Daten zum Sprechen bringen: Auswerten und verständlich darstellen

Von der richtigen Frage über die Auswertung bis zum passenden Diagramm: wie aus Zahlen eine Aussage wird, mit der andere arbeiten können
Aktualisiert:
Abstract
- #Datenkompetenz
- #Datensprache
- #Datenfluenz
- #Datensilos
- #Datenwörterbuch
- #Datenanalyse
- #Datenkultur
- #Datenvisualisierung
Ein Bericht ist erst dann gut, wenn die Leser danach wissen, was sie tun sollen
Der Monatsbericht hat 38 Folien. Umsatz nach Regionen, Umsatz nach Produktgruppen, Besucherzahlen im Webshop, Retourenquote, Lagerreichweite, jeweils als Diagramm, sauber formatiert. Nach zwanzig Minuten fragt die Geschäftsführerin: „Und was heißt das jetzt für uns?“ Im Raum wird es still. Niemand hat falsch gerechnet. Aber niemand hat die Zahlen so aufbereitet, dass sie eine Antwort geben.
Genau an dieser Stelle zeigt sich Datenkompetenz, im Englischen Data Literacy genannt: die Fähigkeit, Daten zu lesen, mit ihnen zu arbeiten, sie auszuwerten und mit ihnen zu argumentieren. Viele Unternehmen haben inzwischen genug Daten und gute Werkzeuge. Was fehlt, ist oft der Schritt dazwischen: aus einer Tabelle eine Aussage zu machen, die andere verstehen und auf die sie reagieren können.
Was „Daten zum Sprechen bringen“ konkret bedeutet
Hinter der Redewendung steckt eine Kette aus fünf Schritten: Frage, Daten, Auswertung, Darstellung, Entscheidung. Reißt die Kette an einer Stelle, bleibt das Ergebnis stumm. Wer ohne Frage auswertet, produziert Zahlenfriedhöfe. Wer gut auswertet, aber schlecht darstellt, wird nicht verstanden. Und wer schön darstellt, ohne die Daten zu prüfen, überzeugt im Zweifel von etwas Falschem.
Im Folgenden geht es um die Arbeit am Ergebnis: Fragestellung, Auswertung und Darstellung. Wie Sie Zahlen, Quellen und Schlussfolgerungen kritisch prüfen, behandelt der Beitrag über kritisches und analytisches Denken im Umgang mit Daten. Wie ein Unternehmen Datenkompetenz mit Rollen, Schulungen und Regeln in der Breite aufbaut, steht im Beitrag über Datenkompetenz in der Organisation.
Am Anfang steht die Frage, nicht das Dashboard
Die meisten schwachen Berichte scheitern nicht an der Technik, sondern an einer unscharfen Frage. „Wie läuft der Webshop?“ ist keine Frage, die sich mit Daten beantworten lässt. Sie lässt offen, was „laufen“ heißt, in welchem Zeitraum und im Vergleich wozu.
Eine brauchbare Frage hat vier Bestandteile:
- Eine Kennzahl, die genau definiert ist, etwa „Retourenquote = zurückgeschickte Artikel geteilt durch versandte Artikel“.
- Einen Zeitraum, zum Beispiel das dritte Quartal.
- Einen Vergleich, etwa mit dem Vorjahr, mit einem Ziel oder zwischen Produktgruppen.
- Eine Entscheidung, die von der Antwort abhängt.
Angenommen, ein Webshop für Arbeitskleidung stellt fest, dass die Retouren steigen. Die präzise Frage lautet dann: „In welchen Produktgruppen ist die Retourenquote im dritten Quartal gegenüber dem Vorjahr gestiegen, und lohnt es sich, dort die Größentabellen zu überarbeiten?“ Diese Frage gibt vor, welche Daten nötig sind, welche Auswertung sinnvoll ist und wer das Ergebnis braucht.
Der erste Bestandteil ist tückischer, als er aussieht. Wenn der Vertrieb unter „Retoure“ auch Umtausche zählt, der Kundenservice aber nur Rücksendungen mit Erstattung, entstehen zwei verschiedene Quoten. Solche Abweichungen sind eine typische Folge von Datensilos, also Datenbeständen, die getrennt in einzelnen Abteilungen und Systemen gepflegt werden. Abhilfe schafft ein Datenwörterbuch: eine gemeinsame Liste, in der jede wichtige Kennzahl mit Definition, Berechnung und Datenquelle steht. Es muss nicht vollständig sein, um zu helfen. Schon die zehn Kennzahlen, über die regelmäßig gesprochen wird, sorgen für eine gemeinsame Datensprache.
Auswerten: vom Rohwert zur Aussage
Steht die Frage, beginnt die eigentliche Auswertung. Dabei helfen einige Grundregeln, die keine Statistikausbildung voraussetzen.
Erst die Datenbasis ansehen
Bevor Sie rechnen, lohnt ein Blick auf die Rohdaten. Fehlen Monate? Gibt es auffällig viele Nullwerte? Wurde mitten im Zeitraum das Warenwirtschaftssystem umgestellt? Ein einziger doppelt importierter Tag kann eine Monatssumme deutlich verfälschen. Diese Prüfung dauert oft nur Minuten und erspart später peinliche Korrekturen.
