Platons Höhle und die Schatten der Daten

Daten fühlen sich oft an wie die nackte Wahrheit: harte Zahlen, Zeilen und Spalten, scheinbar objektiv. Ein altes Gleichnis von Platon hilft, diese Sicherheit zu hinterfragen. Es erinnert uns daran, dass jedes Dataset nur ein Abbild der Wirklichkeit ist, nie die Wirklichkeit selbst. Wer das vergisst, verwechselt das Modell mit der Welt, und genau dort entstehen die teuersten Fehler.

1. 🕳️ Das Höhlengleichnis in einem Absatz

In Platons Politeia sitzen Gefangene seit ihrer Geburt angekettet in einer Höhle. Hinter ihnen brennt ein Feuer, davor flackern Schatten an der Wand. Diese Schatten sind alles, was die Gefangenen je sehen. Sie halten sie für die Realität, ohne zu ahnen, dass draussen vor der Höhle die echte Welt liegt, voller Licht und Substanz. Die Schatten sind real, aber sie sind nur Projektionen der Dinge, nicht die Dinge selbst.

2. 📉 Daten sind Schatten

Mit Daten zu arbeiten fühlt sich oft genau so an. Ein Dataset ist die Projektion einer tieferen, reicheren Wirklichkeit an eine flache Wand. Zeilen und Spalten fangen Fragmente des Lebens ein: einen Kauf, einen Klick, einen medizinischen Befund, ein Tor in einem Fussballspiel. Aber die gelebte Erfahrung dahinter, also die Motive, der Kontext, die Unsicherheit, bleibt ausserhalb unseres Blickfelds.

Der entscheidende Unterschied zu den Gefangenen: Wir können wissen, dass wir Schatten betrachten, und wir haben die Pflicht, uns das bewusst zu machen. Die Gefangenen wissen es nicht. Eine Datenanalystin schon, sofern sie ehrlich zu sich ist.

Beispiel: Webshop

In einem Webshop zeigt eine Tabellenzeile: «Kunde X hat Produkt Y um 14:32 in den Warenkorb gelegt, aber nicht gekauft.» Das ist der Schatten. Die Wirklichkeit dahinter (war der Preis zu hoch? wurde X abgelenkt? hat das Kind nach dem Handy gegriffen? war es nur Neugier?) wirft keinen Schatten an die Wand. Wir sehen das «Was», fast nie das «Warum».

3. ⚠️ Die Gefahr: den Schatten für das Ding halten

Das Risiko ist nicht das Arbeiten mit Schatten. Schatten sind nützlich, sie tragen echte Struktur, Muster und Signale. Das Risiko ist, den Schatten mit der Sache zu verwechseln. Zwei typische Verwechslungen:

Modell wird mit Wahrheit verwechselt. Ein Modell, das gut zu den Daten passt, beschreibt die Daten, nicht zwingend die Welt. Wenn die Daten verzerrt sind, ist auch ein perfekt passendes Modell ein perfektes Abbild der Verzerrung.
Vorhersage wird mit Verständnis verwechselt. Ein System kann zuverlässig vorhersagen, dass etwas passiert, ohne zu erklären, warum. Treffsicherheit ist nicht dasselbe wie Einsicht.

Das hängt direkt mit Datenqualität zusammen: Ein Schatten kann unscharf, unvollständig oder verzerrt sein. Wer ihn für die Realität hält, misst seine Fehler gar nicht erst.

Analogie: Temperatursensoren

Ein Temperatursensor im Lager meldet 7 °C. Das ist der Schatten der echten physischen Bedingungen im Raum. Aber der Sensor sitzt vielleicht direkt neben der Tür, im Zugluftstrom, oder ist um 0,5 °C dejustiert. Der Messwert ist real und brauchbar, doch er ist nicht die Temperatur des Raums, er ist eine Projektion davon an genau einer Stelle. Wer 7 °C für die ganze Wahrheit hält, übersieht die Verzerrung.

4. 🔦 Die Haltung: Demut und das Feuer suchen

Wenn Daten nur Schatten sind, lautet die richtige Haltung nicht Zynismus («alles ist relativ»), sondern Demut. Schatten sind echt genug, um damit zu arbeiten, aber zu unvollständig, um sie für die Welt zu halten. Praktisch heisst das:

Immer mitfragen, welche Realität diese Daten nicht einfangen (der fehlende Kontext, die nicht erfassten Fälle).
Ergebnisse als Reflexionen formulieren, nicht als absolute Wahrheiten.
Die eigene Rolle verstehen: Eine Datenanalystin liefert keine letzte Wahrheit, sie hilft anderen, das Feuer hinter den Schatten zu erahnen.

Das ist kein Aufruf, Daten zu misstrauen, sondern sie richtig einzuordnen. Ein gutes Mentales Modell macht Daten nicht weniger wertvoll, es macht uns nur weniger leichtgläubig.

Fazit

Platons Höhle ist ein altes Bild für ein sehr modernes Problem. Datensätze, Dashboards und Modelle sind Schatten an der Wand: nützlich, strukturreich, aber projiziert und unvollständig. Die Kunst besteht nicht darin, die Höhle zu verlassen (das geht nicht, wir haben nur Schatten), sondern darin, nie zu vergessen, dass es Schatten sind.

📚 Weiterführende Links & Quellen

Operationale vs. analytische Daten (auch ein Dashboard ist ein verdichteter Schatten vieler Einzelereignisse)
Datenqualitäts-Metriken (wie unscharf oder verzerrt ein Schatten ist, lässt sich messen)
Artikel: Pol Marin, Plato’s Cave and the Shadows of Data, Towards Data Science (2025), die Quelle dieser Notiz: Daten als Schatten, Modell ungleich Wahrheit, Demut als Haltung
Primärquelle: Platon, Politeia, 7. Buch (das Höhlengleichnis, 514a bis 520a), z. B. Projekt Gutenberg