Data Collection erklärt - von der Erfassung zur Datenbasis

Ein Dashboard ist nur so zuverlässig wie die Daten, die dahinterstehen. Der englische Fachbegriff data collection beschreibt deshalb mehr als das bloße Sammeln von Informationen: Es geht um die Auswahl geeigneter Quellen, saubere Erfassungsprozesse, nachvollziehbare Speicherung und eine Auswertung, auf deren Grundlage sich Entscheidungen treffen lassen.

Von der Frage zur brauchbaren Datenbasis

Die wichtigste Entscheidung fällt meist vor dem ersten Datensatz. Ich beginne deshalb nicht mit der Frage, welches Tool verwendet werden soll, sondern mit dem Problem, das beantwortet werden muss. Soll die Ursache von Produktionsfehlern gefunden, das Nutzerverhalten verstanden oder die Auslastung einer Maschine vorhergesagt werden? Erst daraus ergibt sich, welche Daten tatsächlich benötigt werden.

Eine gute Erhebung trennt außerdem zwischen dem gewünschten Merkmal und seinem messbaren Stellvertreter. „Kundenzufriedenheit“ ist beispielsweise kein direkt auslesbarer Wert. Sie kann über eine Bewertung, eine Wiederkaufsrate, die Zahl von Beschwerden oder qualitative Interviews angenähert werden. Jede Variante misst etwas anderes und führt damit zu einer anderen Interpretation.

Primäre und sekundäre Daten

Primärdaten werden eigens für die aktuelle Fragestellung erhoben, etwa durch Interviews, Experimente oder Sensoren. Sie lassen sich gezielt planen, kosten aber Zeit und Ressourcen. Sekundärdaten stammen bereits aus vorhandenen Quellen, zum Beispiel aus einem CRM-System, einer öffentlichen Statistik oder einem Forschungsarchiv.

Sekundärdaten sind oft schneller verfügbar, passen aber nicht automatisch zur eigenen Frage. Ein vorhandener Datensatz kann eine andere Definition, einen anderen Zeitraum oder eine unbekannte Auswahlmethode verwenden. Ich prüfe deshalb immer zuerst Herkunft, Erhebungszeitraum, Granularität und Dokumentation, bevor ich solche Informationen in eine Analyse übernehme.

Quantitative und qualitative Erfassung

Quantitative Daten werden in Zahlen ausgedrückt und eignen sich für Vergleiche, Prognosen und statistische Modelle. Qualitative Daten erfassen dagegen Bedeutungen, Motive und Erfahrungen, etwa in Gesprächsprotokollen oder offenen Antworten. In vielen Projekten ist die Kombination beider Formen stärker als die Entscheidung für nur eine Methode.

Ein Onlineformular kann zeigen, dass die Abbruchrate in einem Bestellprozess steigt. Ein kurzes Interview erklärt möglicherweise, dass Nutzer an einer unklaren Versandangabe scheitern. Die Zahl zeigt das Muster, die qualitative Information erklärt den Grund.

Welche Methoden für welchen Zweck funktionieren

Es gibt keine allgemein beste Erfassungsmethode. Die Wahl hängt davon ab, ob die Daten subjektive Einschätzungen, physische Zustände, Geschäftsvorgänge oder digitale Interaktionen abbilden sollen. Entscheidend sind außerdem Genauigkeit, Kosten, Geschwindigkeit und die Belastung für die beteiligten Personen.

Automatisierte Quellen wirken oft besonders attraktiv, weil sie große Datenmengen liefern. Das bedeutet aber nicht automatisch, dass sie bessere Informationen erzeugen. Ein Sensor, der falsch montiert ist, produziert zuverlässig falsche Werte. Ein Weblog kann jeden Klick speichern und trotzdem nicht erklären, warum ein Nutzer eine Seite verlässt.

Aktive und passive Datenerfassung

Bei einer aktiven Erfassung gibt eine Person bewusst Informationen ein, beispielsweise in einem Fragebogen oder einem Supportformular. Passive Verfahren erfassen Ereignisse im Hintergrund, etwa Standortdaten, Maschinenwerte oder Serverprotokolle. Passive Daten sind häufig vollständiger im Ablauf, verlangen aber besondere Transparenz und eine sorgfältige Prüfung der rechtlichen Grundlage.

Für zeitkritische Anwendungen kommt zusätzlich die Unterscheidung zwischen Batch- und Echtzeitverarbeitung hinzu. Bei der Batchverarbeitung werden Daten gesammelt und später gemeinsam verarbeitet. Echtzeit- oder Streamingverfahren reagieren nahezu unmittelbar, benötigen dafür jedoch eine stabilere technische Infrastruktur und klar definierte Regeln für verspätete oder doppelt eintreffende Ereignisse.

