Wie Sie Ausreißer in einem Datensatz ohne Code finden (Leitfaden 2026)

Sie können Ausreißer ohne Programmieraufwand mithilfe der IQR-Methode, von Z-Scores oder eines Boxplots finden – alle drei funktionieren in einer Tabellenkalkulation. Die IQR-Methode markiert Werte, die mehr als das 1,5-Fache des Interquartilsabstands außerhalb der Quartile liegen; Z-Scores markieren Werte, die mehr als drei Standardabweichungen vom Mittelwert abweichen. Sie widersprechen sich häufig, und zu wissen, warum, ist die eigentliche Kunst.

Einen Ausreißer zu finden, ist die leichtere Hälfte. Die Entscheidung, was damit zu tun ist, bestimmt, ob Ihre Analyse ehrlich ist – und diese Entscheidung nimmt Ihnen keine Methode ab.

Dieser Leitfaden erklärt, warum die beiden Standardmethoden unterschiedliche Ergebnisse liefern und zeigt drei Wege auf, Ausreißer ohne Code zu erkennen. Anschließend erfahren Sie, wie Sie entscheiden, ob ein bestimmter Wert entfernt, behalten oder separat ausgewiesen werden sollte.

Warum der Umgang mit Ausreißern komplizierter ist als „einfach löschen“

Die beiden Standardmethoden widersprechen sich systembedingt

Die IQR-Methode basiert auf Quartilen, die positionsabhängig sind. Ihr ist es egal, wie extrem ein Wert ist, sondern nur, wo er in der sortierten Reihenfolge steht. Das macht sie resistent gegen Verzerrungen durch genau die Ausreißer, nach denen sie sucht.

Z-Scores basieren auf dem Mittelwert und der Standardabweichung, und beide werden von Extremwerten beeinflusst. Ein einziger enormer Wert bläht die Standardabweichung auf, was jeden Z-Score schrumpfen lässt – auch den eigenen. Bei einem kleinen Datensatz kann sich ein einzelner, drastischer Ausreißer auf diese Weise selbst tarnen.

Aus diesem Grund kann dieselbe Spalte bei der IQR-Methode vier Ausreißer aufweisen und bei den Z-Scores nur einen. Die Methoden sind nicht inkonsequent; sie messen schlicht unterschiedliche Dinge.

Die Entscheidung ist keine statistische

Eine Transaktion über 2 Millionen $ in einer Datei mit 200-$-Bestellungen wird von jeder Methode markiert. Ob sie entfernt werden sollte, hängt von Fakten ab, auf die keine Methode Zugriff hat.

Handelt es sich um einen Dateneingabefehler mit einem verrutschten Komma, entfernen Sie ihn. Ist es ein echter Großkunden-Deal, löschen Sie damit Ihren wichtigsten Kunden aus der Analyse. Wenn es sich um eine Testtransaktion handelt, die jemand vergessen hat zu löschen, entfernen Sie sie und suchen Sie nach weiteren. Drei verschiedene Reaktionen auf ein und dieselbe Markierung.

Die Form der Verteilung bricht die Annahmen

Beide Standardmethoden setzen eine annähernde Glockenkurve voraus. Einkommen, Seitenaufrufe, Bestellwerte und Sitzungsdauern sind jedoch meist schief verteilt und weisen einen langen rechten Rand (Tail) auf, bei dem hohe Werte eher normal als außergewöhnlich sind.

Wendet man eine Z-Score-Regel auf eine solche Spalte an, markiert man einen erheblichen Teil völlig normaler Daten. Die Lösung besteht darin, zuerst die Verteilungsform zu prüfen und stattdessen eine Logarithmierung oder einen perzentilbasierten Grenzwert in Betracht zu ziehen.

Was Sie das kostet

Mittelwerte, die niemanden beschreiben. Ein einziger Extremwert kann einen Mittelwert so stark verschieben, dass er außerhalb des Bereichs liegt, in dem sich der Großteil Ihrer Daten tatsächlich befindet. Auf Basis dieser Zahl werden dann Entscheidungen getroffen.

Diagramme mit unlesbaren Achsen. Ein Wert, der zehnmal größer ist als der Rest, staucht alle anderen Daten zu einer flachen Linie am unteren Rand zusammen. Das Diagramm ist zwar technisch korrekt, sagt aber nichts aus.

Stillschweigendes Löschen. Das schlimmste Szenario ist, wenn jemand unbequeme Zeilen heimlich entfernt, bevor er die Datei weitergibt. Niemand im weiteren Verlauf weiß, dass sich die Datenbasis geändert hat, und das Ergebnis lässt sich nicht reproduzieren.

