# Datenanalyse: von Rohdaten zur Erkenntnis

> Datenanalyse verwandelt rohe Daten in Erkenntnisse, die Entscheidungen stützen. Der typische Ablauf: Daten erfassen und zusammenführen, bereinigen (Fehler, Dubletten, fehlende Werte beheben), auswerten (mit Kennzahlen und Statistik) und die Ergebnisse verständlich visualisieren. Grundsatz: Die Erkenntnis ist nur so gut wie die Datenqualität.

**Autor:** Mr. Benjamin · **Beruf:** IT-Grundlagen
**Veröffentlicht:** 2026-09-26 · **Aktualisiert:** 2026-09-26
**Quelle:** https://yellowbluetech.de/blog/datenanalyse-grundlagen

---

Ein Berg roher Daten ist wertlos, solange niemand die richtige Frage stellt und sie beantwortet. Datenanalyse ist der Weg vom Datenchaos zur brauchbaren Erkenntnis – und das Kernhandwerk der Fachrichtung [Daten- und Prozessanalyse](/blog/fachinformatiker-daten-prozessanalyse).

## Der typische Ablauf

Datenanalyse folgt fast immer denselben Schritten:

> **Merksatz**
>
> **Erfassen → Bereinigen → Auswerten → Visualisieren.** Der oft unterschätzte, aber wichtigste Schritt ist das **Bereinigen** – er macht in der Praxis den größten Zeitanteil aus, weil rohe Daten fast nie sauber sind.

| Schritt | Aufgabe |
| --- | --- |
| **Erfassen** | Daten aus Quellen sammeln und zusammenführen |
| **Bereinigen** | Fehler, Dubletten und fehlende Werte beheben |
| **Auswerten** | Kennzahlen berechnen, Muster und Zusammenhänge suchen |
| **Visualisieren** | Ergebnisse als Diagramm/Bericht verständlich machen |

## Warum Datenqualität alles entscheidet

> **Merksatz**
>
> **„Garbage in, garbage out"**: Sind die Eingangsdaten fehlerhaft, ist auch das Ergebnis wertlos – egal wie ausgefeilt die Analyse ist. Deshalb steht die **Datenqualität** (Vollständigkeit, Korrektheit, Aktualität, Einheitlichkeit) am Anfang jeder seriösen Auswertung.

Typische Probleme: doppelte Datensätze, uneinheitliche Schreibweisen („Müller" vs. „Mueller"), fehlende Werte, falsche [Zeichensätze](/blog/zeichensaetze-unicode-utf8) oder [Datenformate](/blog/json-und-xml).

## Auswerten mit Kennzahlen

Bei der Auswertung helfen einfache statistische Größen: **Summe, Durchschnitt (Mittelwert), Minimum/Maximum** und die **Häufigkeit** von Werten. Genau dafür sind [SQL-Aggregatfunktionen](/blog/sql-grundlagen-select) wie `COUNT`, `SUM` und `AVG` gemacht. Wichtig ist, die richtige Frage zu stellen: „Wie viele?", „Im Schnitt?", „Im Vergleich zum Vormonat?".

> **Prüfungstipp**
>
> Zwei Punkte solltest du erklären können: den **Ablauf** (erfassen, bereinigen, auswerten, visualisieren) und den Grundsatz **„Garbage in, garbage out"** – die Erkenntnis ist nur so gut wie die Datenqualität. Merke außerdem den Unterschied zwischen **Daten** (rohe Fakten), **Information** (in Zusammenhang gebrachte Daten) und **Wissen** (nutzbare, verstandene Information). Diese Stufung wird gern abgefragt.

## Ergebnisse verständlich machen

> **Hinweis**
>
> Die beste Analyse nützt nichts, wenn niemand sie versteht. Deshalb ist die **Visualisierung** kein Beiwerk, sondern entscheidend: Das passende Diagramm (Balken für Vergleiche, Linien für Verläufe, Anteile als Kreis) macht ein Ergebnis in Sekunden begreifbar. Empfängerinnen und Empfänger sind oft keine IT-Fachleute, sondern Fachabteilungen oder die Geschäftsführung, die auf Basis der Zahlen **entscheiden**. Klare, ehrliche Darstellung – ohne verzerrende Achsen oder irreführende Ausschnitte – gehört deshalb zum professionellen Handwerk der Datenanalyse.

## Selbstkontrolle

**Frage:** Was bedeutet der Grundsatz 'Garbage in, garbage out' in der Datenanalyse?

- [ ] Daten müssen möglichst schnell verarbeitet werden.
- [x] Schlechte Eingangsdaten führen zwangsläufig zu wertlosen Ergebnissen.
- [ ] Man sollte immer alle verfügbaren Daten löschen.
- [ ] Visualisierung ist wichtiger als die Daten selbst.

**Erklärung:** Sind die Eingangsdaten fehlerhaft oder von schlechter Qualität, ist auch das Analyseergebnis wertlos – unabhängig davon, wie aufwendig die Auswertung ist. Deshalb ist die Datenbereinigung und -qualität ein zentraler und zeitintensiver Schritt.

## Häufige Fragen

### Was ist der Unterschied zwischen Daten, Information und Wissen?

Daten sind rohe, für sich genommen bedeutungslose Fakten, etwa eine Zahl. Information entsteht, wenn Daten in einen Zusammenhang gestellt werden, etwa ein Umsatz für einen bestimmten Monat. Wissen ist verstandene, nutzbare Information, mit der man Entscheidungen treffen kann. Datenanalyse arbeitet sich genau diese Stufen hinauf.

### Warum dauert die Datenbereinigung so lange?

Weil reale Daten fast immer unsauber sind: Sie stammen aus verschiedenen Quellen mit unterschiedlichen Formaten, enthalten Tippfehler, Dubletten und Lücken. Bevor man sinnvoll auswerten kann, muss all das vereinheitlicht und korrigiert werden. In der Praxis entfällt darauf oft der größte Teil der Arbeitszeit.

### Was ist ETL?

ETL steht für Extract, Transform, Load. Es beschreibt den Prozess, Daten aus Quellen zu extrahieren, sie umzuwandeln und zu bereinigen und anschließend in ein Zielsystem wie ein Data Warehouse zu laden. ETL ist das Rückgrat vieler Datenanalyse- und Reporting-Projekte.

### Braucht man dafür KI?

Nicht zwingend. Viele wertvolle Analysen entstehen mit klassischen Mitteln wie SQL, Tabellen und einfachen Statistiken. [Künstliche Intelligenz](/blog/kuenstliche-intelligenz-machine-learning) und Machine Learning können bei sehr großen Datenmengen oder komplexen Mustern helfen, setzen aber ebenfalls saubere, gut aufbereitete Daten voraus. Die Grundlagen bleiben also dieselben.

**Weiterlesen:** [Was ist eine Datenbank? Tabellen und SQL](/blog/was-ist-eine-datenbank) · [SQL-JOINs erklärt: INNER JOIN und LEFT JOIN](/blog/sql-joins)

## Das Wichtigste in Kürze

- Datenanalyse macht aus **Rohdaten** verwertbare **Erkenntnisse**.
- Ablauf: **Erfassen → Bereinigen → Auswerten → Visualisieren**.
- **Datenqualität** ist entscheidend: **„Garbage in, garbage out"**.
- Auswerten mit **Kennzahlen** (Summe, Mittelwert, Häufigkeit); SQL hilft.
- **Visualisierung** macht Ergebnisse für Entscheider verständlich.