Forschungsdaten sicher speichern in der Praxis

Ein verlorener Laptop, ein falsch freigegebener Cloud-Ordner oder eine unklare Dateiversion können Monate empirischer Arbeit gefährden. Forschungsdaten sicher speichern heißt deshalb nicht nur, eine Kopie der Excel-Datei anzulegen. Es bedeutet, Vertraulichkeit, Verfügbarkeit und Nachvollziehbarkeit von Beginn an so zu organisieren, dass Ihre Daten auch unter Zeitdruck, bei Teamwechseln oder im Publikationsprozess kontrollierbar bleiben.

Für Abschlussarbeiten, Dissertationen und Forschungsprojekte ist das besonders relevant. Häufig enthalten Datensätze Gesundheitsinformationen, psychologische Messwerte, Interviewtranskripte oder Angaben, über die Personen indirekt identifizierbar werden könnten. Die Anforderungen an Datenschutz und wissenschaftliche Sorgfalt greifen hier ineinander. Wer die Ablage erst kurz vor der Abgabe ordnet, hat oft bereits unnötige Risiken geschaffen.

Forschungsdaten sicher speichern beginnt vor der Erhebung

Die sicherste Speicherstrategie wird nicht nach dem ersten Datenverlust entwickelt, sondern bereits im Studienkonzept festgelegt. Klären Sie vor dem Feldstart, welche Daten erhoben werden, wer darauf zugreifen muss, wie lange sie aufbewahrt werden und ob eine Weitergabe an Dritte vorgesehen ist. Bei medizinischen, klinischen oder besonders sensiblen Daten können zusätzlich Vorgaben der Ethikkommission, des Arbeitgebers, der Hochschule oder eines Kooperationspartners gelten.

Entscheidend ist die Trennung zwischen personenbezogenen Angaben und Forschungsdaten. Namen, E-Mail-Adressen, Telefonnummern oder Probandencodes gehören nicht in dieselbe Datei wie Fragebogenwerte, Laborwerte oder Interviewauszüge. Arbeiten Sie stattdessen mit einer Pseudonymisierung: Jede teilnehmende Person erhält eine eindeutige Kennung, während die Zuordnungsliste separat und besonders geschützt gespeichert wird. So bleibt die wissenschaftliche Auswertung möglich, ohne dass jede Arbeitskopie unmittelbar Personen offenlegt.

Anonymisierung geht weiter. Sie liegt erst dann vor, wenn Personen auch über Kombinationen von Merkmalen nicht mehr mit vertretbarem Aufwand identifiziert werden können. Bei kleinen Stichproben kann das anspruchsvoll sein. Die Kombination aus Alter, seltenem Krankheitsbild, Wohnort und Beruf kann beispielsweise bereits Rückschlüsse ermöglichen. Ob Pseudonymisierung genügt oder eine Anonymisierung erforderlich ist, hängt vom Projekt, der Rechtsgrundlage und dem geplanten Umgang mit den Daten ab.

Der richtige Speicherort hängt vom Schutzbedarf ab

Nicht jede Datei braucht dieselbe Sicherheitsstufe. Ein anonymisierter Übungsdatensatz für eine Methodenbesprechung stellt andere Anforderungen als Rohdaten aus einer Patientenstudie. Dennoch sollte die Entscheidung für einen Speicherort bewusst erfolgen und nicht allein danach getroffen werden, welcher Dienst gerade kostenlos oder bequem erreichbar ist.

Lokale Speicherung auf einem privaten Rechner ist nur dann vertretbar, wenn das Gerät aktuell gehalten, durch ein starkes Passwort geschützt und vollständig verschlüsselt ist. Ein Passwort für den Benutzeraccount allein reicht nicht aus, wenn ein Laptop gestohlen wird und die Festplatte ohne weiteres ausgelesen werden kann. Aktivieren Sie deshalb die Geräteverschlüsselung und sperren Sie den Bildschirm konsequent, auch bei kurzen Unterbrechungen in Bibliothek, Klinik oder Büro.