So wird aus der Erfassung ein belastbarer Prozess

Eine professionelle Datenerhebung besteht aus mehreren aufeinander abgestimmten Schritten. Ich dokumentiere bereits vor dem Start, welches Feld wofür gebraucht wird, wer es liefert, wie es geprüft wird und wie lange es gespeichert werden soll. Diese kleine Vorarbeit verhindert später viele Diskussionen über fehlende Spalten oder widersprüchliche Definitionen.

1. Fragestellung festlegen: Formulieren Sie eine überprüfbare Frage und bestimmen Sie, welche Entscheidung durch die Antwort unterstützt werden soll.
2. Merkmale definieren: Legen Sie Begriffe, Einheiten, Wertebereiche und Zeitbezüge fest. „Umsatz“ muss beispielsweise klar von „Auftragseingang“ unterschieden werden.
3. Quelle auswählen: Prüfen Sie, ob Primärdaten notwendig sind oder vorhandene Daten ausreichen.
4. Erfassungsinstrument testen: Testen Sie Formulare, Sensoren, Schnittstellen oder Interviewleitfäden mit realistischen Beispielen.
5. Daten übernehmen und validieren: Prüfen Sie Pflichtfelder, Datentypen, Ausreißer, Duplikate und zeitliche Plausibilität.
6. Speichern und dokumentieren: Halten Sie Herkunft, Änderungen, Verantwortlichkeiten und Versionen nachvollziehbar fest.
7. Auswerten und nachjustieren: Wenn die Daten die Frage nicht beantworten, sollte der Prozess angepasst werden, nicht nur das Diagramm.

Besonders häufig wird der Testschritt unterschätzt. Ein Formular kann technisch funktionieren und trotzdem missverständliche Fragen enthalten. Bei Schnittstellen entstehen typische Fehler durch unterschiedliche Datumsformate, Zeitzonen oder Einheiten. Ein kurzer Pilot mit echten Fällen zeigt solche Schwächen meist früher und günstiger als eine spätere Bereinigung im großen Bestand.

Metadaten sind kein Nebenthema

Metadaten beschreiben, woher ein Wert kommt, wann er erhoben wurde, welche Einheit gilt und welche Verarbeitung bereits stattgefunden hat. Ohne diese Angaben sieht eine Zahl zwar präzise aus, bleibt aber schwer einzuordnen. Ein Temperaturwert von 20 kann Celsius oder Fahrenheit bedeuten, aus einem Sensor oder aus einer manuellen Schätzung stammen und zu einem völlig anderen Zeitpunkt gemessen worden sein.

Ich empfehle deshalb ein kleines Datenwörterbuch. Es muss kein umfangreiches Handbuch sein. Schon eine Tabelle mit Feldname, Definition, Datentyp, erlaubten Werten, Quelle und Verantwortlichem verbessert die Zusammenarbeit zwischen Fachabteilung, Analyse und IT deutlich.

Datenqualität entscheidet über den Analysewert

Eine Datenbank kann Millionen Zeilen speichern und trotzdem für eine Entscheidung unbrauchbar sein. Qualität besteht nicht nur aus Genauigkeit, sondern auch aus Vollständigkeit, Konsistenz, Aktualität, Eindeutigkeit und passender Granularität. Welche Eigenschaft am wichtigsten ist, hängt vom Anwendungsfall ab.

• Vollständigkeit: Sind wichtige Werte vorhanden oder fehlen sie systematisch?
• Genauigkeit: Entsprechen die Werte der Realität?
• Konsistenz: Werden gleiche Begriffe und Formate überall gleich verwendet?
• Aktualität: Sind die Daten für den Zeitpunkt der Entscheidung noch relevant?
• Eindeutigkeit: Wurde derselbe Kunde oder Vorgang mehrfach angelegt?
• Nachvollziehbarkeit: Kann ein späterer Nutzer Herkunft und Veränderungen erkennen?

Für die technische Prüfung eignen sich einfache Regeln. Ein Geburtsdatum darf nicht in der Zukunft liegen, eine Bestellmenge darf nicht negativ sein und eine Geräte-ID sollte im vorgesehenen Format vorliegen. Solche Regeln ersetzen keine fachliche Kontrolle, fangen aber viele Fehler automatisch ab.

Von der Quelle in die Datenbank

In Datenbanksystemen wird die Übernahme häufig als ETL-Prozess bezeichnet. Die Abkürzung steht für Extract, Transform und Load, also das Extrahieren, Umformen und Laden von Daten. Moderne Plattformen verwenden auch ELT, bei dem die Rohdaten zunächst gespeichert und erst innerhalb der Zielumgebung transformiert werden.

Für sensible oder schwer erklärbare Analysen ist ein Rohdatenbereich hilfreich. Dort bleiben die ursprünglichen Werte unverändert erhalten, während bereinigte Tabellen für Berichte und Modelle separat aufgebaut werden. So lässt sich später nachvollziehen, ob ein Ergebnis aus der Quelle stammt oder durch eine Transformation entstanden ist.

