Die gr\u00f6\u00dfte Herausforderung f\u00fcr jeden Spezialisten, dessen Hauptt\u00e4tigkeit die Datenanalyse ist, besteht in der Handhabung, Umwandlung und Vorbereitung des Datensatzes f\u00fcr die Analyse. Leider erfordern Daten, die Ereignisse im Unternehmen beschreiben, immer eine angemessene Verwaltung – Kontrolle der korrekten Vervollst\u00e4ndigung, Behandlung ungew\u00f6hnlicher Ereignisse, Implementierung neuer Informationsstrukturen. Der Umfang dieser Aufgabe zwingt oft zur Schaffung einer separaten Position, die f\u00fcr das Data Engineering verantwortlich ist – ihre Aufbereitung, die Planung der Berichtsstruktur und die technologische Architektur hinter dem gesamten Prozess. <\/p>\n\n
Unabh\u00e4ngig von der Gr\u00f6\u00dfe unseres Unternehmens, der Struktur der Analyseabteilung und der Qualit\u00e4t der Daten sollte jedoch jede Datenanalyse mit der Vorbereitung des Datensatzes f\u00fcr die Analyse und seine Visualisierung beginnen. An dieser Stelle kommt die explorative Datenanalyse (EDA) ins Spiel. Dabei handelt es sich um einen Prozess, der zu Beginn der Arbeit eines Analysten durchgef\u00fchrt wird. Er erm\u00f6glicht es ihm, sich mit der vorhandenen Struktur vertraut zu machen und m\u00f6gliche Probleme zu bew\u00e4ltigen. In dieser Phase erwirbt der Analyst Informationen \u00fcber die Sammlung selbst, beginnt sie zu verstehen und stellt ungew\u00f6hnliche Werte und Fehler in der Sammlung fest, die zus\u00e4tzliche Ma\u00dfnahmen erfordern. Worin besteht der Prozess der explorativen Datenanalyse? <\/p>\n\n
Erfahren Sie in 5 einfachen Schritten, wie Sie Ihre Daten f\u00fcr eine effektive Analyse und Visualisierung Ihrer Ergebnisse richtig vorbereiten.<\/p>\n\n
Datenanalyse und ihr Gesch\u00e4ftszweck – verstehen Sie Ihren Datensatz <\/strong><\/h2>\n\nDas Schl\u00fcsselelement der Datenanalyse besteht darin, zu pr\u00fcfen und zu verstehen, womit wir es zu tun haben. In diesem Stadium sollten wir die Fragen beantworten: <\/p>\n\n
- Woher kommen die Daten: wer gibt sie ein, wann, wie?<\/li>
- Was genau bedeutet jede Spalte\/Variable\/Tabelle (z.B. ist das „Datum, an dem ein Mitarbeiter hinzugef\u00fcgt wurde“ das Datum, an dem er eingestellt wurde, das Datum, an dem er dem System hinzugef\u00fcgt wurde, das Datum, an dem er zu arbeiten begann)?<\/li>
- Welche Werte finden sich in den einzelnen Teilen der Menge (besteht z.B. die Spalte mit dem Einstellungsdatum des Mitarbeiters nur aus g\u00fcltigen Daten oder vielleicht auch aus Zahlen und S\u00e4tzen)?<\/li>
- Was m\u00f6chte ich letztendlich erreichen (ist dieser Satz geeignet, um die Datenanalyse erfolgreich zu gestalten)?<\/li><\/ul>\n\n
Es mag scheinen, dass die Antworten auf diese Fragen offensichtlich sind und dieser Schritt nur eine Formalit\u00e4t ist. Leider ist dieser Schritt oft sehr arbeitsintensiv. An verschiedenen Stellen im Datensatz k\u00f6nnen Werte auftauchen, die wir nicht verstehen, so dass wir erkl\u00e4ren m\u00fcssen, warum diese Werte auftreten und was sie bedeuten. In diesem Stadium erfahren wir zum Beispiel, dass die Variable, die dem Transaktionswert entspricht, neben Zahlen auch Ausdr\u00fccke wie „storniert“, „unbekannt“, „Raten“ enth\u00e4lt. Es kann sich auch herausstellen, dass ein Teammitglied, das in die Vereinigten Staaten delegiert wurde, die Vertragsdaten im Format MM\/TT\/JJJJ eingegeben hat, w\u00e4hrend der Rest des Teams – TT\/MM\/JJJJ. <\/p>\n\n