Cloud-Speicher kann sinnvoll sein, weil er Zusammenarbeit und Wiederherstellung erleichtert. Voraussetzung ist jedoch, dass die Einrichtung die Nutzung erlaubt, ein geeigneter Vertrag zur Auftragsverarbeitung vorliegt, die Daten möglichst innerhalb des vereinbarten Rechtsraums verarbeitet werden und Berechtigungen steuerbar sind. Für Forschungsprojekte sind institutionelle Lösungen von Hochschule, Universitätsklinikum oder Forschungseinrichtung oft die bessere Wahl als private Gratis-Konten.

Externe Festplatten und USB-Sticks eignen sich als zusätzliche Sicherung, nicht als einziges Archiv. Sie können verloren gehen, beschädigt werden oder über Jahre unbemerkt unlesbar werden. Wenn Sie solche Datenträger einsetzen, verschlüsseln Sie sie und verwahren Sie sie getrennt vom Hauptgerät. Ein Backup auf derselben Tasche wie der Laptop schützt nicht vor Diebstahl.

Backups schützen vor mehr als technischen Defekten

Viele Forschende sichern Daten erst, wenn eine Datei sehr groß geworden ist. Das greift zu kurz. Versehentliches Überschreiben, fehlerhafte Bereinigungsschritte, Ransomware und unklare Synchronisationskonflikte sind mindestens ebenso häufige Ursachen für Datenverlust wie ein Hardwaredefekt.

Bewährt hat sich das 3-2-1-Prinzip: drei Kopien Ihrer Daten, auf zwei unterschiedlichen Speichermedien, davon eine Kopie räumlich getrennt. Das kann beispielsweise die Arbeitsversion auf einem verschlüsselten Dienstrechner, eine institutionelle Cloud-Sicherung und ein verschlüsseltes Offline-Backup sein. Bei sensiblen Daten muss jede dieser Kopien denselben Schutzstandard erfüllen.

Ein Backup ist nur dann ein Backup, wenn es wiederherstellbar ist. Prüfen Sie daher in festen Abständen, ob sich Dateien tatsächlich öffnen lassen und ob die benötigten Ordner vollständig vorhanden sind. Dokumentieren Sie auch, welche Version als verbindliche Arbeitsversion gilt. Gerade bei SPSS-, R-, Python- oder Stata-Projekten entstehen sonst schnell parallele Datenstände, deren Unterschiede später nicht mehr nachvollziehbar sind.

Sinnvoll ist eine eindeutige Benennung, etwa nach Projekt, Datenstand und Datum. Vermeiden Sie Dateinamen wie „final“, „final_neu“ oder „wirklich_final“. Präziser wären beispielsweise „studie_rohdaten_2026-10-14“ und „studie_bereinigt_v03_2026-10-18“. Rohdaten werden grundsätzlich nicht überschrieben. Bereinigungen, Rekodierungen und Ausschlüsse erfolgen in nachvollziehbaren Kopien oder, noch besser, über dokumentierten Syntax- beziehungsweise Code.

Zugriffsrechte: So viel Zugriff wie nötig

In Forschungsgruppen ist der gemeinsame Zugriff häufig notwendig, aber nicht jede Person braucht alle Dateien. Vergeben Sie Rechte nach Rollen: Wer Daten erhebt, braucht möglicherweise die Kontaktliste; wer statistisch auswertet, benötigt meist nur pseudonymisierte Analysedaten. Externe Unterstützung sollte nur die Informationen erhalten, die für den klar vereinbarten Arbeitsschritt erforderlich sind.

Nutzen Sie persönliche Nutzerkonten statt geteilter Passwörter. Bei gemeinsamen Accounts lässt sich weder nachvollziehen, wer eine Datei verändert hat, noch kann der Zugang beim Ausscheiden einzelner Personen sauber entzogen werden. Aktivieren Sie, wo verfügbar, eine Zwei-Faktor-Authentifizierung. Sie reduziert das Risiko erheblich, dass ein abgegriffenes Passwort allein Zugang zu Ihren Daten verschafft.

