Was zählt eigentlich alles als Daten?

In der heutigen Geschäftswelt ist der Begriff “Daten” allgegenwärtig. Wir sprechen von datengetriebenen Entscheidungen, Big Data, Datenanalyse und Datenstrategien. Doch was verbirgt sich wirklich hinter diesem so oft verwendeten Wort? Viele Führungskräfte und Fachleute haben eine Vorstellung von Daten, die oft auf Zahlen in Excel-Tabellen oder Einträge in einer Kundendatenbank beschränkt ist. Diese Sichtweise ist jedoch gefährlich unvollständig. Um echte Datenkompetenz im Unternehmen zu etablieren, ist ein tiefgreifendes und ganzheitliches Verständnis dessen, was Daten eigentlich sind, unerlässlich. Dieser Artikel erweitert die gängige Definition und zeigt die vielfältigen Formen und Facetten von Daten auf, die für den modernen Geschäftserfolg entscheidend sind.

Jenseits der Tabelle: Eine erweiterte Definition von Daten

Im Kern sind Daten rohe, unorganisierte Fakten, Symbole oder Beobachtungen. Sie sind die grundlegenden Bausteine, aus denen Informationen, Wissen und letztlich Weisheit entstehen. Die klassische DIKW-Pyramide (Data, Information, Knowledge, Wisdom) veranschaulicht diesen Prozess:

• Daten (Data): Diskrete, objektive Fakten ohne Kontext. Beispiel: Die Zahl “30”.
• Information: Daten, die in einen Kontext gesetzt werden. Beispiel: “Die Temperatur beträgt 30 Grad Celsius.”
• Wissen (Knowledge): Verstandene und verarbeitete Informationen, die Handlungsmuster ermöglichen. Beispiel: “Bei 30 Grad Celsius fühlen sich viele Menschen unwohl und suchen nach Abkühlung. Unsere Klimaanlagen verkaufen sich bei dieser Temperatur besonders gut.”
• Weisheit (Wisdom): Die Anwendung von Wissen mit Urteilsvermögen und Weitsicht. Beispiel: “Wir sollten unsere Marketingkampagnen für Klimaanlagen proaktiv starten, wenn die Wettervorhersage Temperaturen über 30 Grad ankündigt, und dabei die langfristigen ökologischen Auswirkungen berücksichtigen.”

Diese Hierarchie macht deutlich, dass Daten an sich noch keinen Wert besitzen. Ihr Wert entsteht erst durch Kontextualisierung und Analyse. Die entscheidende erste Erkenntnis für eine fortgeschrittene Data Literacy lautet daher: Daten sind weit mehr als nur Zahlen. Es sind Texte, Bilder, Geräusche, Videos, Sensormessungen, Klicks auf einer Webseite oder sogar handschriftliche Notizen. Jede Form von gespeicherter Repräsentation eines Fakts oder Ereignisses ist ein Datum.

Die Anatomie der Daten: Strukturiert, unstrukturiert und semi-strukturiert

Um die Vielfalt der Daten zu beherrschen, ist eine Klassifizierung nach ihrer Struktur von zentraler Bedeutung. Diese Unterscheidung hat weitreichende Konsequenzen für Speicherung, Verarbeitung und Analyse.

Strukturierte Daten

Dies ist die bekannteste Form von Daten. Sie sind hochgradig organisiert und passen in ein vordefiniertes Modell, wie die Zeilen und Spalten einer relationalen Datenbank oder eines Tabellenkalkulationsprogramms. Jedes Datenelement ist klar definiert und leicht abfragbar.

• Merkmale: Festes Schema, leicht durchsuchbar, quantitativ.
• Technologien: SQL-Datenbanken (z.B. MySQL, PostgreSQL), Data Warehouses, Excel.
• Beispiele aus der Praxis:
  • Kundeninformationen in einem CRM-System (Name, Adresse, Kundennummer).
  • Finanztransaktionen (Datum, Betrag, Konto).
  • Verkaufszahlen nach Produkt und Region.
  • Lagerbestände in einem ERP-System.

