Ein Umfrage-Export enthält zwei Einträge mit derselben ID, eine negative Aufgabendauer und mehrere leere Bewertungen. Diese Datensätze erfordern Aufmerksamkeit, müssen aber nicht zwangsläufig gelöscht werden. Bei einem Eintrag könnte es sich um ein Duplikat handeln, beim anderen um einen Tracking-Fehler, und die Lücken könnten schlicht das logische Ergebnis des Fragebogen-Routings sein.
Bei der Datenbereinigung werden Fehler, Inkonsistenzen und andere Qualitätsprobleme identifiziert und behoben, damit die Daten sinnvoll analysiert werden können. Dazu gehört die Überprüfung von Struktur, Werten, Duplikaten und fehlenden Werten – wobei Entscheidungen so gut dokumentiert sein müssen, dass sie nachvollziehbar und überprüfbar bleiben.
Originale sichern und Variablen verstehen
Behalten Sie eine unveränderte Ausgangskopie und führen Sie Transformationen in einem separaten, kontrollierten Prozess durch. Machen Sie sich mit den Definitionen vertraut, bevor Sie Werte anpassen: „Nicht gefragt“, „Abgelehnt“ und „Nicht zutreffend“ tauchen möglicherweise alle als fehlende Werte auf, stehen aber für völlig unterschiedliche Sachverhalte.
Das QAMyData-Projekt des UK Data Service zeigt, wie systematische Prüfungen auf Probleme wie fehlende Wertedefinitionen und uneinheitliche Metadaten aussehen können. Automatisierte Tests können auffällige Fälle aufdecken – was letztlich aber als Fehler gilt, entscheidet immer der Kontext der Studie.
Überprüfen Sie Einheiten und Tabellenverknüpfungen (Joins). Eine in Millisekunden erfasste, aber als Sekunden interpretierte Dauer kann wie extremes Nutzerverhalten wirken. Und wenn Tabellen auf der falschen Ebene zusammengeführt werden, können reale Teilnehmende plötzlich mehrfach auftauchen.
Qualitätssignale als Hinweise betrachten und abwägen
Ein schnelles Ausfüllen, immer gleiche Bewertungen und kurze Freitext-Antworten können auf mangelnde Sorgfalt hinweisen, sind für sich genommen aber noch kein Beweis. Wer sich gut auskennt, antwortet oft schneller, und identische Bewertungen können einfach ähnliche Erfahrungen widerspiegeln. Betrachten Sie Signale im Zusammenspiel anhand von Kriterien, die zur Studie passen und unterschiedliche Fähigkeiten sowie Antwortstile berücksichtigen.
Legen Sie Teilnahme- und Ausschlusskriterien nach Möglichkeit schon vor der Datenerhebung fest. Wenn ein neues Problem eine spätere Entscheidung erfordert, dokumentieren Sie den Grund und ob das Ergebnis zu diesem Zeitpunkt bereits sichtbar war. Vermeiden Sie es, Schwellenwerte so lange anzupassen, bis das Wunschergebnis herauskommt.
Untersuchen Sie Ausreißer getrennt von unplausiblen oder unmöglichen Werten. Ein valider Extremwert kann für das Produktteam die aufschlussreichste Erkenntnis überhaupt sein.
Fehlende Werte handhaben, ohne Gewissheit vorzutäuschen
Ein leeres Feld ist keine neutrale Bewertung, und ein fehlendes Event bedeutet nicht zwingend Nicht-Nutzung. Schauen Sie genau hin, wo und warum Informationen fehlen. Der richtige Umgang damit kann je nach deskriptivem Reporting, Modellierung und Erhebungsdesign variieren.
Imputation basiert immer auf Annahmen und sollte die Unsicherheit widerspiegeln, die sie mit sich bringt. Wer jeden fehlenden Wert einfach durch den Durchschnitt ersetzt, verzerrt Verteilungen und Zusammenhänge. Das sollte man keinesfalls als Routinekorrektur abtun, die die spätere Analyse unberührt lässt.
Protokollieren Sie Korrekturen, Ausschlüsse und Transformationen samt der betroffenen Fallzahlen. Kommunizieren Sie weitreichende Entscheidungen zusammen mit den Ergebnissen und nutzen Sie Sensitivitätsanalysen, wenn plausible Alternativen das Gesamtergebnis verändern könnten. Der bereinigte Datensatz sollte das Vertrauen in die Ergebnisse stärken – mit klar nachvollziehbaren Unterschieden zum Original.