Was sind die 4 Phasen der Datenanalyse?

Vier Phasen im Überblick

Eine Datenanalyse beginnt nicht mit dem Klick auf „Auswerten“ in SPSS oder R – und sie endet auch nicht mit dem letzten p-Wert in der Ausgabetabelle. Professionelle Datenanalyse ist ein strukturierter Prozess, der sich in vier aufeinanderfolgenden Phasen beschreiben lässt:

1. Ziele klären und Fragestellung definieren
2. Daten prüfen und vorbereiten
3. Analyse durchführen
4. Ergebnisse interpretieren und berichten

Diese Einteilung ist eine didaktisch sinnvolle Verdichtung etablierter Prozessmodelle. Bekannte Rahmenwerke wie CRISP-DM oder der Knowledge-Discovery-in-Databases-Prozess unterscheiden bis zu sechs oder mehr Teilschritte. Für empirische Abschlussarbeiten und wissenschaftliche Studien lassen sich diese auf vier Kernphasen zusammenführen, ohne methodische Substanz zu verlieren.

Phase 1: Ziele klären und Fragestellung definieren

Die erste Phase ist die konzeptionelle Grundlage für alles Weitere. Wer direkt mit der Auswertung beginnt, ohne das Analyseziel präzise zu formulieren, riskiert, am Ende Ergebnisse produziert zu haben, die die eigentliche Forschungsfrage gar nicht beantworten.

Was in dieser Phase geklärt werden muss

Im Kern geht es darum, das Problem zunächst in der Sprache des Anwendungsfelds zu verstehen – bevor es in statistische Aufgaben übersetzt wird. Ein wichtiges Prinzip dabei: fachliches Zielverständnis und technisches Analyseziel müssen klar voneinander getrennt formuliert werden. Was soll inhaltlich herausgefunden werden – und welche statistische Frage entspricht dem genau?

Typische Fragen in dieser Phase sind:

• Welche Hypothesen sollen geprüft werden?
• Welche Variablen sind relevant, und wie sind sie operationalisiert?
• Welches Skalenniveau haben die Variablen?
• Welche statistischen Verfahren passen zur Fragestellung?
• Gibt es Vorannahmen (z. B. Normalverteilung), die geprüft werden müssen?

Das Ergebnis dieser Phase ist ein dokumentierter Analyseplan – idealerweise bevor die Daten überhaupt in Augenschein genommen werden. Wer den Analyseplan erst nach einem ersten Blick auf die Daten erstellt, läuft Gefahr, unbewusst hypothesengeleitet vorzugehen.

Phase 2: Daten prüfen und vorbereiten

Die Datenaufbereitung ist die zeitintensivste Phase – und gleichzeitig die am häufigsten unterschätzte. In der Praxis können Forschende 50 bis 80 Prozent ihrer Analysezeit auf Setup, Datenprüfung und Bereinigung verwenden, bevor die eigentlichen hypothesentestenden Verfahren beginnen.

Datenqualität prüfen

Bevor Sie mit der Analyse beginnen, sollten Sie Ihren Datensatz systematisch auf folgende Punkte prüfen:

• Fehlende Werte: Wo fehlen Daten, und warum? Handelt es sich um zufällige oder systematische Ausfälle?
• Ausreißer: Gibt es extreme Werte, die auf Eingabefehler oder echte Besonderheiten hinweisen?
• Plausibilität: Liegen alle Werte im erwarteten Bereich? (z. B. Alter = 312 ist offensichtlich fehlerhaft)
• Duplikate: Wurden Fälle mehrfach erfasst?
• Kodierungsfehler: Stimmen die Ausprägungen mit den im Codebuch definierten Werten überein?

Daten transformieren und aufbereiten

Nach der Prüfung folgen notwendige Transformationen: Variablen umkodieren, Skalen zusammenführen, neue Indizes berechnen oder Subgruppen bilden. Jede Entscheidung sollte dokumentiert werden – denn sie beeinflusst direkt die Analyseergebnisse.

Ein zentrales Prinzip lautet: Die Datenvorbereitung dient der Qualitätssicherung und der Überprüfung von Modellannahmen – sie darf nicht dazu genutzt werden, erste Blicke auf die Ergebnisse zu werfen und den Analyseplan nachträglich anzupassen. Das wäre eine Form von p-Hacking.

Was zur Datenvorbereitung in wissenschaftlichen Arbeiten gehört

In empirischen Abschlussarbeiten umfasst diese Phase typischerweise:

• Beschreibung der Stichprobe (deskriptive Statistiken)
• Prüfung von Voraussetzungen statistischer Tests (Normalverteilung, Varianzhomogenität)
• Umgang mit fehlenden Werten (Ausschluss, Imputation)
• Reliabilitätsanalysen bei Skalen (Cronbachs Alpha)
• Dokumentation aller Datenbereinigungsschritte im Methodenteil

Phase 3: Analyse durchführen

Erst jetzt – nach sorgfältiger Vorbereitung – beginnt die eigentliche statistische Analyse. Diese Phase entspricht dem, was viele Studierende intuitiv als „die Auswertung“ bezeichnen: das Anwenden statistischer Verfahren auf den bereinigten Datensatz.

