Jeder Marketer ein Data Analyst:
Wahnvorstellung oder Schicksal?

Glaubt man Publicis Groupe, dem drittgrössten Kommunikationsdienstleister der Welt, sind alle Mitarbeiter Data Analysten.

Ist man Realist, lächelt man wie Frau Martullo-Blocher, CEO EMS-Chemie AG und ruft in den Raum: „You are a dreamer.“

Doch warum behandeln wir das Thema in unserem Blog? Wir werden von Daten überflutet. Data Analysts sind also gesuchte Expertinnen. Doch welche Skills oder Schlüsselqualifikationen muss die Person besitzen, um im Job als Data Analyst bestehen zu können?

Das Ziel dieses Beitrages ist Ihnen ein paar praktische Werkzeuge zur Vefügung zu stellen (siehe auch DrKPI Big Data Analytics) um die besten Data Analysts fürs Marketing zu finden. Unser Fokus hier ist auf Mittelstand und KMU.

Wissen kompakt: Daten interpretieren = Informationen gewinnen, so wird es gemacht, FREE Download:

Gattiker, Urs E.; Sinistra, Patrizia; Babuzki, Johanna & Temmen, Taina; (2021-01). Mit den richtigen Daten die besseren Entscheidungen treffen (Leitfaden, Ratgeber, Checklisten) Whitepaper. Duesseldorf: Bundesverband Marketing Clubs e.V. (BMC).Aufgerufen am 2024-01-27 auf http://tinyurl.com/was-sind-gute-daten

Hier der Beitrag im Überblick

1. Wiki und FAQ – Warum Methode und Metodik ein Thema ist.
2. FAQ Data Analyst Recruiting – Wieso es wichtig ist zu unterscheiden zwischen Data Science, Analysis und Analytics.
3. Recruiting Data Analyst – Effektive Auswahl für die offene Stelle.
4. Weiterführende Literatur – Marketing Research bis zu Probleme mit Gen-Z Daten.

Mit diesem kleinen Effektives Recruiting und Selektion für Data Analyst erhalten Sie Tipps für Recruiter, Human Resource Experten und Marketing Researcher, sowie Beispiele von Best Practices:
3 Strategie Tipps für die erfolgreiche Besetzung einer Data Analytics Position vom KMU bis zum Konzern

Hier definieren wir einige wichtige Elemente welche es zu verstehen gilt, um eine Data Analyst Stelle erfolgreich besetzen zu können 🙂

3 Strategie Tipps für die erfolgreiche Besetzung einer Data Analytics Position vom KMU bis zum Konzern

1.1. Was ist die Methodik einer Studie?

Die zugrunde liegende Strategie oder Planung, welche am Anfang einer Forschungsstudie festgelegt wird. 

     Beispiel: Welche Daten werden gesammelt. Werden für die Datensammlung persönliche Interviews vor Ort, via Telefon oder Video Call genutzt oder zusätzlich auch ein Online Fragebogen eingesetzt? 

Werden die Fragebögen in verschiedene Sprachen übersetzt. Wird die Richtigkeit der Übersetzung überprüft und wenn ja, wie genau?

1.2. Was verstehen wir unter dem Begriff Methode einer Studie?

Die in der Forschung verwendeten Werkzeuge wie z.B. welche Art von Statistiken

     Beispiel:  Werden parametrische (z.B. Mittelwert) oder nicht-parametrische Statistiken verwendet. 

1.3. Was ist die Replizierbarkeit oder Zuverlässigkeit von Daten?

Replizierbarkeit (“Reliability) der Daten bedeutet, dass bei einer mehrfachen Wiederholung der Messung das gleiche Ergebnis erzielt wird.

     Beispiel: Wenn zwei Personen einen Raum mit einem metrischen Massband ausmessen, erhalten sie die gleichen Daten – Breite, Tiefe, Höhe eines Raumes.

1.4. Was ist die Validität von Daten?

Datenvalidität bezieht sich auf das Ausmass, in dem die Daten das messen, was sie messen sollen.

     Beispiel: Daten können genau und vollständig sein, d.h. Replizierbarkeit ist sichergestellt. Doch leider wurde ein Messbecher mit dem imperialen Masssystem benutzt, anstatt einem der nach dem metrischen Messsystem gekennzeichnet wurde. Das heisst, 1 Quart enthält nur 0.946 Liter oder 946 Milliliter und nicht 1,000 Milliliter.   

