Auch genannt: unstrukturierte Informationen; unstrukturierte Inhalte
Unstrukturierte Daten sind Daten ohne vorgegebenes Datenmodell oder ohne eine vorab festgelegte Organisation. Dazu zählen etwa frei formulierte Texte, Bilder, Audio- und Videodateien. NIST nennt für unstrukturierte Daten unter anderem Text, Bilder, Audio und Video.NIST CSRC: unstructured data Entscheidend ist nicht, ob eine Datei technisch gespeichert werden kann, sondern ob ihre inhaltlichen Elemente bereits als einheitliche Felder und Datensätze vorliegen.
Eine Tabelle mit den Spalten Kundennummer, Datum und Betrag ist strukturiert: Jede Zeile folgt denselben Regeln. Eine eingescannte Rechnung dagegen enthält zwar Informationen, doch Betrag, Rechnungsnummer und Lieferant stehen zunächst nur als Bildbestandteile auf einer Seite. Gleiches gilt für einen E-Mail-Text oder eine Gesprächsaufzeichnung. Menschen können den Zusammenhang unmittelbar verstehen; Software braucht meist zusätzliche Schritte, um ihn gezielt zu durchsuchen oder auszuwerten.
„Unstrukturiert“ bedeutet nicht „wertlos“ oder „chaotisch“. Ein Dokument kann gut gegliedert sein und trotzdem keine Datenbanktabelle sein. Auch eine Datei kann technische Metadaten wie Erstellungsdatum, Dateityp oder Autor tragen. Solche Begleitangaben geben Orientierung, ersetzen aber kein vollständiges, festes Schema für den eigentlichen Inhalt.
Am Anfang steht die Erfassung: Dateien, Nachrichten oder Aufnahmen werden zusammengetragen und mit Herkunft, Zugriffsrechten und weiteren Metadaten versehen. Danach folgt je nach Material eine Vorverarbeitung. Bei einem Scan kann optische Zeichenerkennung (OCR) Text sichtbar machen; bei Sprache kann eine Transkription entstehen. Text lässt sich bereinigen, in Wörter oder Abschnitte zerlegen und mit Schlagwörtern, Entitäten oder Themen anreichern.
Die Verarbeitung erzeugt nicht automatisch zuverlässige Fakten. OCR kann Zeichen verwechseln, Transkriptionen können Namen falsch wiedergeben, und automatische Klassifikationen hängen von Verfahren und Trainingsgrundlage ab. Deshalb gehören Qualitätsprüfungen, nachvollziehbare Herkunft und ein passender Umgang mit Zugriffsrechten zum Prozess. IBM beschreibt Vorverarbeitung als Bereinigen, Standardisieren und Anreichern, damit Eingaben durchsuchbar und analysierbar werden; als Beispiele nennt die Quelle OCR, Entitätserkennung, NLP und semantische Tags.IBM: Unstructured data processing
Erst auf dieser aufbereiteten Grundlage werden Inhalte gesucht, gruppiert oder analysiert. Bei Text können Verfahren der Sprachverarbeitung etwa Begriffe und Beziehungen erkennen; bei Bildern können andere Verfahren Merkmale identifizieren. Das Ergebnis ist häufig eine zusätzliche, strukturiertere Repräsentation, etwa ein Index, Tags oder extrahierte Felder. Die Originaldatei bleibt dabei weiterhin unstrukturiert.
Ein Unternehmen erhält Rechnungen als PDF-Scans per E-Mail. Die eigentliche Seite enthält Lieferant, Rechnungsnummer, Datum und Betrag, aber diese Werte liegen nicht sicher in den Spalten einer Datenbank vor. Zunächst werden Datei und Absender abgelegt. OCR erzeugt dann durchsuchbaren Text; ein Ausleseschritt schlägt mögliche Felder vor. Eine Fachkraft oder eine Regelprüfung kontrolliert anschließend, ob Betrag, Währung und Rechnungsnummer plausibel sind, bevor sie in das Buchhaltungs- oder Freigabesystem übernommen werden.
Dieses Beispiel zeigt den Unterschied zwischen Extraktion und Wahrheit: Das System kann eine Zeichenfolge als Betrag erkennen, darf sie aber nicht ungeprüft als korrekten Buchungswert behandeln. Für Suche und Auswertung helfen außerdem Metadaten wie Dokumenttyp, Zeitraum, zuständige Stelle und Verarbeitungsstatus. Sie machen den Bestand filterbar, ohne den ursprünglichen Scan in eine starre Form pressen zu müssen.
Strukturierte Daten folgen einem vorgegebenen Modell, etwa Feldern in einer relationalen Tabelle. Sie lassen sich deshalb vergleichsweise direkt nach Spalten filtern oder auswerten. NIST grenzt unstrukturierte Daten entsprechend als Daten ohne vorgegebenes Modell oder vorgegebene Organisation ab und nennt Text, Bilder und Video als Beispiele.NIST: Big Data Interoperability Framework, Volume 1
Semistrukturierte Daten liegen zwischen beiden Polen. JSON oder XML können beispielsweise Schlüssel, Tags oder eine verschachtelte Form enthalten, obwohl nicht jedes Objekt dieselben Inhalte haben muss. Daher ist ein PDF nicht allein deshalb semistrukturiert, weil es Überschriften besitzt, und eine JSON-Datei nicht allein deshalb unstrukturiert, weil in einem Feld freier Text steht. Für die Einordnung zählt, welche explizite Struktur für die gewünschte Verarbeitung verfügbar ist.
Unstrukturierte Daten sind keine bestimmte Speichertechnologie. Sie können in Dateisystemen, Objektspeichern oder Datenbanken abgelegt werden. Ein Data Lake ist eine Architektur zum Speichern und Verwalten verschiedener Datenarten; er ist nicht gleichbedeutend mit dem Datenformat. Metadaten beschreiben Dateien oder Inhalte und können unstrukturierte Bestände auffindbar machen. NoSQL bezeichnet Datenbankansätze und sagt für sich genommen nicht, ob die darin gespeicherten Inhalte strukturiert, semistrukturiert oder unstrukturiert sind.