Datenkompetenz für Datenphobiker: 7 Dinge, die Einsteiger wissen müssen

By Lydia Hooper, Feb 03, 2022

data literacy blog header
Daten sind heutzutage ein Teil unseres Lebens, unabhängig davon, in welcher Branche wir arbeiten, wie viel Technologie wir nutzen und wie wir Informationen über das Geschehen in unserer Welt erhalten.

Aber verstehen wir diese Daten vollständig? Wissen wir außerdem, wie wir sie am besten nutzen und mit anderen teilen können?

Ein Glück, dass es Datenvisualisierungen gibt. Datenvisualisierungen helfen dabei, Zahlen in aussagekräftige Erkenntnisse zu übersetzen, die Sie für Ihre Entscheidungen nutzen können, selbst wenn Sie immer noch ein wenig datenphobisch sind. Und wenn Sie das sind, sind Sie nicht allein. Obwohl ein gutes Verständnis von Daten eine wichtige Fähigkeit am Arbeitsplatz ist, hinken die meisten Unternehmen laut Gartner hinterher.

Um in der Lage zu sein, Datenvisualisierungen zu erstellen und manchmal auch vollständig zu verstehen, müssen wir alle Ängste, die wir haben, überwinden und uns mit Daten besser auskennen. Ich bin beileibe kein Statistiker, aber ich habe festgestellt, dass mein Wissen und meine Fähigkeiten in Bezug auf Daten als Informationsdesigner und Autor bei Venngage Infographics von unschätzbarem Wert sind. Ich freue mich darauf, einige Grundlagen mit Ihnen zu teilen, damit Sie Ihrem Team helfen können, ihre datengesteuerte Entscheidungsfindung und damit ihre Leistung zu steigern.

Inhaltsverzeichnis:

Was ist Datenkompetenz? Eine Definition

data literacy definition: reading data, working with data, communicating with data.

 

Datenkompetenz ist die Fähigkeit, Daten zu lesen, mit Daten zu arbeiten und über Daten zu kommunizieren, indem man sie in den richtigen Kontext setzt.

Es geht um mehr als nur um das Verstehen und Arbeiten mit Zahlen, oder um Rechenfertigkeit. Datenkompetenz umfasst das Verstehen:

  • Wie Sie Datenquellen und Erfassungsmethoden bewerten
  • Welche verschiedenen Anwendungen für einen gegebenen Datensatz sein können
  • Der Wert der Arbeit mit verständlichen Daten

Verwandt: Was ist Datenvisualisierung? (Definition, Beispiele, Best Practices) 

Warum ist Datenkompetenz wichtig?

Datenkompetenz ist wichtig, denn wenn wir Entscheidungen auf der Grundlage von Daten treffen, können wir unsere Ergebnisse auch im geschäftlichen Kontext Verbessern.

“Data Literacy” ist wichtig geworden, für fast jeden. Unternehmen brauchen mehr Menschen mit der Fähigkeit, Daten zu interpretieren, Erkenntnisse zu gewinnen und die richtigen Fragen zu stellen. Dies sind Fähigkeiten, die jeder entwickeln kann, und es gibt jetzt viele Möglichkeiten für Einzelpersonen, sich weiterzubilden, und für Unternehmen, sie zu unterstützen, Fähigkeiten zu steigern und Veränderungen voranzutreiben. Die Daten selbst sind in der Tat eindeutig: Datengesteuerte Entscheidungsfindung verbessert die Unternehmensleistung deutlich.”

– Josh Bersin und Marc Zao-Sanders in der Harvard Business Review 

Obwohl Datenkompetenz am Arbeitsplatz immer wichtiger wird, fehlt es den meisten Unternehmen an diesen Fähigkeiten. Mitarbeiter, die über Datenkompetenz verfügen, geben mit höherer Wahrscheinlichkeit an, dass sie sehr gut arbeiten. Wenn Sie sich fragen, wie es um Ihre eigenen Fähigkeiten bestellt ist, sehen Sie sich diese Bewertung an.