Predictive Analytics funktioniert nur gut mit zuverlässigen und gültigen Daten

„Wir werden mit Daten überschwemmt. Zuverlässige und valide Daten sind jedoch eine knappe Ressource, die wir benötigen, um mit Analytics gesicherte / „trusted“ Informationen zu erhalten.“

Urs E. Gattiker, DrKPI CyTRAP Labs PageTracker

1.5. Was ist eine wahrscheinlichkeitsbasierte Stichprobe (Probability Sampling)?

Online-Wahrscheinlichkeit Panels (Online Probability Panels Polls) sind neuer, weniger verbreitet aber auch teurer als Nicht-Wahrscheinlichkeits-Online-Umfragen (Online Non Probability Sampling).

Online Polls verwenden traditionelle, wahrscheinlichkeitsbasierte Stichproben wie z.B. die Datenbank der Post, um den ersten Kontakt mit einem Befragten oder Haushalt herzustellen. Personen, die keinen Internetzugang haben, wird ein Zugang zur Verfügung gestellt. 

Eine grosse Anzahl von Befragten wird ausgewählt, um Teil des Panels zu werden. Innerhalb des Panels oder von Teilpopulationen des Panels werden dann Zufallsauswahlen durchgeführt.

Die ausgewählten Personen werden im nächsten Schritt zur Beantwortung bestimmter Umfragen eingeladen.

Oft ist die Zusammensetzung der Stichprobe nicht repräsentativ für die Grundgesamtheit.

So nehmen zum Beispiel typischerweise mehr Männer als Frauen an politischen Umfragen teil.

     Beispiel: Ein Schokoladenhersteller will wissen, wie die neue dunkle Schokolade mit 70% Kakaogehalt bei Kunden ankommt. Ein Pollster wird beauftragt, einen Fragebogen zu erstellen. 

Der Fragebogen sollte von “Kunden” beantwortet werden. Der Pollster nutzt dazu sein Panel und selektiert Teilnehmer aus diesem Pool nach dem Zufallsprinzip. 

Doch wie repräsentativ ist die Stichprobe z.B. der Bevölkerung in der Schweiz – 4 Sprachregionen?

Siehe auch: How Do Probability-Based Online Panels Work

Die obige Grafik zeigt, dass sich die Meinungen von befragten Bürger:innen über eine Abstimmungsvorlage sich stark ändern können. Dies vor allem kurz vor einer Abstimmung wie hier am 3. März 2024.

Mitte Januar sprachen sich 61 % der Befragten für die Initiative des Schweizerischen Gewerkschaftsbundes für eine 13. AHV-Rente aus. Nun sind es noch 53 % und 43% sind dagegen.

Die Pollsters sind nun der Meinung, dass der Ausgang des Urnengangs völlig offen ist – auch was das Ständemehr betrifft (d.h. eine Mehrheit der Kantone müssen eine Vorlage ebenfalls annehmen).

Dies zeigt, dass beispielsweise bei Umfragen zu politischen Abstimmungen sich die Prognosen anhand der Antworten doch in manchmal kurzer Zeit stark ändern können.

1.6. Was ist die Genauigkeit (Accuracy) der Daten oder Studie?

Accuracy oder Genauigkeit ist die Annäherung zwischen einem geschätzten Ergebnis und dem (unbekannten) wahren Wert (siehe auch UK Office for National Statistics).

Die Hauptbedrohungen für die Genauigkeit sind Fehlerquellen, nämlich Stichprobenfehler und Nicht-Stichprobenfehler. Hier ein Beispiel aus dem Vereinigten Königreich wo ein Stichprobenfehler vermutet wird beim „Labour Force Survey.“

Neben den Stichprobenfehlern wie oben in der Grafik angezeigt (stark sinkende Rücklaufquoten) gibt es auch Nicht-Stichprobenfehler, wie z.B.:

• Erfassungsfehler,
• Fehler wegen Nichtbeantwortung von Fragen oder dem Fragebogen insgesamt,
• Messfehler,
• Verarbeitungsfehler und
• Fehler bei den Modellannahmen

Viele der Quellen von Nicht-Stichprobenfehlern sind schwer zu messen. 

Die meisten staatlichen Abteilungen für Statistik veröffentlichen jedoch detaillierte Rücklaufquoten für alle Erhebungswellen und eine Gesamtrücklaufquote, die auch Zeitreihen von Daten umfassen kann.

