Wer beruflich Entscheidungen vorbereitet, Budgets plant, Märkte einschätzt oder Prozesse verbessert, kommt an Daten kaum noch vorbei. Tabellen, Dashboards, Kennzahlen und Prognosen sind nicht mehr nur Sache von Controlling, Marktforschung oder IT. Sie tauchen im Vertrieb auf, im Personalbereich, im Einkauf, in der Produktion, im Marketing und zunehmend auch in Führungsrunden kleiner und mittelständischer Unternehmen. Damit wächst eine Fähigkeit, die lange unterschätzt wurde: Statistikkompetenz im Beruf.
Gemeint ist nicht, dass jede Fachkraft komplexe Modelle programmieren oder mathematische Herleitungen beherrschen muss. Entscheidend ist vielmehr ein solides Verständnis dafür, was Zahlen aussagen, wo ihre Grenzen liegen und wie sie im Arbeitsalltag sinnvoll genutzt werden können. Wer eine Kennzahl liest, sollte erkennen können, ob sie belastbar ist. Wer eine Entwicklung bewertet, sollte zwischen Zufall, Trend und Sondereffekt unterscheiden. Und wer mit Daten argumentiert, sollte wissen, welche Annahmen dahinterstehen.
Diese Fähigkeit gewinnt an Gewicht, weil Unternehmen unter stärkerem Entscheidungsdruck stehen. Preise verändern sich, Lieferketten bleiben anfällig, Personalplanung wird anspruchsvoller, und Kundenverhalten ist oft weniger berechenbar als früher. In solchen Situationen reicht Bauchgefühl allein selten aus. Gleichzeitig können Daten in die Irre führen, wenn sie falsch erhoben, unvollständig interpretiert oder ohne Kontext präsentiert werden. Statistikkompetenz schützt daher nicht nur vor Fehlentscheidungen, sondern auch vor einer trügerischen Sicherheit, die gut gestaltete Diagramme manchmal vermitteln.
Für Beschäftigte kann Datenverständnis zu einem Karrierefaktor werden. Wer Zahlen nicht nur weiterleitet, sondern einordnet, wird in Projekten schneller anschlussfähig. Wer Fragen an Daten stellen kann, findet Schwachstellen in Prozessen oft früher. Und wer Ergebnisse verständlich erklärt, schafft Vertrauen bei Kolleginnen, Vorgesetzten und Kunden. Das gilt nicht nur für analytische Berufe. Gerade in Schnittstellenfunktionen wird die Fähigkeit wichtiger, fachliche Erfahrung mit einer nüchternen Auswertung von Daten zu verbinden.
Was Statistikkompetenz im Berufsalltag konkret bedeutet
Statistikkompetenz beschreibt die Fähigkeit, Daten sachgerecht zu verstehen, zu prüfen, zu interpretieren und verständlich zu kommunizieren. Dazu gehört ein Grundgefühl für Größenordnungen, Wahrscheinlichkeiten, Stichproben, Durchschnittswerte, Streuungen und Zusammenhänge. Im Arbeitsalltag zeigt sich diese Kompetenz oft in scheinbar einfachen Momenten: Wird ein Umsatzanstieg richtig bewertet? Ist eine Kundenbefragung aussagekräftig? Bedeutet eine sinkende Fehlerquote tatsächlich bessere Qualität? Oder wurde nur anders gemessen?
Viele berufliche Entscheidungen entstehen aus Kennzahlen. Doch Kennzahlen sind verdichtete Wirklichkeit. Sie reduzieren komplexe Vorgänge auf wenige Werte. Das ist hilfreich, weil es Orientierung gibt. Es ist aber auch riskant, weil wichtige Details verschwinden können. Ein Durchschnittswert kann stabile Entwicklung suggerieren, obwohl einzelne Standorte stark schwanken. Eine Quote kann besser aussehen, weil die Bezugsgröße kleiner geworden ist. Eine Prognose kann präzise wirken, obwohl sie auf unsicheren Annahmen beruht.
Kurz erklärt: Statistikkompetenz bedeutet nicht, jeder Zahl zu misstrauen. Sie bedeutet, die richtigen Fragen zu stellen, bevor aus Zahlen Entscheidungen werden.
