Datenanalyse und Machine Learning
zum Anfassen

Diese Web-App führt dich an verschiedene Aufgaben aus den Bereichen Datenanalyse und Machine Learning heran. Dazu steigst du in die Analyse von drei unterschiedlichen Datensätzen ein und beantwortest damit Fragen rund um den Radverkehr in Städten. Auf jeder Seite findest du Hilfestellungen und tiefergehende Informationen zu typischen Visualisierungsarten und zu statistischen und maschinellen Lernverfahren. Links über das Menü kannst du dich durch die einzelnen Analyseschritte durcharbeiten – und alle Verfahren live an den Daten ausprobieren:

Challenges

Hier findest du die Fragestellungen zu den angebotenen Challenges. Nimm dir mindestens zwei davon intensiv vor (Ausnahme: Bonus-Challenge). Ein paar Aufgaben sind eher explorativ und durch „scharfes Hinsehen" auf die Daten lösbar. Für andere kommen Machine-Learning-Verfahren zum Einsatz. Allgemein gilt: Lass dich von den Aufgaben nicht zu sehr einengen. Sie sind eher Vorschläge und Anleitungen. Erzähle mit deinen Ergebnissen eine spannende Data-Story!

Datensätze

Hier verschaffst du dir einen ersten Überblick über die verwendeten Datensätze. Die Daten werden zunächst klassisch als Tabelle dargestellt. Außerdem findest du Meta- und Hintergrundinformationen über die Bedeutung der einzelnen Spalten.

Explorer

Zu jedem Datensatz gibt es einen eigenen „Data Explorer". Hier kannst du ein tieferes Verständnis für die Daten entwickeln. Geeignete Visualisierungen helfen dabei, die Struktur der Daten kennenzulernen und Zusammenhänge zwischen einzelnen Variablen darzustellen. Zu jeder Abbildung wird erläutert, was zu sehen ist und wie die Grafik zu interpretieren ist.

Clustering

Clustering gehört zu den unüberwachten maschinellen Lernverfahren. Es geht darum, einzelne Einheiten aufgrund ihrer Eigenschaften zu Gruppen zusammenzufassen. Dabei sollen Einheiten innerhalb einer Gruppe möglichst ähnlich sein und sich zwischen den Gruppen möglichst stark unterscheiden. Das Verfahren heißt unüberwacht, weil die Maschine selbst entscheidet, was „ähnlich" bedeutet, und nicht vorher feststeht, wie die Cluster aussehen sollen. Du wirst hier Städte nach ihrer Radverkehrs-Kultur gruppieren.

Forecast

Beim Forecast geht es um klassische Prognosen – hier um die monatliche Zahl der Fahrten im Leihradsystem. Es handelt sich um Zeitreihendaten, die eine zeitliche Struktur aufweisen (wiederholte Messungen zu festen Zeitpunkten). Bei Zeitreihen gibt es einige Besonderheiten, die im Explorer und beim Erstellen der Prognosen näher erläutert werden. Prognoseverfahren gehören – im Gegensatz zum Clustering – zu den überwachten Lernverfahren: Man hat das, was man vorhersagen möchte, in der Vergangenheit schon beobachtet.

Classification

Ähnlich wie beim Clustering geht es bei der Classification darum, Einheiten auf verschiedene Gruppen aufzuteilen. Der wesentliche Unterschied: Bei der Classification sind die Gruppen vorher festgelegt und ihre Eigenschaften lassen sich aus historischen Daten ableiten. Damit gehört die Classification genau wie der Forecast zu den überwachten Lernverfahren. Du wirst Tage in „Spitzentag" und „kein Spitzentag" einteilen.

Viel Spaß beim Entdecken!

Challenges

Wähle mindestens zwei Challenges aus. Die Aufgaben sind Vorschläge – wenn du beim Analysieren etwas Spannenderes findest, folge deiner Spur.

Datensätze

In dieser App arbeiten wir mit drei Datensätzen rund um Radverkehr und Leihradnutzung. Alle Daten sind realitätsnah simuliert: Größenordnungen und Zusammenhänge sind an echte Beobachtungen angelehnt, die konkreten Werte sind erzeugt. Auf dieser Seite findest du die Hintergrundinformationen und die Daten selbst als Tabellen.