Daher umfasst diese Phase der Analyse sowohl eine vorl\u00e4ufige Analyse der Sammlung in einem Analysetool (Business Intelligence-Tools wie Tableau<\/a>, integrierte Entwicklungsumgebungen wie PyCharm usw.) als auch eine gr\u00fcndliche \u00dcberpr\u00fcfung der Metadaten der Sammlung und einen Vergleich unserer Ergebnisse mit dem Team, um alle Zweifel zu kl\u00e4ren.<\/p>\n\nNachdem wir diese Phase korrekt durchgef\u00fchrt haben, sollten wir Informationen \u00fcber die notwendigen Transformationen der Daten in der Sammlung erhalten. Ihre Leistung ist f\u00fcr die weitere Analyse erforderlich. <\/h4>\n\nOptimieren Sie Ihren Datensatz<\/strong><\/h2>\n\nIm zweiten Schritt des Prozesses sollten wir uns auf die technische Optimierung des Datensatzes konzentrieren. Das bedeutet, dass wir f\u00fcr jede untersuchte Spalte\/Variable\/Tabelle zwei Fragen beantworten m\u00fcssen: <\/p>\n\n
- Ist das Objekt (z.B. Tabelle, Spalte, Variable) f\u00fcr diese Analyse n\u00fctzlich (wenn nicht, sollte es entfernt werden)?<\/li>
- Hat das Objekt den richtigen Datentyp (z.B. sind die Zahlen definitiv Integer\/Floats und keine Strings)?<\/li><\/ul>\n\n
Dieser Schritt ist zwar einfach anzuwenden, aber extrem wichtig. Bei mittleren und gro\u00dfen Datens\u00e4tzen kann er die Arbeit daran sogar um ein Vielfaches beschleunigen. Wenn die Datenanalyse mit einer flachen Tabelle durchgef\u00fchrt wird, die mehrere tausend Datens\u00e4tze und mehrere Dutzend Spalten enth\u00e4lt, kann dieser Schritt ihre Gr\u00f6\u00dfe erheblich reduzieren. Dies wirkt sich auf die Analysezeit aus. Die Erstellung eines einfachen Diagramms dauert nur noch eine statt etwa ein Dutzend Sekunden, und die Ausf\u00fchrung eines vollst\u00e4ndigen Analyseskripts dauert nur noch wenige statt etwa ein Dutzend Minuten. Dies sind keine gro\u00dfen Zahlen. Es ist jedoch wichtig, daran zu denken, dass ein Skript beim Erstellen und Testen mehrmals ausgef\u00fchrt werden muss… <\/p>\n\n
In diesem Schritt f\u00fchren wir eine Transformation der verf\u00fcgbaren Daten durch. Dies ist eine einfache Aufgabe, die in den meisten Analysetools durchgef\u00fchrt werden kann. Denken Sie an die Datentypen, die von unserer Analyseumgebung unterst\u00fctzt werden, und versuchen Sie immer, den ben\u00f6tigten Speicherplatz zu minimieren. <\/p>\n\n
Vermeiden Sie die „speicherintensivsten“ Typen wie string (W\u00f6rter, Zeichenketten). W\u00e4hlen Sie stattdessen die speichereffizientesten Typen, wie z.B. boolean (wahr\/falsch). <\/p>\n\n
Verwalten Sie Datenl\u00fccken angemessen<\/strong><\/h2>\n\nDer n\u00e4chste Schritt bei der Datenaufbereitung ist die ordnungsgem\u00e4\u00dfe Verwaltung von fehlenden Daten in der Datenbank. In jeder Produktionsdatenbank werden wir auf eine Situation sto\u00dfen, in der ein Wert f\u00fcr ein bestimmtes Objekt leer ist. Ein klassischer Fehler in einem solchen Fall ist es, diesem Wert eine Null zuzuweisen. Das Fehlen von Daten in ausgew\u00e4hlten Zellen bedeutet jedoch nicht, dass dort der Wert Null steht, und es gibt keine Grundlage f\u00fcr eine solche Aktion. Und was ist, wenn in der Spalte ein Datum oder eine Produktbeschreibung stehen sollte, aber keine Zahl? In diesem Fall k\u00f6nnen wir erst recht nicht die fehlende Zahl durch eine Null ersetzen. <\/p>\n\n
In einem ersten Schritt m\u00fcssen wir die Art der auftretenden Defizite anhand ihrer Entstehung identifizieren. Auf diese Weise werden wir unterscheiden: <\/h3>\n\n- menschliche Fehler (ein bestimmter Wert h\u00e4tte ausgef\u00fcllt werden m\u00fcssen, aber die daf\u00fcr zust\u00e4ndige Person hat es nicht getan);<\/li>