Die Wahl der richtigen Methode

Welche Verfahren in dieser Phase zum Einsatz kommen, hängt unmittelbar von Phase 1 ab. Die Auswahl der Methode muss zum Erkenntnisziel passen – ob Zusammenfassung, Zusammenhangsanalyse, Gruppenvergleich, Klassifikation oder Vorhersage. Ein t-Test beantwortet andere Fragen als eine Regressionsanalyse oder ein Chi-Quadrat-Test.

Häufig genutzte Verfahren in wissenschaftlichen Abschlussarbeiten sind:

• Deskriptive Statistik: Mittelwerte, Standardabweichungen, Häufigkeiten
• Gruppenvergleiche: t-Test, ANOVA, Mann-Whitney-U-Test
• Zusammenhangsanalysen: Korrelation, Kreuztabellen, Chi-Quadrat
• Vorhersagemodelle: Lineare oder logistische Regression
• Strukturprüfung: Faktorenanalyse, Clusteranalyse

Eine systematische Übersicht über die verschiedenen Optionen bietet der Beitrag zu den vier Arten quantitativer Methoden.

Effektstärken und Signifikanz

Ein häufig vernachlässigter Aspekt: Statistische Signifikanz und praktische Relevanz sind nicht dasselbe. Für eine vollständige Ergebnisdarstellung sollten neben p-Werten stets auch Effektstärken (z. B. Cohens d, η², r) berichtet werden. Viele Hochschulen sehen vor, dass Effektstärken grundsätzlich neben dem p-Wert angegeben werden.

Wer sich fragt, welche Arten von Datenanalyse es grundsätzlich gibt, findet dazu einen eigenen Überblicksbeitrag.

Phase 4: Ergebnisse interpretieren und berichten

Die vierte Phase schließt den Kreis zur ersten: Hier wird geprüft, ob die Ergebnisse das ursprünglich definierte Analyseziel tatsächlich beantworten. Das ist mehr als das Ablesen von Signifikanzwerten – es ist die inhaltliche Einordnung der Befunde.

Was Interpretation bedeutet

Interpretation heißt, die statistischen Ergebnisse in die Sprache der Forschungsfrage zurückzuübersetzen. Was bedeutet ein signifikanter Unterschied zwischen zwei Gruppen konkret für die untersuchte Fragestellung? Können die Hypothesen bestätigt oder müssen sie abgelehnt werden?

Zur Interpretation gehört auch die kritische Einschätzung der eigenen Befunde:

• Wie groß ist der Effekt, und ist er praktisch bedeutsam?
• Welche Einschränkungen hat die Analyse (Stichprobengröße, Selektivität, Messfehler)?
• Lassen sich die Ergebnisse auf andere Kontexte übertragen?
• Welche offenen Fragen bleiben für zukünftige Studien?

Ergebnisse adressatengerecht berichten

Wie Ergebnisse dargestellt werden, hängt vom Format und von der Zielgruppe ab. In wissenschaftlichen Arbeiten gilt: Tabellen für genaue Zahlenwerte, Grafiken für Muster und Trends. Detaillierte Hinweise dazu finden Sie im Beitrag über die Darstellung quantitativer Daten.

Wichtig ist auch die Unterscheidung zwischen Ergebnisdarstellung und Interpretation: Im Ergebnisteil werden Befunde berichtet, im Diskussionsteil werden sie eingeordnet und bewertet. Diese Trennung ist ein formales Qualitätskriterium in empirischen Arbeiten.

So setzen Sie die vier Phasen in der Abschlussarbeit um

In der Praxis einer Bachelor- oder Masterarbeit laufen die vier Phasen nicht immer sauber getrennt ab. Häufige Stolperstellen sind:

• Analyseplanung zu spät: Wer erst nach der Datenerhebung überlegt, wie ausgewertet wird, entdeckt oft, dass das Design die Forschungsfrage nicht vollständig beantworten kann.
• Datenvorbereitung unterschätzt: Fehlende Werte, Ausreißer oder Kodierungsfehler kosten in der heißen Phase der Abgabe wertvolle Zeit.
• Verfahren ohne Begründung: Die Wahl jedes statistischen Tests sollte im Methodenteil begründet werden – nicht nur benannt.
• Interpretation fehlt: Viele Auswertungen enden mit Tabellen, ohne dass die Befunde inhaltlich eingeordnet werden.

Wer sich bei der statistischen Auswertung empirischer Abschlussarbeiten unsicher ist, ob der eigene Prozess methodisch sauber aufgestellt ist, kann alle vier Phasen von Beginn an professionell begleiten lassen. Das schließt die Planung des Analyseplans ebenso ein wie die Wahl geeigneter Verfahren, die technische Durchführung und die Interpretation der Ergebnisse.

Wer tiefer in den Gesamtprozess der quantitativen Datenanalyse einsteigen möchte – von der Methodenauswahl bis zur Visualisierung – findet dort eine umfassende Übersicht über alle relevanten Aspekte. Auch die Frage, wie lange eine Datenauswertung realistischerweise dauert, ist für die Zeitplanung einer Abschlussarbeit oft unterschätzt.