Modul 08

Hinweis: Sie können die Animation mit Klick auf die Play-Taste starten und durch Klicken der Pause-Taste stoppen. Verweilen Sie mit der Maus über einem der Kreise, so wird Ihnen das Land angezeigt. Ein Klick auf einen der Kreise zeichnet den Verlauf ein. Nutzen Sie die Suche, um ein Land zu finden (englische Bezeichner verwenden: Cambodia, Zimbabwe oder Niger).

• Verhalten sich zwei Datensätze "ähnlich", so spricht man von Korrelation.
• Kausalität hingegen beschreibt einen Ursache-Wirkung-Zusammenhang.

Beim Suchen von Zusammenhängen muss man aufpassen: Korrelation ist nicht gleich Kausalität. Wenn beispielsweise viele Suchanfragen zu Grippesymptomen in einer Region auftreten, so heißt dies noch nicht, dass die Grippe dort besonders stark wütet. Immerhin kann es ein drittes Merkmal geben, das die beiden anderen beeinflusst.

Ziel einer "Datenvisualisierung" ist es, Informationen so aufzubereiten, dass sie für uns leichter zu interpretieren sind.
Dies ist eine wichtige Methode, mit deren Hilfe wir Muster, Trends oder Korrelationen finden können, die wir sonst vielleicht nicht entdeckt hätten.

Bei der Visualisierung von Daten geht es darum, eine Darstellung zu wählen, die es erlaubt, schnell die Kernaussage zu erfassen – ohne den Betrachter in die Irre zu führen. Um den Trend einer Aktie zu visualisieren, ist ein einfaches Liniendiagramm ausreichend. Je mehr Parameter wir allerdings dazunehmen, desto komplexer wird unsere Visualisierung.

Der Abschnitt Datenvisualisierungen stellt ein Derivat des unter CC-BY-SA stehenden CS Field Guide Kapitels dar.

Diagramme lassen sich leicht manipulieren, um Daten anders erscheinen zu lassen, als sie sind. Dazu reicht es oft schon, einen anderen Ausschnitt der Datenwerte oder eine andere Form der Darstellung zu wählen.
Im folgenden Beispiel sind dreimal die selben Daten dargestellt. Lediglich der Ausschnitt der x- und y-Achse wurde verändert. Dennoch kommt man beim oberflächlichen Betrachten des Diagrammes schnell zu sehr unterschiedlichen Schlüssen!
Daher gilt der scherzhafte Merksatz: "Vertraue keinem Diagramm, das du nicht selbst gefälscht hast".

"In den letzten Jahren gab es kaum Veränderungen. Es besteht also kein Anlass zur Sorge."

"In den letzten Jahren gab es drastische Veränderungen! Wir müssen dringend etwas unternehmen!"

"In den letzten Jahren gab es immer mehr Falken als Mäuse. Das wird auch so bleiben"

Dieser Abschnitt ist von Martin Forster unter CC-BY-SA lizenziert.

Die Begriffe Daten und Information haben wir bereits häufiger verwendet. Wann aber wird aus diesen Daten Information oder sogar Wissen? Das erfahren Sie im Video.

Wie aus Daten fachliches Wissen wird, wollen wir uns am Beispiel des Cholera-Ausbruchs 1854 im Londoner Stadtteil Soho anschauen.

Zu jener Zeit galt schlechte Luft durch Abfall und faulige Stoffe, auch Miasma genannt, als Auslöser der Cholera. Populäre Maßnahmen waren dementsprechend das Mitführen eines Blumenstraußes und das Entzünden von Schießpulverfässern zur Vertreibung schlechter Luft oder schlicht der Umzug zu Orten mit "besserer Luft".

John Snow hatte jedoch Zweifel an dieser Erklärung und den Maßnahmen. Er war der Meinung, die Ursache der Cholera sei ein Keim, den Menschen über das Wasser aufnehmen.

Noch war das ganze allerdings nur eine unbewiesene Theorie...

Dazu wollen wir uns an den Schritten des Datenlebenszyklus (Grillenberger & Romeike, 2017) orientieren und die verschiedenen Praktiken kennenlernen, die beim Umgang mit Daten eine Rolle spielen.

