In der klassischen Statistik zieht man eine Zufallsstichprobe und kann daraus mit bekannter Fehlerwahrscheinlichkeit auf die Grundgesamtheit schließen. Bei Bewegungsdaten ist das anders: Die Stichprobe entsteht nicht durch Auswahl, sondern dadurch, wer welche Technik nutzt. Das nennt man eine anfallende Stichprobe – und sie ist systematisch verzerrt.
Das ist beherrschbar, aber nur, wenn man die Verzerrungen kennt.
Woher die Verzerrungen kommen
- Gerätebesitz und Alter: Ältere Menschen und Kinder sind in App-basierten Panels unterrepräsentiert. Für Auswertungen in Seniorenlagen oder rund um Schulen ist das relevant.
- Betriebssystem und Berechtigungen: Die Bereitschaft, Standortzugriff zu erlauben, verteilt sich nicht gleichmäßig über die Bevölkerung und unterscheidet sich zwischen Gerätewelten.
- App-Nutzungsprofil: Ein Panel, das stark auf bestimmten App-Kategorien beruht, bildet deren Nutzerschaft überproportional ab.
- Signalgeometrie: In dichter Bebauung, in Innenräumen und in Tiefgaragen sind Positionsbestimmungen ungenauer. Große Gebäude können systematisch unterschätzt werden.
- Grenzeffekte: Nahe der Geofence-Grenze werden Personen fälschlich ein- oder ausgeschlossen. Je kleiner das Gebiet, desto stärker fällt das ins Gewicht.
- Mehrere Geräte pro Person: Wer Diensthandy und Privatgerät mitführt, erscheint doppelt, sofern das nicht erkannt wird.
Wie damit umgegangen wird
Seriöse Aufbereitung begegnet dem auf drei Wegen:
- Gewichtung. Über- und unterrepräsentierte Gruppen werden anhand externer Referenzen – Einwohnerstatistik, Altersstruktur, Gerätemarktanteile – auf ihr tatsächliches Gewicht korrigiert. Details unter Von der Messung zur Kennzahl.
- Plausibilisierung. Ergebnisse werden gegen bekannte Muster geprüft: Sinkt die Frequenz sonntags? Steigt sie am verkaufsoffenen Samstag? Bricht sie beim Sturmtief ein? Wo die Daten der Realität widersprechen, stimmt etwas nicht.
- Kalibrierung. Der wirksamste Schritt: Abgleich mit einer unabhängigen Referenzzählung am selben Ort im selben Zeitraum – etwa einer stationären Zählstelle oder einer manuellen Zählung. Daraus lässt sich ein Korrekturfaktor ableiten, der die Absolutwerte deutlich verbessert.
Warum Vergleiche robuster sind als Absolutwerte
Systematische Verzerrungen haben eine angenehme Eigenschaft: Sie wirken auf beide Seiten eines Vergleichs ähnlich. Wenn ein Panel eine Altersgruppe unterschätzt, tut es das im Mai wie im Juni und in Straße A wie in Straße B.
Deshalb gilt: Relative Aussagen sind deutlich belastbarer als absolute. „Die Frequenz liegt 12 % über dem Vorjahr" oder „Lage A hat rund doppelt so viel Publikum wie Lage B" sind gut abgesicherte Aussagen. „Es waren 4.812 Personen" ist es nicht. Für die meisten Entscheidungen ist das kein Nachteil – gefragt ist ohnehin fast immer der Vergleich.
Wichtige Bedingung: Der Vergleich muss methodisch identisch sein. Unterschiedliche Mindestaufenthaltsdauern, andere Filter oder ein anderes Panel machen zwei Zahlen unvergleichbar, auch wenn sie gleich aussehen.
Fragen, die Qualität sichtbar machen
- Wie groß ist das Panel im Analysegebiet – absolut, nicht in Prozent?
- Auf welcher Basis wurde hochgerechnet, und wie alt ist diese Referenz?
- Gibt es Angaben zu Unsicherheit oder Schwankungsbreite?
- Ab welcher Fallzahl werden Werte unterdrückt?
- Wurde gegen eine unabhängige Zählung kalibriert – und mit welchem Ergebnis?
- Ist die Methode über den gesamten Vergleichszeitraum unverändert geblieben?
Wer auf diese Fragen keine Antwort bekommt, sollte die Ergebnisse nicht für Entscheidungen mit Außenwirkung verwenden. Eine erweiterte Liste – auch zu Herkunft und Rechtsgrundlage – finden Sie unter Prüfkriterien. Was Bewegungsdaten grundsätzlich nicht leisten können, steht unter Grenzen der Aussagekraft.