Datensatz 1: Städte & Radkultur

Ein Querschnittsdatensatz: 35 europäische Städte, je eine Zeile pro Stadt. Er beschreibt, wie stark das Rad genutzt wird und wie die Stadt strukturell aufgebaut ist.

35 Zeilen · Sortierbar durch Klick auf die Spaltenköpfe.

Datensatz 2: Monatliche Leihradnutzung

Ein Zeitreihendatensatz: die monatliche Zahl der Fahrten im Leihradsystem „Stadtrad" einer fiktiven Großstadt, von Januar 2019 bis Dezember 2024 (72 Monate). Ergänzt um Durchschnittstemperatur und Regenmenge des Monats. Dieser Datensatz ist die monatliche Aggregation von Datensatz 3.

72 Zeilen · monat im Format JJJJ-MM.

Datensatz 3: Tagesdaten mit Wetter und Kalender

Ebenfalls eine Zeitreihe, aber auf Tagesebene und mit deutlich mehr erklärenden Variablen: 2.192 Tage (2019–2024). Die Fahrten sind nach vier Fahrtzwecken aufgeteilt: Pendeln, Freizeit, Einkauf und Tourismus. Zusätzlich sind Wetter- und Kalendermerkmale hinterlegt. Aus diesem Datensatz wird auch die Zielgröße für die Klassifikation abgeleitet.

Auszug: erste 60 von 2.192 Zeilen.

Explorer: Städte

Explorative und deskriptive Datenanalysen helfen dabei, die vorliegenden Daten besser kennenzulernen. Durch geeignete Visualisierungen erlangt man ein deutlich tieferes Verständnis als durch die reine Darstellung in einer Tabelle. Die Berechnung wesentlicher Kennzahlen erlaubt es, verschiedene Merkmale miteinander zu vergleichen. Und die Analyse von Zusammenhängen liefert erste Ideen für die spätere Modellierung.

Grundsätzlich unterscheidet man zwischen stetigen und diskreten Merkmalen. Stetige Merkmale sind häufig Messwerte wie Anteile, Dichten oder Indexwerte. Zu den diskreten Merkmalen gehören Kategorien (z. B. groß/klein), Gruppen (z. B. Stadt oder Land) und Zähldaten. Je nach Art des Merkmals bieten sich unterschiedliche Visualisierungen und Kennzahlen an.

Deskriptive Analyse der stetigen Variablen

Bis auf Stadt- und Ländernamen sind alle Variablen in diesem Datensatz stetig. Häufig fällt der erste Blick auf die empirische Verteilung: In welchem Bereich liegen die Werte (Spannweite)? Wie groß ist die Streuung (Standardabweichung, Interquartilsabstand)? Wo liegt der Schwerpunkt (Mittelwert, Median)?

Die folgende Tabelle zeigt wesentliche statistische Kennzahlen zu allen Merkmalen.

Analyse von Zusammenhängen

Statistische Zusammenhänge innerhalb der Daten sind die Grundvoraussetzung dafür, mit maschinellen Lernverfahren gute Ergebnisse zu erzielen. Überspitztes Beispiel: Mit der Schuhgröße der Einwohner einer Stadt kann man dort keine Wetterprognose machen, weil die beiden Merkmale nicht zusammenhängen. Achtung: Bei der Analyse von Zusammenhängen deckt man in der Regel keine Kausalität auf – dafür braucht es fachlichen Hintergrund und ein passendes Studiendesign. Aber auch nicht-kausale Zusammenhänge ermöglichen den Einsatz von Lernverfahren.

Über die Drop-Down-Menüs kannst du zwei Variablen auswählen. Darunter siehst du einen Scatterplot. Hier wird sichtbar, ob große Werte der einen Variablen mit großen oder kleinen Werten der anderen zusammenfallen – und ob der Zusammenhang linear ist. Die berechnete lineare Korrelation steht über der Grafik. Sie liegt zwischen −1 und 1: 1 bedeutet einen perfekten positiven, −1 einen perfekten negativen linearen Zusammenhang, 0 bedeutet kein linearer Zusammenhang.