- echte L\u00fccken (aufgrund der Besonderheiten des Datensatzes sollte der Wert in der Tat leer sein, z.B. sollte der Wert der Variablen „zuletzt gekauftes Produkt“ f\u00fcr einen Kunden, der noch keinen Kauf auf unserer Plattform get\u00e4tigt hat, leer sein).<\/li><\/ul>\n\n
Bei echten M\u00e4ngeln h\u00e4ngt es von unserer Analyse ab, wie sie behandelt werden. In den meisten F\u00e4llen werden Datens\u00e4tze mit L\u00fccken jedoch nicht ver\u00e4ndert und bei der Pr\u00e4sentation der Ergebnisse als eigene Kategorie von Datens\u00e4tzen behandelt. Es ist jedoch richtig, dass einige Analysen bei einem solchen Datensatz nicht m\u00f6glich sind. <\/p>\n\n
M\u00e4ngel, die auf menschliches Versagen zur\u00fcckzuf\u00fchren sind, erfordern eine Vereinbarung innerhalb des Teams\/Managements, um sie zu behandeln. Das ist m\u00f6glich: <\/h3>\n\n- die Festlegung des Wertes, der die L\u00fccken ersetzen soll (z.B. unterstellen wir im Voraus das Datum 01\/01\/2000 f\u00fcr jede L\u00fccke im Feld „Besch\u00e4ftigungsdatum“ oder den durchschnittlichen Auftragswert f\u00fcr die L\u00fccke im Feld „Auftragswert“; alternativ k\u00f6nnen Datenl\u00fccken durch Imputation entsprechend der Verteilungen der Variablen ersetzt werden);<\/li>
- das F\u00fcllen der L\u00fccken mit angemessenen Werten durch die verantwortlichen Teammitglieder (was m\u00f6glicherweise nicht m\u00f6glich ist, wenn der Umfang der L\u00fccken erheblich ist oder sie sich auf zeitlich weit entfernte Ereignisse beziehen);<\/li>
- L\u00fccken zu hinterlassen (wenn ihr Auftreten die Analyse nicht wesentlich beeintr\u00e4chtigt);<\/li>
- das Entfernen fehlerhafter Datens\u00e4tze aus der Analyse (was den Verlust einiger Informationen bedeutet, aber manchmal notwendig sein kann, wenn die M\u00e4ngel die Realit\u00e4t erheblich verzerren k\u00f6nnen).<\/li><\/ul>\n\n
Bestimmen Sie die Verteilungen der Variablen und identifizieren Sie Ausrei\u00dfer<\/strong><\/h2>\n\nSobald die Daten nach den oben genannten Grunds\u00e4tzen bereinigt wurden, ist es an der Zeit, ihre Struktur besser zu verstehen. Wir wissen jetzt zum Beispiel, dass die Werte f\u00fcr den Zahlungsverzug bei Rechnungen ganze Zahlen sind, die der Anzahl der Tage entsprechen. Aber wie setzen sich diese Werte in Bezug auf die H\u00e4ufigkeit\/Dichte des Auftretens zusammen? Sind die Kunden am h\u00e4ufigsten um maximal eine Woche im Verzug? Sind diese Werte in unserem Fall gleichm\u00e4\u00dfig \u00fcber das Jahr verteilt? Gibt es Ausrei\u00dfer, d.h. Kunden sind im Allgemeinen h\u00f6chstens eine Woche zu sp\u00e4t, aber ein Auftragnehmer ist 600 Tage zu sp\u00e4t? <\/p>\n\n
Ein Blick auf die Daten<\/strong><\/h2>\n\nAls Teil dieses Schritts sollte f\u00fcr jedes untersuchte Objekt ein Dichteplot oder ein Histogramm erstellt werden (unten sehen Sie ein Beispiel f\u00fcr eine Analyse der in einem bestimmten Gesch\u00e4ft angebotenen Rabatte). Solche Visualisierungen helfen uns zu verstehen, wie unsere Werte verteilt sind und wo wir Ausrei\u00dfer erwarten k\u00f6nnen. <\/p>\n\n![\"Tabellarische](\"http:\/\/cloudity.com\/wp-content\/uploads\/2026\/01\/Table-diagram-of-the-relationship-between-the-number-of-discounts-and-the-amount-of-discounts.png\")
