Vom Rohdatensatz zur belastbaren Entscheidung.
Datenanalyse ist die Grundlage vieler KI-Projekte. Erst wenn Daten verstanden, bereinigt, visualisiert und richtig interpretiert werden, können daraus sinnvolle Entscheidungen oder KI-Anwendungen entstehen.
Garbage in, garbage out: Schlechte Daten führen zu schlechten Ergebnissen.
KI-Modelle treffen keine besseren Entscheidungen als die Daten, mit denen sie arbeiten. Datenanalyse ist der Schritt, der aus Rohdaten Verständnis macht — bevor ein einziges Modell trainiert wird.
Jedes KI-Modell lernt aus seiner Datenbasis. Sind die Daten fehlerhaft, verzerrt oder unvollständig, übernimmt das Modell genau diese Schwächen — oft unsichtbar.
Datenanalyse macht sichtbar, was im Rohdatensatz steckt: wiederkehrende Muster, auffällige Ausreißer, Fehler und Zusammenhänge zwischen Variablen.
Vor jedem KI-Modell sollten Datenqualität, Verteilungen und Zusammenhänge geprüft werden. Diese Prüfung verhindert teure Fehlentscheidungen später im Projekt.
Daten lesen, hinterfragen und einordnen zu können, gehört zur KI-Kompetenz im Unternehmen — nicht nur für Data Scientists, sondern für alle Entscheider.
Ein paar zentrale Kennzahlen reichen oft schon, um einen Datensatz grob zu verstehen. Wichtig ist zu wissen, wann welche Kennzahl in die Irre führen kann.
Durchschnitt aller Werte — Summe geteilt durch Anzahl. Aussagekräftig, aber anfällig für Ausreißer: Ein einzelner Extremwert verschiebt ihn deutlich.
Der mittlere Wert im sortierten Datensatz. Robust gegenüber Ausreißern — Extremwerte verändern ihn kaum.
Der häufigste Wert im Datensatz. Besonders nützlich bei kategorialen Daten, etwa der meistgewählten Produktvariante.
Bei Ausreißern oder schiefen Verteilungen ist der Median ehrlicher — klassisches Beispiel: Gehaltsanalysen, wo wenige Spitzengehälter den Durchschnitt heben.
Die durchschnittliche quadratische Abweichung vom Mittelwert. Sie zeigt, wie weit die Werte gestreut sind — allerdings in quadrierter Einheit.
Die Wurzel der Varianz — in der gleichen Einheit wie die Daten und dadurch direkt interpretierbar.
Lagemaße allein genügen nicht. Erst die Streuung und die Form der Verteilung zeigen, wie verlässlich ein Durchschnitt wirklich ist.
Maximum minus Minimum. Einfach zu berechnen, aber anfällig für Ausreißer — ein einzelner Extremwert bläht sie auf.
Differenz zwischen dem 75. und dem 25. Perzentil. Beschreibt die mittleren 50 % der Daten und ist robuster gegenüber Ausreißern als die Spannweite.
Ein Wert, der sich deutlich von den anderen unterscheidet. Er kann ein Fehler sein — oder ein echtes, wichtiges Ereignis.
Erst die Ursache verstehen, dann entscheiden. Niemals blind löschen — sonst verschwinden womöglich die interessantesten Erkenntnisse.
Die symmetrische Glockenkurve. Mittelwert, Median und Modus liegen ungefähr gleich — viele statistische Verfahren setzen sie voraus.
Asymmetrische Verteilung: Ausreißer ziehen den Mittelwert in eine Richtung, während der Median stabiler bleibt.
Vier Dimensionen entscheiden, ob ein Datensatz belastbar ist. Schwächt eine davon ab, wird jede nachfolgende Analyse unsicher.
Alle relevanten Felder sind befüllt — keine ungewollten Lücken, die Auswertungen verzerren oder ganze Zeilen unbrauchbar machen.
Die Daten spiegeln den aktuellen Stand wider. Veraltete Werte führen zu Entscheidungen, die an der Realität vorbeigehen.
Gleiche Sachverhalte werden einheitlich erfasst — immer „Straße" statt wechselnd „Str.", „Strasse", „Straße". Sonst zählt das System dasselbe doppelt.
Werte sind inhaltlich richtig — keine unmöglichen Angaben wie ein Alter von −5 oder ein Datum in der Zukunft.
Merksatz
Datenqualität ist keine technische Nebensache, sondern die Grundlage jeder belastbaren Analyse.
Das richtige Diagramm beantwortet eine konkrete Frage. Diese Übersicht zeigt, welcher Diagrammtyp wofür gemacht ist.
| Diagrammtyp | Einsatz | Beispiel |
|---|---|---|
| Liniendiagramm | Zeitreihen und Trends sichtbar machen | Umsatzentwicklung über 12 Monate |
| Balkendiagramm | Kategorien miteinander vergleichen | Umsatz nach Produkt oder Region |
| Kreisdiagramm | Anteile am Ganzen — max. 5–6 Kategorien, sonst lieber Balken | Marktanteile pro Anbieter |
| Streudiagramm | Zusammenhang zweier Variablen, Basis für Korrelationsanalyse | Werbebudget vs. Umsatz |
| Boxplot | Median, Quartile und Ausreißer kompakt auf einen Blick | Gehaltsverteilung je Abteilung |
| Histogramm | Häufigkeitsverteilung numerischer Daten, Form sichtbar machen | Verteilung der Bestellwerte |
Auf kleinen Bildschirmen lässt sich die Tabelle seitlich scrollen.
Bevor analysiert oder visualisiert wird, müssen Daten aufgeräumt werden. Diese Schritte sorgen dafür, dass die spätere Auswertung auf einer sauberen Basis steht.