Im Kern geht es also um Urteilskraft. Beschäftigte mit gutem Datenverständnis fragen nach Herkunft, Zeitraum, Definition und Vergleichbarkeit einer Kennzahl. Sie prüfen, ob Ausreißer eine Auswertung verzerren. Sie erkennen, dass Korrelation nicht automatisch Ursache bedeutet. Und sie können erklären, warum eine scheinbar klare Zahl im Einzelfall vorsichtig interpretiert werden muss.
Warum Datenverständnis für Unternehmen wichtiger wird
Unternehmen sammeln heute mehr Informationen als früher: Verkaufsdaten, Lagerbestände, Webanalysen, Produktionskennzahlen, Bewerbungszahlen, Kundenfeedback und Finanzdaten. Gleichzeitig sind viele Märkte unruhiger geworden. Das macht Daten nicht automatisch besser, aber wertvoller, wenn sie sauber eingeordnet werden. Denn je knapper Zeit und Ressourcen sind, desto teurer werden falsche Entscheidungen.
Ein Beispiel aus dem Vertrieb: Steigt der Umsatz in einem Quartal, kann das an höherer Nachfrage liegen. Möglich sind aber auch Preisänderungen, Einmaleffekte, größere Einzelaufträge oder verschobene Bestellungen. Ohne statistisches Grundverständnis wird aus der Zahl schnell eine Erfolgsgeschichte, die vielleicht gar keine ist. Im Einkauf kann ein Preisanstieg ebenfalls unterschiedlich gelesen werden: als kurzfristige Schwankung, als saisonaler Effekt oder als Teil eines breiteren Trends. Erst die Einordnung macht die Kennzahl nutzbar.
Auch amtliche Daten zeigen, wie wichtig Kontext ist. Wer Preisentwicklungen bewerten möchte, findet beim Destatis Verbraucherpreisindex methodisch aufbereitete Informationen. Für Unternehmen können solche Daten Orientierung geben, etwa bei Budgetplanung, Preisgesprächen oder der Einschätzung von Kaufkraft. Sie ersetzen aber keine betriebsinterne Analyse. Eine allgemeine Inflationsrate sagt wenig darüber aus, wie stark ein einzelnes Geschäftsmodell betroffen ist.
Ähnlich verhält es sich am Arbeitsmarkt. Die Bundesagentur für Arbeit Statistik liefert umfangreiche Informationen zu Beschäftigung, Arbeitslosigkeit und gemeldeten Stellen. Für Personalabteilungen, Geschäftsführungen oder Standortentscheidungen können solche Daten hilfreich sein. Doch auch hier gilt: Region, Branche, Qualifikationsniveau und Erhebungsmethode müssen berücksichtigt werden, bevor Schlussfolgerungen gezogen werden.
Redaktioneller Hinweis: Daten sind besonders wertvoll, wenn sie mit Fachwissen kombiniert werden. Eine Kennzahl zeigt, was gemessen wurde. Warum es passiert ist und welche Maßnahme sinnvoll ist, lässt sich meist nur durch Kontext, Erfahrung und kritische Prüfung beantworten.
Karrierefaktor Statistikkompetenz: Wer profitiert besonders?
Datenverständnis ist längst nicht nur für Data Scientists relevant. Besonders gefragt ist es dort, wo Fachbereiche Entscheidungen vorbereiten oder begründen müssen. Wer in Besprechungen nicht nur Meinungen austauscht, sondern belastbare Hinweise aus Daten ableitet, kann sich klarer positionieren. Das verändert auch die Rolle vieler Beschäftigter: Sie werden von reinen Ausführenden zu Übersetzern zwischen Fachpraxis, Management und Analyse.
Im Controlling gehört Statistikkompetenz ohnehin zum Arbeitsalltag. Doch auch im Marketing steigt der Bedarf, Kampagnenergebnisse richtig zu lesen. Klickzahlen allein sagen wenig aus, wenn Zielgruppen, Kosten, Conversion-Raten und langfristige Kundenbindung fehlen. Im Personalwesen helfen Daten bei Fluktuationsanalysen, Recruiting-Kanälen oder Weiterbildungsplanung. In der Produktion können Auswertungen zeigen, ob Qualitätsprobleme zufällig auftreten oder systematisch mit bestimmten Schichten, Maschinen oder Materialien zusammenhängen.