Die Datenerfassung/-gewinnung beinhaltet alle Tätigkeiten, die zu Beginn des Verarbeitungs- bzw. Analyseprozesses stattfinden und Daten für weitere Verarbeitungsschritte verfügbar machen. Dies kann die Erfassung neuer Daten, beispielsweise mit Sensoren, die Zugänglichmachung von Daten durch geeignete Strukturierung oder Konvertierung aus anderen Formaten, aber auch die Recherche nach und Abfrage von geeigneten bereits existierenden Datensätzen sein. Gegebenenfalls können Daten mehrerer Quellen bereits an dieser Stelle zusammengeführt werden.

Zu John Snows Lebzeiten wurde das Wasser in London noch von öffentlichen Wasserpumpen geholt.
Da John Snow vermutete, eine dieser Pumpen könnte verunreinigtes Wasser fördern, sammelte er nicht nur Daten zu den Cholera-Toten, sondern auch zu den Wasserpumpen.

Viele Daten lassen sich gut in tabellarischer Form speichern und verarbeiten. Eine Tabelle hilft Daten strukturiert aufzubewahren.

Da die Daten über unsere Pumpen andere Eigenschaften haben, als die über die Cholera Toten, verwalten wir diese in unterschiedlichen Tabellen. Der Inhalt ist exemplarisch anhand der ersten Zeilen jeder Tabelle in untenstehender Abbildung dargestellt.

Zu analysierende Daten können von ganz unterschiedlicher Art sein: Mit Zahlen können wir rechnen, mit Zeichenketten nicht.

Diese unterschiedlichen Arten von Daten beschreibt man mit dem Begriff Datentyp.

Der Begriff Datentyp bezeichnet eine Menge von Objekten, die alle die gleiche Struktur haben und mit denen die gleichen Operationen durchgeführt werden können.

In unserem Beispiel finden sich bereits wichtige Datentypen:

• Längengrad (longitude): Gleitkommazahl (Float)
• Breitengrad (latitude): Gleitkommazahl (Float)
• Name des Brunnens (name): Zeichenkette (String)

Eine Datenbereinigung wird nötig, falls die vorliegenden Datensätze ungültige (z. B. Auslesefehler von Daten eines Sensors oder Werte außerhalb des definierten/zulässigen Wertebereichs), falsche (z. B. erkennbare Messfehler) oder ungeeignet formatierte Daten (z. B. Datumsangaben als Klartext oder im falschen Format) enthalten, die gefiltert und/oder korrigiert werden müssen.

Hilfreich ist es, sich zu Beginn einen Überblick über die vorhandenen Daten zu schaffen.

Da alle Werte einer Spalte üblichwerweise vom selben Datentyp sind, könnten wir dazu beispielsweise Maximum, Minimum und den Mittelwert der Spalte ansehen. In Snap! könnte das Beispielsweise so aussehen.

Hätten wir etwa falsche Koordinaten in unserem Datensatz, die sich bspw. auf andere Londoner Stadtviertel beziehen, könnte das unser Ergebnis verfälschen.

Modellierung wird insbesondere zur klaren und verständlichen Strukturierung von Daten und zur Verdeutlichung von Zusammenhängen zwischen verschiedenen Datensätzen genutzt, aber auch um einen Überblick über bereits existierende Datensätze und deren Struktur zu bekommen.

Die Implementierung des Datenmodells in einem realen Datenmanagementsystem ermöglicht die Nutzung und Speicherung von Daten und ist damit grundlegend für die folgenden Praktiken.

Die Optimierung umfasst beispielsweise die Anreicherung von Daten durch weitere, beschreibende Daten zur Erreichung eines schnelleren Zugriffs (z. B. Indizierung), die Kombination von Daten, aber auch alle anderen Ansätze, die darauf abzielen, die Speicherung von und den Zugriff auf Daten möglichst effizient zu gestalten.

Techniken zur Visualisierung von Daten werden genutzt, um die Analyseergebnisse verständlich und gut erfassbar für den Menschen aufzubereiten.