Duplikate entfernen — doppelte Datensätze verfälschen jede Zählung.
Tippfehler korrigieren — falsche Schreibweisen vereinheitlichen.
Formate vereinheitlichen — Datum, Zahlen, Einheiten konsistent halten.
Ausreißer prüfen — Ursache verstehen, dann bewusst entscheiden.
Irrelevante Spalten entfernen — was nichts zum Ziel beiträgt, lenkt ab.
Fehlende Daten behandeln — ersetzen, löschen oder als Kategorie führen.
Erst danach analysieren und visualisieren.
Grundprinzip
Garbage in, garbage out: Schlechte Eingaben führen zu schlechten Ergebnissen.
Die typische Reihenfolge im Überblick:
Fehlende Werte sind Alltag. Entscheidend ist nicht, sie um jeden Preis zu füllen, sondern bewusst zu wählen, wie man mit ihnen umgeht.
Fehlerhafte Eingabe, technische Ausfälle oder bewusste Datenschutzregelungen — die Ursache bestimmt, wie man reagieren sollte.
Fehlende Werte durch geschätzte ersetzen — zum Beispiel durch Mittelwert oder Median. Praktisch, kann aber Verteilungen glätten.
Sinnvoll bei wenigen betroffenen Zeilen, aber riskant bei vielen — dann geht zu viel Information verloren.
„Keine Angabe" als eigene Ausprägung behandeln — das Fehlen selbst kann Information tragen.
Keine universelle Methode
Es gibt keinen Ansatz, der immer richtig ist. Die Entscheidung hängt vom Datensatz und vom Analyseziel ab — und sollte begründet dokumentiert werden.
Damit Variablen vergleichbar werden und Modelle fair lernen, müssen Daten oft auf eine gemeinsame Basis gebracht werden.
Werte auf eine einheitliche Skala bringen, typischerweise 0–1. So dominiert keine Variable allein wegen ihres Wertebereichs.
Werte so transformieren, dass Mittelwert 0 und Standardabweichung 1 betragen — Grundlage vieler statistischer Verfahren.
Mehrere Quellen zu einem Datensatz verbinden — dabei auf Konsistenz achten und Duplikate vermeiden.
Wenn Variablen sehr unterschiedliche Wertebereiche haben — etwa Alter (0–100) und Einkommen (0–100.000).
Die EDA ist der offene, neugierige Blick auf den Datensatz, bevor Modelle oder Dashboards gebaut werden — ein gezieltes Erkunden statt blindem Rechnen.
Den Datensatz wirklich kennenlernen: Muster, Ausreißer und Zusammenhänge entdecken, statt nur Kennzahlen zu produzieren.
Kennzahlen berechnen, Verteilungen prüfen, Ausreißer identifizieren und das Ganze visualisieren — mehrfach und iterativ.
Datenfehler werden früh erkannt, schlechte Daten gar nicht erst ins Modell getragen — das spart später viel Aufwand.
Kennzahlen, Histogramme, Boxplots, Streudiagramme und Korrelationsmatrizen liefern schnell ein Gesamtbild.
Kernidee
EDA ist der Realitätscheck vor Modellierung, Dashboard oder KI-Einsatz.
Zusammenhänge zwischen Variablen sind wertvoll — aber leicht zu überinterpretieren. Diese Begriffe helfen, sie sauber einzuordnen.
Ein statistischer Zusammenhang zwischen zwei Variablen — sie verändern sich in erkennbarer Weise gemeinsam.
Korrelation ist keine Kausalität: Gemeinsames Auftreten beweist keine Ursache. Oft steckt ein dritter, unbeobachteter Faktor dahinter.
Beide Werte steigen gemeinsam — zum Beispiel Werbung und Umsatz.
Ein Wert steigt, der andere fällt — zum Beispiel Preis und Nachfrage.
Misst die gemeinsame Streuung zweier Variablen. Das Vorzeichen zeigt die Richtung; der Betrag ist schwer zu interpretieren.
Misst den linearen Zusammenhang auf einer Skala von −1 bis +1 — standardisiert und gut vergleichbar.
Rangbasiert und damit robuster bei Ausreißern und nicht-linearen Zusammenhängen.
Datenanalyse ist kein Selbstzweck. Im Unternehmen wird sie zur Grundlage besserer Entscheidungen — wenn sie verantwortungsvoll eingesetzt wird.
Daten hinterfragen, Visualisierungen lesen und Kennzahlen richtig interpretieren — eine Kernkompetenz für datengetriebene Teams.
Sensordaten analysieren, Muster erkennen und drohende Ausfälle vorhersagen, bevor eine Maschine tatsächlich stillsteht.
Kaufverhalten verstehen, Kund:innen segmentieren und Abwanderung (Churn) frühzeitig prognostizieren.
Bauchgefühl durch Evidenz ergänzen — nicht ersetzen. Daten liefern die Grundlage, Menschen treffen die Entscheidung.
Aggregierte Zusammenhänge wie Betriebszugehörigkeit und Zufriedenheit untersuchen, etwa per Streudiagramm und Korrelationsanalyse — auf Team-, nicht Personenebene.
Verantwortungsvoll — gerade bei HR
Keine automatisierte Bewertung einzelner Personen. Der Fokus liegt auf verantwortungsvoller Analyse, Transparenz und dem Prinzip Human-in-the-loop: Menschen entscheiden, Daten unterstützen.
Datenanalyse hilft, aus Rohdaten belastbare Erkenntnisse zu gewinnen. Für KI-Projekte ist sie kein optionaler Zwischenschritt, sondern die Grundlage für Qualität, Nachvollziehbarkeit und verantwortungsvolle Entscheidungen.
Wer Daten nicht versteht, sollte KI-Ergebnisse nicht blind bewerten.