Themenwelt
Daten verstehen
Sammeln, speichern, auswerten – die Grundlage jeder KI.
Ohne belastbare Daten bleibt jedes Modell Raterei. Diese Themenwelt erklärt, wie Daten entstehen, wo sie liegen und was ihre Qualität ausmacht.
52 Begriffe
- 52
- Begriffe
- 0
- Guides
- 4
- Vergleiche
- 20.10.2026
- zuletzt aktualisiert
01Überblick
Was gehört zu Daten?
Speicherung
SQL, NoSQL, Vektordatenbanken
Verarbeitung
ETL, Pipelines, Streaming
Analyse
Kennzahlen, Modelle, Visualisierung
Qualität
Governance, Datenschutz, Herkunft
02Empfohlener Einstieg
Neu im Thema? Starte hier.
Trainingsdaten
Die Grundlage jedes Modells – und die häufigste Fehlerquelle.
Labeling
Wie Daten eine auswertbare Bedeutung bekommen.
Feature Engineering
Wie aus Rohdaten brauchbare Merkmale werden.
Vektordatenbank
Wie Bedeutung durchsuchbar wird statt nur Text.
Data Governance
Wer welche Daten wofür verwenden darf.
03Verzeichnis
Alle 52 Begriffe dieser Welt
A
3 Begriffe
↑ Alphabet- Anonymisierung / Pseudonymisierungauch: Anonymization / Pseudonymization
- Techniken zum Schutz personenbezogener Daten durch Anonymisierung.
- Sicherheit
- Fortgeschritten
B
1 Begriff
↑ AlphabetC
3 Begriffe
↑ Alphabet- Cookieless Tracking
- Analytics und Attribution ohne Third-Party Cookies – datenschutzkonform und zukunftssicher.
- Daten
- Fortgeschritten
D
14 Begriffe
↑ Alphabet- Data Augmentation
- Künstliche Vergrößerung von Datensätzen durch Transformationen.
- Daten
- Fortgeschritten
- Data Catalog
- Zentrales Verzeichnis aller Datenbestände mit Metadaten und Beschreibungen.
- Daten
- Fortgeschritten
- Data Mesh
- Dezentrales Datenmodell: Teams besitzen ihre Daten als Produkt statt zentralem Warehouse.
- Daten
- Experte
- Data Validation
- Automatische Prüfung von Daten auf Korrektheit und Vollständigkeit.
- Daten
- Fortgeschritten
- Data Warehouse
- Ein System zur schnellen Analyse strukturierter Daten aus verschiedenen Quellen.
- Daten
- Fortgeschritten
- Datenannotationauch: Data Annotation
- Der Prozess, Rohdaten mit Informationen für KI-Modelle zu versehen.
- Daten
- Einsteiger
- Datenvorverarbeitung (Preprocessing)auch: Data Preprocessing
- Aufbereitung von Rohdaten in eine für ML-Modelle nutzbare Form.
- Daten
- Einsteiger
- Differential Privacy
- Ein Framework, das individuelle Rückschlüsse aus Datenanalysen verhindert.
- Sicherheit
- Experte
E
3 Begriffe
↑ Alphabet- Embeddings
- Vektoren, die semantische Bedeutung in hochdimensionalen Räumen abbilden.
- Künstliche Intelligenz
- Fortgeschritten
- ETL / ELTauch: ETL
- ETL transformiert Daten vor dem Laden, ELT danach im Zielsystem.
- Daten
- Fortgeschritten
F
6 Begriffe
↑ Alphabet- First-Party Data vs. Third-Party Data
- First-Party Data: selbst erhoben. Third-Party Data: von Dritten gekauft. Erstere werden immer wichtiger.
- Daten
- Fortgeschritten
I
1 Begriff
↑ Alphabet- Imbalanced Dataauch: Class Imbalance
- Ungleiche Klassenverteilung in Trainingsdaten.
- Daten
- Fortgeschritten
K
3 Begriffe
↑ Alphabet- Klassifikation (Classification)auch: Classification
- ML-Aufgabe, bei der Eingaben festen Kategorien zugeordnet werden.
- Daten
- Einsteiger
- Kreuzvalidierung (Cross-Validation)auch: Cross-Validation
- Verfahren zur zuverlässigen Schätzung der Modellleistung durch mehrfache Datenaufteilung.
- Daten
- Fortgeschritten
L
1 Begriff
↑ Alphabet- Labelingauch: Labeling / Data Labeling
- Das Beschriften von Datenpunkten mit Kategorien oder Tags.
- Daten
- Einsteiger
N
1 Begriff
↑ Alphabet- Normalization vs. Standardization
- Normalization ([0,1]) vs. Standardization (mean=0, std=1).
- Daten
- Fortgeschritten
O
2 Begriffe
↑ Alphabet- OLAP vs. OLTP
- OLTP für schnelle Transaktionen, OLAP für komplexe Analysen großer Datenmengen.
- Daten
- Fortgeschritten
- Ontologieauch: Ontology
- Eine strukturierte Beschreibung von Konzepten und deren Beziehungen.
- Daten
- Experte
P
2 Begriffe
↑ Alphabet- Precision, Recall & F1-Score
- Wichtige Metriken zur Bewertung der Leistung von Klassifikationsmodellen.
- Daten
- Einsteiger
- Predictive Analytics
- Datenbasierte Vorhersagen zukünftiger Ereignisse mit ML-Modellen.
- Daten
- Fortgeschritten
Q
1 Begriff
↑ Alphabet- Query Expansionauch: Query Rewriting
- Suchanfragen werden automatisch erweitert oder umformuliert, damit mehr relevante Dokumente gefunden werden.
