Datenanalyse

Was es ist

Aufgezeichnete Fakten in Antworten zu verwandeln, die jemand als
Handlungsgrundlage nutzen kann, ist die Aufgabe der Datenanalyse,
häufig auch Analytics genannt. Im Big-Data-Rahmenwerk des
US-Normungsinstituts NIST bedeutet Analyse, Daten systematisch zu
bearbeiten und bei Bedarf umzuformen, um Muster, Zusammenhänge
zwischen Datenpunkten und zeitliche Entwicklungen sichtbar zu machen
und Vorhersagen zu versuchen. NIST ordnet diesen Schritt in einen
größeren _Datenanalyse-Lebenszyklus_ ein, der Rohdaten in nutzbares
Wissen für eine Organisation überführt: sammeln, vorbereiten,
analysieren, visualisieren und zugänglich machen.

Es ist eine Form der Datenverarbeitung, die sich von der
transaktionalen durch das Gelesene unterscheidet: Eine Anwendung
schreibt jeweils einen Auftrag, eine analytische Abfrage liest
Millionen Zeilen für eine Handvoll Ergebnisse. Sie unterscheidet
sich auch vom Data Engineering, das die Pipelines und Speicher baut,
aus denen die Analyse liest.

Der Begriff umfasst sehr unterschiedliche Arbeit:

  * Berichte: dieselben Kennzahlen nach Zeitplan als PDF oder E-Mail
zustellen.

  * Dashboards: diese Kennzahlen in einem
Business-Intelligence-Werkzeug wie Power BI aktuell halten.

  * Ad-hoc-Analyse: eine SQL-Abfrage für eine zuvor ungestellte
Frage schreiben, häufig gegen ein Warehouse wie BigQuery.

  * Geodatenanalyse: dieselbe Arbeit mit Kartendaten in einem GIS,
wobei neben der Menge auch der Ort gefragt ist.

  * Analytische Anwendungen: ein Modell oder statistisches Verfahren
hinter einem Formular für Menschen, die keinen Code schreiben.

  * Web- und Produktanalyse: die Besucher einer Website oder Nutzer
eines Produkts zählen und erfassen, was sie dort tun.

Die letzte Art kostet Privatsphäre. Sie ist gemeint, wenn die
Datenschutz-, Cookie-, Credits- und Sicherheitsseiten dieser Website
von „keiner Webanalyse“ sprechen: kein Analyse-Tag, kein Zählpixel,
kein Cookie und kein Konto bei einem Analyseunternehmen. Die Website
misst sich trotzdem. Ihr Webserver führt ein Zugriffsprotokoll. Ein
Programm macht daraus tägliche Zählungen und monatliche Ranglisten
gelesener Seiten, verweisender Websites und Crawler. Die Angaben
bleiben Zahlen und werden nie zu einem Weg eines einzelnen Besuchers
zusammengesetzt.

Warum es wichtig ist

Zwei Entscheidungen bestimmen den größten Teil der Kosten: wo die
Abfragen laufen und wie Daten über Menschen erhoben werden.

Die Analyse auf der Transaktionsdatenbank ist der billigste
Einstieg: Die Daten sind aktuell, und nichts wird kopiert. Dafür
konkurriert jeder Bericht mit der Anwendung um Speicher und Platte.
Eine Lesereplik nimmt diese Last vom Primärserver, zum Preis eines
zweiten Servers. Ein Warehouse wie BigQuery trennt Speicher und
Rechenleistung und berechnet bei nutzungsabhängigen Abfragen die
gelesenen Bytes. Das belohnt eng begrenzte Abfragen, benötigt aber
eine Pipeline zum Hineinkopieren der Daten.

Die Bindung an ein Werkzeug versteckt sich in den Definitionen. Ein
BI-Werkzeug speichert Kennzahlen in seiner eigenen Formelsprache.
Ein Jahr später steht die Bedeutung eines aktiven Kunden in einer
Datei, die nur dieses Werkzeug öffnet. Definitionen als SQL im
Repository überstehen einen Werkzeugwechsel.

