BSAN Teil 2
Business Analytics Tests
Business Analytics Tests
-
- 1 / 133
-
Cartes-fiches
Warum ist Visualisierung in der Datenanalyse wichtig?
Weil Visualisierungen Zusammenhänge, Unterschiede und Relationen zwischen Zahlen deutlich schneller und intuitiver erfassbar machen als reiner Fliesstext oder Zahlenlisten.
Welches ist kein Hauptgrund für den Einsatz von Visualisierungen?
Visualisierungen sind hilfreich, weil der Mensch _______ besser als Zahlen vergleichen kann.
visuelle Relationen / Größenverhältnisse
Das Hören von zwei Zahlen ermöglicht ein gleich gutes Verständnis ihrer Relation wie eine grafische Darstellung.
Visuelle Darstellungen (z. B. Balken) verdeutlichen Relationen schneller und intuitiver.
Ein Balken ist 1/3 so hoch wie ein anderer.
Was vermittelt diese Darstellung besser als das Nennen der Zahlenwerte?
Das Verhältnis bzw. den relativen Unterschied der Werte auf einen Blick.
Was ist der psychologische Vorteil visueller Darstellungen gegenüber Zahlen?
Das menschliche Gehirn erkennt Muster, Formen und Relationen visuell wesentlich schneller als es Zahlenvergleiche berechnen kann (präattentive Wahrnehmung).
Wann kann eine Visualisierung trotzdem wenig Mehrwert bieten?
Wenn sie keine zusätzlichen Relationen oder Strukturen zeigt, sondern nur Zahlenwerte grafisch wiedergibt (z. B. unnötige 3D-Diagramme ohne Erkenntnisgewinn).
Was sind die beiden zentralen Funktionen einer guten Visualisierung?
1. Sie erhöht das Verständnis des Unternehmens.
2. Sie hilft, neue Informationen richtig zu interpretieren.
Welche Aussage beschreibt nicht den Zweck einer guten Visualisierung?
Ohne Kontext bleibt Information bedeutungslos – Visualisierung ersetzt Kontext nicht, sie ergänzt ihn.
Warum ist Kontext so entscheidend für die Interpretation von Visualisierungen?
Daten allein sind neutral. Erst durch Kontext wird klar, welche Bedeutung und Relevanz sie haben. Eine Visualisierung muss diesen Kontext sichtbar machen, damit Entscheidungen fundiert getroffen werden können.
Warum reicht die Aussage „Der Ertrag ist um 30 % gestiegen“ allein nicht aus?
Weil sie keinen Kontext liefert – man weiss nicht, ob dieser Anstieg im Vergleich zu früheren Jahren gut, schlecht oder normal ist. Erst mit historischen Daten oder zusätzlicher Aggregation wird die Aussage interpretierbar.
Welche der folgenden Aussagen beschreibt den wichtigsten Grund, warum man Zeitreihen mit mehreren Jahren betrachten sollte?
Zeitreihen über mehrere Jahre zeigen, ob der beobachtete Effekt (z. B. 30 %-Anstieg) Teil eines Musters oder eine Ausnahme ist.
Eine gute Visualisierung zeigt nicht einfach so viele Daten wie möglich, sondern die _______ Daten auf dem richtigen ____________.
richtigen – Aggregationsniveau
Eine Visualisierung wird immer besser, je detaillierter sie ist.
Zu viele Details können Muster verdecken. Oft ist eine aggregierte Darstellung (z. B. Quartal statt Monat) aussagekräftiger.
Ein Unternehmen meldet einen Ertragsanstieg von 30 % gegenüber dem Vormonat. In den letzten Jahren betrug der typische Anstieg im selben Monat 50 %. Wie sollte man diese Information interpretieren?
Der aktuelle Anstieg ist schwächer als üblich. Ohne historischen Vergleich könnte der 30 %-Anstieg fälschlich als Erfolg interpretiert werden.
Warum ist der Vergleich einzelner Monate problematisch, wenn die Erträge stark schwanken?