Nun, da in der Tabelle cholera tote neben den Koordinaten auch die aggregierte Anzahl an Toten enthalten ist, können diese zusammen mit den Ortsangaben sinnvoll auf einer Karte visualisiert werden.

In Snap! hätten wir sicherlich den entsprechenden Block zur Verfügung, und auch andere Werkzeuge wie etwa Geoinformationssysteme bieten passende Optionen.

Mit der Karte konnte John Snow nun relativ leicht eine Vermutung äußern, aus welcher Pumpe kein sauberes Wasser kam.

Die Evaluation der Ergebnisse umfasst, neben der Beurteilung der eigentlichen Ergebnisse, auch die Einschätzung der Qualität des ursprünglichen Datensatzes und des Analyseansatzes.

Die Totenzahlen zentrieren sich also um die Pumpe an der Broad St.

Trotzdem sind einige Haushalte, in denen Menschen verstorben sind, näher an einer anderen Pumpe. Wiederum andere Haushalte liegen zwar in direkter Nachbarschaft, weisen aber keine Cholera-Toten auf.
Damit diese Datenpunkte nicht John Snows Theorie widersprechen, benötigte er entsprechende Erklärungen.

Der Austausch von Daten kann die Analyseergebnisse aber auch die Originaldaten umfassen und auf verschiedenen Wegen stattfinden.

Die längerfristige Archivierung von Daten wird genutzt, um diese für zukünftige (oft noch nicht vorhersehbare) Zwecke zu nutzen. Durch die Archivierung wird die weitere Nutzung von Daten für eine gewisse Zeit unterbrochen, sie werden aber für mögliche spätere Nutzungen weiterhin vorgehalten.

Die Löschung der Daten kann aus verschiedenen Gründen erfolgen: Neben der Löschung zur Gewinnung von Speicherplatz, kann sie beispielsweise auch nötig sein, um das Persönlichkeitsrecht von Personen zu wahren. Durch die (sichere) Löschung wird, im Gegensatz zur Archivierung, eine spätere Verwendung der Daten unterbunden.

Mit dem Austausch seiner Analyseergebnisse mit den entsprechenden Stellen konnte John Snow die Stilllegung der "Broad St."-Pumpe erreichen. Nun hätte er seine Daten natürlich löschen können und damit den Datenlebenszyklus beenden. Er entschied sich aber seine Daten noch für ein weiteres Experiment zu verwenden – sein "großes Experiment".

Aufgrund der Karte hatte John Snow nun starke Indizien, dass kontaminiertes Wasser die Ursache der Cholera-Epidemie war. Ermutigt von seinen Erkenntnissen des Broad Street Cholera-Ausbruchs, wandte er sich einem anderen Stadtteil Londons zu. Dort waren die beiden Firmen Southwark & Vauxhall und Lambeth Company für die Wasserversorgung zuständig.

• Die Lambeth Company (in der Karte rot) bezog ihr Wasser flussaufwärts aus einem sauberen Abschnitt der Themse.
• Southwark & Vauxhall hingegen bezogen ihr Wasser aus der Gegend um Battersea Park. Da dort viele Abfälle in den Fluss geleitet wurden, war dieses Wasser jedoch verunreinigt.

 Die Gegend, in der beide Firmen einen Teil der Wasserversorgung übernommen hatten, bot optimale Bedingungen für Snows "Grand Experiment": Mit Ausnahme der Wasserversorgung konnten beide Gruppen als identisch angesehen werden.

John Snows Karte für sein Grand Experiment

In seinen Notizen stellt er dazu fest:

“Each company supplies both rich and poor, both large houses and small; there is no difference either in the condition or occupation of the persons receiving the water of the different Companies … there is no difference whatever in the houses or the people receiving the supply of the two Water Companies, or in any of the physical conditions with which they are surrounded …”

Diesmal sammelte er neben der Anzahl der Cholera-Toten auch den Namen des jeweiligen Wasserversorgers. Dann summierte er diese und trug sie aufgeschlüsselt nach Wasserfirma in eine Tabelle ein. 

