Was wir bei Namensdaten falsch gemacht haben

Wir pflegen gewichtete Namenskorpora für 64 Sprachregionen — Vornamen, Nachnamen und die Häufigkeitskurven, die entscheiden, wie oft jeder Name erscheint. Die meisten öffentlichen Texte über diese Art von Arbeit beschreiben das fertige Ergebnis: hier ist die Methode, hier sind die Quellen, hier ist das Resultat.

Dies ist der andere Artikel. Acht Fehler, die wir tatsächlich gemacht haben, allesamt während eines einzigen Audits am 17. Juli 2026 entdeckt. Mehrere wurden von Prüfern gefunden, die mit uns stritten, und mindestens zwei verteidigten wir, bevor wir sie einräumten.

Wir veröffentlichen sie, weil sich die Fehlermuster als strukturell erwiesen, nicht als nachlässig. Jeder entstand aus einer Zahl, die maßgeblich aussah und sich als Messung eines anderen Objekts entpuppte, als wir dachten. Wenn Sie mit Häufigkeitsdaten irgendeiner Art arbeiten, warten die meisten davon auch auf Sie.

(Ein Begleitartikel, Sieben Arten, wie Namensdaten Sie belügen, behandelt die allgemeine Taxonomie. Dieser hier ist das Geständnis.)

1. Die Zombie-Statistik: Wir kalibrierten Vietnam auf einer Stichprobe von 1992

Was wir glaubten. Nguyễn wird von 38 % der Vietnamesen getragen. Wir behandelten dies nicht als Behauptung, die einer Überprüfung bedarf, weil es sich nicht wie eine Behauptung anfühlte — es fühlte sich wie Hintergrundwissen an. Wikipedia sagt es. Die Presse sagt es. Faker-Bibliotheken kodieren es. Ein so breiter Konsens liest sich wie ein Beleg.

Was wahr ist. Es ist eine Zahl, wiederholt. Folgt man der Zitationskette, endet sie in einer einzigen Stichprobe von Lê Trung Hoa aus dem Jahr 1992 — klein, Jahrzehnte alt und nachgelagert reproduziert, nicht weil sie gut ist, sondern weil sie die einzige veröffentlichte Zahl ist, die überhaupt jemand zitieren kann.

Drei große Stichproben widersprechen ihr, obwohl sie entgegengesetzte regionale Verzerrungen aufweisen:

Zwei in entgegengesetzte Richtungen verzerrte Stichproben, die innerhalb eines Prozentpunkts voneinander landen, ist nahezu entscheidend. Die tatsächliche Zahl liegt bei ungefähr 31 %.

Der Schaden war nicht kosmetisch. Eine Häufigkeitskurve wird am Anteil ihres obersten Eintrags kalibriert, sodass ein überhöhter Divisor die gesamte Verteilung staucht — jeder Rang im Land falsch, wegen einer einzigen Zahl, die niemand zu hinterfragen dachte.

Die Lehre. Wenn ein Anteil von allen zitiert wird und sich auf eine einzige kleine Primärquelle zurückverfolgen lässt, ist das keine Bestätigung — das ist ein einzelner Ausfallpunkt mit gutem SEO.

2. „~10 % der Isländer haben Nachnamen" — und es hätte fast eine korrekte Datei ruiniert

Dieser hier schmerzt, weil die Zahl falsch war und unsere Daten richtig waren und wir uns anschickten, unsere Daten zu ruinieren, um sie an die Zahl anzupassen.

Was wir glaubten. Island verwendet Patronyme, aber ungefähr 10 % der Isländer tragen vererbte Nachnamen (ættarnöfn) — Blöndal, Briem, Thorlacius, Möller, Zoëga. Unsere Datei enthielt 4,15 % davon. Das ist ein Fehlbetrag um den Faktor zwei. Es sah aus wie eine offensichtliche Lücke, die zu schließen war.

Was wahr ist. Hagstofa Íslands (1. Januar 2017) schlüsselt die Bevölkerung so auf:

Die „10 %" sind keine Messung. Sie sind 4 % + 14 %, zusammengeführt — jemand summierte zwei Zeilen, die Verschiedenes bedeuten. Die 14 % sind Nachnamen, die von Einwanderern und ihren Nachkommen getragen werden. Sie sind keine ættarnöfn, was eine spezifische Rechtskategorie ist: Gesetz nr. 54/1925 verbot die Schaffung neuer, ließ bestehende aber gültig und bis heute vererbbar.

