Im Informationszeitalter sind Daten nicht mehr knapp – sie sind überwältigend. Der Schlüssel liegt darin, die überwältigende Menge an Daten, die Organisationen und Unternehmen zur Verfügung stehen, zu sichten und ihre Implikationen richtig zu interpretieren. Aber um all diese Informationen zu sortieren, braucht man die richtigen statistischen Datenanalyse-Tools.
Im Zuge der aktuellen Besessenheit von „Big Data“ haben Analysten eine Menge ausgefallener Tools und Techniken entwickelt, die großen Unternehmen zur Verfügung stehen. Es gibt jedoch eine Handvoll grundlegender Datenanalysewerkzeuge, die von den meisten Unternehmen nicht genutzt werden – zu ihrem Nachteil.
Wir empfehlen, Ihre Datenanalyse mit den folgenden fünf Grundlagen zu beginnen – und zu lernen, ihre Fallstricke zu vermeiden – bevor Sie zu anspruchsvolleren Techniken übergehen.
Mittelwert
Das arithmetische Mittel, besser bekannt als „Durchschnitt“, ist die Summe einer Liste von Zahlen, geteilt durch die Anzahl der Elemente auf der Liste. Der Mittelwert ist nützlich, um den Gesamttrend eines Datensatzes zu bestimmen oder eine schnelle Momentaufnahme Ihrer Daten zu erhalten. Ein weiterer Vorteil des Mittelwerts ist, dass er sehr einfach und schnell zu berechnen ist.
Fallstricke:
Für sich allein genommen ist der Mittelwert ein gefährliches Werkzeug. In einigen Datensätzen ist der Mittelwert auch eng mit dem Modus und dem Median (zwei andere Messungen in der Nähe des Durchschnitts) verbunden. In einem Datensatz mit einer hohen Anzahl von Ausreißern oder einer schiefen Verteilung bietet der Mittelwert jedoch einfach nicht die Genauigkeit, die Sie für eine differenzierte Entscheidung benötigen.
Standardabweichung
Die Standardabweichung, oft mit dem griechischen Buchstaben Sigma dargestellt, ist das Maß für die Streuung der Daten um den Mittelwert. Eine hohe Standardabweichung bedeutet, dass die Daten stärker vom Mittelwert abweichen, während eine niedrige Standardabweichung signalisiert, dass mehr Daten mit dem Mittelwert übereinstimmen. In einem Portfolio von Datenanalysemethoden ist die Standardabweichung nützlich, um schnell die Streuung von Datenpunkten zu bestimmen.
Fallstricke:
Genauso wie der Mittelwert ist die Standardabweichung trügerisch, wenn sie allein genommen wird. Wenn die Daten zum Beispiel ein sehr seltsames Muster aufweisen, wie eine nicht-normale Kurve oder eine große Anzahl von Ausreißern, dann wird die Standardabweichung Ihnen nicht alle Informationen liefern, die Sie benötigen.
Regression
Die Regression modelliert die Beziehungen zwischen abhängigen und erklärenden Variablen, die normalerweise in einem Streudiagramm dargestellt werden. Die Regressionslinie gibt auch an, ob diese Beziehungen stark oder schwach sind. Die Regression wird üblicherweise in Statistikkursen an Schulen oder Universitäten gelehrt und findet in der Wissenschaft oder im Geschäftsleben Anwendung, um Trends im Laufe der Zeit zu bestimmen.
Fall:
Die Regression ist nicht sehr nuanciert. Manchmal sind die Ausreißer in einem Streudiagramm (und die Gründe dafür) von großer Bedeutung. Zum Beispiel kann ein ausreißender Datenpunkt den Input von Ihrem kritischsten Lieferanten oder Ihrem meistverkauften Produkt darstellen. Die Natur einer Regressionslinie verleitet Sie jedoch dazu, diese Ausreißer zu ignorieren. Zur Veranschaulichung sehen Sie sich ein Bild des Anscombe-Quartetts an, bei dem die Datensätze genau die gleiche Regressionslinie haben, aber sehr unterschiedliche Datenpunkte enthalten.
Bestimmung des Stichprobenumfangs
Bei der Messung eines großen Datensatzes oder einer großen Population, wie z. B. einer Belegschaft, müssen Sie nicht immer Informationen von jedem Mitglied dieser Population sammeln – eine Stichprobe erfüllt die Aufgabe genauso gut. Der Trick besteht darin, die richtige Größe für eine Stichprobe zu bestimmen, um genau zu sein. Mithilfe von Proportions- und Standardabweichungsmethoden können Sie die richtige Stichprobengröße genau bestimmen, die Sie benötigen, um Ihre Datenerhebung statistisch signifikant zu machen.
Fall:
Bei der Untersuchung einer neuen, ungetesteten Variable in einer Population müssen Ihre Proportionsgleichungen möglicherweise auf bestimmten Annahmen beruhen. Diese Annahmen können jedoch völlig ungenau sein. Dieser Fehler wird dann auf die Bestimmung des Stichprobenumfangs und dann auf den Rest Ihrer statistischen Datenanalyse übertragen
Hypothesentest
Auch allgemein als t-Test bezeichnet, beurteilt der Hypothesentest, ob eine bestimmte Prämisse für Ihren Datensatz oder Ihre Population tatsächlich wahr ist. In der Datenanalyse und Statistik betrachtet man das Ergebnis eines Hypothesentests als statistisch signifikant, wenn die Ergebnisse nicht zufällig zustande gekommen sein können. Hypothesentests werden in allen Bereichen eingesetzt, von der Wissenschaft und Forschung bis hin zur Wirtschaft
Fallstricke:
Um rigoros zu sein, müssen Hypothesentests auf häufige Fehler achten. Zum Beispiel tritt der Placebo-Effekt auf, wenn Teilnehmer fälschlicherweise ein bestimmtes Ergebnis erwarten und dann dieses Ergebnis wahrnehmen (oder tatsächlich erreichen). Ein weiterer häufiger Fehler ist der Hawthorne-Effekt (oder Beobachtereffekt), der auftritt, wenn Teilnehmer die Ergebnisse verzerren, weil sie wissen, dass sie untersucht werden.
Insgesamt bieten diese Methoden der Datenanalyse eine Menge Einblicke in Ihr Entscheidungsportfolio, insbesondere wenn Sie noch nie einen Prozess oder Datensatz mit Statistik analysiert haben. Genauso wichtig ist es jedoch, die üblichen Fallstricke zu vermeiden, die mit jeder Methode verbunden sind. Sobald Sie diese grundlegenden Techniken für die statistische Datenanalyse beherrschen, sind Sie bereit, zu leistungsfähigeren Datenanalysetools überzugehen.
Um mehr darüber zu erfahren, wie Sie Ihre statistische Datenanalyse durch leistungsstarke Datenvisualisierung verbessern können, klicken Sie auf die Schaltfläche unten, um unseren kostenlosen Leitfaden „5 Tipps für die Sicherheitsdatenanalyse“ herunterzuladen, und beginnen Sie damit, Ihre abstrakten Zahlen in messbaren Erfolg zu verwandeln.