<\/figure>\n\nAnhand des obigen Diagramms k\u00f6nnen wir sehen, dass der Umfang der Preissenkungen nicht symmetrisch verteilt ist. Kleine Preisnachl\u00e4sse (bis zu 20%) dominieren. Gleichzeitig liegen gro\u00dfe Rabatte im Bereich von 70-80% bereits an dritter Stelle, was die H\u00e4ufigkeit angeht. Dies k\u00f6nnte auf die Strategie des Unternehmens in Bezug auf Preisnachl\u00e4sse hindeuten, derzufolge der Preisnachlass klein oder erheblich sein sollte. Das liegt daran, dass Rabatte in der Mitte des Stapels keine Aufmerksamkeit erregen, w\u00e4hrend sie Geld kosten. <\/p>\n\n
Nach einer solchen Analyse sollten weitere Statistiken f\u00fcr jeden Probanden \u00fcberpr\u00fcft werden. N\u00e4mlich Mittelwert, Median, Standardabweichung, Werte f\u00fcr das erste und dritte Quartil. Um sie leicht zu interpretieren, k\u00f6nnen Sie ein Boxplot (Diagramm unten) verwenden, das einige dieser Statistiken zeigt. <\/p>\n\n![\"Beispiel](\"http:\/\/cloudity.com\/wp-content\/uploads\/2026\/01\/Data-analysis-Tableau-chart-example-on-trader-effectiveness.png\")
<\/figure>\n\nAus der obigen Grafik k\u00f6nnen wir ablesen:<\/h4>\n\n- Median (die Grenze der beiden grauen Rechtecke in der Mitte),<\/li>
- das erste und dritte Quartil (die untere und obere \u00e4u\u00dfere Grenze der beiden grauen Rechtecke),<\/li>
- der Interquartilsbereich (die L\u00e4nge der beiden grauen Rechtecke),<\/li>
- erstes und drittes Quartil mit dem subtrahierten bzw. addierten Wert der viertelj\u00e4hrlichen Spanne multipliziert mit 1,5 (die \u00e4u\u00dfersten horizontalen Linien, die so genannten „Whiskers“; im Falle dieser Grafik endet die untere Grenze bei Null, da der Umsatzwert nicht negativ sein kann),<\/li>
- die Ergebnisse der einzelnen Verk\u00e4ufer (Punkte).<\/li><\/ul>\n\n
Anhand der Beispieltabelle k\u00f6nnen wir sehen, dass sich zwei Verk\u00e4ufer in Bezug auf den Verkaufswert von den anderen abheben. Es sind Richard Martinez und Robert Wilson. Gleichzeitig sind ihre Ergebnisse nicht unwahrscheinlich, so dass es keinen Grund gibt, einen Fehler in den Daten zu vermuten. <\/p>\n\n
Schlussfolgerungen aus einer kursorischen Analyse<\/strong><\/h2>\n\nObwohl in dieser Phase bereits typische analytische Arbeiten anfallen, Grafiken und Statistiken erstellt werden, sollte dieses Element nicht als vollst\u00e4ndige Datenanalyse betrachtet werden. Diese Phase dient lediglich dazu, den Forscher mit den Merkmalen des Datensatzes vertraut zu machen. Au\u00dferdem – damit er m\u00f6gliche Transformationen noch vor der eigentlichen Analyse vornehmen kann. <\/p>\n\n
Gleichzeitig sollten wir in dieser Phase entscheiden, wie wir mit Ausrei\u00dfern umgehen, z.B. f\u00fcr den erw\u00e4hnten Fall, dass der Zahlungsverzug bei Rechnungen 600 Tage betr\u00e4gt. In der Literatur findet man einen Ansatz, der die Anwendung der „Drei-Sigma-Regel“ vorschl\u00e4gt. Dieser Begriff bedeutet, dass alle Beobachtungen abgelehnt werden, die mehr als drei Standardabweichungen vom Mittelwert abweichen. Beachten Sie jedoch, dass dieser Ansatz nur im Falle einer normalen Wahrscheinlichkeitsverteilung gerechtfertigt ist, bei der tats\u00e4chlich 99,7 % der Beobachtungen innerhalb des Bereichs liegen: Mittelwert +\/- drei Standardabweichungen. <\/p>\n\n
In der Realit\u00e4t k\u00f6nnen wir das Vorhandensein dieser Verteilung in unseren Daten nur selten best\u00e4tigen. Ein klassischer Fehler bei der Anwendung dieser Regel ist der Ausschluss von Kunden mit Einkaufswerten au\u00dferhalb des oben angegebenen Bereichs. Ein solch hoher Wert verzerrt die Analyse, kann aber gleichzeitig darauf hinweisen, dass der betreffende K\u00e4ufer ein Gesch\u00e4ftskunde und kein Privatkunde ist. Daher sollte er nicht ausgeschlossen, sondern separat analysiert werden, in einer Untergruppe von Datens\u00e4tzen, die Unternehmen entsprechen. <\/p>\n\n