Besondere Vorsicht gilt Freigabelinks. Ein Link mit der Einstellung „Jede Person mit Link“ kann unbemerkt weitergeleitet werden. Prüfen Sie daher, ob der Zugriff an bestimmte Personen gebunden ist, ob Bearbeiten wirklich nötig ist und ob Freigaben ein Ablaufdatum erhalten können. Nach Abschluss einer Zusammenarbeit sollten Berechtigungen zeitnah überprüft und entfernt werden.

Dokumentation macht Daten wissenschaftlich nutzbar

Sicher gespeichert ist nicht automatisch gut dokumentiert. Wenn nach sechs Monaten niemand mehr weiß, was „missing_2“ bedeutet, wie Ausreißer behandelt wurden oder welche Variable die primäre Zielgröße abbildet, ist ein Datensatz wissenschaftlich nur eingeschränkt verwendbar.

Legen Sie deshalb ein Datenhandbuch an. Darin halten Sie Variablennamen, Skalen, Codierungen, Erhebungszeitpunkte, Ausschlusskriterien und Veränderungen am Datensatz fest. Ergänzen Sie eine kurze README-Datei im Projektordner: Welche Datei enthält Rohdaten? Welche enthält den bereinigten Analysebestand? Mit welcher Software und welcher Version wurden Analysen erstellt? Diese Informationen erleichtern nicht nur die eigene Arbeit, sondern auch die Abstimmung mit Betreuenden, Co-Autorinnen und Co-Autoren oder statistischen Fachpersonen.

Bei reproduzierbaren Auswertungen gehört zudem der Analyseweg in eine prüfbare Form. In R, Python, Stata oder SPSS-Syntax können Datenaufbereitung und Analysen Schritt für Schritt festgehalten werden. Das schützt vor unbemerkten manuellen Eingriffen und spart Zeit, wenn Tabellen oder Modelle nach einer Rückfrage angepasst werden müssen.

Typische Fehler, die sich leicht vermeiden lassen

Kritisch wird es häufig nicht durch komplizierte Angriffe, sondern durch Alltagsroutinen. Dazu gehören unverschlüsselte Dateien im E-Mail-Anhang, Daten auf privaten Messenger-Diensten, gemeinsam genutzte USB-Sticks ohne Passwortschutz und Rohdaten in Präsentationen. Auch Screenshots aus Statistikprogrammen können indirekt identifizierende Informationen enthalten.

Ein weiterer Fehler ist die Vermischung von Einwilligungsunterlagen, Kontaktlisten und Auswertungsdateien in einem einzigen Projektordner. Strukturieren Sie diese Bereiche getrennt und legen Sie verbindlich fest, welche Dateien in welchem Ordner abgelegt werden. Ein kurzer Datenmanagementplan schafft hier mehr Sicherheit als eine spätere, aufwendige Aufräumaktion.

Wenn Sie unsicher sind, ob Ihr Datensatz ausreichend pseudonymisiert ist, welche Datei Sie für eine Auswertung weitergeben dürfen oder wie Sie eine nachvollziehbare Analyseumgebung aufbauen, holen Sie frühzeitig methodische Beratung ein. Bei Easy Statistik unterstützen promovierte Statistikerinnen und Statistiker diskret bei Datenstruktur, Auswertungsplanung und dokumentierbaren Analysen. Über das Kontaktformular können Sie Ihr Vorhaben schildern und die passende Unterstützung anfragen.

Die beste Speicherlösung ist die, die Sie im Forschungsalltag zuverlässig einhalten können. Legen Sie heute klare Ordnerstrukturen, Zugriffsrechte und Backup-Routinen an - dann bleibt Ihre Aufmerksamkeit dort, wo sie hingehört: bei einer fachlich überzeugenden Forschungsfrage und belastbaren Ergebnissen.