{"id":34890,"date":"2026-09-03T09:46:26","date_gmt":"2026-09-03T07:46:26","guid":{"rendered":"https:\/\/fmd-insight.de\/?p=34890"},"modified":"2026-09-03T09:46:28","modified_gmt":"2026-09-03T07:46:28","slug":"datenqualitaet-datenunsicherheit-oekobilanz-green-ict","status":"publish","type":"post","link":"https:\/\/fmd-insight.de\/de\/news\/tutorials\/green-ict-tutorials\/datenqualitaet-datenunsicherheit-oekobilanz-green-ict\/","title":{"rendered":"Datenqualit\u00e4t und Datensensitivit\u00e4t: Bedeutung, Unsicherheit und Bewertung<\/strong> | Green ICT Tutorial"},"content":{"rendered":"\n
\n
\n \n

Ankn\u00fcpfend an das vorangegangene Tutorial zum Thema \u00bbInterpretation von \u00d6kobilanzergebnissen\u00ab<\/a> erl\u00e4utert Sarah-Jane Bauer vom Fraunhofer IZM<\/strong><\/a> in diesem Teil der Schulungsvideoreihe, welche Rolle die Datenqualit\u00e4t spielt. Es wird beleuchtet, warum die Datenqualit\u00e4t so wichtig ist, welche typischen Unsicherheiten es gibt, wie sie entstehen und mit welchen Methoden man die Robustheit von Ergebnissen bewerten kann.<\/p>\n\n <\/div>\n <\/div>\n \n <\/div>\n\n\n

Bedeutung der Daten<\/strong><\/strong><\/h2>\n\n\n\n
\n
\n \n

Die Herkunft und die Qualit\u00e4t der Daten bestimmen ma\u00dfgeblich die Genauigkeit und Zuverl\u00e4ssigkeit einer \u00d6kobilanz. Daher ist es wichtig zu pr\u00fcfen, auf welche Datenbasis sich die Analyse bezieht. W\u00e4hrend (Standard-) Datenbanken wie Ecoinvent und Sphera auf Durchschnittswerten basieren, bieten spezifische Prim\u00e4rdaten aus der Produktion eines Unternehmens eine genauere Grundlage.<\/p>\n

Im Idealfall hat man f\u00fcr die Berechnung einer \u00d6kobilanz einen vollst\u00e4ndigen und aktuellen Datensatz. In der Praxis kann die Qualit\u00e4t der Daten jedoch aus unterschiedlichen Gr\u00fcnden Defizite aufweisen, die zu ungenauen bzw. fehlerhaften Ergebnissen f\u00fchren. Ein Problem sind veraltete Daten: W\u00e4hrend sich Technologien und Produktionsmethoden im Laufe der Zeit \u00e4ndern, beruhen viele \u00d6kobilanzdaten auf \u00e4lteren Studien. Weitere Einschr\u00e4nkungen entstehen, wenn f\u00fcr die konkreten Prozesse keine Daten verf\u00fcgbar sind und daher auf \u00e4hnliche Datens\u00e4tze zur\u00fcckgegriffen werden muss. Auch Datenl\u00fccken k\u00f6nnen die Ergebnisqualit\u00e4t beeintr\u00e4chtigen. Um solche L\u00fccken zu schlie\u00dfen, m\u00fcssen Annahmen getroffen werden, die zu m\u00f6glichen Verzerrungen f\u00fchren k\u00f6nnen. Ein weiterer Qualit\u00e4tsverlust folgt aus der Arbeit mit intransparenten Daten oder unklaren Annahmen. Trotz vorhandener Daten ist in einem solchen Fall unklar, welche Annahmen getroffen oder welche Prozesse tats\u00e4chlich abgedeckt wurden. Wenn sich bspw. Produktionsmethoden oder Stromnetze ver\u00e4ndern, kann eine \u00d6kobilanz auf Basis veralteter Daten die Realit\u00e4t nicht mehr korrekt abbilden.<\/p>\n\n <\/div>\n <\/div>\n \n <\/div>\n\n\n