Vergleichen statt nur berichten
Eine Zahl allein sagt wenig. „Retourenquote 14 Prozent“ wird erst aussagekräftig neben dem Vorjahreswert, dem Branchenumfeld oder anderen Produktgruppen. Die einfachste Form der Auswertung, die sogenannte deskriptive Analyse, beschreibt, was passiert ist. Der nächste Schritt, die diagnostische Analyse, fragt nach dem Warum, etwa indem sie die Retouren nach Produktgruppe, Größe und Retourengrund aufschlüsselt.
Absolute und relative Werte trennen
Steigen die Retouren von 800 auf 1.000 Stück, klingt das dramatisch. Hat sich gleichzeitig die Zahl der versandten Artikel verdoppelt, ist die Quote sogar gesunken. Zeigen Sie deshalb beides oder entscheiden Sie bewusst, welche Größe die Frage beantwortet.
Den Durchschnitt nicht überschätzen
Ein Durchschnitt verdeckt Unterschiede. Liegt die mittlere Lieferzeit bei drei Tagen, können trotzdem zehn Prozent der Kunden zwei Wochen gewartet haben. Der Median, also der Wert in der Mitte einer sortierten Reihe, ist bei schiefen Verteilungen oft aussagekräftiger. Noch besser ist ein Blick auf die Verteilung selbst.
Aufschlüsseln, bis die Ursache sichtbar wird
Gute Auswertungen zerlegen eine Gesamtzahl schrittweise. Im Beispiel zeigt sich vielleicht, dass zwei Drittel des Anstiegs auf Sicherheitsschuhe einer neuen Marke entfallen und dass als Grund meist „fällt zu klein aus“ angegeben wird. Damit ist aus einer Beobachtung eine Aussage geworden, mit der sich arbeiten lässt.
Das passende Diagramm für die Aussage wählen
Ein Diagramm soll eine Aussage schneller erfassbar machen als eine Tabelle. Welcher Typ dafür taugt, hängt davon ab, was Sie zeigen wollen, nicht davon, was das Werkzeug als Erstes anbietet.
| Was Sie zeigen wollen | Geeigneter Diagrammtyp |
|---|---|
| Entwicklung über die Zeit | Liniendiagramm |
| Vergleich zwischen Kategorien | Balkendiagramm, nach Größe sortiert |
| Anteile an einem Ganzen | gestapelter Balken, Kreis nur bei 2–3 Anteilen |
| Abweichung von Ziel oder Vorjahr | Balken mit Referenzlinie |
| Zusammenhang zweier Größen | Streudiagramm |
| Verteilung von Werten | Histogramm oder Boxplot |
| Wenige exakte Werte | Tabelle oder einzelne hervorgehobene Zahl |
Einige Regeln machen fast jedes Diagramm besser:
- Die Überschrift formuliert die Aussage. Statt „Retourenquote nach Produktgruppe“ besser „Sicherheitsschuhe treiben den Anstieg der Retouren“. Wer nur die Überschrift liest, hat die Kernbotschaft.
- Farbe sparsam einsetzen. Alles in Grau, nur der entscheidende Balken in einer Akzentfarbe. Zehn bunte Kategorien lenken eher ab, als dass sie helfen.
- Direkt beschriften. Werte und Namen gehören an die Linie oder den Balken, nicht in eine Legende, zwischen der das Auge hin und her springen muss.
- Balken beginnen bei null. Bei Balken vergleicht das Auge Längen. Eine abgeschnittene Achse lässt kleine Unterschiede riesig wirken.
- Auf Effekte verzichten. 3D-Darstellungen, Schatten und Verläufe verzerren Größenverhältnisse und tragen keine Information.
- Barrierefreiheit mitdenken. Rot und Grün allein unterscheiden für Menschen mit Farbsehschwäche nicht zuverlässig. Zusätzliche Beschriftungen oder Muster helfen allen.
Vom Diagramm zur Botschaft
Ein gutes Diagramm ist noch keine Empfehlung. Den letzten Schritt leisten wenige Sätze, die das Ergebnis einordnen. Bewährt hat sich ein einfacher Dreiklang:
- Was ist passiert? „Die Retourenquote ist im dritten Quartal von 11 auf 14 Prozent gestiegen.“
- Warum? „Zwei Drittel des Anstiegs entfallen auf Sicherheitsschuhe der neuen Marke, meist mit dem Grund ‚zu klein‘.“
- Was folgt daraus? „Wir schlagen vor, die Größentabelle anzupassen und die Entwicklung im nächsten Quartal erneut zu prüfen.“
Die Zahlen in diesem Beispiel sind ausgedacht, das Muster ist übertragbar. Wer so berichtet, beantwortet die Frage der Geschäftsführerin aus dem Einstieg, bevor sie gestellt wird. Ebenso wichtig ist, was weggelassen wird: Die 30 Folien, die zur Frage nichts beitragen, wandern in den Anhang.
