Datenauswertung: Daten prüfen und richtig deuten

Daten sind gesammelte Angaben, zum Beispiel Körpergrößen, Preise oder Messwerte. Bevor du damit rechnest, fragst du: Kann ich diesen Daten trauen? Hochwertige und verlässliche Daten müssen bestimmte Anforderungen erfüllen.

Dazu gehören zum Beispiel diese vier: Erstens der gleiche Datentyp (valide Daten). Der Datentyp sagt, welche Art von Wert dasteht, etwa eine Zahl oder ein Wort. Zweitens vollständige Daten: Es fehlt nichts. Drittens einheitliche Daten mit gleicher Einheit, zum Beispiel bei Währung, Gewichtsangabe oder Länge. Viertens integre Daten: Sie müssen vor absichtlicher und/oder unabsichtlicher Manipulation geschützt sein.

Zum Prüfen legst du zuerst die Anforderungen fest. Danach prüfst du die Daten zum Beispiel mit Hilfe von Checklisten. Daraus ergeben sich zum Beispiel die Fehlerquoten. Eine Fehlerquote zeigt, wie viele Fehler in den Daten stecken.

Bei der Datenbereinigung entfernst und korrigierst du Datenfehler. Fehler können zum Beispiel falsch oder veraltet sein, doppelt vorkommen, nicht zusammenpassen oder falsch formatiert sein.

Bevor du bereinigst, speicherst du die originalen, fehlerhaften Daten als Kopie. Nach der Bereinigung löschst du sie auf keinen Fall einfach. Sonst wären die Bereinigungen nicht nachvollziehbar.

Lückenhafte Daten: Fehlende Angaben kannst du durch Zusammenführen mit anderen Daten vervollständigen. Das heißt Datenfusion. Doppelte Daten: Bei der Duplikaterkennung werden gleiche Datensätze gefunden und zu einem einzigen Datensatz zusammengelegt. Solche Dubletten (doppelte Einträge) entstehen zum Beispiel bei Anschriften, wenn Namen unterschiedlich geschrieben werden, obwohl es dieselbe Person ist.

Uneinheitliche Daten: Bei der Standardisierung bringst du die Daten in ein einheitliches Format. Ein Datum schreibst du zum Beispiel überall gleich, etwa als 01.09.2009. Fehlerhafte Werte kannst du außerdem durch andere Daten ersetzen, durch Standardwerte (Default-Werte) ersetzen oder herausfiltern. Die Methoden kannst du einzeln oder kombiniert anwenden.

Eine Grenze gibt es: Die Datenbereinigung verbessert die Datenqualität. Eigenschaften der Datenquelle wie Glaubwürdigkeit lassen sich damit nicht verbessern.

Der Mittelwert heißt genauer arithmetisches Mittel und wird oft Durchschnitt genannt. Du addierst alle Werte und teilst die Summe durch die Anzahl der Werte.

Der Median ist der Wert, der genau in der Mitte steht, wenn du die Werte der Größe nach sortierst. So gehst du vor: Ordne alle Werte aufsteigend. Ist die Anzahl der Werte ungerade, ist die mittlere Zahl der Median. Ist die Anzahl gerade, wird der Median meist als Mittel der beiden mittleren Zahlen festgelegt.

Welchen nimmst du? Ein Ausreißer ist ein extrem abweichender Wert. Der Median ist robuster gegenüber Ausreißern. Der Mittelwert reagiert dagegen empfindlich auf Ausreißer. Beim Median geht dafür viel Information über die Daten verloren. Weicht der Median auffällig vom Mittelwert ab, solltest du die Daten auf Ausreißer überprüfen.

Bei Noten ist der Mittelwert eigentlich problematisch, weil es zwischen den Notenstufen keinen echten Abstand gibt. Der Median kann auch für Notenstufen verwendet werden.

Je nach Ziel werden ganz verschiedene Diagramme eingesetzt. Ein Punktdiagramm trägt Wertepaare als Punkte in zwei Achsen ein. Ein Liniendiagramm verbindet die Punkte durch Linien. Ein Säulendiagramm eignet sich besonders, um wenige Ausprägungen (bis ca. 15) zu zeigen. Eine Ausprägung ist hier ein einzelner Wert oder eine einzelne Kategorie. Bei mehr Kategorien sind Liniendiagramme zu bevorzugen. Ein Balkendiagramm ist wie ein Säulendiagramm mit vertauschten Achsen und besser für viele Daten geeignet. Ein Kreisdiagramm zeigt, welche Anteile die Einzelwerte an einem Ganzen haben.

Vorsicht: Ein Diagramm kann auf Fakten beruhen und trotzdem einen manipulierten Eindruck machen. Wird der Nullpunkt der Achse verschoben, können kleine Unterschiede überbetont werden.

Eine Korrelation ist eine Beziehung zwischen zwei Merkmalen. Bei einer positiven Korrelation gilt: wenn mehr, dann mehr (mehr Futter, dickere Kühe). Bei einer negativen gilt: wenn mehr, dann weniger (mehr gefahrene Strecke, weniger Treibstoff im Tank). Eine Korrelation muss aber keine Ursache-Wirkungs-Beziehung sein. Manchmal bewirkt eine dritte Größe beides, oder der Zusammenhang ist vom Zufall beeinflusst. Eine Korrelation gilt nur als Hinweis, dass zwei Größen ursächlich zusammenhängen könnten. Mit Sicherheit lässt sich die Ursache daraus nie sagen.