Deskriptive Analyse der diskreten Variablen

Die diskreten Variablen sind hier Stadt und Land. Bei diskreten Merkmalen betrachtet man typischerweise Häufigkeiten – bei der Stadt ist das nicht sinnvoll, weil jede Stadt genau einmal vorkommt. Stattdessen kannst du hier vergleichen, wie sich einzelne Städte bezüglich der stetigen Merkmale unterscheiden.

Du siehst einen Radar-Chart (Spinnendiagramm). Für die Darstellung wurden alle Merkmale auf den Bereich 0–1 normiert; die absoluten Werte sind also schwer zu interpretieren, aber Städte lassen sich gut vergleichen. Hat eine Stadt in einer Dimension den Wert 1, hat sie dort unter allen Städten den höchsten Wert. Über die Auswahl kannst du Städte an- und abwählen und mit dem Mittelwert über alle Städte vergleichen.

Explorer: Zeitreihe

Sowohl die Zahl der Fahrten als auch die Temperatur sind Zeitreihendaten: Zu jedem Messwert gehört ein Zeitstempel, dem der Wert zugeordnet werden kann (hier: der Monat). Für die Visualisierung wählt man meist ein Liniendiagramm mit der Zeit auf der x-Achse und den Messwerten auf der y-Achse.

Im unteren Liniendiagramm siehst du zwei y-Achsen. Die linke gehört zu den Fahrten (graphit), die rechte zur Durchschnittstemperatur (gelb). Durch diese Doppelachse lassen sich beide Reihen in einem Diagramm vergleichen, obwohl sie völlig unterschiedliche Einheiten haben.

Trend und Saison trennen

Viele Zeitreihen bestehen aus drei Bausteinen: einem langfristigen Trend, einem jährlich wiederkehrenden Saisonmuster und einem Rest (allem, was Trend und Saison nicht erklären). Diese Zerlegung ist der Kern jedes Prognosemodells. Links siehst du das durchschnittliche Saisonprofil über alle Jahre, rechts die Jahressummen als groben Trend.

Autokorrelation

Zeitreihen weisen häufig eine besondere Eigenschaft auf: die Autokorrelation. Das heißt, ein Merkmal hängt mit sich selbst zusammen – hier zeitlich versetzt. Im Prinzip bedeutet das: Das Verhalten der Daten hängt von den Daten aus der Vergangenheit ab. Beispiel: Wenn heute viele Räder unterwegs waren, ist die Wahrscheinlichkeit groß, dass es morgen auch so ist.

Unten siehst du die Autokorrelationsfunktion (ACF) der monatlichen Fahrten. Auf der x-Achse ist zu sehen, wie viele Zeitschritte („Lag", hier Monate) in die Vergangenheit geschaut wird. Auf der y-Achse steht, wie stark der lineare Zusammenhang zwischen dem aktuellen Wert und dem Wert in der Vergangenheit ist. Für Lag 0 ist der Wert immer 1 (die Reihe mit sich selbst). Die blau gestrichelten Linien zeigen den Bereich, in dem die Autokorrelation aus statistischer Sicht nicht mehr relevant ist.

Die Autokorrelation ist nicht immer leicht zu interpretieren. Ein Teil des Musters entsteht durch die Saison (Lag 12), ein Teil durch die Trägheit von Monat zu Monat. Um das zu trennen, kann man die Analyse für die Differenzen wiederholen: Man betrachtet also, wie sich die Fahrten von einem Monat zum nächsten verändern, und untersucht deren Autokorrelation erneut.

Explorer: Tagesdaten

Auf Tagesebene stehen deutlich mehr Informationen zur Verfügung: Fahrtzweck, Wochentag, Ferien, Feiertag, Temperatur, Regen und Wind. Damit lassen sich Verhaltensmuster sichtbar machen, die in der Monatsreihe untergehen. Die Auswahl der Kategorie wirkt sich auf alle Abbildungen dieser Seite aus.

Verlauf im Jahr

Zunächst die Tageswerte des gewählten Jahres. Auf dieser feinen Auflösung wird sichtbar, wie stark einzelne Tage schwanken – das ist das „Rauschen", mit dem ein Klassifikationsmodell später umgehen muss.