Wie man aus solchen Kernsätzen eine überzeugende Präsentation mit Spannungsbogen baut und sie auf unterschiedliche Zuhörer abstimmt, beschreibt der Beitrag über Data Storytelling und die verständliche Präsentation komplexer Daten.
Werkzeuge: was Tabellenkalkulation, BI-Software und KI-Assistenten leisten
Für einmalige Auswertungen reicht oft eine Tabellenkalkulation wie Excel. Pivot-Tabellen, also Tabellen, die Daten per Mausklick nach beliebigen Merkmalen gruppieren und summieren, decken einen Großteil der Fragen im Büroalltag ab.
Wiederkehrende Berichte gehören dagegen in eine Business-Intelligence-Software (BI), etwa Power BI, Tableau oder Qlik. Solche Werkzeuge verbinden mehrere Datenquellen, aktualisieren Berichte automatisch und stellen sicher, dass alle mit derselben Kennzahldefinition arbeiten. Fachabteilungen können damit viele Auswertungen selbst erstellen, ohne für jede Frage ein Ticket an die IT zu schreiben. Wie solche Self-Service-Analysen in Fachabteilungen organisiert werden, beschreibt ein eigener Infothek-Beitrag.
Neu hinzugekommen sind KI-Assistenten. Microsoft bietet mit Copilot in Excel und Power BI Funktionen an, die laut Hersteller Auswertungen und Diagramme aus Fragen in natürlicher Sprache erstellen. Auch allgemeine Chatbots wie ChatGPT können hochgeladene Tabellen auswerten. Für einen ersten Überblick oder einen Diagrammentwurf ist das hilfreich. Die Verantwortung für das Ergebnis bleibt trotzdem beim Menschen: Ein KI-Assistent wählt mitunter die falsche Spalte, rechnet mit einer anderen Definition als gedacht oder formuliert eine Ursache, die die Daten nicht hergeben. Zwei Dinge sollten Sie daher beachten. Erstens: Prüfen Sie Ergebnisse stichprobenartig nach. Zweitens: Laden Sie personenbezogene oder vertrauliche Daten nur in Werkzeuge hoch, die Ihr Unternehmen dafür freigegeben hat.
Was das für Ihr Team bedeutet
Nicht jede Mitarbeiterin und jeder Mitarbeiter muss Analysen bauen können. Realistisch sind drei Stufen: Alle sollten Diagramme und Kennzahlen sicher lesen und kritisch nachfragen können. Ein größerer Teil der Fachabteilungen sollte einfache Auswertungen selbst erstellen. Und einige wenige Personen sollten komplexere Analysen, Datenmodelle und Berichte verantworten.
Für die meisten Teams lohnt sich zuerst etwas Unspektakuläres: wenige, sauber definierte Kennzahlen, eine kurze Vorlage für Berichte mit Aussage-Überschrift und Dreiklang sowie einige feste Regeln für Diagramme. Das kostet kaum Geld und verbessert die Qualität von Besprechungen spürbar. Überschätzt wird dagegen das große Dashboard mit 30 Kacheln. Es sieht beeindruckend aus, beantwortet aber selten eine konkrete Frage und wird nach wenigen Wochen kaum noch geöffnet.
Wer Auswertungen und Berichte im Unternehmen auf eine gemeinsame Grundlage stellen will, findet auf unserer Seite zu Business Intelligence mit Beratung, Seminaren und Support einen Überblick über Vorgehen und Schulungsformate.
Häufige Fragen zum Auswerten und Darstellen von Daten
Braucht man für gute Auswertungen Statistikkenntnisse?
Für die meisten Fragen im Unternehmensalltag nicht. Vergleichen, Aufschlüsseln, Anteile berechnen und Verteilungen ansehen lassen sich ohne Formelwissen lernen. Statistische Verfahren werden erst wichtig, wenn Sie etwa beurteilen wollen, ob ein Unterschied zufällig sein könnte, zum Beispiel bei A/B-Tests im Marketing.
Wie viele Kennzahlen gehören in einen Bericht?
So wenige wie möglich. Eine gute Faustregel: Jede Kennzahl muss zu einer Frage gehören, die jemand im Publikum beantwortet haben will. Alles andere kann in einen Anhang oder ein separates Detail-Dashboard.
Wann ist eine Tabelle besser als ein Diagramm?
Wenn die Leser exakte Werte nachschlagen müssen, etwa Preise oder Bestände einzelner Artikel. Diagramme zeigen Muster und Größenverhältnisse, Tabellen zeigen Einzelwerte. Für wenige Zahlen reicht oft eine einzelne, groß gesetzte Kennzahl mit Vergleichswert.
Wie lange dauert es, bis ein Team sicherer mit Daten umgeht?
Das hängt vom Ausgangspunkt ab. Erste Verbesserungen in Berichten und Besprechungen zeigen sich oft schon, wenn sich ein Team auf Kennzahldefinitionen und eine Berichtsvorlage einigt. Sicherheit im Auswerten entsteht vor allem durch regelmäßige Übung mit eigenen Daten, weniger durch einmalige Schulungen.
Kategorien