Welche Arten der Datenverarbeitung gibt es?

Überblick: Arten der Datenverarbeitung im Vergleich

Datenverarbeitung beschreibt jeden Prozess, bei dem Rohdaten erfasst, transformiert, gespeichert oder ausgewertet werden. Je nach Anwendungsfall unterscheidet die Informatik und die empirische Forschung dabei mehrere grundlegende Arten, die sich nach dem Zeitpunkt der Verarbeitung, der Interaktivität und dem Charakter der Eingangsdaten unterscheiden.

Für Studierende, die eine empirische Abschlussarbeit schreiben, ist diese Unterscheidung auf den ersten Blick vielleicht abstrakt. In der Praxis hat sie aber direkten Einfluss darauf, wie Daten gesammelt, gespeichert und letztlich für statistische Auswertungen vorbereitet werden.

Batch-Verarbeitung: Daten in gebündelten Läufen

Die Batch-Verarbeitung ist eine der ältesten und zugleich robustesten Formen der Datenverarbeitung. Bei ihr werden Daten gesammelt, zu einem Paket zusammengefasst und dann in einem einzigen, automatisierten Durchlauf verarbeitet – ohne dass ein Endnutzer aktiv eingreift.

Der Begriff hat historische Wurzeln in der Ära gestapelter Lochkarten, die nacheinander in einem Kartenleser verarbeitet wurden. Heute beschreibt er laut der offiziellen IBM-Dokumentation Jobs, die ohne Endnutzerinteraktion laufen oder so geplant werden können, dass sie ausgeführt werden, wenn Ressourcen verfügbar sind – etwa nachts, wenn die Last auf den Systemen gering ist.

Wann eignet sich Batch-Verarbeitung?

Batch-Verarbeitung eignet sich immer dann, wenn:

• alle Eingangsdaten bereits vollständig vorliegen,
• keine sofortige Antwort erforderlich ist,
• der Prozess regelmäßig und wiederholbar ist.

Ein typisches Forschungsbeispiel: Sie haben 500 Fragebögen über einen Zeitraum von vier Wochen gesammelt. Am Ende des Erhebungszeitraums werden alle Datensätze auf einmal in SPSS oder R eingelesen, zusammengeführt, auf Vollständigkeit geprüft und exportiert. Das ist klassische Batch-Verarbeitung – planbar, strukturiert, ohne Echtzeit-Anforderung.

Stream-Verarbeitung: kontinuierliche Datenströme

Während bei der Batch-Verarbeitung ein vollständiger Datensatz als Eingabe vorliegt, verarbeitet die Stream-Verarbeitung (auch: Echtzeit-Verarbeitung) Daten kontinuierlich, sobald sie entstehen. Der entscheidende Unterschied liegt im Charakter der Eingangsdaten: Bei Streaming gibt es keinen natürlichen Zeitpunkt, an dem alle Daten vollständig vorliegen.

Technisch präzise formuliert es die Dokumentation des Open-Source-Frameworks Apache Flink: Batch Execution kann nur für begrenzte Jobs verwendet werden, bei denen alle Eingaben vor der Ausführung bekannt sind – Stream-Verarbeitung dagegen arbeitet mit kontinuierlichen Datenströmen ohne natürliche Endpunkte. Diese Unterscheidung macht deutlich: Es geht nicht nur um Technologie, sondern um den grundlegenden Charakter der Daten selbst.

Beispiele aus der Forschungspraxis

Stream-Verarbeitung begegnet Forschenden vor allem in folgenden Kontexten:

• Sensordaten aus Wearables oder medizinischen Geräten (z. B. EKG-Signale in Echtzeit)
• Social-Media-Monitoring für Inhaltsanalysen (laufender Twitter/X-Feed)
• Online-Experimente, bei denen Reaktionszeiten oder Klickdaten unmittelbar erfasst und ausgewertet werden
• Log-Daten aus Webanwendungen oder Lernplattformen

Für eine klassische Bachelorarbeit mit Onlinefragebogen ist Stream-Verarbeitung meist nicht relevant. In der neueren Psychologie- und Medizinforschung hingegen gewinnt sie zunehmend an Bedeutung, etwa bei Ecological Momentary Assessment (EMA), bei dem Probanden mehrmals täglich befragt werden.

Transaktionale Verarbeitung (OLTP)

Online Transaction Processing – kurz OLTP – bezeichnet eine Verarbeitungsform, bei der viele einzelne Transaktionen gleichzeitig und mit minimaler Verzögerung ausgeführt werden. Jede Transaktion ist klein, aber die Summe vieler gleichzeitiger Operationen stellt hohe Anforderungen an das System.

Typische OLTP-Anwendungen sind laut Oracle Onlinebanking, Einkauf, Auftragserfassung oder das Senden von Textnachrichten – Systeme, die typischerweise kleine Einfüge-, Aktualisierungs- oder Löschoperationen ausführen, damit Interaktionen mit Kunden, Lieferanten oder Partnern aufgezeichnet und gesichert werden.

Relevanz für die Forschung

Wer Primärdaten aus operativen Systemen bezieht – etwa Verkaufsdaten eines Unternehmens, Patientenakten eines Krankenhauses oder Nutzerdaten einer Plattform –, bekommt es häufig mit OLTP-generierten Datensätzen zu tun. Die eigentliche Erfassung erfolgt transaktional; die wissenschaftliche Auswertung ist dann aber analytisch und erfordert eine sorgfältige Datenbereinigung und -aufbereitung, bevor statistische Verfahren angewendet werden können.

