Datenkompetenz: Kritisch und analytisch denken, Fehlschlüsse vermeiden

Quellen prüfen, Korrelation von Kausalität trennen, Verzerrungen und irreführende Diagramme erkennen und KI-Ergebnisse kontrollieren
Aktualisiert:
Abstract
- #Datenkompetenz
- #kritisches Denken
- #analytisches Denken
- #Datenstrategie
- #Korrelation und Kausalität
- #kognitive Verzerrungen
- #Datenvisualisierung
- #KI-Kompetenz
Die wichtigste Frage an jede Zahl lautet: Woher wissen wir das eigentlich?
Die Auswertung aus dem Marketing ist eindeutig: Kundinnen und Kunden, die den Newsletter abonniert haben, kaufen im Schnitt doppelt so viel wie alle anderen. Der Vorschlag liegt nahe: mehr Budget für Newsletter-Anmeldungen, damit der Umsatz steigt. Nur eine Kollegin aus dem Vertrieb fragt: „Kaufen die Leute mehr, weil sie den Newsletter lesen, oder lesen sie ihn, weil sie ohnehin Stammkunden sind?“
Mit dieser einen Frage verändert sich die Diskussion. Die Zahl ist nicht falsch, aber der Schluss daraus ist womöglich nicht gedeckt. Genau darum geht es beim kritischen Denken im Umgang mit Daten: nicht um Misstrauen gegenüber Zahlen, sondern um die Prüfung, ob eine Schlussfolgerung trägt.
Warum Datenkompetenz ohne kritisches Denken nicht reicht
Datenkompetenz bezeichnet die Fähigkeit, Daten zu lesen, mit ihnen zu arbeiten, sie auszuwerten und mit ihnen zu argumentieren. Zwei Denkweisen halten diese Fähigkeiten zusammen.
Analytisches Denken zerlegt ein Problem in Teile und bearbeitet sie systematisch: Welche Frage genau? Welche Daten? Welche Rechenschritte? Kritisches Denken prüft das Ergebnis: Stimmt die Datengrundlage? Gibt es eine andere Erklärung? Würden wir dem Schluss auch glauben, wenn er uns nicht gefiele?
Beide brauchen einander. Wer nur analytisch arbeitet, rechnet sauber, kann aber mit großer Präzision eine falsche Frage beantworten. Wer nur kritisch ist, findet an jeder Zahl etwas auszusetzen und kommt nie zu einer Entscheidung.
Hier geht es um die Prüfung von Daten und Schlüssen. Wie Sie aus geprüften Daten eine verständliche Auswertung mit passendem Diagramm machen, beschreibt der Beitrag Daten zum Sprechen bringen: Auswerten und verständlich darstellen. Wie Unternehmen solche Fähigkeiten in der Breite aufbauen, steht im Beitrag über Datenkompetenz in der Organisation.
Woher kommen die Daten? Quellen und Erhebung prüfen
Jede Zahl hat eine Entstehungsgeschichte. Bevor Sie über das Ergebnis diskutieren, lohnen fünf Fragen an die Quelle:
- Wer hat die Daten erhoben, und mit welchem Interesse? Eine Studie, die ein Softwarehersteller über den Nutzen seiner Produktkategorie in Auftrag gibt, kann seriös sein. Sie verdient aber einen zweiten Blick auf Methode und Auswahl der Befragten.
- Wie wurde gemessen? „Kundenzufriedenheit“ kann eine Sternebewertung, eine Weiterempfehlungsfrage oder die Zahl der Beschwerden sein. Jede Messung erzählt etwas anderes.
- Wer ist in den Daten enthalten, und wer fehlt? Zufriedenheitsumfragen beantworten vor allem sehr zufriedene und sehr unzufriedene Kunden. Die stille Mitte fehlt.
- Wie groß ist die Datenbasis? Eine Quote aus 20 Antworten schwankt stark. Ein Ausschlag um zehn Prozentpunkte kann reiner Zufall sein.