Web- und Produktanalyse ergänzt eine rechtliche Frage. Das übliche
gehostete Werkzeug arbeitet über ein Tag: ein Skript auf jeder
Seite, das ein Cookie oder einen ähnlichen Bezeichner im Browser
setzt und jeden Seitenaufruf an den Anbieter meldet. Artikel 5
Absatz 3 der EU-ePrivacy-Richtlinie verlangt für das Ablegen oder
Auslesen von Informationen auf dem Gerät eines Besuchers eine
Einwilligung, mit zwei Ausnahmen: Speicherung oder Zugriff
ausschließlich zur Übertragung einer Nachricht über ein Netz sowie
Speicherung oder Zugriff, die unbedingt erforderlich sind, um einen
ausdrücklich angeforderten Dienst zu erbringen. Sobald Ereignisse
einer Person zugeordnet werden können, auch über eine Cookie-Kennung
oder IP-Adresse, gilt zudem die DSGVO: eine Rechtsgrundlage, ein
benannter Zweck und eine Aufbewahrungsfrist. Außerdem besitzt nun
ein weiteres Unternehmen Aufzeichnungen über das Verhalten Ihrer
Besucher.

Die tatsächliche Wahl liegt damit zwischen einem schnell ergänzten
gehosteten Werkzeug mit Dashboards, einer selbst gebauten und
betriebenen Erfassung auf eigenen Systemen und Auswertungen aus
ohnehin geschriebenen Serverprotokollen. Letztere beantworten
weniger Fragen und halten deutlich weniger fest.

Wie es in der Praxis aussieht

Für eine berufliche Netzwerkplattform wurde Produktanalyse direkt in
PostgreSQL gebaut, statt ein fremdes Tag einzubinden: ein Schema mit
7 Tabellen und 47 Funktionen, Ereignistabellen mit 22
Partitionierungsdefinitionen, die sich nach Zeitplan bereinigen,
sowie Besucheridentitäten, die mit wechselndem Salt pseudonymisiert
werden. Der Client sendet erst nach der Einwilligung. Funnels werden
in der Datenbank neben den Daten berechnet, was NIST Datenlokalität
nennt. Die Seite benennt den Preis: Wechselnder Salt verhindert
langfristige Kohortenanalysen, und kostenlose Dashboards sind nicht
dabei.

Auf der Berichtsseite holte ein Python-Berichtssystem die Daten,
führte die Analyse aus und lieferte denselben PDF-Bericht nach einem
verlässlichen Zeitplan an die kaufmännischen Entscheider. Die Seite
schreibt dieser Berichterstattung eine Steigerung des
vierteljährlichen Softwareumsatzes um 400 % zu.

Diese Website ist das dritte Beispiel. Ihre Datenschutzseite
beschreibt die Messung: ein Zugriffsprotokoll, das vor dem Schreiben
den letzten Teil jeder IP-Adresse auf null setzt, die
Herkunftswebsite nur als Namen und Zeilen mit einer Lebensdauer von
etwa dreißig Tagen. Ein Programm erstellt daraus eine tägliche
Zählung und eine monatliche Rangliste. Beide bleiben unbegrenzt als
Summen erhalten, ohne etwas, das sie wieder zu einem Besuch
verbinden könnte. Ohne Tag, Cookie oder Dritte gibt es kein
Einwilligungsbanner; die Begründung lautet, dass es nichts gibt, in
das einzuwilligen wäre. Auch die Grenze wird offengelegt: Solange
eine Zeile existiert, grenzt ein seltener Browser in einem kleinen
Netz einen Besucher stärker ein, als der Website lieb ist. Weniger
Antworten und keine Funnels sind der Preis dafür, nichts auf dem
Gerät des Lesers zu speichern und nichts an andere zu senden.

Wo es schiefgeht

Zwei Werkzeuge melden zwei Besucherzahlen

Das gehostete Werkzeug zeigt für den letzten Monat eine Zahl, das
Serverprotokoll doppelt so viel. Beide können bei unterschiedlichen
Gegenständen recht haben. Ein Tag zählt nur Browser, die sein Skript
ausgeführt haben, und hinter einem Banner nur zustimmende Besucher.
Ein Protokoll zählt jede Anfrage einschließlich Crawlern, bis jemand
sie herausfiltert. Schreiben Sie die Definition jeder Kennzahl
einmal in SQL auf, einschließlich der ein- und ausgeschlossenen
Fälle.