“Bis vor kurzem konnten die Leute Daten bei ihrer täglichen Arbeit leicht ignorieren. Die ‘Gearheads’ und ‘Quants’ des Unternehmens waren in spezialisierten Abteilungen isoliert, die Technik kümmerte sich um die alltäglichen Dinge, und die Manager konnten die Vorteile einer verbesserten Datenqualität mit der Einstellung abtun: ‘Uns geht es doch gut. Wozu sich die Mühe machen? Aber das ändert sich jetzt. Das Hauptergebnis meines jüngsten “Scans” des Datenbereichs ist, dass Angst die Apathie als Feind Nummer eins der Daten abgelöst hat … Sie können eine glaubwürdige Führungspersönlichkeit werden und die Angst vor Daten in Ihrem Team sowie Ihre eigene Angst zerstreuen, indem Sie Ihre Fähigkeiten verbessern und die gesamte Abteilung dazu inspirieren, sich Daten zu eigen zu machen.”

– Thomas C. Redman in der Harvard Business Review 

Viele Menschen wollen auch Daten visualisieren und darüber kommunizieren (auch in Infografiken), und Datenkompetenz ist entscheidend, um dies gut zu tun. Dieser Bericht zur Finanzprognose enthält beispielsweise Rohdaten, Tabellen und Diagramme. Wenn Sie gut verstehen, was die Daten aussagen, sind Sie besser vorbereitet, um die wichtigsten Erkenntnisse für Ihr Publikum hervorzuheben.

Modern Financial Projection Report Template for Data Literacy

 

Vielleicht haben Sie begonnen, Daten zu visualisieren, die Sie durch Umfragen gesammelt haben, und möchten nun wissen, welche anderen Daten zur Unterstützung der Umfrageergebnisse verfügbar sind. Oder vielleicht haben Sie bisher nur Daten in Bezug auf aktuelle Kunden betrachtet und möchten nun Daten betrachten, die Ihnen helfen könnten, neue Kunden anzusprechen.

In diesen beiden und vielen weiteren Fällen müssen Sie Daten sammeln und analysieren, aber Sie werden sie wahrscheinlich auch mit anderen teilen wollen. Das Chart Maker-Tool von Venngage ist einfacher zu bedienen als die meisten Datenanalyse- und BI-Plattformen, sodass Sie leicht mit der Visualisierung von tabellarischen Daten (Daten, die Sie in Tabellen finden) beginnen können.

data literacy

 

Ist es schwer, Datenkompetenz aufzubauen?

Wenn sie so wichtig ist, warum fehlt sie dann am Arbeitsplatz?

Ein Hauptgrund ist, dass die Führungskräfte selbst nicht über diese Fähigkeiten verfügen. Auch die Tatsache, dass datenkundige Mitarbeiter typischerweise in IT- oder BI-Teams isoliert sind, hilft den Kollegen nicht, dieses Know-how zu teilen und zu verbreiten.

Sicher, manche Leute haben sich noch nicht von dem schrecklichen Matheunterricht in der High School erholt. Sie denken vielleicht, dass sie einfach schlecht in Mathe sind.

Andere sind vielleicht in Ordnung oder sogar gut in Mathe, wollen aber nicht, dass Fehler, die sie machen, zu potenziell enorm schädlichen Konsequenzen führen, einschließlich eines Reputationsverlusts.

All diese Herausforderungen sind verständlich, und sie können überwunden werden. Viele datenerfahrene Leute tun sich schwer damit, es für Anfänger einfach zu halten, daher ist es mein Ziel, Ihnen zu helfen, langsam einige Grundlagen zu erfassen, um einige Fähigkeiten und mehr Vertrauen zu gewinnen.

7 Dinge, die Anfänger über Datenkompetenz wissen müssen

Data Literacy 7 things to know

 

1. Ungewissheit ist unvermeidlich

Was? Sie denken vielleicht: “Ich dachte, bei Daten geht es um harte Fakten und Zahlen.” Jeder Statistiker wird Ihnen sagen, dass jeder Datensatz unvollständig ist, dass es in der Statistik eigentlich oft darum geht, Unsicherheitsgrade zu erklären. Zum Beispiel könnten wir zu 95 % sicher sein, dass unser heutiges Mittagessen mit 87 % bis 91 % Wahrscheinlichkeit super lecker ist.