Drei Wege, Ausreißer ohne Code zu finden

Option 1: Die IQR-Methode

Verwenden Sie QUARTILE, um das erste und dritte Quartil zu ermitteln, und subtrahieren Sie diese, um den Interquartilsabstand zu erhalten. Markieren Sie alles, was unter Q1 minus 1,5 × IQR oder über Q3 plus 1,5 × IQR liegt.

Dies ist aus gutem Grund der Standard: Die Methode ist resistent gegen Extremwerte und erfordert keine Annahmen über die Verteilung. Bei stark schiefen Daten markiert sie dennoch den rechten Rand übermäßig stark. Prüfen Sie also die Verteilungsform, bevor Sie sich auf die Anzahl verlassen.

Option 2: Z-Scores

Berechnen Sie den Mittelwert und die Standardabweichung mit STDEV.P und ermitteln Sie dann, wie viele Standardabweichungen jeder Wert vom Mittelwert entfernt ist. Ein Wert von über drei ist der übliche Schwellenwert.

Option 3: Ein Boxplot

Stellen Sie die Spalte als Boxplot dar und lesen Sie die Punkte außerhalb der Antennen (Whiskers) ab. Der Boxplot in Excel nutzt dieselbe 1,5 × IQR-Konvention, sodass das Ergebnis mit Option 1 übereinstimmt. Der Unterschied besteht darin, dass Sie gleichzeitig die Form der Verteilung sehen.

Dies ist der schnellste Weg, um zu prüfen, ob die anderen beiden Methoden überhaupt geeignet sind. Wenn der Boxplot mit einem langen Schwanz dicht an einem Ende liegt, sollten Sie jede Schwellenwertregel mit Skepsis betrachten.

Wo alle drei Methoden an dieselbe Grenze stoßen

Jede Methode liefert eine Liste markierter Zeilen. Keine davon verrät Ihnen, welche Markierungen Fehler sind, welche echte Extremwerte darstellen und bei welchen die Spalte lediglich schief verteilt statt fehlerhaft ist.

Um das zu beantworten, müssen Sie die markierten Zeilen im Kontext betrachten: Was steht sonst noch in dieser Zeile? Häufen sie sich in einem bestimmten Zeitraum oder stammen sie aus einem bestimmten Quellsystem? Taucht derselbe Kunde wiederholt auf? Das ist Detektivarbeit, keine bloße Berechnung – und genau hierfür wird die meiste Zeit benötigt.

Wie Sie Ausreißer mit Powerdrill Bloom finden

Schritt 1: Laden Sie Ihre Daten hoch

Laden Sie die Excel- oder CSV-Datei hoch. Powerdrill Bloom analysiert jede Spalte direkt beim Import, sodass die Verteilungsform und Extremwerte sichtbar sind, noch bevor Sie eine Erkennungsmethode auswählen.

Schritt 2: Beschreiben Sie die Prüfung in natürlicher Sprache

Fragen Sie direkt: Markiere Werte außerhalb des 1,5-Fachen des Interquartilsabstands in dieser Spalte und zeige mir dann die vollständigen Zeilen, damit ich den Kontext sehen kann. Stellen Sie anschließend die Fragen, die für die Entscheidung wirklich ausschlaggebend sind: Ob sich markierte Zeilen nach Datum oder Quelle häufen, ob sich derselbe Identifikator wiederholt und wie sich die zusammenfassenden Statistiken verändern, wenn diese Zeilen ausgeschlossen werden.

Schritt 3: Exportieren Sie das Diagramm, den Bericht oder die Präsentation

Exportieren Sie den Boxplot, eine Tabelle der markierten Zeilen mit ihrem Kontext oder eine schriftliche Notiz, die festhält, welche Zeilen warum ausgeschlossen wurden.

Warum dies einer manuellen Ausreißersuche überlegen ist

	Der Weg über die Tabellenkalkulation	Powerdrill Bloom
Vergleich von IQR- und Z-Score-Ergebnissen	Zwei Formelsätze, manueller Abgleich	Einfach nach beiden fragen
Kontext um einen markierten Wert sehen	Filtern und scrollen	Wird direkt mit der Zeile ausgegeben
Zuerst die Verteilungsform prüfen	Ein Histogramm erstellen	Direkt beim Upload analysiert
Auswirkungen des Ausschlusses testen	Tabelle duplizieren	Nach beiden Versionen fragen

Die letzte Zeile ist die wichtigste. Der ehrlichste Weg, mit einem unklaren Ausreißer umzugehen, besteht darin, das Ergebnis sowohl mit als auch ohne ihn auszuweisen. Lassen Sie den Leser selbst sehen, ob das Fazit von einer einzigen Zeile abhängt. In einer Tabellenkalkulation bedeutet dieser Vergleich einen kompletten Neuaufbau – weshalb er meistens unterbleibt.