Auch Führungskräfte profitieren. Sie müssen nicht jedes Modell im Detail berechnen können. Sie sollten aber erkennen, ob eine Präsentation auf solider Basis steht. Wer die richtigen Rückfragen stellt, verhindert, dass Scheingenauigkeit zu falscher Sicherheit führt. Das kann besonders wichtig sein, wenn Entscheidungen unter Zeitdruck getroffen werden. Dauerhafte Überlastung und Entscheidungsdruck haben zudem eine gesundheitliche Seite; passend dazu zeigt der Beitrag Tinnitus im Führungsjob: Wenn Dauerstress hörbar wird, wie stark beruflicher Druck auch körperlich spürbar werden kann.
Typische Denkfehler beim Umgang mit Daten
Viele Fehlinterpretationen entstehen nicht aus mangelnder Intelligenz, sondern aus vertrauten Denkmustern. Menschen suchen nach Mustern, auch wenn Daten dafür keine klare Grundlage bieten. Sie bevorzugen Informationen, die zur eigenen Erwartung passen. Und sie lassen sich von eindrucksvollen Einzelbeispielen stärker beeinflussen als von nüchternen Wahrscheinlichkeiten. Statistikkompetenz hilft, solche Verzerrungen zu erkennen.
Ein häufiger Fehler ist die Verwechslung von Korrelation und Ursache. Wenn zwei Größen gleichzeitig steigen, bedeutet das nicht, dass die eine die andere verursacht. Ein Unternehmen könnte feststellen, dass in Monaten mit höherem Werbebudget auch der Umsatz steigt. Das kann an der Werbung liegen, aber ebenso an Saison, Preisanpassungen, Sonderaktionen oder allgemeiner Marktnachfrage. Ohne weitere Analyse bleibt der Zusammenhang unsicher.
Ein zweiter Fehler ist der unkritische Umgang mit Durchschnittswerten. Der Durchschnitt kann hilfreich sein, verdeckt aber Unterschiede innerhalb einer Gruppe. Wenn die durchschnittliche Bearbeitungszeit im Kundenservice sinkt, klingt das positiv. Gleichzeitig könnten komplizierte Fälle länger liegen bleiben, während einfache Anliegen schneller abgeschlossen werden. Dann verbessert sich die Kennzahl, obwohl die Kundenerfahrung nicht zwingend besser wird.
Auch kleine Stichproben werden oft überschätzt. Drei unzufriedene Kunden können ein Warnsignal sein, aber noch keinen belastbaren Trend beweisen. Umgekehrt kann eine große Datenmenge täuschen, wenn sie einseitig erhoben wurde. Viele Beobachtungen machen eine Auswertung nicht automatisch repräsentativ. Entscheidend ist, wie die Daten entstanden sind.
| Situation im Unternehmen | Mögliche Fehlinterpretation | Bessere statistische Frage |
|---|---|---|
| Der Umsatz steigt im letzten Quartal deutlich. | Die neue Strategie war erfolgreich. | Gab es Sondereffekte, Preisänderungen oder verschobene Aufträge? |
| Die durchschnittliche Krankheitsquote sinkt. | Die Belegschaft ist insgesamt gesünder. | Wie verteilen sich Ausfälle nach Bereichen, Altersgruppen oder Belastungssituationen? |
| Eine Kampagne erzielt viele Klicks. | Die Kampagne war wirtschaftlich erfolgreich. | Wie hoch waren Kosten, Abschlüsse und langfristiger Kundenwert? |
| Eine Abteilung meldet weniger Fehler. | Die Prozessqualität hat sich verbessert. | Wurde gleich gemessen, oder haben sich Prüfverfahren und Meldeverhalten verändert? |
| Eine Umfrage zeigt hohe Zufriedenheit. | Die Mehrheit der Kunden ist zufrieden. | Wer hat geantwortet, wie groß war die Stichprobe und wer wurde nicht erreicht? |
Welche Fähigkeiten Beschäftigte wirklich brauchen
Statistikkompetenz im Beruf besteht aus mehreren Bausteinen. Der erste ist Datenverständnis: Woher kommen die Zahlen, wie wurden sie erhoben, welche Definitionen gelten? Schon kleine Unterschiede in der Erfassung können Ergebnisse verändern. Wer etwa Vollzeitstellen, Köpfe und Arbeitsstunden verwechselt, erhält unterschiedliche Aussagen über Personalentwicklung.
