Statistik-Grundlagen: Ein Leitfaden für Einsteiger

Statistische Begriffe begegnen uns in Berichten, Umfragen und Experimenten. Dieser Beitrag erläutert einige Grundlagen und ihre Grenzen. Welche Methoden passen, hängt von der Fragestellung, der Art der Daten und dem Erhebungsverfahren ab.

Der Weg zur Datenkompetenz beginnt mit der Unterscheidung zweier großer Bereiche der Statistik: der deskriptiven (beschreibenden) Statistik und der induktiven (schließenden) Statistik, auch Inferenzstatistik genannt. Die deskriptive Statistik hilft uns, einen vorhandenen Datensatz übersichtlich zusammenzufassen und zu visualisieren. Sie beschreibt, was ist. Die Inferenzstatistik geht einen entscheidenden Schritt weiter: Sie erlaubt uns, auf Basis einer kleinen Stichprobe verallgemeinerbare Rückschlüsse auf eine viel größere Grundgesamtheit zu ziehen. Sie hilft uns, Unsicherheiten zu quantifizieren und Prognosen zu erstellen. Beide Disziplinen sind für strategische Entscheidungen im Unternehmen von unschätzbarem Wert.

Die Grammatik der Daten: Skalenniveaus und Datenarten verstehen

Bevor wir Kennzahlen berechnen oder Hypothesen testen, müssen wir die Natur unserer Daten verstehen. So wie die Grammatik die Regeln für den korrekten Satzbau vorgibt, definieren Skalenniveaus, welche statistischen Operationen mit unseren Daten überhaupt sinnvoll sind. Eine fehlerhafte Zuordnung führt unweigerlich zu falschen Schlussfolgerungen. Im Kern unterscheiden wir zwischen qualitativen und quantitativen Daten.

Qualitative Daten: Kategorien und Merkmale

Qualitative Daten beschreiben Eigenschaften und lassen sich nicht in einem natürlichen numerischen Sinne messen. Sie werden weiter unterteilt in:

• Nominalskalierte Daten: Hierbei handelt es sich um reine Kategorien ohne Rangfolge. Beispiele aus dem Geschäftsleben sind Produktkategorien (“Elektronik”, “Bekleidung”), Geschlecht (“männlich”, “weiblich”, “divers”) oder Marketingkanäle (“SEO”, “Social Media”, “E-Mail”). Man kann Häufigkeiten zählen (z. B. “Wie viele Kunden kamen über Social Media?”), aber keine Durchschnittswerte berechnen.
• Ordinalskalierte Daten: Diese Daten haben eine natürliche Rangfolge, aber die Abstände zwischen den Werten sind nicht gleich oder interpretierbar. Ein klassisches Beispiel sind Kundenzufriedenheitsbewertungen (“sehr zufrieden” > “zufrieden” > “unzufrieden”) oder Schulnoten. Wir wissen, dass “sehr zufrieden” besser ist als “zufrieden”, aber nicht, um wie viel.

Quantitative Daten: Zahlen und Messwerte

Quantitative Daten sind numerisch und messbar. Hier lassen sich sinnvolle mathematische Operationen durchführen.

• Diskrete Daten: Dies sind zählbare Werte, oft ganze Zahlen. Beispiele sind die Anzahl der Mitarbeiter in einer Abteilung, die Menge verkaufter Produkte an einem Tag oder die Anzahl der Klicks auf eine Anzeige. Zwischen zwei Werten (z. B. 5 und 6 Klicks) gibt es keine Zwischenwerte.
• Stetige (kontinuierliche) Daten: Diese Daten können jeden beliebigen Wert innerhalb eines Intervalls annehmen. Beispiele sind der Umsatz in Euro, die Körpergröße einer Person oder die Ladezeit einer Webseite in Sekunden. Hier sind unendlich viele Zwischenwerte möglich (z. B. 1.253,47 € Umsatz).

Praktische Relevanz: Die Kenntnis des Skalenniveaus bewahrt Sie vor fundamentalen Fehlern. Sie können nicht den “durchschnittlichen” Marketingkanal berechnen, aber sehr wohl den durchschnittlichen Umsatz pro Kanal. Dieses Grundverständnis ist die Basis für jede seriöse Datenanalyse.

Deskriptive Statistik: Ein klares Bild Ihrer Daten zeichnen

Sobald Sie Ihre Daten verstanden haben, besteht der nächste Schritt darin, sie sinnvoll zusammenzufassen. Die deskriptive Statistik liefert uns hierfür zwei mächtige Werkzeugkategorien: Lageparameter und Streuungsmaße.

Lageparameter: Wo liegt das Zentrum Ihrer Daten?

Lageparameter beschreiben die zentrale Tendenz eines Datensatzes. Die drei wichtigsten sind:

• Mittelwert (Durchschnitt): Die Summe aller Werte geteilt durch ihre Anzahl. Er ist sehr einfach zu berechnen und zu verstehen, aber extrem anfällig für Ausreißer. Das Gehalt eines C-Level-Managers in einem Team von Sachbearbeitern kann den Durchschnittsverdienst drastisch nach oben verzerren.
• Median (Zentralwert): Der Wert, der genau in der Mitte eines nach Größe geordneten Datensatzes liegt. 50 % der Datenpunkte liegen darunter, 50 % darüber. Der Median ist robust gegenüber Ausreißern und gibt oft ein realistischeres Bild der “typischen” Situation, z. B. beim Median-Einkommen in einem Unternehmen.
• Modalwert (Modus): Der am häufigsten vorkommende Wert in einem Datensatz. Er ist besonders nützlich für nominalskalierte Daten (z. B. “Welche T-Shirt-Farbe wird am häufigsten verkauft?”).

