Datenkompetenz

Kurzfassung

Datenkompetenz, englisch Data Literacy, ist die Fähigkeit, Daten kritisch zu erheben, zu verwalten, zu bewerten und für Entscheidungen zu nutzen. Gemeint ist nicht nur das Auswerten, sondern ebenso das Urteil darüber, was Daten aussagen und was nicht. Der Begriff gewinnt an Gewicht, seit Organisationen mehr Entscheidungen auf Kennzahlen und Modelle stützen und die EU-KI-Verordnung von ihnen verlangt, die KI-Kompetenz ihrer Beschäftigten sicherzustellen.

Belegt ist vor allem, dass Trainings Wissen und Zutrauen der Teilnehmenden steigern, meist gemessen durch Selbstauskunft. Ob sich dadurch Entscheidungen verbessern, ist kaum untersucht, und die meisten Studien stammen aus der Lehrerbildung, nicht aus Unternehmen.

Streit gibt es über den Zuschnitt: ob Datenkompetenz eine technische Fertigkeit ist, eine Bürgerkompetenz mit ethischem Anspruch oder eine Eigenschaft der Organisation statt des Einzelnen. Je nach Antwort sehen die Programme sehr verschieden aus.

Was Datenkompetenz ist und welche Formen es gibt

Eine viel zitierte Definition stammt aus einem Bericht von Chantel Ridsdale und Kollegen an der Dalhousie University in Kanada (2015), einer Literatursynthese im Auftrag des kanadischen Forschungsrats für Sozial- und Geisteswissenschaften. Sie beschreibt Data Literacy als die Fähigkeit, Daten auf kritische Weise zu sammeln, zu verwalten, zu bewerten und anzuwenden. Die Data-Literacy-Charta, die der Stifterverband, eine Gemeinschaftsinitiative von Unternehmen und Stiftungen für Bildung, Wissenschaft und Innovation, 2021 mit zahlreichen Partnern vorgelegt hat, übernimmt diese Bestimmung fast wörtlich. Sie fordert zudem, dass Datenkompetenz den ganzen Weg von der Erhebung bis zur Entscheidung umfasst und neben Wissen und Fertigkeiten auch Werte für einen ethisch begründeten Umgang mit Daten einschließt.

Andere Definitionen setzen den Schwerpunkt anders. Annika Wolff und Kollegen an der Open University in Großbritannien (2016) verstehen Datenkompetenz als fragegeleitetes Arbeiten: Daten dienen dazu, Erscheinungen der wirklichen Welt zu verstehen, und die Kompetenz zeigt sich darin, eine Frage zu stellen, passende Daten zu finden und eine Antwort zu begründen. Ihr Blick richtet sich ausdrücklich auch auf Bürgerinnen und Bürger, nicht nur auf Fachleute. Katharina Schüller, Paulina Busch und Carina Hindinger legten 2019 für das Hochschulforum Digitalisierung ein Kompetenzraster vor, das den Prozess in einzelne Kompetenzfelder zerlegt und als Grundlage für Lehrpläne gedacht ist.

Der Begriff grenzt an mehrere Nachbarn. Statistical Literacy meint nach dem Statistikdidaktiker Iddo Gal (2002) vor allem die Fähigkeit, statistische Aussagen im Alltag zu verstehen und kritisch zu beurteilen, also eher das Lesen als das Erheben. Informationskompetenz stammt aus den Bibliotheken und betrifft das Finden und Bewerten von Quellen. KI-Kompetenz baut auf Datenkompetenz auf: Wer nicht einschätzen kann, woher Trainings- und Eingabedaten kommen, kann auch die Ausgaben eines Modells schwer beurteilen. Artikel 4 der KI-Verordnung (EU) 2024/1689 verpflichtet Anbieter und Betreiber von KI-Systemen seit dem 2. Februar 2025, für ausreichende KI-Kompetenz ihres Personals zu sorgen.

Nutzen und Beleglage

Die Belege sind dünner, als die Verbreitung des Begriffs vermuten lässt, und sie stammen überwiegend aus Bildungseinrichtungen.

