner Bibel, der Peschelschen Völkerkunde, immer wieder jene
köstliche Stelle, wo der Autor schildert, was ein frommer Moslim aus
Ferghana tun würde, wenn er einem unserer Bälle beiwohnte.
Peschel meint, daß dieser brave Moslim, wenn er die Entblößungen
unserer Frauen und Töchter, die halben Umarmungen bei unseren
Rundtänzen wahrnähme, im stillen nur die Langmut Allahs
bewundern würde, der nicht schon längst Schwefelgluten über
dieses sündhafte und schamlose Geschlecht habe herabregnen
lassen. Denselben Anschauungen entspricht es, daß die Araberin
Fuß, Bein und Busen ohne Verlegenheit sehen läßt, daß aber die
Entblößung des Hinterhauptes bei ihr für noch unanständiger gilt als
die des Gesichts, das ja auch sorgsam verborgen wird. Wieder eine
andere Verlagerung des Schamgefühls ist die ängstlich angestrebte
Bedeckung des Nabels bei den Malaiinnen und auch auf den Tonga-
Inseln, während jeder andere Körperteil skrupellos zur Schau gestellt
wird. Noch weiter von unseren Anschauungen weicht schließlich
diejenige der Chinesen ab, wo es als höchstes Ausmaß der
Unanständigkeit angesehen werden würde, wenn die Frau einem
Manne ihren künstlich verkrüppelten Fuß zeigte; gilt es dort doch
sogar für unschicklich, auch nur von ihm zu sprechen. Würde man in
gleicher Weise die ganze Erde absuchen, eine Unsumme der
verschiedensten, nach unseren Begriffen seltsamsten
Anschauungen über Anstößiges und Gestattetes würde uns dabei
entgegentreten. Unsere eigenen Ansichten über diesen Punkt sind in
dieser langen Reihe auch nur eine von den vielen; auch ist ihre
Berechtigung durchaus nicht besser begründet als irgendeine der
anderen, denn alle diese Anschauungen haben genetisch das
gemeinsam, daß a priori überhaupt nichts als verwerflich und
anstößig erscheint; erst nachdem sich eine bestimmte Ansicht
darüber gebildet hat, welcher Körperteil zu verhüllen und welcher
unbekleidet zu lassen sei, wird ein Verstoß gegen diese Ansicht zu
einer verwerflichen Handlung; nicht früher.
Die andere Beobachtung hat einen ernsthafteren Einschlag. In
dumpfem Brüten zieht die Karawane durch das Pori dahin; alles
„döst“, wie man bei uns in Norddeutschland den Zustand zwischen
Nichtdenkenwollen und Nichtdenkenkönnen bezeichnet. Plötzlich
fliege ich halb aus dem Sattel; mein Reittier ist jäh zur Seite
gesprungen und macht Miene, in den dritten Dornenbusch
hineinzurasen. Da ist auch schon die Ursache. Ein schräg aus dem
Waldboden herausragendes Etwas, das sich bei näherem Zusehen
als ein eingegrabener Baumrindenzylinder entpuppt. Das Ding ist
reichlich einen halben Meter lang und an dem oberen, unbedeckten
Teil mit ein paar vorgesteckten Rindentafeln verschlossen. Von
meinen Leuten weiß niemand aus dem Funde etwas zu machen,
wohl aber bringen ein paar zufällig des Weges kommende
Landeskinder die gewünschte Aufklärung. Es ist ein Kindergrab, und
zwar das eines totgeborenen Kindes. Diese werden bei den Makua
immer in dieser Weise beerdigt, heißt es.

Makuakindergrab.
Nach kurzer Rast bei Susa sind wir von neuem aufgebrochen,
um am selben Tage noch Chingulungulu zu erreichen. Dabei werden
Knudsen und ich von neuem vom Fieber erfaßt; krampfhaft halte ich
mich auf meinem Maultier; auch Knudsen kann sich nur mit Mühe
aufrecht erhalten. In ewigem Einerlei gleitet das lichte Pori an uns
vorüber; Baum für Baum; es ist kein Ende abzusehen. Ich auf dem
Reittier fühle meine Beine nicht mehr; alle paar Minuten schaue ich
nach der Uhr; im Schädel hämmert’s und pocht’s — es ist eine Qual.
Endlich, endlich ein fester Punkt im schrankenlosen Meer der
Bäume: ein umgestürzter Koloß versperrt den Weg. Wie ein Klotz ist
der Norweger auf ihn niedergesunken; nur nach langem Zureden
bringe ich den Fiebernden wieder empor. Noch einmal geht’s weiter;
da hört das Ohr Stimmengewirr. Wie durch einen Schleier erkenne
ich Matola, der mir in Massassi bereits begegnet ist; bei ihm sind
eine Anzahl weißgekleideter Männer, die sich immerfort feierlich
verneigen. Ich lächle und winke mit der Hand. Wir kommen an ein
von vielen Säulen getragenes Haus; unendlich mühsam steige ich
vom Reittier, ich klappere vor Frost trotz des fast senkrechten
Sonnenstandes. Mit freundlicher Miene stellt mir Matola sein
Säulenhaus zur Verfügung; ebenso freundlich kredenzt er mir einen
Krug kühler Milch. Mein Sinn ist nicht nach materiellen Genüssen;
nur ins Bett — nichts weiter. Mein Blick sucht Knudsen. Taumelnd
verschwindet er gerade im rasch errichteten Zelt. Zwei Minuten
später bin auch ich in zwei warme Kamelhaardecken gewickelt. Tut
das wohl! Und nun hinein ins erste Fieber!
 Matolas Gehöft (s. S. 173).