Wochenverlauf

Hat man vollständige Zeitstempel, kann man die Verteilung der Fahrten auf Wochentage analysieren. Wähle unten einzelne oder mehrere Fahrtzwecke aus und finde heraus, ob es auffällige Muster gibt.

Tagesverlauf

Noch spannender ist der Verlauf innerhalb eines Tages. Hier siehst du die durchschnittliche Anzahl Fahrten je Stunde – getrennt nach Werktag und Wochenende. Achte darauf, wie unterschiedlich die Profile der Fahrtzwecke aussehen.

Einfluss des Wetters

Für die spätere Klassifikation ist entscheidend, welche Merkmale überhaupt etwas über die Nutzung aussagen. Im Scatterplot siehst du den Zusammenhang zwischen einem Wetter- bzw. Kalendermerkmal und der Anzahl der Fahrten. Jeder Punkt ist ein Tag; die Farbe zeigt, ob es ein Spitzentag war.

Clustering

Ziel des Clusterings ist es, einzelne Einheiten zu Gruppen zusammenzufassen. Clustering zählt zu den unüberwachten maschinellen Lernverfahren – unüberwacht, weil am Anfang der Analyse noch nicht feststeht, wie die Gruppen aussehen oder wie viele es geben soll. Hier geht es darum, Städte zu gruppieren, die sich bezüglich ihrer Radkultur ähnlich sind. Typisch für dieses Vorgehen: Der Mensch muss nicht vorgeben, was „ähnlich" bedeutet – der Algorithmus findet die Lösung selbst.

k-means-Algorithmus

Bei k-means werden k Gruppen gebildet. Das k ist bei diesem eher einfachen Algorithmus der einzige Parameter, den du beeinflussen kannst. Der Algorithmus gruppiert die Städte so, dass sie sich innerhalb der Gruppen möglichst ähnlich sind und die Gruppen sich möglichst stark unterscheiden. Formal werden die Gruppen so gebildet, dass die geometrischen Abstände der Städte zu ihren Gruppenmittelpunkten minimal werden.

Clusteranalyse

Die Analyse der berechneten Cluster erfordert ein gutes Verständnis des Anwendungsgebiets. Da für den Anwender oft nicht klar ist, wie der Algorithmus Ähnlichkeit definiert, ist auch schwer zu ermitteln, ob die Cluster inhaltlich sinnvoll sind. Man kann aber zum Beispiel über Boxplots die Unterschiede und Gemeinsamkeiten zwischen den Clustern betrachten. Wähle hier die Eigenschaft aus, die du vergleichen möchtest – und probiere verschiedene Cluster-Anzahlen aus.

Mittelwerte je Cluster. Farbige Zellen: deutlich über (gelb) bzw. unter (blau) dem Gesamtmittel.

Evaluation

Die Auswertung unüberwachter Lernverfahren ist nicht ganz einfach. Bei überwachten Verfahren kann man die Ergebnisse mit der Wahrheit aus den Testdaten vergleichen. Beim Clustering hat man die berechneten Cluster in der Vergangenheit nie beobachtet und kann diesen Vergleich nicht anstellen. Eine Alternative bietet die Ellenbogenmethode: Man visualisiert die Summe der quadratischen Abstände der Städte zu ihren Clustermittelpunkten.

Die Interpretation: Bei der maximal möglichen Anzahl Cluster besteht jedes Cluster aus genau einer Stadt, jede Stadt ist ihr eigener Mittelpunkt und alle Abstände sind null. Bei nur einem Cluster ist der Abstand maximal. Häufig wählt man das k, bei dem der Graph einen Knick macht – daher der Name. Ist der Knick nicht klar erkennbar, wählt man k eher nach fachlich-inhaltlichen Überlegungen: Welche Cluster sehen aus fachlicher Sicht sinnvoll aus?

Forecast

Für die Prognose von Zeitreihendaten gibt es eine riesige Auswahl von Algorithmen. Hier lernst du die lineare Regression in drei Ausbaustufen kennen. Zunächst legst du den Train-Test-Split fest: Mit welchen Daten wird das Modell trainiert, und mit welchen (historischen) Daten wird es getestet? Bei Zeitreihen ist es üblich, dass die Testdaten den Trainingsdaten zeitlich nachgelagert sind – man simuliert damit den Fall, dass man die „echte Zukunft" vorhersagen möchte. Bei Daten ohne zeitliche Struktur wählt man dagegen zufällig aus (vgl. Classification).