Übersichtsarbeiten zu Trainings. Die gründlichste aktuelle Zusammenfassung betrifft Lehrkräfte. Fabián Sandoval-Ríos und Kollegen werteten 2025 sechzehn Studien aus den Jahren 2014 bis 2023 aus, überwiegend aus den USA, Deutschland und den Niederlanden. Die meisten berichteten deutliche Zuwächse bei Wissen über Daten und bei der Selbstwirksamkeit, dem Zutrauen, eine Aufgabe zu bewältigen. Am wirksamsten erschienen Programme, die mit echten Daten aus dem eigenen Arbeitsfeld, festen Entscheidungsschritten, gemeinsamem Lernen und längerer Begleitung arbeiteten. Die Einstellungen zu Daten änderten sich dagegen kaum.

Die Schwächen dieser Belege sind erheblich. Nur ein Viertel der Studien hatte eine Kontrollgruppe, die übrigen verglichen nur Vorher und Nachher. Viele Ergebnisse beruhen auf Selbstauskünften, Effektstärken wurden nur in etwa der Hälfte berichtet, und die Programme reichten von einer Viertelstunde bis zu zwei Jahren. Ob Lehrkräfte danach besser entschieden, wurde selten direkt gemessen. Für Unternehmen und Verwaltungen ließ sich bei der Recherche keine vergleichbare Übersicht finden. Was dort über Datenkompetenz gesagt wird, stützt sich weitgehend auf Erfahrungsberichte, Rahmenwerke und Umfragen.

Hürden. Gut untersucht ist Statistikangst, das Unbehagen beim Umgang mit Statistik. Die Übersichtsarbeit von Anthony Onwuegbuzie und Vicki Wilson (2003) fasst Befunde zusammen, nach denen sie mit Vermeidung, Aufschieben und geringeren Leistungen einhergeht. Die Befunde sind korrelativ und stammen fast nur von Studierenden. Dass Statistikangst Datenkompetenz am Arbeitsplatz bremst, ist plausibel, aber nicht gezeigt.

Worauf Datenkompetenz beruht

Wer Datenkompetenz als Fähigkeit Einzelner versteht, setzt stillschweigend voraus, dass mehr Wissen zu anderem Verhalten führt. Das COM-B-Modell der Gesundheitspsychologin Susan Michie und ihrer Kollegen am University College London (2011) beschreibt Verhalten dagegen als Ergebnis von drei Bedingungen: Fähigkeit (capability), Gelegenheit (opportunity) und Motivation. Ein Training wirkt vor allem auf die Fähigkeit. Fehlen Zugang zu Daten, Zeit oder ein Umfeld, in dem mit Daten argumentiert wird, bleibt das Gelernte ungenutzt.

Daraus ergeben sich Bedingungen, unter denen Datenkompetenz überhaupt einen Unterschied macht:

1. Es gibt Entscheidungen, die von Daten abhängen. Wo das Ergebnis vorab feststeht oder nach anderen Kriterien fällt, hat Datenkompetenz keinen Ansatzpunkt.
2. Die Daten taugen für den Zweck. Unvollständige oder widersprüchliche Daten führen auch Kompetente in die Irre (siehe Datenqualitätsdimensionen).
3. Fragen sind erlaubt. Wer fürchtet, sich mit einer Rückfrage zu einer Zahl bloßzustellen, stellt sie nicht. Hier berühren sich Datenkompetenz und psychologische Sicherheit.
4. Zahlen werden nicht zum Ziel. Wo Kennzahlen über Bewertung und Budget entscheiden, lohnt es sich, sie zu beeinflussen statt sie zu verstehen (Goodharts Gesetz).

Selbstwirksamkeit im Sinne von Albert Bandura spielt dabei eine eigene Rolle: Sie ist zugleich das Ergebnis, das Trainings am zuverlässigsten erreichen, und eine Voraussetzung dafür, dass Menschen Daten im Alltag tatsächlich anfassen. Selbstwirksamkeit ist aber nicht dasselbe wie Können. Wer sich mehr zutraut, beurteilt Daten nicht automatisch besser.

Herkunft, Schulen und Streitfragen

Der Begriff speist sich aus mehreren Traditionen, und das erklärt, warum Programme unter demselben Namen Verschiedenes tun.

Die Statistikdidaktik fragt seit Jahrzehnten, was Erwachsene über Statistik wissen müssen, um Nachrichten, Studien und Behördenzahlen zu verstehen. Bibliotheken und Hochschulen brachten den Begriff mit dem Umgang mit Forschungsdaten zusammen; der Bericht von Ridsdale und Kollegen gehört in diese Linie. In Wirtschaft und Weiterbildung steht oft die Bedienung von Auswertungswerkzeugen im Vordergrund. Kritische Ansätze, etwa von Catherine D’Ignazio und Rahul Bhargava am MIT (2015), betonen dagegen, dass Datenkompetenz auch heißt zu erkennen, wer Daten über einen erhebt, zu welchem Zweck und mit welchen Folgen.

