Welche 6 Phasen umfasst die Datenverarbeitung?

Die 6 Phasen im Überblick

Die Datenverarbeitung lässt sich in sechs aufeinander aufbauende Phasen unterteilen: Planung, Erhebung, Aufbereitung und Bereinigung, Analyse, Dokumentation und Publikation sowie Archivierung und Nachnutzung. Dieses Modell orientiert sich am sogenannten Forschungsdatenlebenszyklus, der Forschende durch alle datenbezogenen Aufgaben eines Projekts führt.

Wichtig zu verstehen: Die sechs Phasen sind kein starres Schema, das man einmal von vorne nach hinten abarbeitet. In der Praxis springt man zwischen Phasen vor und zurück – etwa wenn die Analyse zeigt, dass die Datenaufbereitung noch unvollständig war. Dennoch gibt die Struktur eine wertvolle Orientierung, welche Aufgaben wann anfallen.

Phase 1: Planung und Zieldefinition

Bevor auch nur ein einziger Datenpunkt erhoben wird, steht die Planungsphase. Hier legen Sie fest, welche Fragen Sie beantworten möchten, welche Daten dafür benötigt werden und welche Ressourcen zur Verfügung stehen.

In etablierten Prozessmodellen wie CRISP-DM – einem der bekanntesten Rahmenwerke für datenanalytische Projekte – gilt diese Phase als Business Understanding: Ziele, Erfolgskriterien und Rahmenbedingungen werden klar definiert, bevor Modellierung oder Analyse überhaupt beginnen. Was in der Unternehmensanalyse „Business Understanding“ heißt, entspricht in der empirischen Forschung der Forschungsplanung: Hypothesen formulieren, Studiendesign wählen, Messinstrumente auswählen.

Für empirische Abschlussarbeiten bedeutet das konkret:

• Forschungsfragen und Hypothesen klar formulieren
• Geeignetes Studiendesign festlegen (z. B. Querschnitt, Längsschnitt, Experiment)
• Stichprobengröße per Poweranalyse bestimmen
• Ethische und datenschutzrechtliche Anforderungen klären
• Zeitplan und benötigte Software festlegen

Phase 2: Datenerhebung und -sammlung

In der zweiten Phase werden die Daten systematisch erfasst. Das kann durch Befragungen, Experimente, Beobachtungen, Dokumentenanalysen oder den Rückgriff auf bestehende Datensätze geschehen.

Entscheidend ist, dass die Erhebung methodisch sauber und vollständig dokumentiert wird. Spätere Fehler in der Analyse lassen sich häufig auf Lücken zurückverfolgen, die bereits bei der Datensammlung entstanden sind – etwa durch unklare Fragebogenitems, selektiven Rücklauf oder fehlende Metadaten.

Zu den typischen Aufgaben in dieser Phase gehören:

• Fragebogen oder Erhebungsinstrument erstellen und testen
• Daten in ein geeignetes Format überführen (z. B. Rohdatendatei, CSV, SPSS-Datei)
• Rücklauf und Vollständigkeit prüfen
• Erste Plausibilitätsprüfung der eingegangenen Daten

Die Datenerhebung bestimmt maßgeblich, was in Phase 3 noch „gerettet“ werden kann – und was nicht. Qualitätsprobleme, die hier entstehen, lassen sich später nur begrenzt korrigieren.

Phase 3: Datenaufbereitung und Bereinigung

Phase 3 ist in der Praxis oft die zeitaufwendigste – und gleichzeitig eine der am meisten unterschätzten. Hier werden die Rohdaten in einen analysierbaren Zustand gebracht. Das umfasst das Erkennen und Behandeln fehlender Werte, das Identifizieren von Ausreißern, das Korrigieren von Kodierungsfehlern und die Transformation von Variablen.