Modell 1: nur Trend

Die lineare Regression gehört zu den einfachsten Regressionsmodellen. In der klassischen Variante wird der lineare Zusammenhang zwischen der Zielgröße (hier: Fahrten pro Monat) und einer oder mehreren erklärenden Variablen berechnet und für die Prognose genutzt. Die einfachste erklärende Variable ist die Zeit selbst: fahrten = a + b · monat_nummer. Das Modell hat keine weiteren Parameter, die man einstellen muss – es kommt allein auf die Auswahl der erklärenden Variablen an.

Beachte: Alle Prognosen liegen exakt auf einer Gerade – daher der Name „lineare Regression". Die jährliche Schwankung kann dieses Modell prinzipiell nicht abbilden.

Modell 2: Trend + Saison

Um die jahreszeitliche Schwankung zu erfassen, ergänzen wir Saisonmerkmale. Technisch geschieht das über zwei harmonische Terme – Sinus und Kosinus mit einer Periode von 12 Monaten. Diese beiden Variablen wandern als zusätzliche Spalten in dieselbe lineare Regression. Das Modell bleibt also ein einfaches Regressionsmodell; es bekommt nur bessere Merkmale.

Modell 3: Trend + Saison + Temperatur

Jetzt kommt die Durchschnittstemperatur des Monats als erklärende Variable hinzu. Das verbessert die Anpassung oft deutlich – hat aber einen Preis: Für eine echte Prognose in die Zukunft muss man die Temperatur ebenfalls kennen. Man tauscht also eine bessere Anpassung gegen eine zusätzliche Annahme. Genau solche Abwägungen sind der Kern der Modellauswahl.

Evaluation

Die folgenden Metriken wurden auf den Testdaten berechnet und vermitteln einen Eindruck davon, wie gut die Modelle auf unbekannten Daten funktionieren (Erinnerung: Modelle lernen nur mit den Trainingsdaten, so dass die Testdaten sich für die Auswertung eignen und das Modell nicht beeinflussen).

• RMSE (Root Mean Square Error): Abweichungen zwischen Prognose und tatsächlichem Wert werden quadriert, gemittelt, dann wird die Wurzel gezogen. Das Quadrieren „bestraft" große Fehler besonders stark; durch das Wurzelziehen hat der RMSE die gleiche Einheit wie die Zielgröße (hier: Fahrten) und ist gut interpretierbar.
• MAE (Mean Absolute Error): der durchschnittliche absolute Fehler – robuster gegenüber einzelnen Ausreißern als der RMSE.
• MAPE (Mean Absolute Percentage Error): die absoluten Fehler im Verhältnis zu den tatsächlichen Werten. Damit bekommt man ein Maß dafür, um wie viel Prozent die Prognose im Mittel „daneben" liegt.
• R² auf den Trainingsdaten: Anteil der Streuung, die das Modell im Trainingszeitraum erklärt. Achtung – ein hohes R² im Training sagt nichts über die Prognosegüte.

Finale Prognose

Wähle nun ein finales Modell aus. Es wird auf dem gesamten Zeitraum (2019–2024) neu trainiert und prognostiziert die nächsten 12 Monate. Achtung: Modell 3 braucht dafür eine Annahme über die Temperatur – wir setzen hier das langjährige Monatsmittel ein.

Classification

Bei der Klassifikation geht es – ähnlich wie beim Clustering – darum, Einheiten zu Gruppen zusammenzufassen. Der große Unterschied: Bei der Klassifikation werden die Gruppen vorher festgelegt. Die Algorithmen bewerten dann, welche der vordefinierten Gruppen am besten zu welcher Einheit passt. Die Klassifikation gehört damit – im Gegensatz zum Clustering – zu den überwachten Lernverfahren.

In diesem Beispiel sind die Einheiten Tage. Die zur Verfügung stehenden Gruppen sind „Spitzentag" und „kein Spitzentag". Es geht also um eine binäre Klassifikation. Ein Tag gilt als Spitzentag, wenn mindestens 4.000 Fahrten stattfanden – eine Definition, die wir für diese Lern-App eingeführt haben.

