Datenquellen, Datenqualität und Datenethik

Beginne mit der Frage, die du beantworten musst. Frage dann, wer die Daten jeder möglichen Quelle erhoben hat und wie gut sie die benötigten Menschen, Orte und den benötigten Zeitraum beschreiben.

Verfolge die Daten bis zur erhebenden Stelle

Deine Verkaufsdaten, Website-Protokolle und Kundendienstanfragen sind First-Party-Daten. Buchungsdaten einer Fluggesellschaft, die direkt mit einem Partnerhotel geteilt werden, sind für das Hotel Second-Party-Daten. Die Daten einer von einem Datenhändler zusammengestellten Zielgruppendatei sind für den Käufer Third-Party-Daten. Diese Bezeichnungen beschreiben die Beziehung zur erhebenden Stelle; sie ordnen nicht die Qualität jeder Datei ein.

Halte die anderen Unterscheidungen auseinander

Interne Daten liegen innerhalb deiner Organisation vor; externe Daten stammen von außerhalb. Primärdaten werden für deine aktuelle Frage erhoben; Sekundärdaten werden aus einem anderen Zweck oder einer anderen Zeit weiterverwendet. Alte Verkaufsdaten, die zur Untersuchung einer neuen Frage zur Preisgestaltung genutzt werden, sind First-Party-Daten und Sekundärdaten. Eine neue Umfrage, die für diese Frage konzipiert wird, liefert Primärdaten.

Offene Daten sind unter einer offenen Lizenz für alle und für jeden Zweck, auch kommerziell, zugänglich und weiterverwendbar. Statistikämter, Stadtverwaltungen und Wetterdienste veröffentlichen solche Daten. Lies die Lizenz: Sie kann die Nennung der Quelle oder die Weitergabe bearbeiteter Fassungen unter derselben Lizenz verlangen. Eine öffentliche Datei, deren kommerzielle Weiterverwendung verboten ist, enthält in diesem strengen Sinn keine offenen Daten.

Gehe die Auswahl einer Quelle durch

Ein Fahrradverleih fragt, warum die Fahrten am Wochenende in diesem Frühjahr um 15 % zurückgegangen sind.

1. Seine Fahrtdaten zeigen, an welchen Stationen und zu welchen Zeiten Fahrten zurückgingen. Sie sind First-Party-Belege über seinen eigenen Dienst.
2. Nutzungszahlen, die der städtische Verkehrsbetrieb direkt weitergibt, ergänzen Second-Party-Belege über die Nutzung von Bus und Bahn in der Nähe während derselben Wochen.
3. Offene tägliche Niederschlags- und Temperaturdaten helfen, das Wetter als möglichen Einflussfaktor zu untersuchen.
4. Die Datei eines Datenhändlers über Stadtviertel ergänzt den demografischen Kontext, nachdem ihre Datumsangaben, Methoden und Berechtigungen geprüft wurden.

Diese Quellen unterstützen unterschiedliche Teile der Untersuchung. Ein Rückgang der Fahrradfahrten bei gleichzeitigem Anstieg der Bahnfahrten belegt nicht, dass dieselben Menschen das Verkehrsmittel gewechselt haben.

Prüfe den Kanal und den Detaillierungsgrad

Umfragen erreichen die Antwortenden; Interviews erfassen, was Menschen sagen; Beobachtungen halten fest, was jemand bemerkt. Sensoren erfassen die Orte, an denen sie installiert sind. Website-Protokolle erfassen Aktionen auf der jeweiligen Website. Eine API ermöglicht es einem Programm, Daten von einem anderen System anzufordern; Webscraping kopiert Inhalte von Webseiten. Keiner der beiden Kanäle garantiert Vollständigkeit oder die Erlaubnis zur Weiterverwendung des Ergebnisses.

Prüfe die Granularität, also den Detaillierungsgrad jedes Datensatzes. Monatliche Gesamtsummen für eine Stadt können keine Frage zu einzelnen Stunden an einer Station beantworten. Vergleiche Quellen hinsichtlich Abdeckung, Dokumentation, erlaubter Nutzungen, Beschaffungsaufwand und Kosten. Eine riesige Datei über die Bevölkerung kann weniger nützlich sein als eine kleine, gut dokumentierte Datei über deine eigenen Kunden.

Die Datenstruktur beschreibt, wie Informationen angeordnet sind. Sie zeigt, was direkt in eine Berechnung eingehen kann und was zuerst interpretiert werden muss.

Erkenne drei Formen

In einer relationalen Tabelle hat jede Spalte eine Aufgabe. Dadurch lassen sich die Daten einfach sortieren, filtern, zählen und gruppieren. Semistrukturierte Datensätze können optionale Felder oder Listen enthalten: Ein Kunde hat möglicherweise zwei Telefonnummern und ein anderer keine. Unstrukturierte Inhalte müssen gelesen, angehört, angesehen oder mit einer dafür geeigneten Methode analysiert werden.

Trenne den Behälter von seinem Inhalt

Betrachte diesen JSON-Datensatz:

{"review_id": 1047, "rating": 4, "text": "Fast delivery, but the box was damaged."}

Die Schlüssel kennzeichnen die Werte, daher ist der Datensatz semistrukturiert. Identifikator und Bewertung können zu Spalten einer Tabelle werden. Der Text bleibt ein frei formulierter Kommentar. Steht er in einer Zelle einer Tabellenkalkulation, wird seine Bedeutung dadurch nicht zu einer fertigen Kategorie.

Eine Tabellenkalkulation kann Kommentare alphabetisch sortieren, aber das zeigt dir nicht, wie viele Kunden sich über die Verpackung beschwert haben. Du brauchst ein Feld, das diese Aussage erfasst, etwa mentions_packaging, sowie eine klare Regel für dessen Vergabe.

Wandle Kommentare in zählbare Felder um

Ein Team liest 200 Bewertungen und markiert jedes darin erwähnte Thema. Für jede Bewertung erfasst es ein Kennzeichen für die Lieferung und eines für den Preis. Es gibt 84 Erwähnungen der Lieferung und 46 Erwähnungen des Preises:

• Lieferung: 84 von 200 oder 42 %.
• Preis: 46 von 200 oder 23 %.

Eine Bewertung kann beide Themen erwähnen, die Gruppen überschneiden sich also. Ihre Prozentsätze müssen zusammen nicht 100 % ergeben. Möchte das Team stattdessen ein Hauptthema pro Bewertung erfassen, braucht es eine Regel für dessen Auswahl; das ist eine andere Kodierungsaufgabe.

Die Kennzeichnungen sind strukturierte Daten, die aus dem Originaltext abgeleitet wurden. Halte die ursprüngliche Bewertung für berechtigte Datenanalysten verfügbar, damit überprüft werden kann, warum eine Kennzeichnung vergeben wurde. Eine kurze Kodierungsdefinition wie „erwähnt eine Lieferverzögerung oder Ankunftszeit“ hilft dabei, dieselbe Kategorie einheitlich anzuwenden.

