Daten entmystifiziert: Quantitative vs. Qualitative Daten

Willkommen zum zweiten Teil unserer einmonatigen Serie „Daten entmystifiziert“. Im Rahmen des Data Literacy Month erklärt diese Serie zentrale Konzepte aus der Datenwelt, beantwortet Fragen, die du dich vielleicht nicht zu stellen traust, und bringt dabei auch Spaß. Wenn du am Anfang starten willst, lies unseren ersten Beitrag der Serie: What is a Dataset?

In diesem Beitrag erkunden wir die verschiedenen Datentypen, zeigen Praxisbeispiele und erklären, wie du damit loslegen kannst. 

Die zwei Datentypen

Zu verstehen, mit welchen Daten du arbeitest, ist entscheidend, um die beste Vorgehensweise für Analyse und Interpretation zu finden. Eine häufige Einteilung unterscheidet zwischen quantitativen und qualitativen Daten.

\n
• Quantitative Daten lassen sich zählen oder messen. In der Regel bedeutet das: Es handelt sich um Zahlen. 
\n
• Qualitative Daten lassen sich beschreiben. In der Regel bedeutet das: Es handelt sich um Text.
\n

In der Praxis wirst du meist mit beiden Datentypen zu tun haben. Die folgenden Abschnitte zeigen Beispiele, wie beide Typen in derselben Aufgabe zusammenkommen können. 

Videodaten analysieren 

Nehmen wir an, du bist Marketinganalyst. Dein Unternehmen startet eine neue Social-Media-Kampagne und möchte, dass du die Performance analysierst einiger vorhandener Video-Assets, um datenbasierte Inspiration für neue Inhalte zu liefern.

Zunächst bietet es sich an, quantitative Videodaten zu betrachten. Dazu zählen:

\n
• Die Länge des Videos.
\n
• Die Gesamtzahl der Impressions des Videos.
\n
• Die Gesamtzahl der Klicks auf das Video.
\n
• Die Klickrate direkt auf dem Video (also Klicks geteilt durch Impressions).
\n
• Die Anzahl der Likes für das Video.
\n
• Die Anzahl der Kommentare zum Video.
\n

Jeder dieser Datenpunkte ist eine Zahl. Die Videolänge wird in Sekunden gemessen. Die Klickrate ist ein Prozentsatz. Die übrigen Werte sind ganze Zahlen, weil es sich um Zählgrößen handelt.

Zusätzlich lassen sich aus dem Videoinhalt qualitative Daten gewinnen. Zu den qualitativen Daten eines Videos können gehören:

\n
• Das Thema des Videos. 
\n
• Die Ästhetik des Videos.
\n
• Die Tonalität des Videos.
\n
• Das Skript des Videos.
\n

Thema, Ästhetik und Produktionswert lassen sich schwer als Zahlen fassen. In Worten sind sie viel einfacher zu beschreiben. Zum Beispiel: \"Das Video handelte von Data-Science-Lernen; es nutzte eine Vaporwave-Ästhetik; die Tonalität war positiv und motivierend.\" 

Beachte, dass qualitative Bewertungen oft subjektiv sind. Zwei Personen, die dasselbe Video sehen, können die Tonalität unterschiedlich einschätzen. Daher sind klare Richtlinien für die Erhebung qualitativer Daten wichtig. 

Das Skript des Videos ist interessant, denn obwohl es ebenfalls qualitativ ist, weil es aus Worten statt Zahlen besteht, unterscheidet es sich in zwei Punkten von den anderen qualitativen Angaben.

\n
• Erstens ist es nicht subjektiv, denn was im Video gesagt wird, sind Tatsachen, keine Meinungen.
\n
• Zweitens lassen sich mithilfe von Natural Language Processing (NLP) häufig quantitative Informationen aus dem Skript extrahieren.
\n

Mit einer NLP-Methode namens Sentiment-Analyse kann quantifiziert werden, wie positiv oder negativ die Worte im Skript sind. Wenn beispielsweise Wörter wie \"awesome\" und \"fantastic\" häufiger vorkommen als \"bad\" oder \"terrible\", erhielte das Skript einen positiven Sentiment-Score. Das ist besonders hilfreich, wenn Dutzende oder gar Hunderte Videos zu analysieren sind. 