Unsere Datei lag bei 4,15 % gegen einen wahren Wert von 4 %. Sie war korrekt, und wir waren im Begriff, sie zu einer 2,4-fachen Übertreibung zu „korrigieren".

Die Lehre. Eine Zahl zu verifizieren genügt nicht. Sie müssen verifizieren, was die Zahl zählt. „10 % haben Nachnamen" und „4 % haben ættarnöfn" sind beide wahre Sätze über Island, und nur einer von ihnen handelt von dem, was in Ihrer Datei steht.

(Eine verwandte Falle, der wir entgingen: Gesetz nr. 54/1925 ist jenes, das neue Nachnamen verbot. 41/1913 ist das gegenteilige Gesetz — jenes, das sie erlaubte. Die Ziffern liegen nahe genug beieinander, um sie versehentlich zu vertauschen, und die Bedeutung kehrt sich um.)

3. Zirkuläre Verifikation: ein Datensatz, zweimal gezählt

Was wir glaubten. Unsere ungarische Nachnamendatei gibt von Ethnonymen abgeleiteten Nachnamen — Tóth, Horváth, Németh, Oláh und ähnlichen — 8,20 % des Gesamtgewichts. Die akademische Schätzung von Farkas lautet „7–8 % des Nachnamenbestands". Unsere unabhängig erzeugte Zahl landete ein Fünftel Prozentpunkt außerhalb einer veröffentlichten wissenschaftlichen Zahl.

Wir verbuchten dies als unabhängige Bestätigung. Es fühlte sich wie der stärkste Beleg im Audit an.

Was wahr ist. Es ist keine Bestätigung von irgendetwas. Unsere Gewichte sind an Registeranteilen kalibriert — unser Tóth sitzt bei 2,192 % gegen einen Registerwert von 2,19 %. Farkas entnimmt seine Zahlen demselben Register.

Es stimmen also nicht zwei Messungen überein. Es gibt einen Datensatz, zweimal gezählt, der dort ankommt, wo er begann. Die Übereinstimmung war garantiert, bevor wir hinsahen: Wäre unsere Zahl bei 8,20 % gegen eine Wahrheit von 3 % herausgekommen, hätte die Prüfung identisch bestanden. Sie kann gar nicht scheitern.

Dies ist der verführerischste Fehler auf der Liste, weil das Ergebnis von einem Erfolg nicht zu unterscheiden ist. Wir ertappten dasselbe Muster ein zweites Mal, unabhängig, im selben Audit.

Die Lehre. Wenn Ihre Zahlen aus Quelle X kalibriert sind, dann ist ihre Prüfung gegen X — oder gegen jede Arbeit, die X zitiert — eine Konsistenzprüfung, keine Verifikation. Nennen Sie es so. Echte Unabhängigkeit sieht aus wie Punkt 1: Quellen mit entgegengesetzten Verzerrungen, die dennoch konvergieren. Zwei Zeiger auf einen Datensatz sind ein Datensatz.

4. Träger versus Positionen: falsch um exakt den Faktor zwei

Was wir glaubten. García wird in Spanien von 2.915.761 Menschen getragen. Portugals zehn häufigste Nachnamen machen 45,7 % aus. Beide Zahlen stammen direkt aus Registern. Wir nutzten sie als Zielwerte.

Was wahr ist. Spanier und Portugiesen tragen zwei Nachnamen, sodass sich die Anteile über die gesamte Liste auf etwa 200 % summieren, nicht 100 — und unter dem Wort „Häufigkeit" verbergen sich zwei verschiedene Größen.

Für García klären es INEs eigene Spalten: 1.446.937 als erster Nachname und 2.915.761 über beide Positionen. Das sind keine konkurrierenden Schätzungen, sondern verschiedene Objekte, und welches Sie wollen, hängt davon ab, ob Ihr Datensatz einen Nachnamen trägt oder zwei.

Portugal zeigt dieselbe Aufspaltung: Top 10 = 45,7 % der Träger, aber 22,8 % der Positionen.

Sie zu verwechseln erzeugt keinen Rundungsfehler. Es erzeugt einen Zielwert, doppelt so groß wie die Realität, und dann wird alles Nachgelagerte verbogen, um eine Zahl zu erreichen, die nie erreichbar war. Unser eigenes Diagnosewerkzeug fiel darauf herein: mit einem Trägeranteil gefüttert, meldete es einen Defekt in der portugiesischen Datei, den es nicht gab.