Nutze Metadaten, ohne sie mit dem Inhalt zu verwechseln

Metadaten beschreiben Daten. Ein Foto kann einen Aufnahmezeitpunkt, ein Kameramodell und einen GPS-Standort haben. Der Bildinhalt ist unstrukturiert; der Aufnahmezeitpunkt ist ein strukturierter Wert, der nach Tagen gruppiert werden kann. Eine Datei kann außerdem einen Autor, eine Größe und ein Erstellungsdatum haben, und eine Tabelle kann Beschreibungen ihrer Spalten enthalten.

Struktur und Qualität beantworten unterschiedliche Fragen. Ein sorgfältig gepflegtes Audioarchiv ist weiterhin unstrukturiert. Eine Tabellenkalkulation mit falschen Mengenangaben ist weiterhin strukturiert. Beurteile die Anordnung der Inhalte getrennt davon, ob sie richtig, vollständig und für die Analyse geeignet sind.

Die Bedeutung eines Wertes entscheidet, welche Operationen sinnvoll sind. Ziffern allein zeigen nicht, ob es sich um eine Menge, einen Identifikator oder eine geordnete Kategorie handelt.

Ordne die Bedeutung eines Feldes ein

Quantitative Daten zählen oder messen etwas. Qualitative oder kategorielle Daten benennen eine Eigenschaft oder Gruppe.

Die Lieferzeit ist stetig, auch wenn sie in ganzen Minuten erfasst wird; die Erfassungsgenauigkeit macht die zugrunde liegende Messung nicht zu einer Zählung. Ein Produktcode wie „300“ ist nominal, weil er ein Produkt bezeichnet. Das Addieren von Produktcodes ergäbe keine aussagekräftige Summe.

Betrachte Kategoriecodes im Kontext

Eine Zufriedenheitsskala kann „sehr unzufrieden“ als 1 und „sehr zufrieden“ als 5 kodieren. Anzahlen, Prozentsätze und die Antwort in der Mitte der geordneten Antworten helfen bei der Beschreibung. Ein Mittelwert der Codes setzt gleiche Abstände zwischen benachbarten Kategorien voraus. Ein Unterschied von 1 zu 2 muss nicht dieselbe Veränderung des Empfindens darstellen wie ein Unterschied von 4 zu 5.

Wenn ein Feld namens status den Wert 3 enthält, frage, was 3 bedeutet. Es könnte eine Anzahl, eine Filialbezeichnung oder eine Bewertung sein. Das Datenwörterbuch oder der Datenverantwortliche liefert diese Bedeutung.

Wähle einen Speicherdatentyp

Speicherdatentypen geben der Software vor, wie sie Werte bewahrt und verarbeitet. Gängige Typen sind Text oder Zeichenfolge, ganze Zahl, Dezimalzahl, Datum, Zeitstempel und der boolesche Datentyp. Ein boolescher Wert hat die beiden Werte WAHR und FALSCH. Datenbanknamen wie INTEGER, DECIMAL, VARCHAR, DATE, TIMESTAMP und BOOLEAN unterscheiden sich je nach System.

Ein Onlineshop könnte Folgendes wählen:

• order_id: Text; ein nominaler Identifikator.
• order_date: Datum; ein Kalenderwert.
• items: ganze Zahl; eine diskrete Menge.
• parcel_kg: Dezimalzahl; eine stetige Größe.
• payment_method: Text; eine nominale Kategorie.
• rating: eine geordnete Kategorie, kodiert von 1 bis 5.
• is_member: boolescher Datentyp.

Eine Bewertung kann als ganze Zahl gespeichert werden, ohne dadurch zu einer gemessenen Größe zu werden. Statistische Bedeutung und Speicherdatentyp sind miteinander verbundene Entscheidungen, aber nicht dieselbe Bezeichnung.

Verhindere unbemerkte Änderungen

Postleitzahlen und Telefonnummern gehören in Textfelder. Wird die US-Postleitzahl „02134“ als Zahl gespeichert, entsteht 2134 und ein Teil des Identifikators geht verloren. Auch ein längerer numerischer Identifikator kann in einer Tabellenkalkulation an Genauigkeit verlieren.

Als Text gespeicherte Datumsangaben werden möglicherweise nach ihrem ersten Zeichen sortiert. In dieser Reihenfolge steht „10/02/2025“ vor „9/15/2025“, weil „1“ vor „9“ steht, obwohl der September zuerst kommt. Verwende einen Datumstyp, wenn das Feld Datumsangaben darstellt.

Eine als Text gespeicherte Zahl kann von SUM übersprungen werden, wenn eine Tabellenkalkulation einen Zellbereich addiert. Die Summe kann plausibel aussehen und dennoch einen Wert auslassen. Prüfe vor dem Berechnen, Sortieren oder Vergleichen sowohl die Bedeutung des Feldes als auch den Speicherdatentyp.

Das Format einer Datei bestimmt, was sie enthalten kann und wie Software sie liest. Prüfe diese Eigenschaften, bevor du ein Exportformat wählst oder eine unbekannte Datei öffnest.

Stimme das Format auf die Informationen ab

CSV schreibt Feldwerte als Text, nicht als Formeln einer Tabellenkalkulation. TSV verwendet Tabulatoren zwischen Feldern. Manche Tabellenkalkulationsexporte verwenden Semikolons, wo das Dezimalkomma üblich ist. Prüfe das Trennzeichen und die Kodierung in einer Importvorschau.

Lies CSV-Felder in Anführungszeichen

Ein CSV-Feld, das ein Komma, ein doppeltes Anführungszeichen oder einen Zeilenumbruch enthält, wird in doppelte Anführungszeichen gesetzt. Ein Anführungszeichen innerhalb dieses Feldes wird verdoppelt:

1047,"Lee, Ana","She said ""great"""

Dieser Datensatz hat drei Felder. Das Komma im Namen gehört zum Namen. Die verdoppelten Anführungszeichen erhalten die Anführungszeichen um „great“. Es gibt CSV-Varianten, also prüfe, wie das empfangende Programm die Datei liest.

JSON verwendet Schlüssel und Werte, wie in {"city": "Lyon", "stations": 3}. XML verwendet Tags, wie in <city>Lyon</city>. Bei Listen in beiden Formaten musst du entscheiden, welches Element zu einer Zeile wird.

Erhalte Zeichen und Identifikatoren

Die Zeichenkodierung ordnet Bytes Zeichen zu. UTF-8 unterstützt Schriftsysteme weltweit. Wird UTF-8 mit der falschen Kodierung gelesen, kann aus „São Paulo“ „São Paulo“ werden. Importiere die Datei mit der richtigen Kodierung erneut; das Bearbeiten der sichtbar fehlerhaften Zeichen verdeckt die Ursache.

Die automatische Umwandlung in Tabellenkalkulationen birgt ein weiteres Risiko. Ein Code „02134“ kann seine Null verlieren, lange numerische IDs können in wissenschaftlicher Schreibweise angezeigt werden, und Excel speichert nur 15 signifikante Stellen. Ein 16-stelliger Identifikator kann daher an Genauigkeit verlieren. Importiere Identifikatoren als Text. Auch Text, der einem Datum ähnelt, kann verändert werden: Die wiederholte Umwandlung von Gensymbolen wie SEPT2 trug dazu bei, dass sie 2020 umbenannt wurden, zum Beispiel in SEPTIN2.

