Erkunden von Daten durch Stellen der richtigen Fragen

Lernziele

Nachdem Sie diese Lektion abgeschlossen haben, sind Sie in der Lage, die folgenden Aufgaben auszuführen:

• Stellen der richtigen Fragen
• Bestimmen von Fähigkeiten und Haltungen für den effektiven Umgang mit Daten

Einleitung

Täglich gibt es Millionen von Chancen, das Leben von Menschen zu verbessern, indem Daten effektiver genutzt werden. Das gilt z. B. für so verschiedene Dinge wie Erforschung von Krankheiten, Weiterbildungsmöglichkeiten, industrielle Effizienz, Patientenbehandlung und Staatsausgaben. Es gibt schier unendliche Möglichkeiten.

Um Daten besser nutzen zu können, sollten Sie diesen wesentlichen Teil der Datenkompetenz im Auge haben: die Erkundung. Der Schlüssel zur erfolgreichen Erkundung von Daten liegt darin, die richtigen Fragen zu stellen. Wenn Sie z. B. Hunde mögen und Ihnen Ihre Gesundheit am Herzen liegt, sollten Sie sich zunächst folgende Frage stellen: Ist der Besitz eines Hundes gut für die eigene Gesundheit?

Diese Frage wollen wir jetzt mit der folgenden vergleichen: Wie unterscheidet sich der Gesundheitszustand von chronisch Erkrankten in den USA bei Hundebesitzern und Nicht-Hundebesitzern?

Die erste Frage ist weit gefasst. Es gibt keine eindeutigen Kriterien dafür, was als gut für unsere Gesundheit gilt. Die zweite Frage ist wesentlicher spezifischer. Hier werden klar definierte Begriffe verwendet und das Augenmerk wird auf eine bestimmte Bevölkerungsgruppe gerichtet. Es ist einfacher, Daten zu erkunden, mit denen sich die zweite Frage beantworten lässt.

Fragen nach dem Warum

Wenn Sie beginnen, die Antwort auf eine beliebige Frage zu erkunden, stellen Sie sich oft Folgefragen. Normalerweise reicht es nicht aus, nach der Beantwortung Ihrer Ausgangsfrage aufzuhören. Wenn in unserem Beispiel die Gesundheitswerte von chronisch Erkrankten in den USA mit Hundebesitz variieren, lautet die nächste Frage: "Warum?"

Das von Sakichi Toyoda, dem Gründer von Toyota Motors, entwickelte Konzept der "5 Warum" sieht vor, bei einem erkannten Problem die Frage nach dem Warum zu stellen und dann bei jeder Antwort oder Erklärung erneut nach dem Warum zu fragen. Obwohl das primäre Ziel dieser Vorgehensweise darin besteht, die Grundursache eines Defekts zu ermitteln, können wir mit dieser Technik den Ursachen eines jeden Ergebnisses auf den Grund gehen.

Der bekannte IT-Spezialist Stephen Few hat eine Reihe von Eigenschaften ermittelt, die es Menschen einfacher machen, effektiv mit Daten zu arbeiten. Diese nennt er "Fähigkeiten und Haltungen". Die Eigenschaften helfen auch dabei, bessere Fragen zu stellen.

Fähigkeiten und Haltungen zum Stellen der richtigen Fragen

Während Sie sich mit diesen Fähigkeiten und Haltungen beschäftigen, die mit Genehmigung von Stephen Few aus seinem Buch Now You See It: An Introduction to Visual Data Sensemaking übernommen wurden, reflektieren Sie Ihre eigenen Erfahrungen. Über welche dieser Eigenschaften verfügen Sie? Welche dieser Eigenschaften möchten Sie entwickeln? Wie helfen Ihnen Ihre aktuellen Eigenschaften, die richtigen Fragen zu stellen? Wie könnte Ihnen der Erwerb neuer Eigenschaften helfen, das Stellen richtiger Fragen zu verbessern?

Der Nutzen richtiger Fragen: Beispiele

Florence Nightingale und John Snow wiesen viele der oben genannten Eigenschaften auf und stellten sinnvolle Fragen, um Probleme zu lösen. In ihrem Lebenswerk zeigt sich Datenkompetenz in Form relevanter Fähigkeiten und Haltungen, die sich in ihrer Arbeit manifestieren.