Dementsprechend besteht der beste Ansatz f\u00fcr den Umgang mit Ausrei\u00dfern darin, jede Variable einzeln zu betrachten und entsprechend ihrer Verteilung, Statistik und Aussagekraft zu entscheiden. Wie bei fehlenden Daten k\u00f6nnen wir diesen Wert durch einen anderen ersetzen, ihn aus der Menge entfernen oder ihn unver\u00e4ndert lassen. <\/p>\n\n
Pr\u00fcfen Sie Beziehungen und Korrelationen zwischen Variablen<\/strong><\/h2>\n\nDer letzte Schritt einer ordnungsgem\u00e4\u00dfen explorativen Datenanalyse besteht darin, die Beziehungen und Korrelationen zu pr\u00fcfen, die zwischen den untersuchten Variablen bestehen. Dieser Schritt beinhaltet die \u00dcberpr\u00fcfung des gemeinsamen Auftretens bestimmter Kategorien und Werte einzelner Variablen in unserem Datensatz. <\/p>\n\n
Die wichtigste Aktivit\u00e4t dieses Schritts ist die Bestimmung von Korrelationsma\u00dfen. Im klassischsten Fall ist dieses Ma\u00df der lineare Korrelationskoeffizient von Pearson, der uns anzeigt, ob z.B. bei einem Anstieg des Wertes der einen Variablen die Werte der anderen Variablen steigen oder sinken. Alternativ, z.B. im Falle einer Variable mit Ausrei\u00dfern, kann der Spearman-Rangkorrelationskoeffizient verwendet werden, der die Beziehungen in einem solchen Fall besser wiedergibt. <\/p>\n\n
Mit der Korrelations- und Co-Occurrence-Analyse k\u00f6nnen wir die G\u00fcltigkeit und Konsistenz unserer Daten mit der Intuition \u00fcberpr\u00fcfen. Wenn die Analyse zeigt, dass Werte h\u00f6herer Ordnung f\u00fcr einzelne Kunden und nicht f\u00fcr Unternehmen auftreten, kann dies auf Fehler in der Menge hinweisen, die auf keiner der vorherigen Analyseebenen entdeckt wurden. Gleichzeitig k\u00f6nnen wir auf dieser Stufe bereits die ersten Abh\u00e4ngigkeiten erkennen. Auf diese Weise k\u00f6nnen wir nahtlos zur eigentlichen Analyse des bereits bereinigten Datensatzes \u00fcbergehen. <\/p>\n\n
Die korrekte Ausf\u00fchrung der oben genannten Schritte verk\u00fcrzt die analytische Arbeit am Set erheblich. <\/p>\n\n
Dank der aufeinanderfolgenden Phasen kann der Forscher die Daten, d.h. das Material, an dem er arbeitet, gr\u00fcndlich verstehen. Dadurch werden viele Fehler und Missverst\u00e4ndnisse in den nachfolgenden Phasen vermieden, und die Datenanalyse kann effektiv durchgef\u00fchrt werden. <\/p>\n\n
Wir empfehlen Ihnen auch, uns auf LinkedIn zu folgen<\/a>.<\/p>\n\n
Es mag scheinen, dass die Antworten auf diese Fragen offensichtlich sind und dieser Schritt nur eine Formalit\u00e4t ist. Leider ist dieser Schritt oft sehr arbeitsintensiv. An verschiedenen Stellen im Datensatz k\u00f6nnen Werte auftauchen, die wir nicht verstehen, so dass wir erkl\u00e4ren m\u00fcssen, warum diese Werte auftreten und was sie bedeuten. In diesem Stadium erfahren wir zum Beispiel, dass die Variable, die dem Transaktionswert entspricht, neben Zahlen auch Ausdr\u00fccke wie „storniert“, „unbekannt“, „Raten“ enth\u00e4lt. Es kann sich auch herausstellen, dass ein Teammitglied, das in die Vereinigten Staaten delegiert wurde, die Vertragsdaten im Format MM\/TT\/JJJJ eingegeben hat, w\u00e4hrend der Rest des Teams – TT\/MM\/JJJJ. <\/p>\n\n