2. Wiki und FAQ: Data Science, Data Analysis und Data Analytics

Bevor wir unsere Checkliste oder Ratgeber für Data Analysts präsentieren, brauchen wir noch einige Definitionen. Die Liste umfasst nur einen kleinen Teil von Begriffen, die wir zum Thema Analytics, Big Data und AI oder auch Machine-Learning antreffen. 

2.1. Was ist Data Science?

Data Science beinhaltet die systematische Sammlung von Daten sowie deren Analyse und Interpretation.

Hazzan und Mike (2023) weisen auf 3 Hauptmerkmale der Datenwissenschaft hin:

• Interdisziplinarität, 
• Vielfalt der zu lernenden Dinge und ihr 
• forschungsorientierter Charakter. 

Dabei können wir mit Hilfe von 6 Punkten Data Science auch als einen Prozess beschreiben. Dieser beinhaltet:

• alle Aspekte des Sammelns, 
• Bereinigens, 
• Organisierens, 
• Analysierens, 
• Interpretierens und 
• Visualisierens der in den Rohdaten enthaltenen Fakten

Somit konzentriert sich die Datenwissenschaft auf das Verstehen von Daten und die Entwicklung von Werkzeugen und Methoden, um Daten zu erforschen. 

Nichtsdestotrotz, Mathematik und Statistik sind Pflichtprogramm (Koby & Hazza, 2022) um aus Big Data Informationen zu bekommen. 

Neben diesen Aktivitäten erstellen Datenwissenschaftlerinnen auch Algorithmen und Vorhersagemodellen. 

Sie helfen bei der Entwicklung von Werkzeugen und Methoden zur Extraktion von Informationen, erstellen Automatisierungssysteme, um Routinearbeiten zu eliminieren, und bauen auf ihr Unternehmen zugeschnittene Daten-Frameworks,

2.2. Was ist Data Analytics?

Data Analytics sammelt und / oder nutzt Daten aus verschiedenen Quellen. Data Analytics umfasst auch das Management von Methoden und Entwicklung von Instrumenten zur Datenerhebung und Datenanalyse.

Beispielsweise werden Algorithmen oder Modelle entwickelt, um mit deren Hilfe Daten auszuwerten. Ziel ist es, Erkenntnisse zu gewinnen, die als Grundlage für Massnahmen dienen können.

Es geht speziell auch um die Gewinnung umsetzbarer Erkenntnisse.

2.2.1. Was ist Business Analytics

Business Analytics ist der Prozess der Umwandlung von Daten in Erkenntnisse zur Verbesserung von Geschäftsentscheidungen. Quantitative Werkzeuge werden eingesetzt, um Vorhersagen zu treffen und zukünftige Wachstumsstrategien zu entwickeln (siehe auch hier).

Business Analytics konzentriert sich auf Daten, statistische Analysen und Berichte, um die Unternehmensleistung zu untersuchen und zu analysieren. Es hilft Erkenntnisse zu gewinnen und hat zum Ziel Empfehlungen zur Leistungsverbesserung zu geben.

2.3. Was ist Data Analysis?

Data Analysis ist ein Prozess der Bereinigung, Verarbeitung, Interpretation, Präsentation und Visualisierung von Daten, z.B. Website Besucherzahlen, Verkaufszahlen, usw. 

Ziel ist es, die heutige Situation besser zu verstehen. 

Bei der Analyse geht es darum, herauszufinden, warum etwas passiert ist. Wenn wir uns die Abweichung zwischen den tatsächlichen Zahlen und den Zahlen im Budget des Unternehmens ansehen, führen wir eine Datenanalyse durch.

2.4. Was ist der Unterschied zwischen Data Science und Data Analytics?

Data Science (Datenwissenschaft) und Data Analytics haben unterschiedliche Ziele. 

Data Analytics bezieht sich auf den Prozess der Analyse grosser Datenmengen, um Vorhersagen zu treffen und umsetzbare Erkenntnisse zu gewinnen.

Data Science ist ein interdisziplinäres Gebiet, das wissenschaftliche Methoden und Algorithmen einsetzt, um Informationen und Erkenntnisse aus verschiedenen Daten zu gewinnen (siehe Statistics Canada).