Der zweite Baustein ist methodisches Grundwissen. Dazu zählen Durchschnitt, Median, Prozentrechnung, Wachstumsraten, Streuung, Stichprobe und Zeitreihe. Es geht nicht darum, Formeln auswendig zu können. Wichtiger ist, die Bedeutung zu verstehen. Der Median kann bei stark ungleich verteilten Werten aussagekräftiger sein als der Durchschnitt. Eine prozentuale Veränderung wirkt spektakulär, wenn die Ausgangsbasis sehr klein ist. Eine Zeitreihe sagt mehr als ein einzelner Monatswert.
Der dritte Baustein ist Visualisierungskompetenz. Diagramme können Zusammenhänge sichtbar machen, aber auch verzerren. Eine abgeschnittene Achse lässt Veränderungen größer erscheinen. Unterschiedliche Skalen erschweren Vergleiche. Kreisdiagramme werden schnell unübersichtlich. Gute Datenkommunikation bedeutet, eine Darstellung zu wählen, die den Inhalt klar zeigt, ohne ihn dramatischer wirken zu lassen.
Der vierte Baustein ist Kommunikation. Daten müssen so erklärt werden, dass Fachabteilungen, Geschäftsführung oder Kunden sie verstehen können. Eine gute Analyse nützt wenig, wenn sie in Fachsprache stecken bleibt. Ebenso problematisch ist eine zu starke Vereinfachung, bei der Unsicherheiten verschwinden. Gute Kommunikation benennt Aussagekraft und Grenzen.
Warum Datenethik dazugehört
Wer mit Daten arbeitet, trägt Verantwortung. Das gilt besonders bei personenbezogenen Informationen, etwa im Personalwesen, Vertrieb oder Kundenservice. Nicht alles, was technisch auswertbar ist, sollte automatisch ausgewertet werden. Unternehmen brauchen klare Regeln, welche Daten genutzt werden, wer Zugriff hat und wie Ergebnisse interpretiert werden. Statistikkompetenz umfasst daher auch Sensibilität für Datenschutz, Fairness und mögliche Diskriminierung durch fehlerhafte Modelle oder einseitige Datengrundlagen.
Ein Beispiel: Wenn ein Algorithmus Bewerbungen vorsortiert, hängt das Ergebnis stark von den Daten ab, mit denen er entwickelt wurde. Enthalten diese Daten Verzerrungen, können sie sich in neuen Entscheidungen fortsetzen. Auch ohne komplexe künstliche Intelligenz können Auswertungen Vorurteile verstärken, wenn Gruppen falsch verglichen oder wichtige Einflussgrößen übersehen werden.
Statistikkompetenz und künstliche Intelligenz
Mit der Verbreitung von KI-Anwendungen wird Datenverständnis noch wichtiger. Viele Werkzeuge versprechen schnelle Analysen, automatische Prognosen oder verständliche Zusammenfassungen. Das kann Arbeitsprozesse erleichtern. Doch KI-Systeme liefern nicht automatisch richtige Ergebnisse. Sie arbeiten mit vorhandenen Daten, Wahrscheinlichkeiten und Mustern. Wer die Grundlage nicht prüft, läuft Gefahr, plausible, aber falsche Aussagen zu übernehmen.
Für Beschäftigte verschiebt sich dadurch der Schwerpunkt. Nicht jede Auswertung muss manuell erstellt werden. Dafür steigt die Bedeutung der Kontrolle. Stimmen die Eingabedaten? Ist die Fragestellung präzise? Passt das Ergebnis zur Realität des Unternehmens? Gibt es Ausreißer oder fehlende Informationen? Wer solche Fragen stellen kann, nutzt KI produktiver und sicherer.
Auch bei Prognosen bleibt Vorsicht geboten. Modelle können Szenarien berechnen, aber sie kennen die Zukunft nicht. Wirtschaftliche Entwicklung, Zinsumfeld, Konsumverhalten oder Energiepreise können sich anders entwickeln als angenommen. Informationen zur Einordnung geldpolitischer Rahmenbedingungen bietet etwa die Deutsche Bundesbank Geldpolitik. Für Unternehmen folgt daraus: Prognosen sollten als Entscheidungsgrundlage dienen, nicht als Gewissheit.
