Definition
Die Explorative Datenanalyse als ein Teilgebiet der Statistik zielt darauf ab, bisher unentdeckte Strukturen und Zusammenhänge in Daten (v. a. in großen Datenmengen / Big Data, z. B. in den Verkaufsdaten eines Onlinehändlers) zu finden.
Alternative Begriffe: explorative Analyse, explorative Statistik.
Beispiel
Beispiel: Explorative Datenanalyse bei einem Onlinehändler
Ein Onlinehändler hat für das Jahr 01 Daten zu 12.000 Bestellungen erhoben. Jede Bestellung enthält: Datum, Produktkategorie, Bestellwert (€), Region und Kundenstatus (Neu- oder Stammkunde).
Beispielhafte Schritte der explorativen Datenanalyse:
1. Datenüberblick
12.000 Bestellungen aus 12 Monaten, 6 Produktkategorien, 4 Regionen – erste Plausibilitätsprüfung auf fehlende Werte und Dopplungen.
2. Deskriptive Statistik des Bestellwerts
- Mittelwert: 47 € | Median: 34 € | Spannweite: 5–850 € | Standardabweichung: 58 €
- Der Mittelwert liegt deutlich über dem Median – Hinweis auf eine rechtsschiefe Verteilung mit einzelnen sehr hohen Bestellwerten.
3. Häufigkeitsverteilung und Ausreißer
Rund 70 % aller Bestellungen liegen unter 50 €, nur 1,2 % über 500 €. Diese hohen Bestellwerte werden als Ausreißer markiert und für eine separate Analyse vorgemerkt.
4. Zeitlicher Verlauf
Die monatliche Bestellanzahl zeigt eine saisonale Struktur – deutliche Spitzen im November (+35 %) und Dezember (+28 %) gegenüber dem Jahresdurchschnitt.
5. Kategorievergleich
Die Kategorie Elektronik hat den höchsten Durchschnittsbestellwert (112 €); die Kategorie Bücher verzeichnet die meisten Bestellungen (28 % des Gesamtvolumens).
6. Zusammenhang Kundenstatus und Bestellwert
Stammkunden bestellen im Durchschnitt 12 % mehr als Neukunden (⌀ 51 € vs. ⌀ 46 €) – ein Hinweis auf einen möglichen Zusammenhang zwischen Kundenbindung und Kaufverhalten.
Ergebnis
Die Explorative Datenanalyse liefert zwei weiterführende Hypothesen: (1) Saisonale Bestellmuster erfordern eine angepasste Lagerhaltung; (2) Kundenbindung lohnt sich finanziell. Beide Hypothesen können in anschließenden konfirmatorischen Analysen überprüft werden.
Fazit
- Explorative Datenanalyse untersucht Daten systematisch mit statistischen und grafischen Methoden, um bisher unbekannte Muster, Strukturen und Zusammenhänge zu entdecken.
- Typische Schritte: Datenüberblick → deskriptive Statistik → Häufigkeitsverteilungen → Ausreißeranalyse → Korrelationen.
- Abgrenzung: Die explorative Statistik generiert Hypothesen; die konfirmatorische Statistik prüft sie anschließend auf statistische Signifikanz.
- Besonders wertvoll bei Big Data – je größer der Datensatz, desto mehr nicht-offensichtliche Strukturen können aufgedeckt werden.
Selbsttest: Explorative Datenanalyse
Was ist das Hauptziel der explorativen Datenanalyse?
Wie unterscheidet sich die explorative von der konfirmatorischen Statistik?
Welche Aussage zur explorativen Datenanalyse ist korrekt?