Streuungsmaße: Wie stark variieren Ihre Daten?

Ein Lageparameter allein ist oft nicht aussagekräftig. Zwei Abteilungen können den gleichen durchschnittlichen Umsatz pro Mitarbeiter haben, aber in einer Abteilung sind die Leistungen sehr homogen, während sie in der anderen extrem schwanken. Streuungsmaße quantifizieren diese Variation.

• Spannweite: Die simple Differenz zwischen dem größten und dem kleinsten Wert. Leicht zu berechnen, aber sehr anfällig für Ausreißer.
• Varianz und Standardabweichung: Die Varianz ist der Mittelwert der quadrierten Abweichungen vom Mittelwert (bei einer Stichprobe wird sie üblicherweise mit einer Korrektur berechnet). Die Standardabweichung ist die Quadratwurzel der Varianz und wird in derselben Einheit wie die Messwerte angegeben. Sie beschreibt die Streuung um den Mittelwert, nicht den durchschnittlichen absoluten Abstand einzelner Werte.

Beispiel: Bei Lieferzeiten mit einem Mittelwert von 3 Tagen und einer Standardabweichung von 2 Tagen lässt sich nicht folgern, dass die meisten Lieferungen zwischen 1 und 5 Tagen eintreffen. Die Verteilung der Werte ist dafür ebenfalls wichtig; die Standardabweichung allein legt keinen bestimmten Anteil innerhalb dieses Bereichs fest.

Inferenzstatistik: Fundierte Schlüsse aus Stichproben ziehen

Selten können Unternehmen die gesamte Grundgesamtheit (z. B. alle potenziellen Kunden) befragen. Stattdessen nutzen wir Stichproben, um Rückschlüsse zu ziehen. Die Inferenzstatistik gibt uns die Werkzeuge, um die Zuverlässigkeit dieser Schlüsse zu bewerten.

Hypothesentests: Annahmen auf den Prüfstand stellen

Ein Hypothesentest ist ein formales Verfahren, um eine Annahme über die Realität zu überprüfen. Ein klassisches Business-Szenario ist ein A/B-Test.

Beispiel: Wir haben eine neue Version eines Buttons auf unserer Webseite entwickelt (Version B) und möchten wissen, ob sie zu mehr Klicks führt als die alte Version (Version A).

1. Nullhypothese (H0): Dies ist die “Status-quo”-Annahme. Sie besagt, dass es keinen Unterschied gibt. H0: Die Klickrate von Version B ist gleich der Klickrate von Version A.
2. Alternativhypothese (H1): Dies ist die Annahme, die wir prüfen. H1: Die Klickrate von Version B ist höher als die von Version A.
3. Datenerhebung: Wir zeigen 1000 Nutzern Version A und 1000 Nutzern Version B und messen die Klickraten.
4. Der p-Wert: Der Test liefert einen p-Wert. Er ist die Wahrscheinlichkeit, unter der Annahme einer zutreffenden Nullhypothese ein mindestens so extremes Ergebnis wie das beobachtete zu erhalten.

Ein kleiner p-Wert kann – bei einem vorab festgelegten Signifikanzniveau und wenn Testdesign und Modellannahmen passen – gegen die Nullhypothese sprechen. Er gibt weder die Wahrscheinlichkeit an, dass die Nullhypothese wahr ist, noch beweist er, dass der neue Button besser wirkt. Ein statistisch signifikanter Unterschied kann praktisch unbedeutend sein; Effektgröße, Unsicherheitsintervall, Versuchsaufbau und mögliche Mehrfachtests sind ebenfalls zu berücksichtigen. Ein nicht signifikantes Ergebnis beweist umgekehrt nicht, dass es keinen Unterschied gibt.

Die wichtigste Lektion: Korrelation ist nicht Kausalität

Dies ist vielleicht die kritischste Erkenntnis für jeden, der mit Daten arbeitet. Nur weil zwei Dinge gleichzeitig auftreten (Korrelation), bedeutet das nicht, dass das eine das andere verursacht (Kausalität).

• Klassisches Beispiel: Im Sommer korrelieren die Verkaufszahlen von Eiscreme stark mit der Anzahl der Badeunfälle. Verursacht Eisessen Badeunfälle? Nein. Eine dritte Variable, das heiße Wetter, verursacht beides.
• Business-Beispiel: Ein Unternehmen stellt fest, dass Marketingausgaben mit dem Umsatz korrelieren. Die vorschnelle Schlussfolgerung wäre: “Mehr Geld für Marketing ausgeben führt zu mehr Umsatz.” Es könnte aber auch sein, dass beides von der Saisonalität (z. B. Weihnachtsgeschäft) angetrieben wird oder dass die Vertriebsabteilung in umsatzstarken Monaten einfach mehr Budget anfordert.

Fazit: Deskriptive Kennzahlen fassen Daten zusammen; Inferenzverfahren erlauben unter bestimmten Annahmen Schlüsse über eine Grundgesamtheit. Beide ersetzen nicht die Prüfung von Erhebungsmethode, Unsicherheit und fachlichem Kontext. Insbesondere ein p-Wert allein entscheidet nicht, ob ein beobachteter Effekt relevant oder kausal ist.