Beide zeigten zum Beispiel Interesse und Neugierde. Nightingale hatte die Fähigkeit zur Datenanalyse und Snow erkannte Muster. Fallen Ihnen noch weitere Beispiele ein, wie Florence Nightingale und John Snow effektive Fähigkeiten und Haltungen bei der Datenanalyse unter Beweis stellten?

Florence Nightingale

1854 leitete Florence Nightingale ein Team von 38 Krankenschwestern, die sich im Krimkrieg um die Versorgung von Soldaten im Lazarett kümmerten. Warum starben so viele Soldaten und wie konnte ihr Tod verhindert werden?

Sie fand heraus, dass vermeidbare Krankheiten, die durch unhygienische medizinische Zustände verursacht wurden, und nicht etwa Kriegsverletzungen die Haupttodesursache dieser Soldaten waren. Sie leitete Reformen in der Gesundversorgung ein, wodurch die Zahl der Todesfälle drastisch zurückging, und dokumentierte die Ergebnisse von zwei Jahren.

Danach nutzte sie Grafiken, z. B. ein Polardiagramm (siehe das nachstehende Beispiel), um die Notwendigkeit von breit angelegten Gesundheitsreformen einem nicht wissenschaftlichen Publikum nahezubringen. In ihrem Diagramm steht jedes Segment für einen Monat. Die Fläche des Segments zeigt die Anzahl der in diesem Monat gestorbenen Soldaten. Die verschiedenen Farben stehen für unterschiedliche Todesursachen.

Die Geschichte und Bilder hier wurden von der Seite zu Florence Nightingale auf der Website des UK Science Museum übernommen: Florence Nightingale: The Pioneer Statistician.

John Snow

Cholera ist eine akute Darmerkrankung, die während einer Epidemie in London von 1831 bis 1832 und erneut von 1848 bis 1849 viele Todesfälle verursachte. Damals glaubten viele Menschen, dass Cholera durch schlechte Luft verursacht wird, die durch zersetzte organische Stoffe entsteht. Es herrschte der Glaube, die Krankheit könne durch präventive Maßnahmen wie die Anwendung von Scheuermitteln auf Oberflächen ausgerottet werden. Ein wissenschaftlich fundierter mikrobiologischer Ansatz wurde nicht in Erwägung gezogen. Der britische Arzt John Snow stellte diese Theorie der schlechten Luft bzw. Miasma, in Frage.

Was wäre, wenn die Cholera durch einen Keim verursacht würde? Snow vertrat die Ansicht, dass Cholera durch eine noch nicht näher bekannte Keimzelle verursacht wurde. Er vermutete, dass sich der Keim über das Trinkwasser verbreitete. Um seine Hypothese zu prüfen, dass Cholera durch Kontakt mit von Keimen verseuchtem Wasser und durch schlechte Luft ausgelöst wird, nutzte Snow Standesamtdaten zu Todesfällen in London, die der Cholera zugeschrieben wurden. 

Snow stellte die Orte der Todesfälle auf einem Stadtplan grafisch dar und markierte dann die Standorte der Pumpen, die die Stadt mit Wasser versorgten. Er stellte schließlich fest, dass die Todesopfer der Cholera, die er kartiert hatte, Wasser der Pumpe in der Broad Street getrunken hatten.

Das Beispiel von John Snow ist bezeichnend für die Lösung eines medizinischen Problems mit statistischen Methoden ohne Kenntnis der zugrunde liegenden biologischen Ursache. Snow wusste nichts über die speziellen biologischen Merkmale des Keims, konnte aber trotzdem die Ursache des Problems ermitteln.

Die Geschichte und Bilder hier wurden von der Seite zu John Snow auf der Website des UCLA Department of Epidemiology übernommen: John Snow: Father of Modern Epidemiololgy.

Ressourcen

• Tableau-Blog: Gewinnen Sie neue Erkenntnisse aus Ihren Daten: Fragen Sie immer wieder nach dem "Warum"
• Buch: Few, S. (2021). Now You See It: An Introduction to Visual Data Sensemaking (2. Ausgabe). Analytics Press, 29-32.
• Website: Florence Nightingale: The Pioneer Statistician
• Website: Father of Modern Epidemiology

Sie verstehen nun den Zusammenhang zwischen richtigen Fragen und der Erkundung von Daten. Um effektiv mit Daten zu arbeiten, konzentrieren Sie sich auf die Fähigkeiten und Haltungen, die Ihnen helfen, die richtigen Fragen zu stellen.