Prüfe Datumsangaben, Zeilen und Umwandlungen

Das Datum „03/04/2025“ kann den 4. März oder den 3. April bedeuten. Das ISO-Format Jahr-Monat-Tag, etwa „2025-03-04“, vermeidet diese Mehrdeutigkeit und wird bei einheitlicher Formatierung auch als Text chronologisch sortiert.

Das alte XLS-Format erlaubt 65.536 Zeilen pro Tabellenblatt. Im Oktober 2020 trug ein Import in dieses Format dazu bei, dass 15.841 positive COVID-19-Testergebnisse in den täglichen Zahlen Englands für den Zeitraum vom 25. September bis zum 2. Oktober fehlten. Vergleiche die Zeilenanzahl des Imports mit der Quelle, damit ein unbemerktes Abschneiden erkannt wird.

Das Umbenennen von sales.xlsx in sales.csv lässt das zugrunde liegende Format unverändert. Wandle es durch Exportieren oder „Speichern unter“ um. Bewahre die Originaldatei auf: Wird eine CSV-Datei geöffnet und erneut gespeichert, können entfernte Nullen oder veränderte Datumsangaben zurückgeschrieben werden, selbst wenn du keine bewussten Änderungen vorgenommen hast.

Eine Tabelle sollte leicht erkennen lassen, was eine Zeile beschreibt. Benenne zunächst diese Beobachtung: eine Bestellung, einen Kunden oder den Umsatz einer Filiale während eines Quartals.

Gib jedem Wert einen eindeutigen Platz

Ein aufgeräumtes Layout hat eine Variable pro Spalte, eine Beobachtung pro Zeile und einen Wert pro Zelle. Verwende eine einzelne Kopfzeile. Bewahre Kunden und Bestellungen in getrennten Tabellen auf, da es sich um unterschiedliche Arten von Beobachtungen handelt.

Verbundene Zellen, leere Zeilen zur Gestaltung und mehrere Werte in einer Zelle machen das Sortieren und Filtern unzuverlässig. Speichere die Masse als Zahl unter parcel_kg, nicht als Text wie „12 kg“. Erfasse den Status in einem Feld; Farbe allein kann seine Bedeutung nicht zuverlässig in ein anderes Werkzeug übertragen.

Halte Summenzeilen von den Datensätzen getrennt. Angenommen, drei Filialen haben die Umsatzwerte 120, 80 und 100. Ihre Summe beträgt 300. Enthält eine vierte Zeile ebenfalls 300 mit der Bezeichnung „Summe“, ergibt das Addieren der ganzen Spalte 600. Die Summe wurde zusammen mit ihren eigenen Bestandteilen gezählt.

Wähle ein breites oder langes Layout

Das breite Layout erleichtert das Lesen nebeneinander. Das lange Layout erleichtert das Filtern, Gruppieren und Erstellen von Diagrammen nach Zeitraum. Ein fünftes Quartal fügt der langen Tabelle Zeilen hinzu, statt ihre Spaltenstruktur zu ändern. Pivotieren wandelt das Langformat in das Breitformat um; Entpivotieren wandelt das Breitformat in das Langformat um.

Keines der beiden Layouts verändert die Umsätze selbst. Was sich ändert, ist die Definition einer Zeile und der Ort, an dem der Zeitraum erfasst wird. Dokumentiere diese Bedeutung der Zeile, damit wiederholte Filial-IDs in der langen Tabelle richtig verstanden werden.

Erkläre die Felder

Ein Datenwörterbuch beschreibt Bedeutung, Typ, Einheit, erlaubte Werte oder Wertebereich und den Code für fehlende Werte jedes Feldes. Zum Beispiel:

trip_km: Entfernung der Fahrt in Kilometern; Dezimalzahl; null oder größer; leer, wenn das GPS-Signal ausgefallen ist.

Dieser Eintrag unterscheidet ein leeres Feld von einer gemessenen Null. Er verhindert auch, dass jemand Kilometer als Meter behandelt. Eine README liefert den Überblick über den Datensatz: seine Quelle, Abdeckung, seinen Zeitraum und bekannte Probleme.

Deskriptive Metadaten benennen den Datensatz, den Autor und das Thema. Strukturelle Metadaten beschreiben Felder, Tabellen und Beziehungen. Administrative Metadaten erfassen Eigentum, Zugriffsrechte, Lizenzen, Erstellungsdaten und Dateitypen. Zusammen helfen sie dabei, Daten zu finden, zu beurteilen und zu nutzen.

Halte deine Arbeit nachvollziehbar fest

Verwende aussagekräftige Namen in einem einheitlichen Stil, etwa parcel_kg und order_date. Ein Dateiname wie bike_trips_2025-03-04_v02.csv hält Inhalt, Datum und Version ohne Leer- oder Sonderzeichen fest. Datumsangaben in der Reihenfolge Jahr-Monat-Tag lassen zusammengehörige Dateinamen chronologisch sortieren.

Bewahre Rohdaten unverändert und schreibgeschützt auf und lege Arbeitskopien und Ergebnisse in getrennten Ordnern ab. Halte Änderungen in einem kurzen Protokoll oder einem gemeinsam genutzten Versionsverlauf fest. Schreibe Definitionen auf, solange die Arbeit noch frisch ist: Ein unerklärter Wert 3 in status kann dazu führen, dass der nächste Datenanalyst eine ansonsten saubere Tabelle nicht interpretieren kann.

Wähle einen Datenspeicher passend zur Datenmenge, zu den enthaltenen Beziehungen und zu den Menschen, die die Daten lesen oder ändern müssen. Eine praktische Darstellung ist nur ein Teil dieser Entscheidung.

Verstehe verknüpfte Tabellen

Eine Datenbank ist eine organisierte elektronische Sammlung, die von einem Datenbankmanagementsystem, kurz DBMS, verwaltet wird. Das DBMS regelt Speicherung, Berechtigungen und Konsistenz. Eine relationale Datenbank hält zusammengehörige Fakten in Tabellen, die über Schlüssel verknüpft sind. Ihr Datenbankschema definiert Tabellen, Felder, Typen und Beziehungen.

Ein Primärschlüssel identifiziert eine Zeile eindeutig und ist nie leer. Er kann aus einem Feld oder einer Kombination von Feldern bestehen. Ein Fremdschlüssel verknüpft eine Tabelle mit dem Primärschlüssel einer anderen Tabelle. Mehrere Datensätze können auf denselben verknüpften Datensatz verweisen.

Betrachte customers mit customer_id, name und city sowie orders mit order_id, customer_id, order_date und items. Kunde C102 hat drei Bestellungen. Der Identifikator C102 erscheint dreimal in orders, aber nur einmal als Primärschlüssel in customers. Jede Bestellung behält ihre eigene eindeutige order_id.