Best Practices: Die Entscheidung, was mit einem Ausreißer zu tun ist

Erst untersuchen, dann ausschließen. Betrachten Sie die gesamte Zeile. Ein verrutschtes Komma, ein Testdatensatz und ein echter Großkunde sehen in einer einzelnen Spalte völlig identisch aus.

Niemals stillschweigend löschen. Wenn Sie Zeilen ausschließen, geben Sie im selben Dokument wie das Ergebnis an, wie viele es waren und warum. Eine Analyse, deren Datenbasis ohne entsprechenden Hinweis geändert wurde, ist nicht reproduzierbar.

Im Zweifelsfall beide Versionen ausweisen. Wenn sich eine Schlussfolgerung aufgrund eines einzigen Wertes umkehrt, dann ist genau das die eigentliche Erkenntnis – und kein lästiges Detail, das man wegräumen sollte.

Vor der Wahl des Schwellenwerts die Verteilung prüfen. Schief verteilte Spalten erfordern perzentilbasierte Grenzwerte oder eine Logarithmierung, keine Z-Score-Regel.

Auf Häufungen achten. Mehrere Ausreißer, die am selben Datum oder aus derselben Quelle auftreten, deuten meist auf ein Problem in der Datenpipeline hin und nicht auf tatsächlich ungewöhnliche Kunden. Unser Leitfaden zur Bereinigung und Deduplizierung von Daten behandelt diesen Fall.

Fazit

Das Finden von Ausreißern ohne Code lässt sich auf drei Werkzeuge reduzieren. Die IQR-Methode ist ein robuster Standard, Z-Scores eignen sich für annähernd symmetrische Daten, wenn Sie die Größenordnung betrachten wollen, und ein Boxplot prüft, ob eine der beiden Annahmen überhaupt zutrifft. Stellen Sie sich darauf ein, dass sie sich widersprechen, und betrachten Sie diesen Widerspruch als Information.

Den Teil, den keine Methode abdeckt, ist die Entscheidung. Wenn Ihre Arbeit mit Ausreißern bei einer markierten Spalte endet, weil die Untersuchung jeder einzelnen Zeile zu langsam ist, probieren Sie Powerdrill Bloom für diese Datei aus. Werfen Sie auch einen Blick auf unsere Seite zur KI-Datenbereinigung, den Leitfaden zur Erstellung deskriptiver Statistiken und wie Sie eine CSV-Datei in ein Diagramm umwandeln.

Häufig gestellte Fragen

Was gilt in einem Datensatz als Ausreißer?

Klassischerweise ein Wert, der mehr als das 1,5-Fache des Interquartilsabstands vom ersten oder dritten Quartil entfernt ist, oder mehr als drei Standardabweichungen vom Mittelwert abweicht. Beides sind eher Konventionen als Gesetze, und welche Methode sich eignet, hängt davon ab, ob Ihre Daten annähernd symmetrisch oder schief verteilt sind.

Wie finde ich Ausreißer in Excel ohne Code?

Verwenden Sie QUARTILE, um die IQR-Grenzen zu bestimmen und Werte außerhalb dieser Grenzen zu markieren, oder berechnen Sie Z-Scores mit dem Mittelwert und STDEV.P. Ein Boxplot liefert visuell dasselbe IQR-Ergebnis und zeigt gleichzeitig die Form der Verteilung.

Sollte ich Ausreißer aus meiner Analyse entfernen?

Erst nachdem Sie die Ursache geklärt haben. Dateneingabefehler und Testdatensätze sollten gelöscht werden; echte Extremwerte in der Regel nicht, da deren Entfernung reale Informationen vernichtet. Wenn es unklar ist, weisen Sie das Ergebnis für beide Fälle aus.

Warum markieren IQR und Z-Score unterschiedliche Werte?

Die IQR-Methode basiert auf Quartilen, die durch Extremwerte nicht verzerrt werden können. Z-Scores basieren auf dem Mittelwert und der Standardabweichung, welche durch Extremwerte verzerrt werden. Ein ausreichend großer Wert bläht die Standardabweichung auf und kann sich so selbst maskieren.

Was ist, wenn meine Daten schief verteilt statt glockenförmig sind?

Standard-Schwellenwerte markieren bei schief verteilten Spalten wie Einkommen oder Bestellwert den langen Rand (Tail) übermäßig stark. Nutzen Sie perzentilbasierte Grenzwerte oder logarithmieren Sie die Spalte zuerst, und prüfen Sie die Verteilungsform, bevor Sie sich für eine Regel entscheiden.