Die Lehre. Bevor Sie irgendeine Nachnamenhäufigkeit aus einem Land mit zwei Nachnamen verwenden, klären Sie den Nenner. Sagt die Quelle es nicht und summieren sich die Anteile Richtung 200 %, dann sehen Sie Träger vor sich.

5. Hanja versus Hangul: 정 ist 鄭 und 丁

Was wir glaubten. Koreanische Nachnamen sind eine kleine, gut dokumentierte Menge. Unsere Datensätze sind in Hangul, Hanja-Anteilstabellen sind leicht zu finden, und die beiden beschreiben offensichtlich dieselbe Verteilung.

Was wahr ist. Hangul ist phonetisch; Hanja nicht. Die Silbe 정 entspricht zwei verschiedenen Nachnamen — 鄭 und 丁 — mit verschiedenen Abstammungslinien, zusammengefallen in einer Schriftform.

Die Folgen sind nicht subtil:

Diese Lücke von 1,9 Punkten ist kein Rauschen. Sie ist die Zusammenführung. Und sie verschiebt den Rang, nicht nur die Summen: in Hangul ist 정 = 4,84 % (鄭 + 丁 zusammen), was es über 최 mit 4,7 % setzt. Nimmt man die Hanja-Tabelle — die häufiger veröffentlichte —, sieht 鄭 allein kleiner aus, die Reihenfolge kippt, und man hat eine Datei, die Koreas Nachnamen falsch reiht, auf eine Weise, die kein Validator kennzeichnen wird.

Die Lehre. Wenn zwei Schriftsysteme Unterscheidungen unterschiedlich zusammenführen, ist „die Häufigkeit von X" undefiniert, bis Sie sagen, in welcher Schrift Sie gezählt haben. Wählen Sie jene, in der Ihre Daten tatsächlich geschrieben sind, und reparieren Sie nie eine Diskrepanz, die nur die andere Schrift ist, die spricht.

6. „Die Top 1.500 des Landes" sind nicht „unsere Liste von 1.500"

Was wir glaubten. Unsere französische Nachnamendatei hatte eine gestauchte Gewichtskurve. Die Referenz, nach der wir griffen: eine echte Top 1.500 Frankreichs läuft etwa 50:1 vom häufigsten Nachnamen zum seltensten. Unsere Datei hat rund 1.500 Einträge. Also ist 50:1 unser Zielwert.

Was wahr ist. Die beiden Dinge teilen eine Zahl und sonst nichts.

Frankreichs tatsächliche Top 1.500 ist ein zusammenhängender Block: Ränge 1 bis 1.500, und Rang 1.500 ist noch ein einigermaßen häufiger Nachname. Unsere Datei ist eine kuratierte Liste von 1.500 Einträgen, verstreut über die Ränge 1 bis 126.772 — die sehr häufigen, plus ein bewusster Griff in den tiefen Schwanz, wo ein Nachname landesweit vielleicht ein paar Dutzend Träger hat. Ihr eigenes tatsächliches Verhältnis ist 3.351:1.

Wir waren im Begriff, eine Kurve um rund 70× zu stauchen, weil zwei nicht verwandte Listen zufällig dieselbe Länge hatten.

Die Lehre. Messen Sie das Verhältnis zwischen dem obersten und dem seltensten Eintrag in Ihrer eigenen Datei, nie in einer erdachten Top-N des Landes. Eine kuratierte Liste und eine rangzusammenhängende Liste sind verschiedene Tiere, die dasselbe Größenetikett tragen.

7. „Seltsam" ist nicht „erfunden" — und umgekehrt

Dieser ist in Wahrheit zwei Fehler, die in entgegengesetzte Richtungen zeigen, in derselben Woche gemacht.

In der Ukraine waren wir im Begriff, echte Menschen zu löschen. Unser Backlog besagte, die ukrainische Nachnamendatei sei voll künstlicher Einträge, erzeugt aus produktiven Wortbildungsmustern statt aus einem Register, und müsse bereinigt werden. Der Verdacht war vernünftig — die Entstehungsgeschichte der Datei war genau das.

Dann zogen wir eine Stichprobe. Eine Zufallsziehung von n = 25 aus dem Schwanz ergab 0 künstliche Nachnamen. Соловʼяненко ist ein Opernsänger. Хомчак ist ein ehemaliger Oberbefehlshaber der Streitkräfte der Ukraine. Sie sitzen im selben Schwanz und sehen genauso sonderbar aus wie die Einträge, die wir entfernen wollten. An bewusst verdächtigen Kandidaten getestet, erzeugte das Kriterium „klingt seltsam" eine Falsch-Positiv-Rate von 21 %.