Berichte bremsen die Anwendung

Jeden Montag wird die Anwendung langsam, während der Wochenbericht
ganze Tabellen auf der Transaktionsdatenbank scannt. Verlagern Sie
ihn auf eine Replik oder ein Warehouse. Oder verdichten Sie
Rohzeilen jede Nacht in eine kleine Aggregattabelle und führen
darauf Fensterfunktionen aus:

```sql
SELECT day,
       signups,
       sum(signups) OVER (ORDER BY day
                          ROWS BETWEEN 6 PRECEDING AND CURRENT ROW)
         AS last_7_days
FROM daily_counts
ORDER BY day;
```

Das Banner verschwindet, das Tracking bleibt

Ein Team ersetzt Cookies durch ein „cookieless“-Produkt, entfernt
das Banner und verfolgt Besucher weiter. Artikel 5 Absatz 3 betrifft
den Zugriff auf Informationen auf dem Gerät, unabhängig vom
Mechanismus. Die EDPB-Leitlinien zum technischen Geltungsbereich
erklären, dass auch Fingerprinting aus HTTP-Headern oder die
Verfolgung von Navigation allein über IP-Adressen darunterfallen
können. Zugleich erinnern sie daran, dass die Anwendbarkeit der
Regel allein noch keine Einwilligungspflicht bedeutet. Beurteilen
Sie ein Werkzeug danach, ob es eine Anfrage mit der nächsten
verknüpft, und nicht danach, ob es ein Cookie setzt.

Eine Einwilligung, die Aufsichtsbehörden ablehnen würden

Ein Banner blockiert die Seite bis zur Zustimmung, wertet Scrollen
als Einwilligung oder erschwert den Widerruf gegenüber der
Zustimmung. Nach den EDPB-Leitlinien wird eine Einwilligung hinter
einer Cookie-Wall nicht freiwillig erteilt, und Scrollen ist niemals
eine eindeutige bestätigende Handlung. Artikel 7 Absatz 3 der DSGVO
verlangt, den Widerruf so einfach wie die Erteilung zu machen. Geben
Sie Ablehnung dasselbe Gewicht wie Zustimmung und senden Sie vor der
Antwort nichts.

Pseudonyme Ereignisse bleiben für immer

Die Ereignistabelle wächst monatlich um Millionen Zeilen, und ihre
gehashten Nutzerkennungen gelten als anonym. Erwägungsgrund 26 der
DSGVO behandelt pseudonymisierte Daten, die mit Zusatzinformationen
einer Person zugeordnet werden könnten, als personenbezogen.
Erwägungsgrund 30 nennt IP-Adressen und Cookie-Kennungen als
Online-Kennungen, deren Spuren zusammen mit anderen Informationen
Profilbildung und Identifizierung ermöglichen können. Legen Sie die
Frist vor dem ersten Ereignis fest. Partitionieren Sie nach Zeit,
damit ein abgelaufener Monat vollständig entfällt, und bewahren Sie
langfristige Zahlen als Aggregate ohne Kennungen auf.

Weiterführende Lektüre

  * NIST SP 1500-1r2, Big Data Interoperability Framework:
Definitions — die Definitionen von Analyse,
Datenanalyse-Lebenszyklus und Datenlokalität, auf denen dieser
Artikel aufbaut.

  * Richtlinie 2002/58/EC, konsolidiert — Artikel 5 Absatz 3 zur
Einwilligung für das Speichern oder Lesen auf Besuchergeräten,
einschließlich beider Ausnahmen.

  * Verordnung (EU) 2016/679, die DSGVO — die
Einwilligungsdefinition, Artikel 7 zum Widerruf sowie
Erwägungsgründe 26 und 30 zu pseudonymisierten Daten und
Online-Kennungen.

  * EDPB-Leitlinien 05/2020 zur Einwilligung — Cookie-Walls,
Scrollen und Widerruf mit ausgearbeiteten Beispielen.

  * EDPB-Leitlinien 2/2023 zu Artikel 5 Absatz 3 — weshalb
IP-Tracking, Fingerprinting und Zählpixel derselben Regel wie
Cookies unterliegen können.

  * PostgreSQL-Tutorial: Fensterfunktionen — Rangfolgen und laufende
Summen verwandter Zeilen, berechnet innerhalb der Datenbank.

hDiese Seite im Web	URL:https://engineer.company/de/glossary/analytics/	engineer.company	70