- Hat sich zwischendurch etwas geändert? Neue Definitionen, ein Systemwechsel oder ein geändertes Formular erzeugen Sprünge, die mit der Wirklichkeit nichts zu tun haben.
Angenommen, die Zahl der Supportanfragen sinkt nach einem Software-Update um ein Drittel. Bevor das Team feiert, lohnt die Frage, ob das neue Kontaktformular vielleicht schwerer zu finden ist.
Korrelation ist keine Kausalität
Das Newsletter-Beispiel aus dem Einstieg ist der Klassiker: Zwei Größen hängen statistisch zusammen, sie korrelieren. Daraus folgt aber nicht, dass die eine die andere verursacht, also eine Kausalität besteht. Hinter einer Korrelation können mindestens vier Dinge stecken:
- Eine echte Ursache. Der Newsletter regt tatsächlich zu Käufen an.
- Umgekehrte Wirkungsrichtung. Wer viel kauft, abonniert eher den Newsletter.
- Eine dritte Größe, auch Störvariable genannt. Langjährige Kundschaft kauft mehr und hat zugleich häufiger den Newsletter abonniert. Bekanntes Lehrbuchbeispiel: Eisverkauf und Sonnenbrände steigen gemeinsam, weil beide vom Wetter abhängen.
- Zufall. Wer genug Kennzahlen miteinander vergleicht, findet immer einige, die scheinbar zusammenhängen.
Wie lässt sich das klären? Der verlässlichste Weg ist ein Experiment. Bei einem A/B-Test wird eine Gruppe zufällig ausgewählt und bekommt den Newsletter, eine vergleichbare Gruppe nicht. Unterscheidet sich das Kaufverhalten danach, spricht vieles für eine Wirkung. Wo ein Experiment nicht möglich ist, helfen Vergleiche innerhalb ähnlicher Gruppen, etwa nur Kunden mit gleicher Kundendauer. Wie solche Tests im Marketing praktisch ablaufen, zeigt der Infothek-Beitrag über A/B-Tests und Kampagnenbewertung mit Python.
Typische Verzerrungen in Daten und im eigenen Kopf
Verzerrungen, im Englischen Bias, entstehen an zwei Stellen: in den Daten selbst und in der Art, wie Menschen sie deuten.
Überlebende Fälle
Wer nur betrachtet, was übrig geblieben ist, zieht leicht falsche Schlüsse. Angenommen, ein Unternehmen befragt seine aktuellen Kunden, warum sie zufrieden sind. Die Gründe der Abgewanderten tauchen in dieser Befragung gar nicht auf. Dieser Survivorship Bias steckt auch in vielen Erfolgsgeschichten: Man sieht die Firmen, die es geschafft haben, nicht die vielen, die mit derselben Strategie gescheitert sind.
Bestätigungsfehler
Menschen suchen und behalten bevorzugt Informationen, die ihre Meinung stützen. In der Datenarbeit zeigt sich das, wenn eine Auswertung so lange verfeinert wird, bis das gewünschte Ergebnis herauskommt. Ein einfaches Gegenmittel: die Hypothese und das Prüfkriterium aufschreiben, bevor Sie auswerten.
Das Simpson-Paradox
Ein Gesamttrend kann sich umkehren, wenn man die Daten aufschlüsselt. Angenommen, Filiale A hat insgesamt eine höhere Reklamationsquote als Filiale B. Getrennt nach Produktgruppen schneidet A aber in jeder Gruppe besser ab. Die Erklärung: A verkauft viel mehr von einer Produktgruppe, die generell oft reklamiert wird. Wer nur die Gesamtzahl sieht, zieht den falschen Schluss.
Regression zur Mitte
Auf einen außergewöhnlich schlechten Monat folgt oft ein besserer, auch ohne jedes Eingreifen. Werte pendeln sich wieder ein. Wird genau nach dem Tiefpunkt eine Maßnahme gestartet, sieht es so aus, als habe sie gewirkt. Ob das stimmt, zeigt erst der Vergleich mit einer Gruppe ohne Maßnahme oder ein längerer Zeitraum.