Ändert sich der aktuelle Wohnort des Kunden, steht der neue Wohnort nach der Aktualisierung der Kundenzeile über die Beziehung zur Verfügung. Würde der Wohnort bei jeder Bestellung wiederholt, könnten widersprüchliche Änderungen entstehen. Zusammengehörige Fakten in verknüpften Tabellen zu organisieren, um Wiederholungen und Widersprüche zu verringern, heißt Normalisierung. Verwende stabile IDs: Namen können mehrfach vorkommen oder sich ändern.

Vergleiche die Anforderungen an die Arbeit

Ein Excel-Arbeitsblatt fasst höchstens 1.048.576 Zeilen und 16.384 Spalten. Google Sheets erlaubt bis zu 20 Millionen Zellen pro Tabelle, seit September 2026 statt zuvor 10 Millionen. Die Kapazität ist eine Obergrenze und verspricht keine reibungslose Leistung für jede Datei.

Prüfe die Größe an konkreten Beispielen

Eine Datei mit 2.500.000 Fahrten benötigt etwa das 2,4-Fache der Zeilen eines Excel-Arbeitsblatts. Speichere sie in einer Datenbank und extrahiere eine nützliche Teilmenge. Eine Tabelle mit 700.000 Zeilen und 30 Spalten belegt 21.000.000 Zellen und überschreitet damit die Grenze von Google Sheets. Eine Liste mit 300 Veranstaltungsanmeldungen passt problemlos in eine Tabellenkalkulation.

Auch kleine Datensätze können eine Datenbank erfordern, wenn viele Personen verknüpfte Datensätze aktualisieren und konsistente Schlüssel wichtig sind. Tabellenkalkulationen können fehlerhafte Einträge mithilfe von Validierungsregeln ablehnen. Diese Regeln müssen jedoch eingerichtet werden und lassen sich unter anderem beim Einfügen umgehen. Eine Tabelle in einem Tabellenblatt erhält nicht allein durch ihr Layout Datenbankbedingungen.

Erkenne weitere Datenspeicher

Eine dokumentenorientierte NoSQL-Datenbank kann JSON-Datensätze mit unterschiedlichen Feldern speichern. Ein Data Warehouse führt aufbereitete Daten aus mehreren Quellen für Analysen zusammen. Ein Data Lake bewahrt große Mengen an Rohdaten in ihren ursprünglichen Formaten auf, darunter Medien. In einem häufigen Arbeitsablauf bleiben die Hauptdaten in einer Datenbank und eine ausgewählte Teilmenge wird an eine Tabellenkalkulation oder ein BI-Werkzeug übergeben.

Glaubwürdigkeit bedeutet, dass eine Quelle vertrauenswürdig ist und ihre Erhebung und Dokumentation es erlauben, sich auf sie zu verlassen. Eine ansprechend gestaltete Datei ist leicht zu lesen; die Belege dahinter bestimmen, wie viel Vertrauen sie verdient.

Wende ROCCC an

ROCCC steht für zuverlässig, ursprünglich, umfassend, aktuell und mit Quellenangabe. Betrachte jedes Wort als eine Frage, die du untersuchst.

Ursprünglich bedeutet nicht, dass du alles selbst erheben musst. Eine weiterverwendete Tabelle kann glaubwürdig sein, wenn du sie bis zu einem dokumentierten Original zurückverfolgen kannst. Aktuell bedeutet nicht um jeden Preis das Neueste: Für eine historische Frage sind historische Datensätze die richtigen.

Verfolge eine Aussage, bevor du sie übernimmst

Ein Forumsbeitrag verlinkt eine Tabellenkalkulation mit dem Titel „Durchschnittliche Pendelzeit nach Stadt“. Sie enthält weder Autor noch Datum oder eine Definition von „Pendelzeit“. Du kannst nicht erkennen, ob ihre Zahlen einfache Wege, Hin- und Rückwege, Erwerbstätige oder alle Menschen in der Stadt beschreiben.

Suche zuerst das Statistikamt oder die Verkehrsbehörde, von dem oder der die Daten stammen. Suche dort die Tabelle und die Methodik. Prüfe das Jahr und die Definition der Kennzahl und stelle dann fest, ob die kopierten Zahlen übereinstimmen. Kannst du diesen Weg nicht nachvollziehen, lässt die Datei aus dem Forum wichtige Fragen zur Vertrauenswürdigkeit offen.

Eine Quelle kann zuverlässig sein und trotzdem deine Frage nicht beantworten. Eine Verkehrsbefragung erwerbstätiger Erwachsener kann sich für eine Frage zu Arbeitswegen eignen, aber Wege von Menschen im Ruhestand auslassen. Umfassend bezieht sich immer auf die Frage und die Menschen, nach denen sie fragt.

Verfolge Datenprovenienz und Berechtigungen

Datenprovenienz dokumentiert, wo Daten entstanden sind und was mit ihnen geschehen ist. Eine hilfreiche Dokumentation verbindet die ursprüngliche Veröffentlichung, die heruntergeladene Version, Umstrukturierungen oder Filterungen und den für ein Ergebnis verwendeten Auszug. Metadaten und ein Datenwörterbuch erklären die Felder und Definitionen entlang dieses Weges.

Prüfe vor der Weiterverwendung die Lizenz oder Vereinbarung. Die Erlaubnis, eine Datei herunterzuladen, kann sich von der Erlaubnis unterscheiden, ihre Zeilen zu veröffentlichen oder kommerziell zu nutzen. Eine technisch einwandfreie Quelle kann nach ihren Bedingungen für deinen geplanten Zweck dennoch unbrauchbar sein.

Prüfe Bedeutung und Summen gegen

Vergleiche regionale Summen mit der nationalen Gesamtsumme des Herausgebers, wenn die Regionen die gesamte betreffende Grundgesamtheit und den gesamten Zeitraum abdecken. Eine Abweichung ist ein Grund, fehlende Gebiete, unterschiedliche Daten, Revisionen oder verschiedene Definitionen zu untersuchen. Vergleiche auch eine unabhängige Quelle; mehrere Websites, die dieselbe Zahl wiederholen, bieten einen Belegweg, keine unabhängige Bestätigung.

Lies Revisionshinweise. Eine spätere Korrektur kann einen gespeicherten Auszug veralten lassen, selbst wenn er kürzlich heruntergeladen wurde. Halte fest, welche Veröffentlichung du verwendet hast und wann du darauf zugegriffen hast. Wenn ein Dashboard von einem „aktiven Nutzer“ spricht, finde heraus, ob damit eine Anmeldung, ein Kauf oder eine andere Aktion gemeint ist, bevor du die Zahl mit einem zweiten Dashboard vergleichst.

Eine Verzerrung ist ein systematischer Fehler bei der Erhebung, Erfassung, Auswahl oder Interpretation von Daten. Sie verschiebt ein Ergebnis in eine Richtung. Weitere Datensätze, die auf dieselbe verzerrte Weise erhoben werden, erhalten diese Verzerrung.

Erkenne, was schiefgelaufen ist

Beobachterverzerrung betrifft den Erfassungsprozess; Interpretationsverzerrung betrifft die Bedeutung, die jemand den Informationen gibt. Der Bestätigungsfehler zeigt sich besonders darin, welche Belege jemand sucht oder behält. In einem Projekt kann mehr als eine Verzerrung auftreten, aber benenne den Mechanismus, den die Belege tatsächlich stützen.