2.5. Was ist der Unterschied zwischen Data Scientist und Data Analyst?

Der Data Scientist erforscht und testet neue Methoden zur Speicherung, Nutzung und Interpretation von Daten.

Was macht ein Data Analyst? Im Gegensatz zum Data Scientist konzentriert sich die Datenanalystin mit Hilfe von Data Analysis oder Data Analytics auf die Entwicklung datengesteuerter und umsetzbare Problemlösungen. 

Datenanalysten können für die Bereinigung und Formatierung von Daten verantwortlich sein. Sie versuchen z.B. mögliche Trends zu erkennen, die dem Management helfen können, strategische Entscheidungen zu treffen.

2.6. Was ist der Unterschied zwischen Data Analytics und Data Analysis?

Einige sehen den Unterschied einfach darin, dass Data Analytics vielleicht ein Dashboard hat mit Charts, usw. Doch auch Google Analytics ist eigentlich reine Datenanalyse mit einigen Grafiken. Solche verwirrenden Definitionen gibt es viele, wie hier von BMC, einem Vendor. 

Primär herrscht die Einigkeit, dass Data Analysis sich auf das Verständnis einzelner Datensätze oder spezifischer Probleme konzentriert. 

Unternehmen könnten Daten Analysis nutzen, um ihre Verkaufsleistung im letzten Quartal zu verstehen oder um den Erfolg einer bestimmten Marketingkampagne zu bewerten.

Die Datenanalyse (Data Analysis)  ist ein Teilbereich der Datenanalytik (Data Analytics). 

Analytik ist zukunftsorientiert. Es geht darum, Daten zu nutzen, um Vorhersagen zu machen, Prozesse oder Lieferketten zu optimieren und strategische Entscheidungen zu treffen.

2.7. Welche Techniken werden von Data Analytics und Data Analysis genutzt?

Es gibt 4 verschiedene Formen von Data Analytics. Diese werden teilweise auf für die Data Analysis oder Datenanalyse verwendet wie:

3. Was macht unser Data Analyst? So wird die offene Stelle schnell besetzt

Die Behauptung von Publicis, dass jeder Mitarbeiter ein Data Analyst ist, stimmt natürlich nicht (siehe  Publicis Pressemitteilung).

Was stimmt ist, dass heute dank Rechenkapazität, Algorithmen und Zugang zu Big Data fast jedermann, ein Datengrafik erstellen kann. Doch dies macht die Person noch nicht zu einem Datenanalysten. 

Basierend auf den obigen Ausführungen gilt es die folgenden Dinge zu berücksichtigen.

Erstens, der Data Analyst wendet in erster Linie Werkzeuge und Methoden an, um Antworten zu finden. Die Person hat verschiedene Kenntnisse wie z.B. über Data Mining, Data Warehousing, Mathematik, Statistik, Datenvisualisierung und SQL 

Zweitens, Data Scientists besitzen zusätzlich zu den obigen Skills auch Kenntnisse darüber, wie man ein Problem erforscht und dazu Daten erfasst. Wenn nötig, entwickeln sie Algorithmen und Methoden, um Antworten zu finden. 

In den meisten Stellenangeboten suchen Firmen die Position für einen Data Analyst zu besetzen. Wir haben unten 3 Kriterien aufgelistet, welche die Grundanforderungen für eine qualifizierte Datenanalystin illustrieren.

3.1. Was macht ein Data Analyst? Erfolgreiches Recruiting und Selektion der neuen Stelleninhaberin

Eine realistische Stellenbeschreibung ist Pflichprogramm. Das bedeutet, Übertreibung der Soft-Faktoren wie tolles Arbeitsklima, Team oder sehr gute Work-Life Balance hilft nur dann, wenn es auch stimmt.

Wenn die glorreiche Situation dann beim Antritt der Stelle nicht eintritt, ist die Wahrscheinlichkeit der Enttäuschung für beide Partein relativ gross.  

Aber auch die Untertreibung der Anforderungen z.B. für technische Skills und mögliche Stressfaktoren, hilft der neuen Stelleninhaberin nicht die Herausforderungen einfach zu meistern.

Die Stellenausschreibungen auf LinkedIn oder aber auch auf Firmenwebsite sind oft ungenau oder inkorrekt. Wenn wir Kenntnisse in der Statistik in der Stellenausschreibung verlangen, sollte die Arbeit dann auch den Einsatz dieser Kenntnisse ermöglichen.