Dies ist wichtig zu bedenken, besonders wenn wir Daten kommunizieren. Wenn wir dazu visuelle Darstellungen, wie z. B. Infografiken, verwenden, werden diese wahrscheinlich die Unordnung der Realität verschleiern und unsere Aussagen sachlicher erscheinen lassen. Wir können verantwortungsvolle Kommunikatoren sein, indem wir die Daten gut verstehen und, wenn möglich, erklären, was wir noch nicht wissen.

Verwandt: Wie Sie Datenvisualisierung in Ihren Infografiken verwenden 

2. Es gibt verschiedene Arten von Daten

Aufgrund all der Unwägbarkeiten, die es abzuwägen gilt, kann die Datenerfassung ein mühsamer, detaillierter Prozess sein. Wenn Sie sie nicht selbst sammeln, dann ist das Wichtigste zu wissen, dass es verschiedene Arten von Daten gibt, die gesammelt werden können, und jede ist für verschiedene Situationen geeignet.

Wenn Sie an Daten denken, denken Sie wahrscheinlich an quantitative Daten, die auf präzisen Messungen beruhen und oft mit statistischen Methoden analysiert werden.

Quantitative Daten, auch bekannt als numerische Daten, können in verschiedenen Formen auftreten.

Diskrete Daten können gezählt und in kleinere Gruppen unterteilt werden, wie z. B. die Anzahl der Menschen in einer Menschenmenge. Alternativ dazu existieren kontinuierliche Daten auf einem Kontinuum, zum Beispiel die Länge. Es gibt zwei Arten von kontinuierlichen Daten: Intervalldaten haben keinen echten “Nullpunkt”, wie z. B. die Temperatur, während Verhältnisdaten einen haben, wie z. B. das Gewicht. Kontinuierliche Daten werden oft in Liniendiagrammen visualisiert, z. B. in Berichten über das Gewinnwachstum.

Data Literacy Line Chart Template

 

Qualitative Daten hingegen sind deskriptiv und basieren auf Beobachtungen, die nicht gemessen werden können, wie z. B. Geschlecht oder gesprochene Sprache. Die Analyse dieser Art von Daten beinhaltet oft eine Kategorisierung in Themen oder Muster auf der Grundlage von Merkmalen. Qualitative Daten können auch als kategorische Daten bezeichnet werden.

Es gibt auch zwei Arten von kategorischen Daten. Nominale Daten können zur Messung von Häufigkeiten und Prozentsätzen verwendet und in einem Torten- oder Balkendiagramm angezeigt werden. Wenn die Daten in eine Art logische Reihenfolge gebracht werden (z. B. Frühstück, Mittagessen und Abendessen), werden die Daten als ordinale Daten betrachtet.

Manchmal werden sowohl qualitative als auch quantitative Daten gesammelt und analysiert – dies wird als gemischte Methoden bezeichnet. Sie können gemischt und auf unterschiedliche Weise interpretiert werden, daher kann es sich lohnen, dies zu prüfen, wenn Sie diese Art von Datensatz verwenden.

All das bedeutet: Wenn Sie die Art der Daten verstehen, mit denen Sie arbeiten, können Sie bestimmen, wie Sie sie am besten kommunizieren, sei es bei der Wahl der Reihenfolge, in der die Daten präsentiert werden sollen, oder bei der Art der Diagramme, mit denen sie visualisiert werden.

3. Datenquellen sind wichtig

Die meisten, wenn nicht sogar alle der wichtigsten Datenerfassungsmethoden haben Sie wahrscheinlich schon einmal gehört:

  • Umfragen oder Fragebögen
  • Interviews
  • Beobachtungen
  • Experimente

Wenn Daten von einem Forscher aus erster Hand gesammelt werden, werden sie als Primärdaten bezeichnet. Sekundärdaten sind Daten, die bereits gesammelt wurden und anderen zur Analyse und Weitergabe zur Verfügung gestellt wurden.