Unstrukturierte Daten

Unstrukturierte Daten haben kein vordefiniertes Datenmodell oder eine inhärente Organisation. Sie enthalten oft wertvolle Informationen – zum Beispiel Kundenwünsche in E-Mails oder Hinweise auf Probleme in Serviceberichten. Ihre Analyse erfordert fortschrittliche Techniken wie Natural Language Processing (NLP) für Texte oder Computer Vision für Bilder.

• Merkmale: Kein festes Schema, qualitativer Natur, schwer durchsuchbar.
• Technologien: Data Lakes, NoSQL-Datenbanken (z.B. MongoDB), spezialisierte Analysewerkzeuge.
• Beispiele aus der Praxis:
  • Der Inhalt von E-Mails und internen Chat-Nachrichten (z.B. aus Slack oder Microsoft Teams).
  • Kundenrezensionen auf Webseiten oder Social-Media-Posts.
  • Aufgezeichnete Telefonate aus dem Callcenter.
  • Videoüberwachungsaufnahmen zur Analyse von Kundenströmen im Einzelhandel.
  • Vertragsdokumente und Berichte im PDF-Format.
  • Satellitenbilder zur Überwachung von landwirtschaftlichen Flächen.

Semi-strukturierte Daten

Diese Kategorie bildet die Brücke zwischen strukturierten und unstrukturierten Daten. Sie folgt keinem starren relationalen Modell, enthält aber Tags, Marker oder andere semantische Elemente, um Hierarchien und Felder innerhalb der Daten zu kennzeichnen. Sie sind der Kitt, der viele moderne Webanwendungen und APIs zusammenhält.

• Merkmale: Flexibles Schema, selbstbeschreibend durch Tags, hierarchisch.
• Technologien: XML, JSON, NoSQL-Datenbanken.
• Beispiele aus der Praxis:
  • JSON-Dateien von Web-APIs, die Daten zwischen Anwendungen austauschen.
  • XML-Feeds für Produktkataloge oder Nachrichtenartikel.
  • E-Mails, die zwar einen unstrukturierten Textkörper haben, aber strukturierte Felder wie Absender, Empfänger und Betreff aufweisen.
  • HTML-Code einer Webseite, der durch Tags (`<h1>`, `<p>` etc.) eine klare Struktur erhält.

Eigenschaft	Strukturierte Daten	Semi-strukturierte Daten	Unstrukturierte Daten
Organisation	Vordefiniertes Schema (Zeilen/Spalten)	Flexibles Schema mit Tags/Markern	Kein Schema
Typische Formate	SQL-Datenbank, Excel, viele CSV-Dateien	JSON, XML, HTML	Textdokumente, Bilder, Audio, Video
Analysekomplexität	Niedrig (Standard-SQL-Abfragen)	Mittel (Parsing erforderlich)	Hoch (NLP, Computer Vision etc. nötig)

Die unsichtbare Dimension: Metadaten und ihre strategische Bedeutung

Ein oft übersehener, aber strategisch entscheidender Aspekt sind Metadaten – die “Daten über Daten”. Sie beschreiben den Kontext, die Herkunft, die Struktur und die Verwaltung der eigentlichen Nutzdaten. Ohne Metadaten sind selbst perfekt strukturierte Daten oft nutzlos oder irreführend.

Stellen Sie sich ein Foto vor (unstrukturierte Daten). Die Metadaten wären hier Informationen wie:

• Deskriptive Metadaten: Wer oder was ist auf dem Bild zu sehen? (Keywords: “Vorstandssitzung”, “Produktlaunch”)
• Strukturelle Metadaten: Wie groß ist die Bilddatei? Welches Format hat sie? (3MB, JPEG)
• Administrative Metadaten: Wann wurde das Foto aufgenommen? Von wem? Wer hat die Urheberrechte? Wer darf es verwenden? (Erstelldatum, Fotograf, Lizenzinformationen)

Im Unternehmenskontext sind Metadaten das Fundament für Data Governance, Datenqualität und Compliance. Sie beantworten Fragen wie: Woher stammen diese Verkaufszahlen? Sind sie bereits bereinigt? Wer ist für die Pflege dieser Kundendaten verantwortlich? Entsprechen die gespeicherten Daten den Anforderungen der DSGVO? Ein Unternehmen, das seine Metadaten nicht im Griff hat, navigiert im Blindflug durch seine eigene Datenlandschaft.