Ankereffekt
Die erste Zahl, die in einer Besprechung fällt, prägt alle folgenden Schätzungen. Nennt jemand früh „etwa 20 Prozent Wachstum“, orientieren sich die anderen daran, auch wenn die Zahl aus der Luft gegriffen war.
Irreführende Diagramme erkennen
Diagramme wirken objektiv, lassen sich aber leicht so gestalten, dass sie einen falschen Eindruck erwecken, mit Absicht oder aus Versehen. Achten Sie auf diese Muster:
- Abgeschnittene Achse. Beginnt die y-Achse eines Balkendiagramms bei 95 statt bei 0, sieht ein Anstieg von 96 auf 98 aus wie eine Verdopplung.
- Ausgewählter Zeitraum. Ein Diagramm, das genau am Tiefpunkt beginnt, zeigt fast immer einen Aufschwung.
- Zwei y-Achsen. Werden zwei Größen mit unterschiedlichen Skalen übereinandergelegt, lässt sich fast jeder scheinbare Zusammenhang erzeugen.
- Kumulierte Werte. Eine aufsummierte Kurve steigt immer, auch wenn die monatlichen Werte sinken.
- Prozente ohne Basis. „Plus 200 Prozent“ klingt eindrucksvoll, kann aber eine Steigerung von zwei auf sechs Fälle sein.
- Flächen und 3D. Verdoppelt man bei einem Symbol Höhe und Breite, vervierfacht sich die Fläche. 3D-Kreisdiagramme verzerren Anteile je nach Blickwinkel.
Die Gegenprobe ist einfach: Fragen Sie nach der Tabelle hinter dem Diagramm und sehen Sie sich die Zahlen ohne Gestaltung an.
KI-Ausgaben prüfen
Seit Sprachmodelle wie ChatGPT, Microsoft Copilot oder Google Gemini im Büroalltag angekommen sind, gibt es eine neue Quelle für Zahlen und Schlussfolgerungen. Diese Werkzeuge sind nützlich, um Daten zusammenzufassen, Formeln zu schreiben oder einen ersten Analyseentwurf zu erstellen. Sie haben aber Eigenheiten, die kritisches Denken besonders verlangen.
Sprachmodelle erzeugen Text, der plausibel klingt. Sie können dabei Fakten, Quellen oder Zahlen erfinden, was als Halluzination bezeichnet wird. Bei Auswertungen kommt hinzu, dass ein Modell eine Frage anders verstehen kann als gemeint, etwa eine andere Spalte summiert oder Zeilen stillschweigend auslässt. Auch Verzerrungen in den Trainingsdaten können sich in Antworten niederschlagen.
Bewährt haben sich einige Prüfschritte:
- Nach dem Rechenweg fragen. Viele Assistenten führen Auswertungen als Programmcode aus und zeigen ihn auf Wunsch an. Lassen Sie sich den Code oder die Formeln zeigen und prüfen Sie, ob die richtigen Daten verwendet wurden.
- Bekannte Summen gegenprüfen. Stimmt die Gesamtzahl der Datensätze, stimmt der Jahresumsatz mit der Buchhaltung überein?
- Quellen öffnen. Nennt die KI eine Studie oder ein Gesetz, prüfen Sie die Angabe in der Originalquelle.
- Ursachenbehauptungen misstrauen. Formuliert die KI eine Erklärung, gelten dafür dieselben Regeln wie für menschliche Schlüsse: Korrelation ist keine Kausalität.
Für Unternehmen ist das auch eine rechtliche Frage: Die europäische KI-Verordnung verlangt in Art. 4 von Organisationen, die KI-Systeme anbieten oder einsetzen, Maßnahmen zur Förderung der KI-Kompetenz ihrer Beschäftigten. Ein bestimmtes Kompetenzniveau einzelner Personen müssen sie seit der Änderung durch den Digital-Omnibus 2026 nicht garantieren. Was das bedeutet, erläutert der Beitrag über Datenkompetenz in der Organisation.