Die Chancen stehen gut, dass Sie Sekundärdaten verwenden werden. Hier sind einige kurze Fragen, die Sie sich stellen können, um sicherzustellen, dass die Daten von hoher Qualität sind:

  1. Stammen die Daten aus einer seriösen Quelle? Gibt diese Quelle Informationen darüber weiter, wie die Daten gesammelt wurden (dies kann in Dokumenten enthalten sein, die als Metadaten bezeichnet werden)? Mit anderen Worten, sind sie transparent?
  2. Sind sie offen, eingeschränkt oder nicht verfügbar? Offene oder öffentliche Daten können von staatlichen Stellen oder zwischenstaatlichen Organisationen zur Verfügung gestellt werden, aber einige Daten können eingeschränkt sein. Die Privatsphäre ist eine große Sache, und es gibt viele Gesetze, die die Weitergabe von Daten verhindern, die die Rechte oder die Würde von Menschen verletzen könnten.
  3. Ist der Datensatz der richtige für die anstehende Aufgabe? Um dies zu beurteilen, ist logisches, vorsichtiges Denken erforderlich. Wenn ich zum Beispiel etwas über Highschool-Schüler in Amerika sagen möchte, sollte ich sicherstellen, dass ich Daten finden kann, die die vielen jungen Menschen in allen Bundesstaaten repräsentieren. Wenn ich das nicht kann, sollte ich angeben, dass ich mich auf Highschool-Schüler in New York oder speziell in Buffalo beziehe.
  4. Sind sie aggregiert und/oder normalisiert? Aggregierte Daten wurden zusammengefasst, sodass Sie keine Merkmale auf individueller Ebene erkennen können. Ein gängiges Beispiel sind Daten aus Google Analytics: Sie wissen, wie viele Personen eine bestimmte Webseite besucht haben, und Sie wissen vielleicht sogar, in welchen Städten sie leben, aber Sie kennen nicht ihre Namen. Normalisierte Daten helfen uns, Zahlen zu vergleichen, indem sie eine gemeinsame Skala verwenden. Ein gängiges Beispiel sind die Pro-Kopf-Raten: Es ist weniger aussagekräftig, die Anzahl der Autounfälle in den Städten Ihres Bundesstaates zu kennen, als zu wissen, ob einige Städte eine überraschend hohe Anzahl von Unfällen haben, wenn man die Größe der Bevölkerung bedenkt.

Sobald Sie die Daten in der Hand haben, sind Sie bereit, sie zu verwenden.

data literacy working with data

 

4. Es ist wichtig, die Daten organisiert zu halten

Jetzt denken Sie vielleicht, wow, das ist eine Menge, um den Überblick zu behalten. Die Verwaltung von Daten ist nichts für schwache Nerven. Es erfordert eine Menge Liebe zum Detail und Durchhaltevermögen.

Wenn Sie mit einem relativ kleinen Datensatz arbeiten, wie z. B. Umfrageantworten, dann können Sie wahrscheinlich nur eine oder eine Reihe von Tabellenkalkulationen verwenden.

data literacy

 

Wenn Sie öffentliche Datensätze, wie z. B. Volkszählungsdaten, herunterladen, haben Sie möglicherweise mehr auf dem Tisch, als Sie benötigen. Einige Datensätze müssen möglicherweise sogar bereinigt werden, was bedeutet, dass falsche oder doppelte Daten gelöscht werden müssen. Manchmal müssen die Daten sogar neu formatiert werden – wenn z. B. Zahlen von einer Analysesoftware als Text gelesen werden, sind Berechnungen unmöglich (Text und Zahlen sind unterschiedliche Feldtypen).

Datenmanagement kann ein Teamjob sein. Wenn Sie nicht sicher sind, wie Sie Ihre Daten in den Griff bekommen, suchen Sie sich jemanden, der Ihnen helfen kann.

5. Daten können oft viele verschiedene Geschichten erzählen

Wenn Sie Daten analysieren, suchen Sie im Allgemeinen nach Mustern. Diese Muster können eine Geschichte darüber erzählen, was passiert ist, oder was am häufigsten vorkommt, oder etwas anderes.