Daten in Aktion: Konkrete Anwendungsfälle aus der Unternehmenspraxis

Der wahre Wert eines breiten Datenverständnisses zeigt sich in der Praxis, wenn verschiedene Datentypen kombiniert werden, um komplexe Probleme zu lösen.

Fall 1: Erweiterte Kundensegmentierung

Ein E-Commerce-Unternehmen möchte seine Marketingausgaben optimieren. Anstatt nur strukturierte Daten wie Kaufhistorie und Demografie zu nutzen, analysiert es zusätzlich:

• Unstrukturierte Daten: Tonalität und Themen aus Kundenrezensionen und Social-Media-Kommentaren (NLP).
• Semi-strukturierte Daten: Klickpfade und Verweildauer auf der Webseite (aus JSON-Logs).

Durch die Kombination dieser Datenquellen entstehen nuancierte Kundenpersonas. Das Unternehmen erkennt nicht nur, was Kunden kaufen, sondern auch warum sie es tun, welche Sorgen sie äußern und welche Produktfeatures sie sich wünschen. Das Ergebnis sind hochgradig personalisierte Marketingkampagnen und eine verbesserte Produktentwicklung.

Fall 2: Predictive Maintenance in der Fertigung

Ein Industrieunternehmen möchte ungeplante Ausfälle seiner Maschinen verhindern. Dafür werden nicht nur strukturierte Sensordaten (Temperatur, Druck, Vibration) in Echtzeit erfasst, sondern auch:

• Unstrukturierte Daten: Handschriftliche Wartungsprotokolle der Techniker, die digitalisiert und per Texterkennung analysiert werden.
• Metadaten: Informationen über den Maschinentyp, das Installationsdatum und den letzten Wartungszyklus.

Ein Machine-Learning-Modell lernt aus der Kombination dieser Daten, Muster zu erkennen, die einem Ausfall vorausgehen. Es kann nun präzise vorhersagen, wann eine Wartung notwendig ist, noch bevor ein Techniker ein Problem bemerkt. Dies reduziert Ausfallzeiten und senkt Wartungskosten dramatisch.

Fazit und Ausblick: Von der Datenerfassung zur Datenkultur

Die Frage “Was sind eigentlich alles Daten?” ist keine akademische Spitzfindigkeit, sondern der Ausgangspunkt für jede erfolgreiche Datenstrategie. Die Erkenntnis, dass Daten in vielfältigen Strukturen – strukturiert, unstrukturiert und semi-strukturiert – vorliegen und dass ihr Kontext durch Metadaten erst nutzbar wird, ist ein entscheidender Schritt zur Entwicklung von echter Datenkompetenz.

Unternehmen, die sich weiterhin nur auf ihre sauberen, strukturierten Datenbanken konzentrieren, lassen den größten Teil des Potenzials ungenutzt liegen – das Potenzial, das in den E-Mails ihrer Mitarbeiter, den Bewertungen ihrer Kunden und den Logfiles ihrer Systeme schlummert. Eine moderne, fortgeschrittene Data Literacy bedeutet, all diese Formen von Daten zu erkennen, ihren Wert einzuschätzen und die richtigen Werkzeuge für ihre Analyse einzusetzen.

Der Weg führt weg von der reinen Datensammlung hin zu einer ganzheitlichen Datenkultur. In einer solchen Kultur versteht jeder Mitarbeiter – von der Geschäftsführung bis zum operativen Angestellten –, dass nahezu jede geschäftliche Interaktion wertvolle Daten erzeugt. Diese Erkenntnis ist die Grundlage, um Prozesse zu optimieren, Innovationen voranzutreiben und sich im digitalen Zeitalter einen entscheidenden Wettbewerbsvorteil zu sichern.