Umfragedaten analysieren

Umfragedaten sind ein weiteres Beispiel, bei dem quantitative und qualitative Daten häufig gemeinsam auftreten. Spulen wir ein paar Monate vor: Nach deinen spannenden Erkenntnissen aus der Videoanalyse hat dein Unternehmen ein neues Video für die Social-Media-Kampagne produziert. Vor dem Launch schauen ausgewählte Personen das Video und beantworten eine Umfrage dazu. Deine Aufgabe ist es, die Umfrageergebnisse zu analysieren.

Eine Frage in der Umfrage lautet: \"Wie oft hast du das Video angeschaut?\" Das ist ein quantitativer Datenpunkt, da die Antwort eine Zahl ist.

Eine weitere Frage lautet: \"Was war dein Lieblingsteil des Videos?\" Das ist ein qualitativer Datenpunkt, da die Antwort in Worten erfolgt.

Eine dritte Frage lautet: \"Wie würdest du das Video bewerten, von einem bis fünf Sternen?\" Das sind quantitative Daten, da die Antwort eine Zahl ist, sie unterscheidet sich jedoch etwas von den bisherigen Beispielen. Da die Bewertung eine Meinung ausdrückt, ist der Wert subjektiv. 

Es ist ein verbreitetes Missverständnis, dass quantitative Daten immer eindeutig und qualitative Daten immer subjektiv seien. Wie du am Skript-Beispiel gesehen hast, müssen qualitative Daten nicht subjektiv sein. Umgekehrt können quantitative Daten durchaus subjektiv sein.

Nutzerinterviews und Fokusgruppen

Ein weiteres Aufgabenfeld, in dem beide Datentypen zusammenkommen, sind Nutzerinterviews und Fokusgruppen. 

Angenommen, du möchtest Feedback zu deinem Produkt einholen. Du planst eine Fokusgruppe, interviewst mehrere Nutzerinnen und Nutzer und bittest um Feedback. Das Briefing lautet: Sprich mit Personen, die euren Service seit über einem Jahr nutzen, regelmäßig aktiv sind, aber nicht als Power-User gelten.

Für die Auswahl der Teilnehmenden nutzt du quantitative Analysen. Du betrachtest beispielsweise folgende Kennzahlen:

\n
• Zeit seit der Registrierung
\n
• Aktive Stunden auf der Plattform pro Monat
\n
• Anzahl unterschiedlicher Nutzungssitzungen
\n

In der Fokusgruppensitzung stellst du viele Fragen, und die Teilnehmenden diskutieren. Das lässt sich nur schwer quantifizieren, da das Gespräch frei fließt. Du kannst jedoch Zitate herausziehen, was für das Produkt wichtig ist. Diese Zitate sind qualitative Daten, weil sie Gedanken beschreiben und keine Zahlen enthalten.

Außerdem führst du während der Fokusgruppe einige Abstimmungen durch und lässt Teilnehmende darüber voten, welche demnächst geplanten Features am wichtigsten sind. Die Ergebnisse dieser Abstimmungen sind quantitative Daten, da die Rangfolge numerisch ist.

Mehr über Datentypen lernen

Wir hoffen, dir hat dieser kurze Einstieg in Datentypen gefallen. Im nächsten Teil von „Daten entmystifiziert“ beleuchten wir die Bausteine der Datenarbeit und erklären die Unterschiede zwischen Begriffen wie Data Science, Machine Learning, Deep Learning und Künstlicher Intelligenz. Wenn du heute mit deiner Datenlernreise starten willst, schau dir diese Ressourcen an. 

\n
• Sieh dir an, was wir für den Data Literacy Month geplant haben
\n
• Starte mit unserem Skill-Lernpfad „Understanding Data Topics“
\n
• Abonniere den DataFramed Podcast
\n
• Entdecke unsere kommenden Events
\n
• Lies den nächsten Teil von „Daten entmystifiziert“ zu den Unterschieden zwischen Data Science, Machine Learning, Deep Learning und Künstlicher Intelligenz.
\n