Wie Unternehmen Statistikkompetenz systematisch fördern können
Viele Betriebe investieren in Software, aber zu wenig in Verständnis. Neue Dashboards lösen jedoch keine Probleme, wenn Nutzerinnen und Nutzer nicht wissen, wie Kennzahlen entstehen. Deshalb sollte Datenkompetenz Teil der Personalentwicklung sein. Dabei geht es nicht nur um Seminare, sondern um eine Arbeitskultur, in der Nachfragen erlaubt sind und Unsicherheiten offen benannt werden.
Ein sinnvoller Einstieg sind praxisnahe Schulungen. Beschäftigte lernen am besten mit Daten, die sie aus dem eigenen Arbeitsbereich kennen. Eine abstrakte Einführung in Statistik bleibt oft folgenlos. Wenn dagegen reale Vertriebs-, Produktions- oder Personaldaten analysiert werden, wird der Nutzen unmittelbar sichtbar. Wichtig ist, dass Schulungen nicht nur Bedienung von Tools vermitteln, sondern Denkweisen: Was ist eine gute Frage? Welche Kennzahl passt dazu? Welche Grenzen hat das Ergebnis?
Führungskräfte sollten zudem klare Standards für Berichte setzen. Jede wichtige Kennzahl sollte eine Definition haben. Zeiträume müssen vergleichbar sein. Änderungen in der Messmethode sollten dokumentiert werden. Wenn ein Dashboard monatlich angepasst wird, ohne alte Werte nachvollziehbar zu halten, verliert es an Aussagekraft. Datenqualität ist damit auch eine Organisationsfrage.
Hilfreich sind außerdem Rollen, die Fachbereiche und Datenanalyse verbinden. In vielen Unternehmen entstehen Positionen wie Data Analyst, Business Analyst oder People Analytics Specialist. Doch auch ohne neue Stellen können Teams Verantwortliche benennen, die Kennzahlen pflegen, Auswertungen erklären und Rückfragen bündeln. Entscheidend ist, dass Datenarbeit nicht isoliert bleibt.
Warum eine gute Fehlerkultur nötig ist
Daten decken Widersprüche auf. Das kann unbequem sein. Wenn eine Auswertung zeigt, dass ein Projekt weniger erfolgreich war als angenommen, entsteht schnell Rechtfertigungsdruck. In einer schlechten Fehlerkultur werden Daten dann beschönigt, ignoriert oder taktisch eingesetzt. In einer reiferen Organisation werden sie als Lernchance verstanden. Das bedeutet nicht, Fehler folgenlos zu lassen. Es bedeutet, Ursachen sauber zu analysieren, statt Schuldige zu suchen.
Gerade bei wirtschaftlichen Entscheidungen ist diese Haltung wichtig. Eine gescheiterte Maßnahme kann wertvolle Informationen liefern, wenn sie ehrlich ausgewertet wird. Unternehmen, die Daten nur nutzen, um Erfolge zu zeigen, verschenken einen großen Teil ihres Nutzens.
Was Beschäftigte selbst tun können
Statistikkompetenz lässt sich Schritt für Schritt aufbauen. Ein guter Anfang ist die Gewohnheit, bei Zahlen nachzufragen. Was genau wurde gemessen? Welcher Zeitraum wird betrachtet? Gibt es Vergleichswerte? Wie groß ist die Datenbasis? Wer diese Fragen regelmäßig stellt, entwickelt schnell ein besseres Gefühl für Aussagekraft.
Hilfreich ist auch der bewusste Umgang mit Prozentwerten. Eine Steigerung um 50 Prozent klingt groß, kann aber von zwei auf drei Fälle bedeuten. Umgekehrt kann ein scheinbar kleiner Prozentpunkt bei großen Mengen wirtschaftlich erheblich sein. Deshalb sollten absolute und relative Werte möglichst gemeinsam betrachtet werden.
Wer beruflich häufig mit Berichten arbeitet, sollte sich mit einfachen statistischen Begriffen vertraut machen. Median, Standardabweichung, Stichprobe oder Konfidenzintervall müssen nicht akademisch vertieft werden. Es genügt oft, zu verstehen, welche Frage ein Begriff beantwortet und wann er nützlich ist. Auch Grundkenntnisse in Tabellenkalkulation, Datenvisualisierung und Diagrammkritik zahlen sich aus.