Berechne die Wirkung fehlender Kunden

Eine Umfrage erhält 300 Antworten von App-Nutzern, von denen 240 zufrieden sind. Die beobachtete Zufriedenheitsquote beträgt 80 %. App-Nutzer machen 40 % aller Kunden aus. Eine separate Prüfung ergibt, dass 55 % der übrigen 60 % zufrieden sind.

Um diese Gruppenquoten zusammenzuführen, berücksichtige den Anteil jeder Gruppe:

• Beitrag der App-Nutzer: 40 % von 80 %, also 32 Prozentpunkte.
• Beitrag der übrigen Kunden: 60 % von 55 %, also 33 Prozentpunkte.
• Gesamtzufriedenheit: 32 plus 33, also 65 %.

Würdest du 80 % für alle Kunden berichten, würdest du das App-Ergebnis auf eine Gruppe übertragen, die es nicht repräsentiert. Auch eine noch größere Umfrage nur unter App-Nutzern würde diese Gruppe weiterhin verfehlen.

Suche nach Lücken und verzerrter Auswahl

Vergleiche die Zusammensetzung des Datensatzes mit bekannten Zahlen zur Grundgesamtheit, etwa Anteilen von Altersgruppen oder Kundenkanälen. Frage, wer fehlt, wer ausgeschieden ist und warum. Prüfe, wie Kategorien definiert wurden und ob eine Antwortoption Menschen ausschließt. Untersuche, wer Bewertungen erfasst hat und welche Erwartungen diese beeinflusst haben könnten.

Eine richtige Aufzeichnung früherer Entscheidungen verdient eine gesonderte Fairnessprüfung. Hat ein Einstellungsverfahren eine Gruppe bevorzugt, erhält die korrekte Speicherung seiner Entscheidungen dieses Muster. Eine korrekte Übertragung behebt die ungleiche Vergangenheit nicht.

Verringere den gefundenen Mechanismus

Klare Definitionen für die Erfassung, standardisierte Verfahren und unabhängige Beobachter helfen, Beobachterverzerrung zu verringern. Vereinbarte Kriterien zur Interpretation der Ergebnisse verringern den Spielraum dafür, dass Erwartungen die Schlussfolgerungen bestimmen. Den Bestätigungsfehler kannst du bekämpfen, indem du die Frage und die Erfolgskriterien vor der Analyse aufschreibst und aktiv nach Belegen gegen deine Idee suchst.

Dokumentiere Verzerrungen, die du nicht beseitigen kannst, und erkläre, wie sie die Schlussfolgerungen einschränken. Fehlen Kunden mit Kündigung, beschreibe das Ergebnis als Ergebnis über aktuelle Abonnenten. Erfordert die Entscheidung ein Verständnis der Kündigungen, suche Informationen über die Menschen, die gegangen sind.

Datenqualität bedeutet Eignung für einen vorgesehenen Zweck. Beurteile die Felder und Datensätze, die für die Entscheidung tatsächlich benötigt werden, und entscheide dann, wie sich die Probleme auf das Ergebnis auswirken würden.

Untersuche sechs Dimensionen

Gültigkeit und Richtigkeit unterscheiden sich. Ein Alter von 42 kann im erlaubten Bereich liegen und trotzdem für eine Person falsch sein, die tatsächlich 24 Jahre alt ist. Für Richtigkeit braucht es einen Vergleich mit der Realität, nicht nur eine Formatprüfung.

Untersuche eine Kundentabelle

Eine Tabelle hat 5.000 Zeilen, 600 fehlende E-Mail-Adressen, 45 Kunden-IDs, die mehr als einmal vorkommen, ein maximales Alter von 212 und ein Aktualisierungsdatum vor 18 Monaten.

1. Dividiere 600 durch 5.000: 12 % der E-Mail-Einträge fehlen.
2. Wiederholte IDs weisen auf ein Eindeutigkeitsproblem hin, wenn eine Zeile einen Kunden beschreiben soll.
3. Das Alter 212 verstößt gegen eine plausible Regel für den Altersbereich und muss untersucht werden.
4. Das Aktualisierungsdatum wirft für die aktuelle Kontaktaufnahme mit Kunden eine Frage zur Aktualität auf.

Diese Datenprofilierung findet Probleme; sie entscheidet nicht über jede Nutzung. Eine Analyse der Ausgaben nach Region für das letzte Jahr kann fortgesetzt werden, nachdem Kaufbeträge, Datumsangaben und Regionen überprüft, doppelte Datensätze bereinigt und das gesamte angeforderte Jahr abgedeckt wurden. Eine E-Mail-Kampagne benötigt aktuelle E-Mail-Adressen und ist direkt vom fehlenden Kontaktfeld betroffen.

Entscheide, welche Belege ausreichen

Daten sind unzureichend, wenn für die Frage benötigte Datensätze, Felder, die nötige Abdeckung oder ein benötigter Zeitraum fehlen. Eine einzelne Quelle verdient zusätzliche Prüfung, wenn du sie nicht gegenprüfen kannst. Für eine sich verändernde Quelle brauchst du einen festen Datenstand oder Berichtszeitpunkt, etwa „alle Bestellungen bis einschließlich 2025-06-30“, damit jemand das Ergebnis reproduzieren kann.

Ist eine Lücke relevant, besprich die Wahl mit den Stakeholdern. Du kannst neue Daten suchen, warten, die Frage eingrenzen, ein eingeschränktes Ergebnis berichten oder eine klar erklärte Ersatzgröße verwenden. Proxydaten stehen für etwas, das nicht verfügbar ist. Die frühen Verkaufszahlen eines ähnlichen Produkts können eine Schätzung für ein neues Produkt unterstützen, aber die Ähnlichkeit ist eine Annahme, die du benennen und untersuchen musst.

Prüfe die Wirkung deiner Reaktion

Das Löschen jeder Zeile mit einem leeren Feld kann Verzerrung einbringen. Wenn ältere Kunden ihre E-Mail-Adresse häufiger nicht angeben, sind sie nach dem Löschen dieser Zeilen selbst in einer Analyse unterrepräsentiert, die keine E-Mail-Adressen benötigt.

Eine Datei ohne leere Felder kann trotzdem die falsche Grundgesamtheit beschreiben oder die falsche Definition verwenden. Halte fest, welche Probleme die geplante Entscheidung beeinflussen, was geklärt werden muss und welche Einschränkungen bleiben.

Personenbezogene Daten beziehen sich auf jemanden, der identifiziert ist oder identifiziert werden kann. Auch die Bezeichnung personenbezogene Informationen oder PII ist gebräuchlich. Betrachte im Analysealltag, was die Informationen offenbaren und wie sie sich mit einer Person verknüpfen lassen.

Suche nach direkter und indirekter Identifizierung

Ein direkter Identifikator kann unmittelbar auf eine Person oder ein Konto hinweisen: eine E-Mail-Adresse, Telefonnummer, nationale Identifikationsnummer, Kontonummer oder ein deutliches Gesichtsfoto. Auch Namen helfen bei der Identifizierung, wobei ein häufiger Name möglicherweise Kontext benötigt.