Train-Test-Split

Ähnlich wie beim Forecast werden die Daten zunächst in Trainings- und Testdaten aufgeteilt. Mit den Trainingsdaten werden die Modelle trainiert, anhand der Testdaten prüft man, wie gut die Klassifikation auf neuen – für das Modell unbekannten – Daten funktioniert. In diesem Fall erfolgt die Aufteilung zufällig, weil wir die Tage hier als unabhängige Einheiten behandeln. Mit dem Schieberegler stellst du ein, wie groß der Anteil der Trainingsdaten ist.

Verändere die Ziehung bei gleichem Anteil: Die Kennzahlen wackeln. Genau deshalb bewertet man Modelle in der Praxis nie an einem einzigen Split (Stichwort Kreuzvalidierung).

Logistische Regression

Die logistische Regression ist vom Aufbau her sehr ähnlich zur klassischen linearen Regression (vgl. Forecast): Man hat eine Zielgröße, die man über erklärende Variablen beschreibt. Der Unterschied ist, dass man kein stetiges Merkmal vorhersagen will, sondern entscheiden möchte, zu welcher Gruppe eine Einheit gehört. Dazu werden die Daten geeignet transformiert. Die logistische Regression berechnet dann die Wahrscheinlichkeit dafür, dass ein Tag ein Spitzentag ist. Anschließend legt man fest, ab welcher Wahrscheinlichkeit p ein Tag dieser Gruppe zugeordnet wird. Häufig wählt man p = 0,5 – je nach Anwendungsfall können aber auch andere Werte sinnvoll sein.

Evaluation

Da die Klassifikation ein überwachtes Lernverfahren ist, kann man auf den Testdaten genau auswerten, welche Einheiten den richtigen Gruppen zugeordnet wurden. Bei einem binären Klassifikationsproblem hilft dabei die Confusion Matrix (Kontingenztafel). Das Feld oben links zeigt, wie viele Tage korrekt als „kein Spitzentag" identifiziert wurden (True negative). Unten rechts steht, wie viele Spitzentage richtig zugeordnet wurden (True positive). In diesen beiden Feldern möchte man möglichst hohe Werte sehen. Oben rechts steht der Fall „Spitzentag nicht erkannt", unten links „Spitzentag fälschlicherweise erkannt".

Neben der Confusion Matrix kann man die Qualität auch in einzelnen Metriken ausdrücken. Beliebte Beispiele sind Precision und Recall. Die Precision gibt an, wie viele der als Spitzentag klassifizierten Tage tatsächlich Spitzentage waren. Beim Recall ist die Logik anders: Hier wird berechnet, wie viele der echten Spitzentage richtig identifiziert wurden. Beide Metriken nehmen Werte zwischen 0 und 1 an, wobei 1 das beste und 0 das schlechteste Ergebnis ist. Der F1-Wert ist das harmonische Mittel aus beiden.

Grenzwert-Kurve

Die Abbildung zeigt Precision, Recall und F1 über alle möglichen Grenzwerte. Die senkrechte Linie markiert deine aktuelle Einstellung.

Impressum & Datenschutz

Impressum

Angaben gemäß § 5 Digitale-Dienste-Gesetz (DDG):

Verantwortlich für den Inhalt dieser Anwendung ist die oben genannte Person. Die App wird zu Lehr- und Lernzwecken bereitgestellt.

Haftung für Inhalte

Die Inhalte dieser Anwendung wurden mit Sorgfalt erstellt. Sämtliche Datensätze sind simuliert und dienen ausschließlich der Veranschaulichung statistischer und maschineller Lernverfahren. Sie stellen keine amtliche Statistik dar und eignen sich nicht als Grundlage für Entscheidungen außerhalb des Lernkontexts.

Urheberrecht

Die Nutzung, Weitergabe und Bearbeitung dieser Anwendung im Rahmen von Lehre und Selbststudium ist ausdrücklich erwünscht. Es gilt eine geteilte Lizenzierung:

• Quellcode (HTML, CSS, JavaScript): MIT-Lizenz
• Texte, Grafiken und die simulierten Datensätze: CC BY 4.0

© 2026 Hauke Thaden. Bei Weiterverwendung genügt der Hinweis: „Data ML Explorer" von Hauke Thaden, lizenziert unter CC BY 4.0.