Verwandt: Wie man eine Geschichte mit Daten erzählt (Ein Leitfaden für Anfänger) 

Bei den meisten Mustern geht es um die Beziehungen zwischen zwei oder mehr Variablen, d. h. den “Dingen”, die gezählt, gemessen oder beschrieben werden. Hier sind ein paar Beispiele:

  • Leute, die in Bowling-Ligen sind, im Vergleich zu Leuten, die in Tennis-Teams sind
  • Lebensmittelläden in einkommensschwachen Stadtteilen und Lebensmittelläden in einkommensstarken Stadtteilen (Hinweis: Ortsbezogene oder geografische Daten beinhalten neben anderen Variablen auch Kartenkoordinaten)
  • Wie Menschen über Katzen denken, im Vergleich zu dem, was sie über Hunde denken

Data literacy dogs vs cats comparison infographic

 

Für jedes dieser Beispiele könnten Sie in den Daten eine Vielzahl von Mustern entdecken. Betrachten wir das zuletzt aufgeführte Beispiel. Wenn Sie sich die verschiedenen Gefühle der Menschen ansehen, könnten Sie entdecken, dass Menschen, die älter sind, Katzen mehr mögen, oder Menschen mit Kindern Hunde mehr mögen.

Der Punkt ist, dass Daten allein nichts aussagen. Nur durch die Analyse können Sie beginnen, Erkenntnisse aufzudecken. Und da es Unmengen zu entdecken gibt, lohnt es sich, weiter zu graben und sich nicht mit dem ersten “Aha-Erlebnis” zufrieden zu geben. Achten Sie auf Ausreißer und Anomalien – das sind signifikant abweichende Datenpunkte, die auf Fehler in den Daten und/oder Orte für weitere Untersuchungen und Analysen hinweisen können.  Seien Sie sich Ihrer kognitiven Voreingenommenheit und möglicher Fallstricke bewusst, während Sie Ihre Analyse durchführen.

6. Wenn Sie Ihre Geschichte kennen, teilen Sie sie verantwortungsbewusst

Erstens: Was hoffen Sie, mit anderen teilen zu können?

  • Beschreibungen der Daten, wie Häufigkeiten oder Prozentsätze
  • Verteilungen der Daten, wie z. B. Bereiche oder Durchschnittswerte
  • Vergleiche in den Daten, wie z. B. Veränderungen im Zeitverlauf oder Korrelationen zwischen Variablen

Ein weiteres großes Tabu ist es, Korrelation und Kausalität in irgendeiner Weise gleichzusetzen. Es mag eine Korrelation zwischen Eiscreme- und Sonnencreme-Verkäufen bestehen, aber das bedeutet nicht, dass der Verkauf von mehr Eiscreme zu mehr Sonnencreme führt, es kann bedeuten, dass beide Verkäufe ein Ergebnis einer dritten Variable sind, nämlich der Jahreszeit.

Sobald Sie wissen, was Sie mitteilen möchten, können Sie ein Bild auswählen, das anderen am besten hilft, die wichtigsten Erkenntnisse zu verstehen.

7. Sie müssen nicht alles wissen

Aber Sie müssen weiter lernen! Es gibt viel zu lernen. Wenn Sie also Hilfe dabei brauchen, Prioritäten zu setzen, was Sie als Erstes erledigen sollen, ist es super wichtig zu verstehen, wie Daten missbraucht werden können, um in die Irre zu führen. Stellen Sie zumindest sicher, dass Sie das nicht tun.

data literacy 5 ways writers use graphs to mislead

 

Herzlichen Glückwunsch! Sie sind nun auf dem besten Weg, Ihre Datenphobien zu überwinden und mehr Datenkompetenz zu erlangen. Ich hoffe, Sie werden das, was Sie hier gelernt haben, sofort anwenden.

So wie Sie früher am besten lesen lernten, indem Sie Bücher in die Hand nahmen, ist der beste Weg, Ihre Datenkompetenz aufzubauen, die Arbeit mit Daten und deren Austausch mit anderen zu üben. Wenn Sie das tun, werden Sie schnell den immensen Wert dieser Arbeit erkennen.

Einfache Datenvisualisierungsvorlagen zum Aufbau Ihrer Datenkompetenz

Sie können beginnen, indem Sie einige einfache Vorlagen verwenden, um einige Datenvisualisierungen mit Venngage zu erstellen. Hier sind ein paar Vorlagen, die Ihnen den Einstieg erleichtern.

data literacy

 
data literacy

data literacy

 

Möchten Sie mehr sehen? Sehen Sie sich unsere Vorlagenbibliothek an und erstellen Sie Ihre eigene Infografik kostenlos mit unseren einfach zu bearbeitenden Vorlagen und dem Drag-and-Drop-Editor.