Ein indirekter Identifikator oder Quasi-Identifikator wird in Kombination mit anderen Angaben identifizierend. Geburtsdatum, Postleitzahl, Geschlecht, Arbeitgeber und Berufsbezeichnung mögen einzeln allgemein erscheinen, lassen aber in Kombination eine sehr kleine Gruppe übrig.

Latanya Sweeney schätzte anhand von US-Volkszählungsdaten von 1990, dass etwa 87 % der Bevölkerung wahrscheinlich durch die fünfstellige US-Postleitzahl, das Geschlecht und das vollständige Geburtsdatum eindeutig bestimmbar waren. Eine spätere Studie mit Volkszählungsdaten von 2000 schätzte etwa 63 %. Diese Ergebnisse beziehen sich auf die jeweiligen Bevölkerungen und Zeitpunkte und sind keine allgemeingültige Identifizierungsquote. Sweeney verknüpfte außerdem einen Gesundheitsdatensatz eines US-Bundesstaats mit einem Wählerverzeichnis, um die Daten eines Gouverneurs zu identifizieren.

Untersuche jedes Feld, auch Notizen

Betrachte diese Kundenfelder:

Eine Notiz wie „Fragen Sie in der Filiale Elm Street nach Maria, sie kennt meinen Fall“ enthält trotz der allgemeinen Feldbezeichnung einen Namen und einen Ort. Lies Freitextfelder, bevor du entscheidest, dass ein Auszug sicher weitergegeben werden kann.

Auch Geräte-IDs, Cookie-IDs, IP-Adressen, genaue Bewegungsverläufe und GPS-Metadaten können die Identifizierung unterstützen. Eine Route, die jeden Morgen am selben Haus beginnt, kann den Wohnort einer Person verraten, selbst wenn der Routendatensatz keinen Namen enthält.

Erkenne sensible Informationen

Sensible Daten sind personenbezogene Informationen, deren Missbrauch schweren Schaden verursachen kann. Beispiele sind Gesundheitsdaten, genetische und biometrische Daten; rassische oder ethnische Herkunft; religiöse und politische Überzeugungen; sexuelle Orientierung; Gewerkschaftszugehörigkeit; Finanzangaben; der genaue Standort; und Informationen über Kinder. Für solche Felder sollte ein klarer Aufgabenbedarf bestehen, bevor sie in eine Analysekopie aufgenommen werden.

Identifizierung und Sensibilität sind unterschiedliche Fragen. Eine E-Mail-Adresse kann eine Person identifizieren, ohne ihre Gesundheit zu beschreiben. Eine Diagnose kann sensibel sein, selbst wenn Namen in ihrer Tabelle durch Codes ersetzt wurden, weil die Datensätze möglicherweise weiterhin zugeordnet werden können.

Beachte die Nutzung ebenso wie die Quelle

Beim Datenschutz geht es um die Kontrolle der Menschen über Informationen über sie und darum, ob Erhebung, Nutzung und Weitergabe angemessen und erwartet sind. Öffentliche Profile und Verzeichnisse beschreiben weiterhin Menschen. Die Kombination öffentlicher Angaben kann zusammen mehr offenbaren, als die ursprünglichen Herausgeber gezeigt haben.

Beispiele für Datenschutzgesetze sind die DSGVO der EU, die UK GDPR und der CCPA in Kalifornien. Halte dich bei der Arbeit an die Datenschutzrichtlinie der Organisation und frage bei unklaren Nutzungen deren Datenschutz- oder Rechtsabteilung. Das Entfernen eines Namens ist eine Änderung an einem Datensatz; um zu beurteilen, was die verbleibenden Informationen offenbaren können, musst du den gesamten Auszug und mögliche verknüpfte Quellen untersuchen.

Die Deidentifizierung entfernt oder verändert Einzelheiten, damit sich Datensätze schwerer mit Menschen verknüpfen lassen. Die passende Methode erhält genügend Informationen für die Frage und verringert zugleich, was ein Empfänger über einzelne Personen erfahren kann.

Unterscheide Codes von Anonymität

Die Pseudonymisierung ersetzt Identifikatoren durch Codes. Ein separater Zuordnungsschlüssel kann die Verbindung wiederherstellen, daher bleiben die Daten personenbezogen. Anonymisierung setzt voraus, dass Menschen vernünftigerweise nicht mehr identifiziert werden können. Dabei werden alle Mittel berücksichtigt, deren Einsatz vernünftigerweise zu erwarten ist. Außerdem darf die Veränderung nicht rückgängig gemacht werden können.

Einfaches Hashing von E-Mail-Adressen ist Pseudonymisierung: Jemand kann eine Liste möglicher Adressen hashen und die Ergebnisse vergleichen. Zufällige IDs oder ein geschütztes Verfahren mit geheimem Schlüssel bieten sicherere Pseudonyme, wobei die Zuordnungsinformationen weiterhin getrennt geschützt werden müssen.

Wähle eine Veränderung

Bei jeder Wahl gehen Details verloren. Altersgruppen können eine Frage zu Segmenten beantworten, ohne das genaue Alter offenzulegen, zeigen aber keine Unterschiede innerhalb einer Gruppe.

Gehe k-Anonymität durch

k-Anonymität prüft Gruppen, die durch die von dir ausgewählten Quasi-Identifikatoren gebildet werden. Jede Kombination muss mindestens k-mal vorkommen. Die Größe der kleinsten Gruppe ist das k der Tabelle.

Acht Patientendatensätze enthalten Paare aus Alter und Postleitzahl: 34/10115, 36/10117, 38/10119, 31/10115, 52/10243, 57/10245, 55/10247 und 59/10249. Jedes vollständige Paar ist eindeutig, also ist k gleich 1.

Generalisiere das Alter zu Zehnjahresgruppen und die Postleitzahl zu ihren ersten drei Ziffern:

• Vier Datensätze teilen sich nun die Altersgruppe 30–39 und den Postleitzahlenanfang 101.
• Vier Datensätze teilen sich die Altersgruppe 50–59 und den Postleitzahlenanfang 102.

Die kleinste Gruppe hat vier Datensätze, also ist das Ergebnis bezüglich dieser Quasi-Identifikatoren 4-anonym. Für die Gruppengröße werden alle ausgewählten Quasi-Identifikatoren gemeinsam betrachtet, nicht getrennte Anzahlen für jede Spalte.

Prüfe, was die Gruppen weiterhin offenbaren

Haben alle vier Personen einer Gruppe dieselbe Diagnose, verrät das Wissen, dass eine Person zu dieser Gruppe gehört, ihre Diagnose, ohne dass ihre Zeile gefunden werden muss. Die Gruppengröße allein verhindert nicht die Offenlegung eines sensiblen Wertes. Auch andere Datensätze können Verknüpfungen ermöglichen. 2008 verknüpften Forschende Filmbewertungen und ungefähre Datumsangaben mit öffentlichen Rezensionen, obwohl Namen durch Zahlen ersetzt worden waren.