Datenschutzerklärung

1. Verantwortlicher

Verantwortlich für die Datenverarbeitung im Sinne der Datenschutz-Grundverordnung (DSGVO) ist die im Impressum genannte Person.

2. Die Anwendung selbst verarbeitet keine personenbezogenen Daten

Diese Web-App besteht aus einer einzigen HTML-Datei. Sämtliche Berechnungen – Diagramme, Clustering, Prognosen und Klassifikation – laufen ausschließlich lokal in deinem Browser. Es werden:

• keine Cookies gesetzt und keine Daten im lokalen Speicher des Endgeräts abgelegt oder ausgelesen (§ 25 TDDDG),
• keine Inhalte von Dritt-Servern nachgeladen (keine Schriftarten, keine Skript-Bibliotheken, keine externen Grafiken),
• keine Eingaben, Nutzungsdaten oder Analyseergebnisse an einen Server übertragen,
• keine Analyse- oder Tracking-Werkzeuge eingesetzt.

Ein Einwilligungsbanner ist deshalb nicht erforderlich.

3. Hosting und Server-Logfiles

Die Anwendung wird bei der Cloudflare Germany GmbH bzw. der Cloudflare, Inc. („Cloudflare Pages") gehostet. Beim Abruf der Seite werden technisch notwendige Zugriffsdaten verarbeitet, insbesondere:

• IP-Adresse des anfragenden Endgeräts,
• Datum und Uhrzeit des Abrufs,
• Name und URL der abgerufenen Datei sowie übertragene Datenmenge,
• Browsertyp, Betriebssystem und ggf. die zuvor besuchte Seite (Referrer).

Zweck und Rechtsgrundlage: Die Verarbeitung ist erforderlich, um die Seite auszuliefern, ihre Stabilität und Sicherheit zu gewährleisten und Angriffe abzuwehren. Rechtsgrundlage ist Art. 6 Abs. 1 lit. f DSGVO (berechtigtes Interesse am sicheren und störungsfreien Betrieb).

Auftragsverarbeitung und Drittlandtransfer: Mit Cloudflare besteht ein Vertrag zur Auftragsverarbeitung nach Art. 28 DSGVO. Eine Verarbeitung in den USA kann nicht ausgeschlossen werden; sie ist durch die Standardvertragsklauseln der EU-Kommission nach Art. 46 Abs. 2 lit. c DSGVO abgesichert.

Speicherdauer: Die Zugriffsdaten werden nur für die Dauer der technischen Erforderlichkeit gespeichert und anschließend gelöscht bzw. anonymisiert.

4. Kontaktaufnahme

Wenn du per E-Mail Kontakt aufnimmst, werden deine Angaben ausschließlich zur Bearbeitung der Anfrage verarbeitet (Art. 6 Abs. 1 lit. f DSGVO, bei vertraglichen Anliegen lit. b) und gelöscht, sobald sie nicht mehr benötigt werden und keine gesetzlichen Aufbewahrungspflichten entgegenstehen.

5. Deine Rechte

Du hast das Recht auf Auskunft (Art. 15), Berichtigung (Art. 16), Löschung (Art. 17), Einschränkung der Verarbeitung (Art. 18), Datenübertragbarkeit (Art. 20) sowie ein Widerspruchsrecht gegen Verarbeitungen auf Grundlage berechtigter Interessen (Art. 21 DSGVO). Wende dich dafür an die im Impressum genannte Adresse.

Außerdem steht dir ein Beschwerderecht bei einer Datenschutz-Aufsichtsbehörde zu, etwa bei der Landesbeauftragten für den Datenschutz Niedersachsen, Prinzenstraße 5, 30159 Hannover.

6. Keine automatisierte Entscheidungsfindung

Eine automatisierte Entscheidungsfindung oder ein Profiling im Sinne von Art. 22 DSGVO findet nicht statt. Die in dieser App gezeigten Machine-Learning-Verfahren arbeiten ausschließlich mit simulierten Daten und treffen keine Entscheidungen über Personen.

Stand: September 2026