Sensitivit\u00e4tsanalyse<\/strong><\/strong><\/h2>\n\n\n\n
\n
\n \n

Eine Sensitivit\u00e4tsanalyse kann dazu beitragen, Unsicherheiten in der Datenbasis zu erkennen und deren Einfluss auf die Ergebnisse zu bewerten. Durch das Variieren bestimmter Annahmen testet man dabei, wie stark sich das Endergebnis ver\u00e4ndert. Zun\u00e4chst sollte jedoch gepr\u00fcft werden, ob tats\u00e4chlich ein Unsicherheitsfaktor vorliegt oder der Fehler in den verwendeten Daten zur\u00fcckzuf\u00fchren ist. Am Anfang steht also die Analyse m\u00f6glicher Fehlerquellen: F\u00fchren bereits kleine \u00c4nderungen in den Daten zu unerwartet gro\u00dfen Unterschieden im Ergebnis, kann dies auf einen Rechenfehler, eine falsche Annahme oder eine ungeeignete Datenquelle hinweisen. Erweisen sich die Daten als korrekt und plausibel, kann die Sensitivit\u00e4tsanalyse fortgef\u00fchrt werden.<\/p>\n

Hierbei werden die Eingabewerte systematisch variiert und die daraus resultierenden Ver\u00e4nderung der Ergebnisse untersucht. Dabei k\u00f6nnen beispielsweise folgende Fragen betrachtet werden: Was passiert, wenn sich der Energiemix in der Herstellung oder Nutzung \u00e4ndert? \u00c4ndern sich die Hotspots oder bleibt die Umweltbilanz stabil? Ver\u00e4ndern sich die Ergebnisse durch solche Variierungen deutlich, weist dies auf eine hohe Unsicherheit hin. In diesem Fall muss die Datenbasis kritisch hinterfragt werden.<\/p>\n\n <\/div>\n <\/div>\n \n <\/div>\n\n\n

\n
\n \n \n \"\"\n <\/picture><\/div><\/div><\/div>
©<\/span>Fraunhofer Mikroelektronik\/Fraunhofer IZM<\/div><\/div>\n <\/div>\n\n\n
\n
\n \n

Typische Unsicherheiten in \u00d6kobilanzdaten k\u00f6nnen wie folgt kategorisiert werden:<\/p>\n

    \n
  • Standarddaten vs. Reale Messwerte<\/strong> \u2013 \u00d6kobilanzmodelle nutzen Durchschnittswerte, welche nicht die tats\u00e4chlichen Produktionsprozesse darstellen.<\/li>\n
  • Unsicherheit in der Nutzungsphase bzw. -dauer<\/strong> \u2013 \u00d6kobilanz eines Smartphones \u00e4ndert sich stark je nachdem, ob es zwei oder f\u00fcnf Jahre genutzt wird.<\/li>\n
  • Unsicherheit bei der Materialbeschaffung<\/strong> \u2013 \u00d6kobilanz h\u00e4ngt von Abbauort und -prozess ab<\/li>\n<\/ul>\n

    Entscheidungstr\u00e4ger:innen und Unternehmen m\u00fcssen einsch\u00e4tzen k\u00f6nnen, wie robust ihre \u00d6kobilanzergebnisse sind. Hohe Unsicherheiten in der Datenbasis muss kommuniziert werden, um im Anschluss weitere Daten zu erheben oder Annahmen zu \u00fcberarbeiten und die Ergebnisse zu verbessern. Die Verl\u00e4sslichkeit der \u00d6kobilanzergebnisse ist dabei wichtig: Liegt eine hohe Sensitivit\u00e4t vor, sind die Ergebnisse weniger belastbar und nur eingeschr\u00e4nkt f\u00fcr langfristige Entscheidungen geeignet. Daher sollte stets gepr\u00fcft werden, wie stabil die die zugrunde liegenden Daten und Annahmen sind.<\/p>\n

    F\u00fcr eine detailliertere Ausf\u00fchrung empfiehlt sich ein Blick ins Video.<\/p>\n\n <\/div>\n <\/div>\n \n <\/div>\n\n\n