Aber auch der Recruiter welcher die Kanditatin auf LinkedIn anspricht ist oft weder ein Experte im Recruiting noch versteht er oder sie die Thematik wie Analytics oder Statistik. Die Person hat villeicht vorher schon als Versicherungsverkäufer gearbeitet. Inwiefern dies hilft die richtigen Kandidaten zu finden darf hinterfragt werden (Generation Z findet LinkedIn Recruiter ätzend da meistens inkompetent).

Es kann aber auch sein, dass die Bewerber zu wenig Qualifikationen auf bestimmten Themen haben, wie z.B. Umfrage Methodik. Anders ausgedrückt, nur weil jemand in seinem heutigen Job den Titel Data Analyst führt, heisst dies nicht die Person ist für die Stelle qualifiziert. Vermehrt sagen die Job Titel wenig aus über was man wirklich tut (aufgeblasene Stellenbezeichnung)

Wenn z.B. Qualifikationen im Job nicht genutzt werden können oder der neue Data Analyst die notwendigen Skills nicht hat, führt dies unweigerlich zu Problemen.

Hier 3 Kriterien, die wir berücksichtigen müssen im Bewerbungsprozess, bevor wir die Stelle mit einer Datenanalystin oder einem Datenanalysten besetzen.

3.1.1. Was sind die Herausforderungen für die neue Mitarbeiterin Data Analyst?

 “Nicht alles, was zählt, kann gezählt werden. Nicht alles, was gezählt werden kann, zählt!“ (Albert Einstein).   

Was soll genau und wie gemessen werden? Hier muss die Bewerberin wissen um was es geht.

Ebenfalls wichtig ist die Antwort zu: Welche Daten, wie z.B. Alter, Gender oder Einkommen der Teilnehmer:innen der Befragung bieten eine wichtige Entscheidungshilfe in unserer Situation?

Wenn für unsere Entscheidung in Sachen Werbespots die Unterschiede anhand von Alter oder Geschlecht nicht interessieren, müssen diese Daten vielleicht auch gar nicht gesammelt werden.

Manchmal passiert es, dass wir Daten gesammelt haben welche wir eigentlich gar nicht benötigen. Vielleicht haben wir auch einige wichtige Daten vergessen zu sammeln.

In all diesen Fällen wird die Qualität und Aussagekraft der Studie geschmälert. Sorgfältige Plaung hilft dieses Risiko tief zu halten.

Die oben beschriebenen Herausforderungen müssen von der Datenanalystin oder der Data Analytics Professional verstanden werden.

3.1.2. Bewerberin kennt sich aus in Sachen Methodik und Methode

Um die für uns wichtigsten und richtigen Daten zu sammeln, muss vor einer Umfrage ein Plan erstellt werden. Diese enthält auch Angaben zu der Methode und was wie getestet wird. Diese Arbeit muss eine Bewerberin kurz skizzieren können. 

Wissen über Statistik und wie man einen Fragebogen erstellt, ist fast immer eine Voraussetzung für den Job. Welche Fragen in ein strukturiertes Interview eingebaut werden müssen und wie dies aussehen sollte, sind Anforderungen an die Kenntnisse der Bewerberin, die diese erfüllen muss. 

Dazu gehört auch das Verständnis, wie wir eine Stichprobe zur Gewinnung von qualitativen und / oder quantitativen Daten erstellen können. 

Vor allem geht es hier darum, das effektivste Resultat mit den zur Verfügung stehenden Ressourcen zu sichern. Dies ist oft die grösste Herausforderung!

Diese Arbeit kann ein Bewerber nur dann richtig einstufen, wenn er oder sie die notwendigen Qualifikationen bringt (Schlüsselqualifikationen die ein Data Anaytics Professional haben muss).

3.1.3. Bewerber kann Stärken und Schwächen einer Studie oder eines Datensatzes erklären

Die perfekte Stichprobe gibt es nicht. Ebenfalls wird die Arbeit der Pollsters immer schwieriger. Diese passen ihre Vorgehensweise laufend an (siehe PEW Research – und Grafik unten).

Eine Studie, die 40.000 Euro kostet, kann nicht von gleicher Qualität sein, was die Stichprobe und Analyse betrifft, wie diejenige mit einem Budget von 1 Mio Euro.

In einem der nächsten Beiträge werden wir anhand von Beispielen illustrieren, wie wir bei der Bewerbung für einen Job von einem Data Analyst dessen Skills in Sachen Data Analytics überprüfen können.