Drei Streitfragen sind offen:

Fertigkeit oder Urteil? Ein Kurs in einer Analysesoftware lässt sich leicht anbieten und abrechnen. Das kritische Urteil, das alle Definitionen betonen, ist schwerer zu lehren und zu messen. Programme verschieben sich deshalb leicht zum Handwerk.

Für alle oder für Fachleute? Die Charta versteht Datenkompetenz als Teil der Allgemeinbildung. In Organisationen wird dagegen häufig nach Rollen unterschieden, etwa zwischen Menschen, die Kennzahlen lesen, solchen, die eigene Auswertungen bauen, und wenigen, die Datenmodelle entwerfen. Eine einheitliche, belegte Stufung gibt es dafür nicht.

Eigenschaft des Einzelnen oder der Organisation? Wenn Gelegenheit und Motivation so viel ausmachen, wie COM-B nahelegt, dann ist Datenkompetenz auch eine Frage von Zugängen, Zuständigkeiten und Gewohnheiten. Wie Datenarchitektur und Organisationsstruktur zusammenhängen, behandelt Datenarchitektur und Organisation, die Einführung von KI-Systemen KI-Einführung in Organisationen.

Grenzen und Kritik

• Unscharfer Begriff. Fast jede Tätigkeit mit Zahlen lässt sich als Datenkompetenz bezeichnen. Das erleichtert Förderprogramme und Werbung, erschwert aber Vergleiche zwischen Studien.
• Schwache Messung. Viele Instrumente erfassen Selbsteinschätzung. Zutrauen und Können fallen jedoch nicht zusammen.
• Individualisierung eines Organisationsproblems. Wer schlechte Entscheidungen auf fehlende Datenkompetenz zurückführt, übersieht leicht schlechte Daten, fehlende Zugänge oder Anreize, die gegen ein ehrliches Lesen der Zahlen sprechen.
• Übertragung aus der Schule. Die besten Belege stammen aus der Lehrerbildung. Ob sie für Vertrieb, Verwaltung oder Pflege gelten, ist offen.
• Mehr Daten heißt nicht bessere Entscheidungen. Auch Kompetente können Kennzahlen überbewerten oder sich von der Darstellung leiten lassen, wie Wie Dashboards Entscheidungen verzerren zeigt. Zur Datenkompetenz gehört deshalb auch zu erkennen, wann Daten eine Frage nicht beantworten können.

Quellen

• Ridsdale, C., Rothwell, J., Smit, M., Ali-Hassan, H., Bliemel, M., Irvine, D., Kelley, D., Matwin, S. & Wuetherick, B. (2015): Strategies and Best Practices for Data Literacy Education. Knowledge Synthesis Report. Dalhousie University, gefördert vom SSHRC.
• Wolff, A., Gooch, D., Cavero Montaner, J. J., Rashid, U. & Kortuem, G. (2016): Creating an Understanding of Data Literacy for a Data-driven Society. Journal of Community Informatics 12(3), 9–26. DOI: 10.15353/joci.v12i3.3275.
• Schüller, K., Koch, H. & Rampelt, F. (2021): Data-Literacy-Charta. Version 1.2. Stifterverband.
• Schüller, K., Busch, P. & Hindinger, C. (2019): Future Skills: Ein Framework für Data Literacy. Hochschulforum Digitalisierung, Arbeitspapier.
• Gal, I. (2002): Adults’ Statistical Literacy: Meanings, Components, Responsibilities. International Statistical Review 70(1), 1–25.
• Sandoval-Ríos, F., Gajardo-Poblete, C. & López-Núñez, J. A. (2025): Role of data literacy training for decision-making in teaching practice: a systematic review. Frontiers in Education 10.
• Onwuegbuzie, A. J. & Wilson, V. A. (2003): Statistics Anxiety: Nature, etiology, antecedents, effects, and treatments. A comprehensive review of the literature. Teaching in Higher Education 8(2), 195–209.
• Michie, S., van Stralen, M. M. & West, R. (2011): The behaviour change wheel: A new method for characterising and designing behaviour change interventions. Implementation Science 6, 42.
• D’Ignazio, C. & Bhargava, R. (2015): Approaches to Building Big Data Literacy. Bloomberg Data for Good Exchange.
• Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 4: KI-Kompetenz.