Was zur Datenaufbereitung gehört

Die Aufbereitung ist kein einzelner Schritt, sondern ein Bündel von Tätigkeiten:

• Fehlende Werte behandeln: Entscheiden, ob Fälle ausgeschlossen oder Werte imputiert werden
• Ausreißer identifizieren: Prüfen, ob extreme Werte auf Messfehler oder echte Variation hindeuten
• Kodierungen prüfen: Sicherstellen, dass alle Werte korrekt eingegeben und kodiert sind
• Variablen transformieren: Z. B. umkodieren, z-standardisieren, Skalen zusammenfassen
• Datenformat anpassen: Sicherstellen, dass Variablentypen korrekt definiert sind

Einen ausführlichen Überblick über alle Aufgaben, die in dieser Phase anfallen, bietet der Beitrag zu Was gehört zur Datenbereinigung. Wer bereits konkrete Schritte zur Umsetzung sucht, findet praktische Anleitungen auch unter Wie kann ich meine Daten bereinigen.

Professionelle Unterstützung bei der Datenbereinigung und Datenaufbereitung kann helfen, diesen Schritt methodisch sauber und effizient zu gestalten – besonders unter Zeitdruck.

Phase 4: Datenanalyse

Erst wenn die Daten bereinigt und aufbereitet sind, beginnt die eigentliche statistische Analyse. In dieser Phase werden Hypothesen geprüft, Modelle berechnet und Zusammenhänge identifiziert.

Von der deskriptiven zur inferenzstatistischen Analyse

Typischerweise gliedert sich die Analysephase in zwei Stufen:

1. Deskriptive Statistik: Häufigkeiten, Mittelwerte, Standardabweichungen – ein erster Überblick über die Daten
2. Inferenzstatistik: Hypothesentests, Regressionen, Varianzanalysen – die eigentliche Überprüfung der Forschungsfragen

Die Wahl der richtigen Analysemethode hängt dabei eng mit den Datentypen zusammen – also davon, ob Variablen nominal, ordinal, intervall- oder ratioskaliert sind. Einen systematischen Überblick über die verschiedenen Methoden bietet der Beitrag zu den statistischen Methoden der Datenverarbeitung.

In CRISP-DM entspricht diese Phase dem Modeling und der Evaluation: Modelle werden nicht nur berechnet, sondern auch bewertet – stimmen die Ergebnisse mit den ursprünglichen Zielen überein? Müssen Annahmen revidiert werden?

Phase 5: Dokumentation und Publikation

Ergebnisse zu produzieren reicht nicht aus – sie müssen auch nachvollziehbar berichtet werden. Phase 5 umfasst die vollständige Dokumentation des Analyseprozesses sowie die Aufbereitung der Ergebnisse für Berichte, Abschlussarbeiten oder wissenschaftliche Publikationen.

Gute Forschungsdaten-Praxis sieht vor, dass der gesamte Datenverarbeitungsprozess so dokumentiert wird, dass Dritte die Analyse reproduzieren können. Das schließt ein:

• Beschreibung des Studiendesigns und der Stichprobe
• Dokumentation aller Bereinigungsschritte
• Angabe der verwendeten Software und Verfahren
• Transparente Ergebnisdarstellung inklusive Effektstärken und Konfidenzintervallen

Systematisches Forschungsdatenmanagement – wie es etwa im Forschungsdatenlebenszyklus beschrieben wird – verbessert nachweislich Qualität, Transparenz und Reproduzierbarkeit wissenschaftlicher Arbeit. Wer diese Phase sorgfältig gestaltet, stärkt nicht nur die eigene Argumentation, sondern auch die wissenschaftliche Glaubwürdigkeit der Arbeit.

Phase 6: Archivierung und Nachnutzung

Die letzte Phase schließt den Kreislauf: Die Daten werden langfristig gesichert und für eine spätere Nachnutzung zugänglich gemacht. Im akademischen Kontext betrifft das insbesondere Dissertationen und größere Forschungsprojekte, zunehmend aber auch Masterarbeiten.