Daher umfasst diese Phase der Analyse sowohl eine vorl\u00e4ufige Analyse der Sammlung in einem Analysetool (Business Intelligence-Tools wie Tableau<\/a>, integrierte Entwicklungsumgebungen wie PyCharm usw.) als auch eine gr\u00fcndliche \u00dcberpr\u00fcfung der Metadaten der Sammlung und einen Vergleich unserer Ergebnisse mit dem Team, um alle Zweifel zu kl\u00e4ren.<\/p>\n\n Im zweiten Schritt des Prozesses sollten wir uns auf die technische Optimierung des Datensatzes konzentrieren. Das bedeutet, dass wir f\u00fcr jede untersuchte Spalte\/Variable\/Tabelle zwei Fragen beantworten m\u00fcssen: <\/p>\n\n Dieser Schritt ist zwar einfach anzuwenden, aber extrem wichtig. Bei mittleren und gro\u00dfen Datens\u00e4tzen kann er die Arbeit daran sogar um ein Vielfaches beschleunigen. Wenn die Datenanalyse mit einer flachen Tabelle durchgef\u00fchrt wird, die mehrere tausend Datens\u00e4tze und mehrere Dutzend Spalten enth\u00e4lt, kann dieser Schritt ihre Gr\u00f6\u00dfe erheblich reduzieren. Dies wirkt sich auf die Analysezeit aus. Die Erstellung eines einfachen Diagramms dauert nur noch eine statt etwa ein Dutzend Sekunden, und die Ausf\u00fchrung eines vollst\u00e4ndigen Analyseskripts dauert nur noch wenige statt etwa ein Dutzend Minuten. Dies sind keine gro\u00dfen Zahlen. Es ist jedoch wichtig, daran zu denken, dass ein Skript beim Erstellen und Testen mehrmals ausgef\u00fchrt werden muss… <\/p>\n\n In diesem Schritt f\u00fchren wir eine Transformation der verf\u00fcgbaren Daten durch. Dies ist eine einfache Aufgabe, die in den meisten Analysetools durchgef\u00fchrt werden kann. Denken Sie an die Datentypen, die von unserer Analyseumgebung unterst\u00fctzt werden, und versuchen Sie immer, den ben\u00f6tigten Speicherplatz zu minimieren. <\/p>\n\n Vermeiden Sie die „speicherintensivsten“ Typen wie string (W\u00f6rter, Zeichenketten). W\u00e4hlen Sie stattdessen die speichereffizientesten Typen, wie z.B. boolean (wahr\/falsch). <\/p>\n\n Der n\u00e4chste Schritt bei der Datenaufbereitung ist die ordnungsgem\u00e4\u00dfe Verwaltung von fehlenden Daten in der Datenbank. In jeder Produktionsdatenbank werden wir auf eine Situation sto\u00dfen, in der ein Wert f\u00fcr ein bestimmtes Objekt leer ist. Ein klassischer Fehler in einem solchen Fall ist es, diesem Wert eine Null zuzuweisen. Das Fehlen von Daten in ausgew\u00e4hlten Zellen bedeutet jedoch nicht, dass dort der Wert Null steht, und es gibt keine Grundlage f\u00fcr eine solche Aktion. Und was ist, wenn in der Spalte ein Datum oder eine Produktbeschreibung stehen sollte, aber keine Zahl? In diesem Fall k\u00f6nnen wir erst recht nicht die fehlende Zahl durch eine Null ersetzen. <\/p>\n\n Bei echten M\u00e4ngeln h\u00e4ngt es von unserer Analyse ab, wie sie behandelt werden. In den meisten F\u00e4llen werden Datens\u00e4tze mit L\u00fccken jedoch nicht ver\u00e4ndert und bei der Pr\u00e4sentation der Ergebnisse als eigene Kategorie von Datens\u00e4tzen behandelt. Es ist jedoch richtig, dass einige Analysen bei einem solchen Datensatz nicht m\u00f6glich sind. <\/p>\n\n Sobald die Daten nach den oben genannten Grunds\u00e4tzen bereinigt wurden, ist es an der Zeit, ihre Struktur besser zu verstehen. Wir wissen jetzt zum Beispiel, dass die Werte f\u00fcr den Zahlungsverzug bei Rechnungen ganze Zahlen sind, die der Anzahl der Tage entsprechen. Aber wie setzen sich diese Werte in Bezug auf die H\u00e4ufigkeit\/Dichte des Auftretens zusammen? Sind die Kunden am h\u00e4ufigsten um maximal eine Woche im