Auch aggregierte Daten müssen geprüft werden. Eine Anzahl von eins kann jemanden offenlegen. Zwei sich überschneidende Gehaltssummen können eine Differenz verraten: 720.000 für 12 Beschäftigte minus 655.000 für die 11, die nicht neu eingestellt wurden, offenbart das Gehalt von 65.000 der einen neu eingestellten Person.

Liste die Felder auf, entferne die für die Frage unnötigen, unterdrücke direkte Identifikatoren, schütze jeden Zuordnungsschlüssel, generalisiere Quasi-Identifikatoren und untersuche kleine Gruppen und Freitext. Prüfe neben der vorliegenden Datei auch sich überschneidende Veröffentlichungen und dokumentiere die Veränderungen und verbleibenden Verknüpfungsrisiken.

Datensicherheit schützt Daten vor unbefugtem Zugriff, Veränderung und Verlust. Der Datenschutz fragt, ob eine Nutzung angemessen ist. Eine gesperrte Datei kann dennoch für einen Eingriff in die Privatsphäre genutzt werden, und ein respektvoller Analyseplan braucht trotzdem einen sicheren Arbeitsort.

Begrenze, wer was tun darf

Zugriffskontrolle legt fest, wer Daten lesen oder ändern darf. Das Prinzip der minimalen Rechte bedeutet, jeder Person nur den für ihre Aufgabe nötigen Zugriff und nur für die notwendige Zeit zu geben. Wer aggregierte Ergebnisse prüft, benötigt möglicherweise keinen Zugriff auf die einzelnen Datensätze, aus denen sie erstellt wurden.

Gib Daten an namentlich benannte Empfänger weiter, wähle Lese- oder Bearbeitungsrechte bewusst und entziehe den Zugriff am Projektende. Eine Einstellung „alle mit dem Link“ kann dazu führen, dass der Link über die vorgesehene Zielgruppe hinaus weitergegeben wird. Die praktische Nutzung eines Projektordners rechtfertigt nicht, jedem Projektmitglied jede Quelldatei zugänglich zu machen.

Schütze gespeicherte und übertragene Daten

Verschlüsselung macht Daten ohne den richtigen Schlüssel unlesbar. Verwende Schutz im Ruhezustand für gespeicherte Dateien, Geräte und Sicherungskopien und bei der Übertragung, während Daten zwischen Systemen fließen, zum Beispiel über HTTPS. Prüfe beides: Ein geschützter Speicher schützt keine Kopie, die über einen ungeeigneten Übertragungskanal gesendet wird.

Tokenisierung ersetzt einen sensiblen Wert durch ein Token und bewahrt den tatsächlichen Wert in einem getrennt gesicherten System auf. Dadurch muss der ursprüngliche Wert an weniger Stellen erscheinen. Das System mit dem ursprünglichen Wert benötigt weiterhin starke Schutzmaßnahmen.

Verringere Datenmenge und Aufbewahrungsdauer

Datenminimierung bedeutet, nur die personenbezogenen Informationen zu erheben, zu kopieren und aufzubewahren, die für die Aufgabe nötig sind. Extrahiere fünf benötigte Spalten statt einer vollständigen Kundentabelle mit Namen, Adressen und nicht benötigten Notizen. Ein kleinerer Auszug legt bei falscher Handhabung weniger offen.

Regeln zur Aufbewahrungsdauer legen fest, wie lange Daten aufbewahrt und wann sie gelöscht werden. Wende sie auf Arbeitskopien und weitergegebene Auszüge an, nicht nur auf die Hauptdatenbank. Entziehe Berechtigungen, wenn der Zugriff endet, und halte dich bei Kopien an zugelassene Löschverfahren.

Prüfe die Datei, die tatsächlich weitergegeben wird

Ausgeblendete Spalten und Tabellenblätter lassen sich wieder einblenden. Der Schutz eines Tabellenblatts kann Änderungen verhindern, während Werte lesbar bleiben. Der Versionsverlauf kann entfernte Werte enthalten, und Dateieigenschaften können die Identität eines Autors offenbaren. Erstelle einen bereinigten Auszug, statt dich auf Darstellungstricks zum Verbergen von Informationen zu verlassen.

Für Ergebnisse zu Kundenkündigungen, die an eine externe Agentur gesendet werden, eignet sich folgender Plan: Gib Quoten nach Region und Altersgruppe in Gruppen von mindestens 10 Kunden über den zugelassenen Übertragungsdienst weiter. Gewähre zwei namentlich benannten Mitarbeitern der Agentur Zugriff und lass ihn nach 30 Tagen enden. Der Gruppenschwellenwert in diesem Plan ist eine gewählte Schutzmaßnahme und garantiert nicht, dass jede Offenlegung verhindert wird.

Verwende zugelassene Speicher- und Übertragungswerkzeuge. Private E-Mail-Konten, tragbare Datenträger oder nicht zugelassene Online-Werkzeuge können unkontrollierte Kopien erzeugen. Füge keine personenbezogenen oder vertraulichen Datensätze in nicht zugelassene KI-Assistenten oder andere Webwerkzeuge ein. Gelangt eine Datei an die falsche Person oder geht ein unverschlüsseltes Gerät verloren, melde dies sofort über das Verfahren der Organisation für Sicherheitsvorfälle, damit das zuständige Team handeln kann.

Die Datenethik bietet Maßstäbe, um zu beurteilen, ob die Erhebung, Nutzung und Weitergabe von Daten fair, ehrlich und respektvoll ist. Gesetzliche Regeln legen ein Minimum fest. Ethisches Urteilen fragt darüber hinaus, was eine Entscheidung für die Menschen hinter den Datensätzen bedeutet.

Verstehe das Interesse der Menschen an ihren Daten

Dateneigentum erkennt als ethischer Grundsatz den vorrangigen Anspruch der Menschen an, zu kontrollieren, wie die von ihnen bereitgestellten Daten genutzt und weitergegeben werden. Dass eine Kopie auf einem Unternehmensserver aufbewahrt wird, hebt ihre Interessen nicht auf.

Eine Einwilligung sollte informiert, zweckgebunden, freiwillig und widerrufbar sein. Menschen müssen vor ihrer Zustimmung verstehen, wie und warum ihre Daten genutzt werden. Ein unbestimmtes Kontrollkästchen, das in langen Bedingungen versteckt ist, macht eine unerwartete Nutzung nicht verständlich. Prüfe einen neuen Zweck erneut; eine frühere Zustimmung regelt nicht alle späteren Nutzungen.

Mache Verarbeitung und Geld sichtbar

Transparenz der Datenverarbeitung bedeutet, dass Menschen verstehen können, wie ihre Daten verarbeitet werden, einschließlich der Algorithmen, die sie verarbeiten. Verweigert eine automatisierte Bewertung jemandem einen Rabatt, sollte eine Erklärung in einfacher Sprache benennen, worauf die Bewertung beruht.

Bei der Monetarisierung personenbezogener Daten geht es um das Wissen über finanzielle Transaktionen, die aus personenbezogenen Daten entstehen, und deren Umfang. Eine Person kann verstehen, dass eine App ihren Standort erfasst, ohne zu erkennen, dass das Unternehmen diesen Verlauf an Werbetreibende verkauft. Transparenz über die Erhebung und Transparenz über Geld beantworten unterschiedliche Fragen.

