Startseite > Lexikon > Tracking & Analytics > Data Literacy

Bleistiftskizze: Person hält eine Lupe vor ein Balkendiagramm, darin orange ein hoher Balken auf losen Klötzen, als Bild für Datenkompetenz
Tracking & Analytics

Data Literacy

Daten lesen, verstehen, hinterfragen — und richtig handeln. Data Literacy entscheidet, ob dein Dashboard dir hilft oder dich in die Irre führt. Und sie fehlt in fast jedem Team.

Auch bekannt alsDatenkompetenzDatenkompetenzen

5 Min

Lesezeit

18.11.2026

Letzte Aktualisierung

Was ist Data Literacy?

Dein Dashboard zeigt: Die Conversion Rate ist um 30 % gestiegen. Feiern? Oder erst fragen, ob sich nur die Messung geändert hat? Wer diese Frage stellt, hat Data Literacy, auf Deutsch Datenkompetenz.

Die Data-Literacy-Charta des Stifterverbands beschreibt sie als die Fähigkeit, Daten auf kritische Art und Weise zu sammeln, zu managen, zu bewerten und anzuwenden. Kürzer formulieren es Accenture und Qlik: Daten lesen, verstehen, hinterfragen und mit ihnen arbeiten.

Die Charta stellt vier Leitfragen, die jede Auswertung begleiten sollten:

  • Was will ich mit den Daten erreichen?
  • Was kann ich damit anfangen?
  • Was darf ich — Datenschutz, Urheberrecht, Lizenzen?
  • Was soll ich — ist es ethisch vertretbar?

Wie steht es um die Datenkompetenz?

Nicht gut. Eine Bitkom-Befragung von 603 deutschen Unternehmen aus dem Jahr 2024 zeigt, wie wenig sie aus ihren Daten machen:

Datenpotenzial genutzt

Anteil

Voll

6 %

Eher stark

31 %

Eher wenig

42 %

Gar nicht

18 %

Das misst die Nutzung, nicht direkt die Kompetenz. Aber beides hängt zusammen. In einer älteren, viel zitierten Studie von Accenture und dem BI-Anbieter Qlik (Befragung 2019, 9.000 Beschäftigte in neun Ländern) fühlten sich nur 21 % sicher im Umgang mit Daten. 74 % fühlten sich bei der Arbeit mit Daten überfordert oder unzufrieden.

Auch im Marketing ist das Problem greifbar. Im Marketing Data Report 2025 des Anbieters Supermetrics sagten 56 % der befragten Marketer, ihnen fehle die Zeit, ihre Daten richtig auszuwerten. Viele Daten, wenig Durchblick.

Die Bundesregierung hat das Thema schon 2021 in ihre Datenstrategie geschrieben: Eines von vier Handlungsfeldern heißt „Datenkompetenz erhöhen und Datenkultur etablieren“.

Zwei Denkfehler, die im Marketing Geld kosten

Beispiel A · Onlineshop

Durchschnitt gegen Median beim Bestellwert

80 €

Durchschnitt

45 €

Median

Typische Bestellung liegt bei 45 €, nicht 80 €

Ausgedachte Zahlen zur Erklärung: Wenige Großbestellungen ziehen den Schnitt hoch. Wer mit 80 € plant, rechnet seine Werbung schön.

Beispiel B · Newsletter

Korrelation gegen Ursache

3×

höhere Kaufrate der Öffner

?

Anteil, den der Newsletter auslöst

Erst ein Holdout-Test zeigt die echte Wirkung

Ausgedachte Zahlen: Öffner sind oft ohnehin die treuesten Kunden. Eine Kontrollgruppe ohne Newsletter klärt, was er wirklich bringt.

Häufige Fehler

Fehler 1 · Data Literacy mit Excel-Können verwechseln

Formeln beherrschen ist ein Teil. Genauso wichtig: einordnen, ob die Zahl überhaupt stimmt, ob du sie nutzen darfst und wie du sie anderen erklärst. Ein Pivot-Profi ohne Skepsis ist gefährlicher als ein Laie, der nachfragt.

Fehler 2 · Werkzeuge kaufen statt Kompetenz aufbauen

Looker Studio, Power BI, GA4 — die Werkzeuge sind da. Ohne Menschen, die die Zahlen deuten können, produzieren sie nur hübsche Bilder. Erst die Fragen klären, dann das Dashboard bauen.

Fehler 3 · Vanity Metrics feiern

Reichweite, Likes und Sitzungen steigen, der Umsatz nicht. Die erste Frage der Charta hilft: Was will ich eigentlich erreichen? Dann zählt die Kennzahl, die daran hängt.

Fehler 4 · Datenlücken übersehen

Lehnt ein Teil der Besucher Cookies ab, fehlen sie in GA4. Wer das nicht weiß, wundert sich über Abweichungen zum Shop-System — und zieht falsche Schlüsse.

So baust du Datenkompetenz im Team auf

  • Eine Kennzahl pro Ziel: Jede Kampagne bekommt vorher eine Zahl, an der sie gemessen wird.
  • Monatliche Zahlenrunde: 30 Minuten, in denen das Team gemeinsam einen Bericht liest und Fragen stellt.
  • Kostenlos lernen: Google Skillshop für Analytics, der KI-Campus oder Kurse an der Volkshochschule.
  • Median statt Schnitt: In Excel und Google Sheets reicht dafür eine Funktion.
  • KI-Kompetenz gleich mitdenken: Wer KI-Werkzeuge einsetzt, muss laut EU-KI-Verordnung (Art. 4) für ausreichende KI-Kompetenz der Beschäftigten sorgen.

Häufige Fragen

Was ist der Unterschied zwischen Data Literacy und Data Science?

Data Science ist eine Spezialdisziplin mit Programmierung, Statistik und Modellen. Data Literacy ist eine Grundkompetenz für alle, die mit Zahlen arbeiten: lesen, hinterfragen, richtig handeln.

Brauche ich Statistik- oder Programmierkenntnisse?

Für die Grundlagen nicht. Wichtiger sind Begriffe wie Median, Stichprobe und Vergleichsgruppe sowie die Gewohnheit, Zahlen zu hinterfragen. Programmieren brauchst du erst für eigene Analysen und Modelle.

Wie verbessere ich die Datenkompetenz in einem kleinen Team?

Mit festen Routinen: eine Kennzahl pro Ziel, eine kurze monatliche Zahlenrunde und kostenlose Kurse wie Google Skillshop. Lernen am eigenen Bericht bringt mehr als abstrakte Schulungen.

Welche Kennzahlen sollte ich im Marketing zuerst verstehen?

Die, die direkt an deinem Ziel hängen: Conversion Rate, Kosten pro Anfrage oder Verkauf und Umsatz pro Kunde. Reichweite und Klicks sind Vorstufen, keine Ziele.

Hat Data Literacy etwas mit der EU-KI-Verordnung zu tun?

Indirekt. Die Verordnung verlangt in Artikel 4 von Unternehmen, die KI einsetzen, ausreichende KI-Kompetenz der Beschäftigten. Wer KI-Ergebnisse einordnen will, braucht dafür auch Datenkompetenz.

Begriff teilenHat dir die Definition geholfen? Schick sie weiter.