Um die Verwaltung zu überzeugen, reichten die absoluten Zahlen noch nicht, da die beiden Firmen unterschiedlich viele Haushalte mit Wasser versorgten. Aus diesem Grund musste er die beiden Größen nun noch ins Verhältnis setzen.

Mit seinen Untersuchungen konnte John Snow beweisen, dass tatsächlich kontaminiertes Wasser und nicht schlechte Luft (Miasma) schuld am Ausbruch der Cholera war. Indem er den Hebel der Pumpe an der Broad Street entfernte, konnte er die Epidemie stoppen.
Mittlerweile wissen wir, dass John Snow mit der Methodik in seinem großen Experiment durchaus einige Probleme hatte (vgl. Koch & Denike, 2006). Trotzdem: Seine Erkenntnisse waren richtig und die Einbeziehung von Daten hob ihn von vielen Zeitgenossen ab.

Und wie sagt man doch gleich? "Traue keiner Statistik, die du nicht selbst gefälscht hast." 😉

Muster in riesigen Datenmengen zu finden, kann unglaublich wertvoll sein – für die Gewinnung wissenschaftlicher Erkenntnisse genauso wie für die Festsetzung von Preisen, das Generieren von Kaufempfehlungen oder die Aufdeckung verdächtiger Aktivitäten.

Nicht umsonst setzen viele Unternehmen und Wirtschaftszweige auf "Big Data". Was aber bedeutet "Big Data"? Wie groß müssen Daten sein, um als "Big Data" bezeichnet werden zu dürfen?

Eine klare Grenze kann man hier nicht ziehen. Um aber eine Vorstellung davon zu vermitteln, wie groß Daten für "Big Data" nun sein müssen, wird meist das 3V-Modell von Gartner (das sind die mit dem Hypecycle) herangezogen. Im 3V-Modell bezieht sich die Größe (das "Big") auf drei Dimensionen.

Datensätze enthalten nicht nur die eigentlichen Daten, sondern auch Daten über sich selbst. Beispielsweise enthalten Fotos Daten über den Aufnahmeort, das Aufnahmedatum, die getätigten Einstellungen oder den Fotographen.

Bei diesen Informationen über die Daten selbst spricht man von Metadaten.

Harry Potter and the Deathly Hallows is, as far as anyone knows, the last book in the Harry Potter series. Its arrival was eagerly awaited, with lines of anxious Harry fans stretching around the block at bookstores everywhere. One fan got a prerelease copy, painstakingly photographed every page, and posted the entire book online before the official release. A labor of love, no doubt, but a blatant copyright violation as well. He doubtless figured he was just posting the pixels, which could not be traced back to him. If that was his presumption, he was wrong. His digital fingerprints were all over the images.

Digital cameras encode metadata along with the image. This data, known as the Exchangeable Image File Format (EXIF), includes camera settings (shutter speed, aperture, compression, make, model, orientation), date and time, and, in the case of our Harry Potter fan, the make, model, and serial number of his camera (a Canon Rebel 350D, serial number 560151117). If he registered his camera, bought it with a credit card, or sent it in for service, his identity could be known as well. (Abelson et al., 2008; S. 24.)

In October, 2005, UN prosecutor Detlev Mehlis released to the media a report on the assassination of former Lebanese Prime Minister Rafik Hariri. Syria had been suspected of engineering the killing, but Syrian President Bashar al-Assad denied any involvement. The report was not final, Mehlis said, but there was “evidence of both Lebanese and Syrian involvement.” Deleted, and yet uncovered by the reporters who were given the document, was an incendiary claim: that Assad’s brother Maher, commander of the Republican Guard, was personally involved in the assassination.

Microsoft Word offers a “Track Changes” option. If enabled, every change made to the document is logged as part of the document itself—but ordinarily not shown. The document bears its entire creation history: who made each change, when, and what it was. Those editing the document can also add comments—which would not appear in the final document, but may help editors explain their thinking to their colleagues as the document moves around electronically within an office. (Abelson, 2008; S.77)