Verzug? Sind diese Werte in unserem Fall gleichm\u00e4\u00dfig \u00fcber das Jahr verteilt? Gibt es Ausrei\u00dfer, d.h. Kunden sind im Allgemeinen h\u00f6chstens eine Woche zu sp\u00e4t, aber ein Auftragnehmer ist 600 Tage zu sp\u00e4t? <\/p>\n\n Als Teil dieses Schritts sollte f\u00fcr jedes untersuchte Objekt ein Dichteplot oder ein Histogramm erstellt werden (unten sehen Sie ein Beispiel f\u00fcr eine Analyse der in einem bestimmten Gesch\u00e4ft angebotenen Rabatte). Solche Visualisierungen helfen uns zu verstehen, wie unsere Werte verteilt sind und wo wir Ausrei\u00dfer erwarten k\u00f6nnen. <\/p>\n\n Anhand des obigen Diagramms k\u00f6nnen wir sehen, dass der Umfang der Preissenkungen nicht symmetrisch verteilt ist. Kleine Preisnachl\u00e4sse (bis zu 20%) dominieren. Gleichzeitig liegen gro\u00dfe Rabatte im Bereich von 70-80% bereits an dritter Stelle, was die H\u00e4ufigkeit angeht. Dies k\u00f6nnte auf die Strategie des Unternehmens in Bezug auf Preisnachl\u00e4sse hindeuten, derzufolge der Preisnachlass klein oder erheblich sein sollte. Das liegt daran, dass Rabatte in der Mitte des Stapels keine Aufmerksamkeit erregen, w\u00e4hrend sie Geld kosten. <\/p>\n\n Nach einer solchen Analyse sollten weitere Statistiken f\u00fcr jeden Probanden \u00fcberpr\u00fcft werden. N\u00e4mlich Mittelwert, Median, Standardabweichung, Werte f\u00fcr das erste und dritte Quartil. Um sie leicht zu interpretieren, k\u00f6nnen Sie ein Boxplot (Diagramm unten) verwenden, das einige dieser Statistiken zeigt. <\/p>\n\n Anhand der Beispieltabelle k\u00f6nnen wir sehen, dass sich zwei Verk\u00e4ufer in Bezug auf den Verkaufswert von den anderen abheben. Es sind Richard Martinez und Robert Wilson. Gleichzeitig sind ihre Ergebnisse nicht unwahrscheinlich, so dass es keinen Grund gibt, einen Fehler in den Daten zu vermuten. <\/p>\n\n Obwohl in dieser Phase bereits typische analytische Arbeiten anfallen, Grafiken und Statistiken erstellt werden, sollte dieses Element nicht als vollst\u00e4ndige Datenanalyse betrachtet werden. Diese Phase dient lediglich dazu, den Forscher mit den Merkmalen des Datensatzes vertraut zu machen. Au\u00dferdem – damit er m\u00f6gliche Transformationen noch vor der eigentlichen Analyse vornehmen kann. <\/p>\n\n Gleichzeitig sollten wir in dieser Phase entscheiden, wie wir mit Ausrei\u00dfern umgehen, z.B. f\u00fcr den erw\u00e4hnten Fall, dass der Zahlungsverzug bei Rechnungen 600 Tage betr\u00e4gt. In der Literatur findet man einen Ansatz, der die Anwendung der „Drei-Sigma-Regel“ vorschl\u00e4gt. Dieser Begriff bedeutet, dass alle Beobachtungen abgelehnt werden, die mehr als drei Standardabweichungen vom Mittelwert abweichen. Beachten Sie jedoch, dass dieser Ansatz nur im Falle einer normalen Wahrscheinlichkeitsverteilung gerechtfertigt ist, bei der tats\u00e4chlich 99,7 % der Beobachtungen innerhalb des Bereichs liegen: Mittelwert +\/- drei Standardabweichungen. <\/p>\n\n In der Realit\u00e4t k\u00f6nnen wir das Vorhandensein dieser Verteilung in unseren Daten nur selten best\u00e4tigen. Ein klassischer Fehler bei der Anwendung dieser Regel ist der Ausschluss von Kunden mit Einkaufswerten au\u00dferhalb des oben angegebenen Bereichs. Ein solch hoher Wert verzerrt die Analyse, kann aber gleichzeitig darauf hinweisen, dass der betreffende K\u00e4ufer ein Gesch\u00e4ftskunde und kein Privatkunde ist. Daher sollte er nicht ausgeschlossen, sondern separat analysiert werden, in einer Untergruppe