Ein weiterer wichtiger Grundsatz ist die eindeutige Identifikation. Kunden, Geräte oder Vorgänge brauchen stabile Schlüssel, damit Datensätze zusammengeführt werden können, ohne Personen oder Ereignisse versehentlich doppelt zu zählen. Eine zentrale Referenzquelle, häufig als „Single Source of Truth“ bezeichnet, reduziert widersprüchliche Versionen desselben Sachverhalts.

Datenschutz gehört in die Planung

Sobald personenbezogene Informationen verarbeitet werden, reicht die technische Machbarkeit nicht aus. In Deutschland verlangt die Datenschutz-Grundverordnung unter anderem einen klaren Zweck, Transparenz und eine Verarbeitung, die auf das notwendige Maß begrenzt ist. Der BfDI fasst diesen Grundsatz als Datenminimierung zusammen.

Praktisch bedeutet das nicht, dass jede Erhebung möglichst wenige Felder enthalten muss. Es bedeutet, dass jedes Feld einen nachvollziehbaren Zweck haben sollte. Wenn für eine Auswertung nur eine Altersgruppe benötigt wird, ist das genaue Geburtsdatum möglicherweise überflüssig. Wenn eine Statistik keine direkte Identifikation braucht, können pseudonymisierte oder aggregierte Werte die bessere Wahl sein.

Lesen Sie auch: Zeitreihenanalyse - Daten, Methoden & Prognosen meistern

Was vor dem Start geklärt werden sollte

• Welche Daten werden erhoben und sind darunter personenbezogene oder besonders schützenswerte Informationen?
• Wofür werden die Daten verwendet und wie wird dieser Zweck kommuniziert?
• Auf welcher Rechtsgrundlage erfolgt die Verarbeitung?
• Wer darf die Daten sehen oder verändern?
• Wie lange werden Rohdaten und Auswertungen aufbewahrt?
• Wie werden Löschung, Berichtigung und Auskunft technisch umgesetzt?
• Welche Risiken entstehen durch externe Dienstleister, Übertragungen oder Zusammenführungen?

Datenschutz sollte dabei nicht erst am Ende als Freigabeprozess auftauchen. Werden Rollen, Zugriffsrechte und Löschfristen bereits beim Datenmodell berücksichtigt, sinkt der spätere Anpassungsaufwand deutlich. Datenschutzfreundliche Voreinstellungen sind in vielen Fällen auch aus Sicherheitssicht sinnvoll, weil weniger frei zugängliche Information weniger Angriffsfläche bietet.

Was in der Praxis häufig schiefgeht

Der häufigste Fehler ist eine große Sammlung ohne klare Verwendung. Viele Teams speichern alles, was technisch verfügbar ist, und hoffen, später einen Nutzen zu finden. Das erzeugt Kosten, erhöht Datenschutzrisiken und erschwert die Analyse, weil niemand mehr sicher sagen kann, welche Werte verlässlich oder relevant sind.

Ein zweites Problem ist die fehlende Standardisierung. Wenn eine Abteilung „Deutschland“ als DE, eine andere als Deutschland und eine dritte als D erfasst, entstehen bei Zusammenführungen scheinbare Unterschiede. Gleiches gilt für Währungen, Dezimaltrennzeichen, Zeitzonen und Schreibweisen von Namen.

Auch fehlende Vergleichsgruppen führen zu falschen Schlüssen. Eine steigende Zahl von Supportanfragen bedeutet nicht automatisch, dass ein Produkt schlechter geworden ist. Vielleicht ist die Nutzerzahl stärker gewachsen oder ein neuer Kontaktkanal hinzugekommen. Daten zeigen zunächst Beobachtungen, keine fertigen Erklärungen.

Schließlich wird die menschliche Seite oft vergessen. Mitarbeitende müssen wissen, warum Felder ausgefüllt werden, was zulässig ist und wie Fehler gemeldet werden. Ein gut konfiguriertes System hilft wenig, wenn Nutzer Umgehungslösungen entwickeln, weil Eingaben zu kompliziert oder Begriffe unklar sind.

Eine kleine Datenbasis kann der beste Anfang sein

Für viele Vorhaben genügt zunächst ein begrenzter Pilot mit wenigen Quellen, klaren Definitionen und dokumentierten Qualitätsregeln. Damit lässt sich prüfen, ob die gewählte Methode überhaupt die gewünschte Information liefert. Erst wenn dieser Kern funktioniert, lohnt es sich, weitere Systeme, automatisierte Schnittstellen oder umfangreichere Modelle anzuschließen.

Mein praktischer Maßstab ist einfach: Eine gute Datenerfassung beantwortet eine konkrete Frage, lässt ihre Herkunft erkennen und macht ihre Grenzen sichtbar. Wer diese drei Punkte sicher beherrscht, schafft die Grundlage für belastbare Datenanalyse und Datenbanken, unabhängig davon, ob die Werte aus einem Fragebogen, einem Sensor oder einem Geschäftssystem stammen.