Bringe Weitergabe, Datenschutz und Fairness in Einklang

Offene Daten sind unter einer klaren Lizenz zugänglich und weiterverwendbar. CC BY 4.0 erlaubt die Weiterverwendung mit Namensnennung. CC0 ist eine Gemeinfreigabe, die urheberrechtliche Beschränkungen so weit wie möglich aufheben soll. Auch bei offener Weiterverwendung musst du personenbezogene Informationen und mögliche Schäden beachten.

Rechenschaftspflicht braucht Aufzeichnungen: Benenne Quellen, Methoden, Entscheidungen und die verantwortliche Person. Die Nennung eines Datensatzes ermöglicht es Prüfenden, den Belegen zu folgen, und verschafft seinem Urheber angemessene Anerkennung.

Wende die Grundsätze auf eine Fitness-App an

Eine kostenlose Fitness-App verkauft genaue Laufstrecken an Werbetreibende. Ihre langen Bedingungen erwähnen nur, dass „Partner“ Standortdaten erhalten dürfen. Die Strecken können Wohnorte und tägliche Routinen verraten.

• Die Einwilligung ist unzureichend, weil die konkrete Nutzung vor der Zustimmung nicht deutlich gemacht wurde.
• Die Transparenz der Datenverarbeitung ist unzureichend, weil Menschen nicht ohne Weiteres erkennen können, welche Verarbeitung und Weitergabe stattfinden.
• Bei der Monetarisierung personenbezogener Daten fehlt Transparenz, weil Verkauf und Umfang vor den Nutzern verborgen werden.
• Der Datenschutz ist bedroht, weil detaillierte Strecken persönliche Routinen offenlegen.

Das Unternehmen sollte prüfen, ob die Weitergabe einem Zweck dient, den Menschen verstehen, ob eine weniger offenlegende Alternative diesen Zweck erfüllt und ob Nutzer eine sinnvolle Wahl treffen können. Eine Nutzung als rechtmäßig zu bezeichnen, beantwortet diese ethischen Fragen nicht.

Ethik ist Teil der Eingrenzung der Frage, der Vorbereitung und Analyse von Belegen, der Berichterstattung und der Umsetzung der Ergebnisse. Der Datenanalyst sieht ein schädliches Muster häufig, bevor es jemandem bei der Prüfung einer Abschlusspräsentation auffällt.

Gehe eine Entscheidung durch

1. Benenne den Zweck und die Daten. Welche Entscheidung wird unterstützt und welche Informationen würden genutzt?
2. Ermittle betroffene Menschen und Auswirkungen. Beziehe Menschen ein, die in der Datei fehlen, ebenso wie die vertretenen Personen. Benenne möglichen Nutzen und Schaden.
3. Prüfe Erwartungen und Pflichten. Vergleiche die Nutzung mit dem, was den Menschen mitgeteilt wurde, ihren Einwilligungen, den Richtlinien der Organisation und dem geltenden Recht.
4. Vergleiche Alternativen. Könnten weniger Daten, größere Gruppen oder eine Teilnahme durch ausdrückliche Anmeldung den tatsächlichen Bedarf erfüllen?
5. Entscheide und dokumentiere. Halte die Gründe, die verantwortliche Person und etwaige Grenzen fest. Ziehe bei hohen Risiken oder ungeklärten Fragen höhere Stellen hinzu.

Untersuche eine sensible Schlussfolgerung

Ein Einzelhändler möchte aus Einkaufshistorien auf eine Schwangerschaft schließen und Gutscheine für Babyprodukte senden. Der kommerzielle Zweck erfordert nicht, dass Kunden eine gesundheitsbezogene Schlussfolgerung offenlegen. Ein Gutschein, der an einen gemeinsamen Haushalt geliefert wird, könnte Familienmitgliedern eine Schwangerschaft offenbaren, auch wenn die Schlussfolgerung falsch ist.

Prüfe, was Kunden bei der Erfassung ihrer Einkäufe erwartet haben. Erwäge einen Babyclub mit ausdrücklicher Anmeldung als weniger eingreifende Möglichkeit, passende Angebote zu senden. Dokumentiere, warum diese Alternative die Entscheidungen der Menschen besser respektiert und eine unerwartete sensible Schlussfolgerung vermeidet.

Ein Fall am Arbeitsplatz wirft eine verwandte Entscheidung auf: Die Personalabteilung möchte eine Bewertung des Kündigungsrisikos anhand von Zugangskartennutzungen und E-Mail-Metadaten. Frage, ob Mitarbeiter diese Nutzung erwartet haben, wie falsche Markierungen Karrieren beeinflussen könnten und ob Teilzeitarbeit oder krankheitsbedingte Beurlaubung benachteiligt werden könnten. Eine anonyme Befragung zum Mitarbeiterengagement kann das zugrunde liegende Anliegen möglicherweise mit einem geringeren Eingriff behandeln.

Prüfe Fairness über eine einzelne Spalte hinaus

Eine Proxyvariable steht stellvertretend für ein anderes Merkmal. Wird die ethnische Zugehörigkeit aus einer Bewertungsdatei entfernt, können Postleitzahl oder Erstsprache weiterhin stark damit zusammenhängen. Die verbleibenden Felder können Ungleichbehandlung erhalten. Prüfe die Ergebnisse für betroffene Gruppen und untersuche den Prozess hinter den Unterschieden.

Diese Fairnessfrage unterscheidet sich von der Nutzung von Proxydaten, um eine nicht verfügbare Größe zu schätzen. Beide nutzen einen Ersatz, aber die eine fragt nach indirekten Auswirkungen auf Gruppen und die andere nach der Eignung ersatzweise verwendeter Belege.

Prüfe Zugriff und Berichterstattung

Bevor du öffentliche Profile durch Webscraping ausliest, untersuche Bedingungen, Lizenzen, personenbezogene Informationen und die Erwartungen der Menschen. Der Zugang zu einer Webseite gibt dir die Möglichkeit, sie zu lesen; die Erlaubnis für eine Marketingdatenbank ist eine separate Frage.

Berichte Belege ehrlich, auch Ergebnisse, die deine bevorzugte Erklärung schwächen. Verwende Diagramme, die Unterschiede angemessen darstellen, benenne Unsicherheit und Grenzen der Abdeckung und nenne Quellen. Nur günstige Ergebnisse auszuwählen und zu zeigen, kann eine sorgfältige Analyse in eine irreführende Handlungsempfehlung verwandeln.

Auch anonyme Daten unterstützen Entscheidungen über Gruppen. Ein Ergebnis kann ein Stadtviertel stigmatisieren oder dazu führen, dass ihm Leistungen verweigert werden, selbst wenn sich keine Zeile einer Person zuordnen lässt. Beurteile, was die vorgeschlagene Maßnahme für diese Gruppe bedeuten würde, bestimme jemanden zur Prüfung ihrer Auswirkungen und sprich Bedenken frühzeitig bei der Führungskraft oder dem Datenverantwortlichen an.