- Künstliche Intelligenz
- Fortgeschritten
R
1 Begriff
↑ Alphabet- Retrieval Augmented Generationauch: RAG
- Kombination von LLMs mit externen Wissensdatenbanken für Genauigkeit.
- Künstliche Intelligenz
- Fortgeschritten
S
5 Begriffe
↑ Alphabet- Semantische Sucheauch: Semantic Search
- Die Suche basiert auf dem Verständnis der Anfrage und nicht nur auf Keywords.
- Daten
- Fortgeschritten
- SMOTEauch: Synthetic Minority Over-sampling Technique
- Synthetische Datenpunkte für unterrepräsentierte Klassen erzeugen.
- Daten
- Fortgeschritten
- SQL vs. NoSQL
- SQL nutzt feste Strukturen, während NoSQL flexible, schema-lose Datenbanken bietet.
- Daten
- Einsteiger
- Synthetische Datenauch: Synthetic Data
- Künstliche Daten, die echte Daten ergänzen oder ersetzen können.
- Daten
- Fortgeschritten
T
2 Begriffe
↑ Alphabet- Time Seriesauch: Time Series Data
- Daten, die über die Zeit geordnet sind – für Forecasting und Analyse.
- Daten
- Fortgeschritten
- Trainingsdatenauch: Training Data
- Datensätze, die das Lernen und die Leistung von Modellen bestimmen.
- Daten
- Einsteiger
V
2 Begriffe
↑ Alphabet- Vector Searchauch: Nearest Neighbor Search
- Daten werden als Vektoren dargestellt, um ähnliche zu finden.
- Daten
- Fortgeschritten
- Vektordatenbankauch: Vector Database
- Eine Datenbank für die Speicherung hochdimensionaler Vektoren.
- Daten
- Fortgeschritten
W
1 Begriff
↑ Alphabet04Vergleiche
Technologien richtig einordnen
Retrieval Augmented Generation Fine-Tuning
Externes Wissen ergänzen oder Modellverhalten ändern?
RAG für aktuelles Wissen und schnelle Umsetzung. Fine-Tuning für Stil-Anpassung und Spezial-Reasoning. Oft ist die Kombination am besten.
Data Warehouse Data Lake
Verlässliche Kennzahlen oder günstiger Rohdatenspeicher?
Für Business Intelligence, Reporting und verlässliche Kennzahlen führt kein Weg am Data Warehouse vorbei. Wer Rohdaten aller Formate günstig sammeln und für Machine Learning nutzen will, braucht einen Data Lake. Die meisten datengetriebenen Unternehmen betreiben beides – oder setzen auf ein Lakehouse, das beide Ansätze zusammenführt.
Retrieval Augmented Generation Cache-Augmented Generation
Wissensbasis abrufen oder komplett in den Kontext laden?
CAG ist die pragmatische Wahl, wenn die gesamte Wissensbasis bequem ins Kontextfenster passt und sich selten ändert – weniger Infrastruktur, keine Retrieval-Fehler. RAG bleibt gesetzt, sobald der Korpus groß ist, häufig aktualisiert wird oder Zugriffsrechte pro Nutzer nötig sind. Viele Teams starten mit CAG und wechseln zu RAG, wenn die Wissensbasis wächst.
SQL-Datenbank Vektordatenbank
Exakte Abfrage oder semantische Ähnlichkeit?
Kein Entweder-oder: SQL-Datenbanken sind unschlagbar für strukturierte Daten, Transaktionen und exakte Abfragen, Vektordatenbanken für semantische Ähnlichkeitssuche auf Embeddings. In der Praxis ergänzen sich beide – und mit Erweiterungen wie pgvector kann eine relationale Datenbank beides abdecken, solange die Vektormengen moderat bleiben.
05Prompts
Direkt anwenden
A/B-Test auswerten
A/B-Test-Ergebnisse statistisch korrekt interpretieren und Entscheidung treffen.
Benchmark-Analyse
Eigene Performance mit Branchenbenchmarks vergleichen und Gaps identifizieren.
Buyer Persona erstellen
Detaillierte Zielgruppen-Persona mit Demografie, Psychografie und Kaufverhalten.
Competitive Intelligence aufbauen
Systematisches System zur kontinuierlichen Wettbewerbsbeobachtung entwickeln.
Conversion-Funnel analysieren
Marketing-Funnel auf Schwachstellen und Optimierungspotenziale untersuchen.
Customer Lifetime Value berechnen
CLV-Modell entwickeln und Kundensegmente nach Wert priorisieren.
06FAQ
Häufige Fragen
Wie viele Daten braucht ein Modell?
Das hängt stärker an der Qualität als an der Menge. Für ein Sprachmodell, das über eine API genutzt wird, braucht es gar keine eigenen Trainingsdaten. Für eine Feinabstimmung reichen oft einige hundert bis wenige tausend saubere Beispiele – schlechte Beispiele schaden mehr, als zusätzliche helfen.
Was unterscheidet eine Vektordatenbank von einer normalen Datenbank?
Eine klassische Datenbank findet exakte Treffer und Bereiche. Eine Vektordatenbank findet inhaltlich Ähnliches, indem sie Texte als Zahlenvektoren speichert und den nächsten Nachbarn sucht. Für die Frage „Wo steht etwas zu diesem Thema?" ist das der passende Zugriff, für „Welche Bestellung hat Nummer 4711?" nicht.
Dürfen Kundendaten für KI-Training verwendet werden?
Nur mit einer tragfähigen Rechtsgrundlage und im Rahmen des ursprünglichen Zwecks. Personenbezug lässt sich durch Anonymisierung verringern, aber Pseudonymisierung allein genügt der DSGVO nicht als Freibrief. Das ist ein Fall für die Datenschutzprüfung, nicht für eine Faustregel.