von Datens\u00e4tzen, die Unternehmen entsprechen. <\/p>\n\n Dementsprechend besteht der beste Ansatz f\u00fcr den Umgang mit Ausrei\u00dfern darin, jede Variable einzeln zu betrachten und entsprechend ihrer Verteilung, Statistik und Aussagekraft zu entscheiden. Wie bei fehlenden Daten k\u00f6nnen wir diesen Wert durch einen anderen ersetzen, ihn aus der Menge entfernen oder ihn unver\u00e4ndert lassen. <\/p>\n\n Der letzte Schritt einer ordnungsgem\u00e4\u00dfen explorativen Datenanalyse besteht darin, die Beziehungen und Korrelationen zu pr\u00fcfen, die zwischen den untersuchten Variablen bestehen. Dieser Schritt beinhaltet die \u00dcberpr\u00fcfung des gemeinsamen Auftretens bestimmter Kategorien und Werte einzelner Variablen in unserem Datensatz. <\/p>\n\n Die wichtigste Aktivit\u00e4t dieses Schritts ist die Bestimmung von Korrelationsma\u00dfen. Im klassischsten Fall ist dieses Ma\u00df der lineare Korrelationskoeffizient von Pearson, der uns anzeigt, ob z.B. bei einem Anstieg des Wertes der einen Variablen die Werte der anderen Variablen steigen oder sinken. Alternativ, z.B. im Falle einer Variable mit Ausrei\u00dfern, kann der Spearman-Rangkorrelationskoeffizient verwendet werden, der die Beziehungen in einem solchen Fall besser wiedergibt. <\/p>\n\n Mit der Korrelations- und Co-Occurrence-Analyse k\u00f6nnen wir die G\u00fcltigkeit und Konsistenz unserer Daten mit der Intuition \u00fcberpr\u00fcfen. Wenn die Analyse zeigt, dass Werte h\u00f6herer Ordnung f\u00fcr einzelne Kunden und nicht f\u00fcr Unternehmen auftreten, kann dies auf Fehler in der Menge hinweisen, die auf keiner der vorherigen Analyseebenen entdeckt wurden. Gleichzeitig k\u00f6nnen wir auf dieser Stufe bereits die ersten Abh\u00e4ngigkeiten erkennen. Auf diese Weise k\u00f6nnen wir nahtlos zur eigentlichen Analyse des bereits bereinigten Datensatzes \u00fcbergehen. <\/p>\n\n Die korrekte Ausf\u00fchrung der oben genannten Schritte verk\u00fcrzt die analytische Arbeit am Set erheblich. <\/p>\n\n Dank der aufeinanderfolgenden Phasen kann der Forscher die Daten, d.h. das Material, an dem er arbeitet, gr\u00fcndlich verstehen. Dadurch werden viele Fehler und Missverst\u00e4ndnisse in den nachfolgenden Phasen vermieden, und die Datenanalyse kann effektiv durchgef\u00fchrt werden. <\/p>\n\n Wir empfehlen Ihnen auch, uns auf LinkedIn zu folgen<\/a>.<\/p>\n\nNachdem wir diese Phase korrekt durchgef\u00fchrt haben, sollten wir Informationen \u00fcber die notwendigen Transformationen der Daten in der Sammlung erhalten. Ihre Leistung ist f\u00fcr die weitere Analyse erforderlich. <\/h4>\n\n
Optimieren Sie Ihren Datensatz<\/strong><\/h2>\n\n
Verwalten Sie Datenl\u00fccken angemessen<\/strong><\/h2>\n\n
In einem ersten Schritt m\u00fcssen wir die Art der auftretenden Defizite anhand ihrer Entstehung identifizieren. Auf diese Weise werden wir unterscheiden: <\/h3>\n\n
M\u00e4ngel, die auf menschliches Versagen zur\u00fcckzuf\u00fchren sind, erfordern eine Vereinbarung innerhalb des Teams\/Managements, um sie zu behandeln. Das ist m\u00f6glich: <\/h3>\n\n
Bestimmen Sie die Verteilungen der Variablen und identifizieren Sie Ausrei\u00dfer<\/strong><\/h2>\n\n
Ein Blick auf die Daten<\/strong><\/h2>\n\n
<\/figure>\n\n<\/figure>\n\nAus der obigen Grafik k\u00f6nnen wir ablesen:<\/h4>\n\n
Schlussfolgerungen aus einer kursorischen Analyse<\/strong><\/h2>\n\n
Pr\u00fcfen Sie Beziehungen und Korrelationen zwischen Variablen<\/strong><\/h2>\n\n