1. Studie wie z.B. Edelmann Trust Barometer – 2024
2. Gen-Z und Top Prioritäten im Job – Wirtschaftsjunioren Deutschland – 2023
3. Populärste Arbeitgeber in der Schweiz – 2023
4. Inflationsraten UK – 2023
5. KI Nutzung von Unternehmen EU, AT – 2024

Hat Ihnen dieser Beitrag gefallen?

Dann abonnieren Sie den monatlichen DrKPI® Newsletter mit wissenswerten Trends aus Marketing, Cybersicherheit, DSGVO und Analytics.

► Newsletter jetzt abonnieren

Fazit

Leider gibt es für das erfolgreiche Recruiting für die Position von einem Data Analyst keine Einheitslösung. Aber es gibt einige grundlegende Methoden-Methodik-Prinzipien und Techniken, über die eine Bewerberin Bescheid wissen muss, um Studien für das Marketing oder die Geschäftsleitung effektiv durchführen zu können. Diese muss man schon beim Design eines Fragekatalogs oder Fragebogens in die Planung mit einbeziehen. Der Bewerberin ihr Wissen in diesen Dingen muss deshalb überprüft werden.

Daten und hübsche Grafiken reichen manchmal nicht aus, um eine Botschaft korrekt zu vermitteln. Es braucht weitere Elemente und Methodik wie Algorithmen oder Statistik, um Validität und Genauigkeit von Daten sicher zu stellen.

Das ein Marketer, Werber oder sonstige Mitarbeiterin der Publicis Groupe, des 3 grössten Werbedienstleisters weltweit, alle versierte Data Analysts sind, ist ein Märchen.

Also aufgepasst, wenn das nächste Mal wenn ein Werbedienstleister eine Studie mit potenziellen und jetzigen Kunden machen will. Unsere eignen Fachkräfte sollten den Ansatz wie Methode, Studienplan, etc. genau zu überprüfen, bevor wir eine böse Überraschung erleben.

Brauchen Sie Daten, starten Sie eine Marketing Studie?

Wenn Ihr Team oder Dienstleister eine Studie mit potenziellen und jetzigen Kunden machen will, überprüfen Sie die Vorgehensweise sorfältigst.

Es empfiehlt sich, vor Studienbeginn Dinge wie Methode, Studienplan, etc. genau zu überprüfen, nicht nur zu besprechen!

DrKPI hilft Ihnen bei dieser Arbeit und begleitet Ihre Studie und den Dienstleister. Machen Sie mit uns einen kostenlosen Termin ab.

Weiterführende Literatur: Polling, Survey Research, fehlende Wert, impaktvolle Grafiken

Bradburn, Norman, M., Sudman, Seymour & Wansink, Brian. (2004). Asking questions. A practical guide to questionnaire Design. For market research, political polls, and social and health questionnaires. (erste Auflage 1983, revidierte Auflage 2004). San Francisco, CA: Jossey Bass. Aufgerufen 21. Feb. 2024 auf auf langsamem Download Link oder schnell: https://drkpi.com/de/download/60/ (ein Klassiker!)

Demartini, Gianluca, Rioter, Kevin & Mizzaro, Stefano (2023-12).Opinion. Data Bias Management. Communications of the ACM, 67(1), p. 28-31. DOI: 10.1145/3611641. Aufgerufen am 21. Feb. 2024 auf https://dl.acm.org/doi/10.1145/3611641 (mit Video!)

Few, Stephen (2006). Information dashboard design. The effective visual communication of data. Sebastopol, CA: O’Reilly Media.

Kennedy, Courtney, Popky, Dana & Keeter, Scott (2023-04-19) How public polling has changed in the 21st Century. 61% of national pollsters in the U.S. used methods in 2022 that differed from those of 2016 (Online). Pew Research Center. Aufgerufen am 19. Januar, 2024 auf https://www.pewresearch.org/methods/2023/04/19/how-public-polling-has-changed-in-the-21st-century/

Kretzmann, Ann-Kristin & Renntet, Ulrich (2019-08-27). Vom Umgang mit fehlenden Werten (Online). Berlin: Freie Universität Berlin. Aufgerufen am 3. Januar, 2024 auf https://wikis.fu-berlin.de/display/fustat/Vom+Umgang+mit+fehlenden+Werten