Neuntes Kapitel.
Bei Matola.
Chingulungulu, Mitte August 1906.

Ein Gutes hat so ein richtiges, tüchtiges Fieber bei allen Übeln
doch; ist es zu Ende, so hat der Rekonvaleszent einen Appetit, daß
unser sanfter Ausdruck „essen“ sich zu dieser Tätigkeit des
Nahrungvertilgens verhält wie der liebliche Ton der Hirtenschalmei
zum donnernden Schlachtgetöse. Ein ganzes gebratenes Huhn ist in
dieser Lebenslage für ein Frühstück gerade knapp ausreichend,
wohlgemerkt, wenn man vorher noch einen großen Teller Knorrscher
Suppe vertilgt hat und hinterher einem noch viel größeren
Eierkuchen mit eingebackenen Bananen entgegensieht. Aber es
geht dann auch schnell mit der Wiederherstellung; sehr bald
schmeckt wieder die Zigarre, bekanntlich der beste Maßstab des
Wohlbefindens seit Wilhelm Busch. Nur ein gewisses
„Brägenschülpen“, das Gefühl, als wenn das Gehirn den ihm zur
Verfügung stehenden Raum nicht ganz ausfüllte und daher bei jeder
Kopfbewegung an den Rändern Wellen schlüge, erinnert noch ein
paar Tage lang in allerdings sehr wenig angenehmer Weise an den
schweren Fieberanfall.
Traum und Wirklichkeit oder Poesie und Prosa, so könnte man
das berühmte Chingulungulu mit Fug und Recht benennen. Man
muß in der Tat wie Nils Knudsen ein Jahrzent im Busch gesessen
haben, um dieses Emporium alles Schmutzes, Dreckes und Staubes
für das Paradies anzusehen, welches Chingulungulu nach Knudsens
Ansicht auch heute noch darstellt. Selbstverständlich haben wir
unsern Wohnsitz unter der berühmten Barasa aufgeschlagen. Sie ist
wirklich ein gar stolzes Gebäude. Eigentlich ist es nur ein von Säulen
getragenes Strohdach, aber dieses Strohdach hat 15 Meter
Durchmesser und liegt mit seiner Spitze mindestens 6 bis 7 Meter
über dem Estrich. Auch architektonisch ist es eine beachtenswerte
Leistung: um den Mittelpfeiler stehen die übrigen Säulen in drei
konzentrischen Kreisen; der Fußboden ist gestampfter Lehm, mit
Asche vermischt. Gestampft ist nicht der richtige Ausdruck, die Leute
benutzen hier vielmehr einen im stumpfen Winkel gebogenen
Schlegel, mit dessen breitem, flachem Schlagende die nötige
Bodenfestigkeit erzielt wird. Rings um die ganze Peripherie der Halle
verläuft, nur an drei um je 120° voneinander abstehenden Lücken
unterbrochen, ein um etwa 40 Zentimeter erhöhter Wall. Das sind die
Sitze für die Thingmänner, denn diese Barasa ist in der Tat nichts
anderes als das Parlamentsgebäude der dörflichen
Gemeindevertretung. Der Thingammann thront in der Mitte des
weiten Baues; rings um ihn in dichter Scharung kauern, sitzen und
stehen die schwarzen Mitbürger. Eine solche Barasa hat jedes
Negerdorf, aber von ihnen allen ist die von Chingulungulu am
berühmtesten. Matola ist denn auch nicht wenig stolz, daß er seinen
beiden Gästen gerade eine solch hervorragende Unterkunft
gewähren kann.
Doch auch Matolas Wohnhaus ist ein gar stattlicher Bau. Rings
um das Ganze natürlich, wie immer, die vom weitausladenden Dach
beschattete Veranda, gegen Regen und Ungeziefer um eines Fußes
Breite gegen die übrige Welt erhöht. Unter ihr hält Matola Tag für Tag
und den ganzen Tag Hof. Das ist interessant für mich, aber nicht