Ein häufiger Fehler bei solchen Sekundärdaten: Sie werden unreflektiert in ein Analyseprogramm geladen, ohne zu berücksichtigen, dass die Datenstruktur auf operative Zwecke und nicht auf statistische Auswertung ausgerichtet ist.

Analytische Verarbeitung (OLAP)

OLAP – Online Analytical Processing – ist die Gegenseite zu OLTP. Während OLTP operative Transaktionen verwaltet, fragt OLAP historische Transaktionsdaten analytisch ab, um Muster, Trends und Erkenntnisse für Entscheidungen zu gewinnen.

Die Abgrenzung ist konzeptionell wichtig: OLTP unterstützt Echtzeit-Ausführung großer Mengen von Transaktionen durch viele Personen, OLAP hingegen dient dazu, diese Transaktionsdaten im Nachgang auszuwerten. In der Unternehmensforschung und den Wirtschaftswissenschaften begegnen Studierende OLAP-Strukturen häufig in Form von Data Warehouses oder Business-Intelligence-Systemen.

Für empirische Abschlussarbeiten, die auf Unternehmensdaten zugreifen, ist es hilfreich zu verstehen, aus welchem System die Daten stammen – denn das beeinflusst direkt, welche statistischen Methoden der Datenverarbeitung anschließend sinnvoll eingesetzt werden können.

Manuelle und semi-automatische Verarbeitung

Neben den technologisch geprägten Formen gibt es die manuelle Datenverarbeitung – die in der empirischen Sozial- und Geisteswissenschaft nach wie vor eine wichtige Rolle spielt. Sie umfasst alle Prozesse, bei denen Menschen direkt in die Erfassung, Prüfung oder Korrektur von Daten eingreifen.

Typische Anwendungsfälle

• Eingabe von Antworten aus Papierfragebögen in eine Datenmaske
• Manuelle Kodierung qualitativer Interviews nach einem Kategoriensystem
• Visuelle Prüfung und Korrektur von Ausreißern oder offensichtlichen Eingabefehlern
• Transkription von Audio- oder Videoaufnahmen

Die semi-automatische Verarbeitung kombiniert beide Ansätze: Software übernimmt den Großteil der Arbeit (z. B. automatische Texterkennung bei eingescannten Fragebögen), während Menschen die Ergebnisse prüfen und korrigieren. Dieser hybride Ansatz ist in der Praxis sehr häufig – besonders dann, wenn Datenqualität nicht automatisch gewährleistet werden kann.

Was genau zur Datenbereinigung gehört und wie manuell oder automatisiert dieser Schritt sinnvollerweise gestaltet wird, erläutert der Beitrag Was gehört zur Datenbereinigung? ausführlich.

Relevanz für empirische Forschungsarbeiten

Warum ist diese Unterscheidung für Ihre Abschlussarbeit oder Dissertation überhaupt relevant? Die Antwort liegt in der Datenherkunft: Je nachdem, woher Ihre Daten stammen und wie sie ursprünglich erfasst wurden, stehen Sie vor unterschiedlichen Herausforderungen bei der Aufbereitung.

Primärdaten vs. Sekundärdaten

Wer Primärdaten selbst erhebt – etwa über einen Onlinefragebogen –, arbeitet meist mit einer Form der Batch-Verarbeitung: Am Ende des Erhebungszeitraums wird der vollständige Datensatz exportiert und aufbereitet. Wer dagegen Sekundärdaten aus Datenbanken oder operativen Systemen nutzt, muss verstehen, ob diese Daten transaktional (OLTP) oder bereits aggregiert (OLAP) vorliegen. Das beeinflusst die Struktur des Datensatzes und damit den Aufwand der Bereinigung erheblich.

Der Schritt von der Verarbeitung zur Analyse

Unabhängig von der Art der Datenverarbeitung gilt: Rohdaten sind selten direkt analysierbar. Die Datenaufbereitung in der Statistik ist der entscheidende Zwischenschritt, der aus rohen, verarbeiteten Daten einen analysierbaren Datensatz macht. Dazu gehören unter anderem:

• Prüfung auf fehlende Werte und Entscheidung über deren Behandlung
• Identifikation und Umgang mit Ausreißern im Datensatz
• Skalentransformationen und Umkodierungen
• Prüfung der Verteilungsannahmen, etwa die Überprüfung der Normalverteilung

Wie aufwendig dieser Prozess ist, hängt stark von der Art der ursprünglichen Datenverarbeitung und der Qualität der Rohdaten ab. Erfahrungsgemäß ist die Datenbereinigung zeitintensiver als von den meisten Studierenden erwartet – besonders dann, wenn die Daten aus heterogenen Quellen stammen oder manuell erfasst wurden.

Datenqualität als übergeordnetes Ziel

Letztlich verfolgen alle Arten der Datenverarbeitung dasselbe Ziel: Daten so zu erfassen und zu transformieren, dass sie korrekt, vollständig und für den Analysezweck geeignet sind. Wer die verschiedenen Verarbeitungsarten kennt, kann besser einschätzen, welche Qualitätsprobleme typischerweise auftreten – und gezielt gegensteuern.

Wenn Sie unsicher sind, wie Ihre Daten am besten aufbereitet werden sollten, oder wenn Sie mit einem komplexen Datensatz aus einem operativen System arbeiten, erhalten Sie bei der professionellen Datenbereinigung methodische Unterstützung durch erfahrene Statistikerinnen und Statistiker.