Wichtig ist zudem, nicht aus Unsicherheit auf Distanz zu gehen. Viele Menschen halten Statistik für ein Spezialgebiet, das nur mathematisch besonders starke Personen beherrschen. Im Berufsalltag reicht häufig ein pragmatischer Zugang. Wer sauber denkt, sorgfältig liest und bereit ist, Annahmen zu prüfen, bringt bereits viel mit.
Fazit: Datenverständnis wird zur beruflichen Basiskompetenz
Statistikkompetenz im Beruf entwickelt sich zu einer Fähigkeit, die weit über klassische Analyseabteilungen hinausreicht. Unternehmen treffen mehr Entscheidungen auf Basis von Daten, gleichzeitig steigt das Risiko, Zahlen falsch zu deuten. Wer Daten versteht, kann Chancen früher erkennen, Risiken realistischer einschätzen und Diskussionen versachlichen.
Für Beschäftigte eröffnet Datenverständnis neue Möglichkeiten, sich in Projekten und Entscheidungsprozessen einzubringen. Es stärkt die eigene Argumentation und macht fachliche Erfahrung messbarer. Für Unternehmen bedeutet es bessere Steuerung, sofern Daten nicht isoliert betrachtet werden. Die beste Kennzahl bleibt schwach, wenn sie ohne Kontext genutzt wird. Umgekehrt kann eine einfache Auswertung sehr wertvoll sein, wenn sie die richtige Frage beantwortet.
Der Kern liegt nicht in komplizierter Mathematik, sondern in kritischer Neugier. Wer wissen will, woher Zahlen kommen, was sie zeigen und was sie verschweigen, handelt professioneller. In einer Wirtschaft, in der Unsicherheit bleibt und Entscheidungen schneller getroffen werden müssen, ist genau diese Urteilskraft ein klarer Vorteil.
Die wichtigsten Fragen
Im Folgenden werden häufige Fragen aufgegriffen, die Beschäftigte und Unternehmen beim Aufbau von Datenverständnis besonders oft beschäftigen.
Was bedeutet Statistikkompetenz im Beruf?
Statistikkompetenz im Beruf bedeutet, Daten und Kennzahlen sachgerecht zu lesen, einzuordnen und zu kommunizieren. Dazu gehört, Grundbegriffe wie Durchschnitt, Median, Prozentwerte, Stichproben und Trends zu verstehen. Ebenso wichtig ist die Fähigkeit, Grenzen von Auswertungen zu erkennen und keine vorschnellen Schlüsse zu ziehen.
Warum ist Datenverständnis für die Karriere wichtig?
Datenverständnis hilft Beschäftigten, Entscheidungen besser vorzubereiten und fachliche Argumente nachvollziehbar zu begründen. Wer Kennzahlen kritisch einordnen und verständlich erklären kann, wird in Projekten, Führungsrunden und Schnittstellenfunktionen wertvoller. Das gilt nicht nur für analytische Berufe, sondern auch für Vertrieb, Personal, Marketing, Einkauf und Produktion.
Muss man für Statistikkompetenz gut in Mathematik sein?
Ein mathematisches Spezialwissen ist für viele berufliche Anwendungen nicht nötig. Wichtiger sind logisches Denken, sorgfältiges Fragen und ein Verständnis für Grundbegriffe. Wer erkennt, ob Daten vergleichbar sind, ob eine Stichprobe aussagekräftig ist und ob ein Diagramm verzerrt, besitzt bereits eine starke Grundlage.
Wie können Unternehmen Datenkompetenz fördern?
Unternehmen können Datenkompetenz durch praxisnahe Schulungen, klare Kennzahlendefinitionen, nachvollziehbare Berichtsstandards und eine offene Fehlerkultur fördern. Besonders wirksam sind Trainings mit realen Daten aus dem eigenen Arbeitsumfeld. Software allein reicht nicht aus, wenn das Verständnis für Datenqualität und Interpretation fehlt.
Welche Fehler passieren beim Umgang mit Kennzahlen besonders häufig?
Häufig werden Korrelationen mit Ursachen verwechselt, Durchschnittswerte überschätzt oder kleine Stichproben zu stark gewichtet. Auch Diagramme können täuschen, wenn Achsen verzerrt oder Zeiträume unpassend gewählt werden. Eine gute Datenanalyse prüft deshalb Herkunft, Methode, Bezugsgröße und Kontext jeder Kennzahl.