Weil kurzfristige Schwankungen zufällig oder saisonal bedingt sein können. Sie sagen wenig über den langfristigen Trend aus.
Was ist mit dem Begriff Aggregationsebene in der Datenvisualisierung gemeint?
Das Niveau, auf dem Daten zusammengefasst werden – z. B. täglich, monatlich, quartalsweise oder jährlich. Die richtige Wahl der Aggregation ist entscheidend, um Muster zu erkennen, ohne Rauschen zu erzeugen.
Welche Gefahr besteht, wenn man nur eine zu kleine oder zu grosse Aggregationsebene verwendet?
Zu klein: Rauschen, hohe Varianz, keine klaren Muster.
Zu groß: Wichtige Details gehen verloren.
➡️ Ziel ist ein sinnvolles Gleichgewicht zwischen Detailtiefe und Verständlichkeit.
Was ist der zentrale Lerneffekt aus der Beispielreihe „Ertrag +30 %“?
Ohne Kontext können Daten falsch interpretiert werden. Eine gute Visualisierung stellt daher immer Vergleichsdaten, Zeitverläufe und geeignete Aggregationsebenen bereit.
Warum baut sich Wissen in der Datenanalyse schrittweise auf?
Weil Daten selten alle relevanten Informationen direkt enthalten. Durch iterative Exploration und Interpretation entsteht Wissen allmählich.
Was ist mit „Datenexploration“ (Data Exploration) gemeint?
Das Wissen liegt vollständig in den Daten und muss nur extrahiert werden.
Wissen entsteht erst durch Interpretation, Kontext und Visualisierung.
Wann ist eine Aussage über Daten „robust“?
Wenn sie auch dann gültig bleibt, wenn sich Metriken, Aggregationsebenen oder Visualisierungsarten leicht ändern.
Was bedeutet „quantitative Beziehungen visualisieren“?
Die Darstellung numerischer Daten, um Zusammenhänge, Unterschiede oder Trends sichtbar zu machen.
Welches Diagramm eignet sich am besten für Nominalvergleiche (Werteunterschiede)?
→ Säulen- oder Balkendiagramm.
Welches Diagramm eignet sich für Zeitreihen (Veränderungen im Zeitverlauf)?
Liniendiagramm (oder Säulendiagramm, wenn Einzelwerte betont werden sollen).
Welches Diagramm eignet sich für Rankings?
Sortiertes Balkendiagramm.
Welches Diagramm zeigt Abweichungen von einem Standardwert?
Punktediagramm (Dot Plot).
Welches Diagramm zeigt, wie Werte über einen Bereich verteilt sind?
Histogramm.
Welches Diagramm zeigt, ob sich zwei Variablen gemeinsam verändern?
→ Punktdiagramm / Streudiagramm (Scatter Plot).
Ein ________ zeigt die Entwicklung von Werten über die Zeit.
Liniendiagramm
Um Unterschiede zwischen Kategorien zu vergleichen, nutzt man ein ________ oder ________.
Säulendiagramm oder Balkendiagramm
Eine ________ zeigt die Verteilung von Datenwerten über Intervalle.
Histogramm
Ein ________ eignet sich, um die Stärke und Richtung einer Beziehung zwischen zwei Variablen zu zeigen.
Punktdiagramm (Scatter Plot)
Wenn man Werte nach Größe sortiert, verwendet man ein ________.
sortiertes Balkendiagramm
Zeitreihen lassen sich sinnvoll in Balkendiagrammen mit alphabetischer Sortierung darstellen.
Zeitreihen müssen chronologisch verlaufen.
Ein Histogramm zeigt Kategorienunterschiede.
Es zeigt die Verteilung numerischer Werte über Intervalle.
Ein Scatter Plot kann sowohl Korrelationen als auch Ausreißer sichtbar machen.
Rankings sind nur bei nominalen Daten sinnvoll.
Sie sind für ordinale oder quantitative Werte geeignet.
Warum sind Zeitreihendiagramme meist Linien statt Balken?
Weil Linien zeitliche Kontinuität besser abbilden und Trends klarer sichtbar machen.