Warum Archivierung mehr ist als „Speichern“

Archivierung bedeutet nicht nur, die Daten irgendwo abzulegen. Zu einer ordentlichen Datensicherung gehören:

• Speicherung in einem geeigneten, langzeitstabilen Format (z. B. CSV statt proprietäre Software-Formate)
• Vergabe eindeutiger Metadaten (Beschreibung, Datum, Variablenübersicht)
• Regelung der Zugriffsrechte und Datenschutzanforderungen
• Hinterlegung in einem institutionellen oder fachspezifischen Repositorium

Forschungsdatenmanagement in der Praxis zeigt, dass gute Dokumentation und Archivierung die spätere Nachnutzbarkeit von Daten erheblich verbessern – und damit Qualitätssicherung und Reproduzierbarkeit über den eigenen Forschungskontext hinaus unterstützen. Für Studierende, die ihre Daten möglicherweise für eine Publikation oder Weiterarbeit nutzen möchten, lohnt sich dieser Schritt besonders.

Die Phasen als Kreislauf – nicht als Einbahnstraße

Ein verbreitetes Missverständnis ist, die sechs Phasen als streng lineare Abfolge zu verstehen. In der Realität empirischer Forschung ist der Prozess iterativ: Die Analyse zeigt, dass weitere Bereinigungsschritte nötig sind. Die Dokumentation macht deutlich, dass ein methodischer Schritt besser begründet werden muss. Die Archivierung offenbart, dass wichtige Metadaten fehlen.

Etablierte Prozessmodelle für datenanalytische Projekte betonen ausdrücklich, dass Projekte je nach Ergebnis zwischen Phasen vor- und zurückspringen – der Prozess ist zyklisch, nicht starr sequenziell. Das ist kein Zeichen für schlechte Planung, sondern normaler Bestandteil wissenschaftlicher Arbeit.

Einen detaillierten Einblick in die Prozesse, die innerhalb dieses Lebenszyklus ablaufen, bietet der Beitrag zu den Prozessen der Datenaufbereitung.

Was das für Ihre Abschlussarbeit bedeutet

Für Studierende, die eine Bachelorarbeit oder Masterarbeit mit empirischem Anteil schreiben, ist das Sechs-Phasen-Modell ein nützliches Planungsinstrument. Es hilft, den eigenen Arbeitsprozess zu strukturieren und keine wichtigen Schritte zu vergessen.

Typische Stolperfallen in den einzelnen Phasen

In der Praxis zeigt sich, dass bestimmte Phasen besonders fehleranfällig sind:

• Phase 1: Hypothesen zu vage formuliert, Stichprobengröße nicht begründet
• Phase 2: Fragebogen nicht pilotiert, Rücklaufquote unterschätzt
• Phase 3: Fehlende Werte ignoriert, Ausreißer nicht geprüft
• Phase 4: Falsche Analysemethode gewählt, Voraussetzungen nicht geprüft
• Phase 5: Ergebnisse ohne Effektstärken berichtet, Methoden unvollständig beschrieben
• Phase 6: Daten nach Abgabe nicht gesichert oder nicht reproduzierbar dokumentiert

Wer wissen möchte, welche konkreten Fehler bei der Bereinigung besonders häufig auftreten, findet dazu einen eigenen Beitrag zu den häufigen Fehlern bei der Datenbereinigung. Wer dagegen noch grundlegende Fragen hat, was Datenaufbereitung überhaupt umfasst, erhält einen guten Einstieg im Beitrag zur Datenaufbereitung in der Statistik.

Und wenn Sie sich fragen, welchen Sinn die Bereinigung überhaupt hat: Ohne sorgfältige Aufbereitung verlieren statistische Ergebnisse an Aussagekraft – unabhängig davon, wie ausgefeilte Methoden in Phase 4 eingesetzt werden. Mehr dazu im Beitrag zum Sinn der Datenbereinigung.