Ein Prüfschema für den Arbeitsalltag
Kritisches und analytisches Denken lassen sich in ein kurzes Schema übersetzen, das vor wichtigen Entscheidungen hilft:
- Frage präzisieren. Was genau wollen wir wissen, und welche Entscheidung hängt davon ab?
- Hypothese und Gegenhypothese aufschreiben. „Der Newsletter steigert den Umsatz“ und „Stammkunden abonnieren eher den Newsletter“.
- Daten prüfen. Quelle, Messung, Vollständigkeit, Größe der Datenbasis.
- Auswerten und aufschlüsseln. Gesamtzahlen in Gruppen zerlegen, Vergleichsgruppen bilden.
- Alternativen durchgehen. Umgekehrte Richtung, Störvariable, Zufall, Verzerrung.
- Unsicherheit benennen. „Wahrscheinlich“, „nicht belegt“ und „deutlicher Hinweis“ sind ehrliche Aussagen, keine Schwäche.
Nicht jede Zahl braucht alle sechs Schritte. Je teurer oder folgenreicher eine Entscheidung ist, desto gründlicher sollte die Prüfung sein.
Was das für Ihr Team bedeutet
Kritisches Denken ist keine Charaktereigenschaft, sondern eine Arbeitsweise, die sich üben lässt. Der wichtigste Hebel ist kulturell: In Besprechungen muss die Frage „Woher wissen wir das?“ erlaubt sein, auch gegenüber der Chefin und auch dann, wenn das Ergebnis allen gefällt. Wo Rückfragen als Angriff gelten, werden Fehlschlüsse durchgewunken.
Unsere Empfehlung: Führen Sie für wichtige Auswertungen ein Vier-Augen-Prinzip ein und machen Sie das Prüfschema zum festen Teil von Berichten. Das kostet wenig Zeit und verhindert teure Fehlentscheidungen. Überschätzt wird dagegen die Hoffnung, dass KI-Werkzeuge diese Prüfung übernehmen. Sie beschleunigen die Auswertung, das Urteil bleibt beim Menschen.
Wer Teams gezielt im Umgang mit Analysen und Auswertungen schulen möchte, findet auf unserer Seite zu Big Data und Analytics mit Beratung, Coaching und Seminaren passende Formate.
Häufige Fragen zu kritischem Denken mit Daten
Kann man kritisches und analytisches Denken lernen?
Ja. Beides lässt sich durch Übung an konkreten Fällen verbessern. Besonders wirksam ist es, eigene vergangene Auswertungen noch einmal mit dem Prüfschema durchzugehen und zu fragen, welche Alternativen damals übersehen wurden.
Wie unterscheidet sich gesunde Skepsis von Misstrauen?
Skepsis prüft und kommt zu einem Ergebnis, Misstrauen lehnt grundsätzlich ab. Eine skeptische Haltung akzeptiert eine Zahl, wenn Quelle und Methode tragen, und benennt offen, wo Unsicherheit bleibt.
Sind KI-Werkzeuge für Datenanalysen überhaupt zu empfehlen?
Für Entwürfe, Formeln und erste Überblicke ja, sofern Datenschutz und interne Freigaben beachtet sind. Für Entscheidungen sollten Ergebnisse immer nachvollziehbar sein: Rechenweg zeigen lassen, Summen gegenprüfen, Quellen öffnen.
Woran lässt sich erkennen, ob eine Studie seriös ist?
An einer offengelegten Methode, einer nachvollziehbaren Stichprobe, klar benannten Auftraggebern und Ergebnissen, die nicht nur aus einer Pressemitteilung stammen. Fehlen diese Angaben, ist Vorsicht angebracht.
Kategorien