Der Kontext klärt es: Die Ukraine hat 707.685 einzigartige Nachnamen mit durchschnittlich etwa 64 Trägern je Name. Selten-und-seltsam ist dort keine Anomalie — es ist die Gestalt des Landes.

In Taiwan das Gegenteil. Unsere chinesische Nachnamenliste führte archaische zusammengesetzte Nachnamen direkt aus dem 百家姓, einem Text aus dem 11. Jahrhundert — ein Gedicht, kein Zensus. Gegen das Register des taiwanischen Innenministeriums geprüft, hatten 33 von ihnen null Träger. Gelöscht, korrekt.

Und dann die Falle in der Falle: 澹臺 sieht von der Art her identisch aus — archaisch, zusammengesetzt, derselbe Quelltext. Wir setzten es dem Anschein nach auf die Löschliste. Das Register führt es mit 2 Trägern. Es blieb.

Die Lehre. Die Variable ist nicht, wie offensichtlich der Defekt aussieht — in beiden Ländern sah er offensichtlich aus. Der Unterschied zwischen dem Bereinigen einer Datenbank und ihrem Ruinieren ist, ob ein Register pro Name existiert. Taiwan veröffentlicht Zählungen ohne Datenschutzschwelle, sodass Abwesenheit tatsächlich null bedeutet und Löschen eine Messung ist. Die Ukraine hat kein solches Register in dieser Tiefe, sodass Löschen zum Löschen nach Gehör verkommt — und einmal von fünf löschen Sie einen echten. Wenn Sie einen Zähler haben, vertrauen Sie ihm mehr als Ihrer Intuition. Wenn Sie keinen haben, ersetzen Sie ihn nicht durch Ihr Gehör.

8. Der Spiegeldefekt: Wir reparierten eine Seite und verschlimmerten es

Was wir taten. Schwedens Nachnamendatei fehlte ihre Migrationsschicht — eine echte, überprüfbare Lücke gegenüber dem SCB-Register, einschließlich Namen, die innerhalb der Top 100 des Landes rangieren. Wir fügten sie hinzu. Schlicht korrekte Arbeit.

Was geschah. Die Ausgabe wurde schlechter. Datensätze begannen, schwedische Vornamen mit neu hinzugefügten Nachnamen zu paaren — die klassische unplausible Mischung — und es fiel stärker auf als vor unserem Beginn.

Warum. Die Vornamen hatten dieselbe Lücke, und wir hatten nicht hingesehen. Eine Sondierung von 40 Markern gegen die männliche Vornamendatei fand drei Treffer — 0,22 % — und die weibliche Datei hatte null. Ahmed existierte in unseren Daten überhaupt nicht als Vorname.

Die unplausiblen Paarungen wurden also nicht durch das Hinzufügen von Nachnamen verursacht. Sie wurden dadurch verursacht, dass diese Nachnamen keine passenden Vornamen hatten, mit denen sie sich paaren ließen. Vor der Reparatur fehlten beide Seiten, und die Lücke war durch Symmetrie unsichtbar. Eine Seite zu reparieren führte das Problem nicht ein; es enthüllte es — und es zu enthüllen sah genau so aus, als hätte man es verursacht.

(Am selben Tag auf beiden Seiten geschlossen: die männliche Vornamenschicht ging von 0,22 % auf 2,98 %, die weibliche von 0 % auf 0,93 %.)

Die Lehre. Wenn zwei Datensätze verknüpft werden, kann ein in beiden vorhandener Defekt unsichtbar sein, und eine korrekte Reparatur der einen kann wie eine Regression aussehen. Reparieren Sie beide Seiten oder keine — und bevor Sie folgern, Ihre Reparatur habe etwas kaputtgemacht, prüfen Sie, ob sie bloß etwas offengelegt hat.

Der rote Faden durch alle acht

Stellt man sie nebeneinander, sind sie derselbe Fehler:

• 38 % und 31 % sind beide „die Häufigkeit von Nguyễn" — über verschiedene Stichproben.
• 10 % und 4 % sind beide „Isländer mit Nachnamen" — über verschiedene Kategorien.
• 8,20 % und 7–8 % sind beide „ungarische Ethnonym-Nachnamen" — über denselben Datensatz, zweimal gezählt.
• 2.915.761 und 1.446.937 sind beide „García in Spanien" — über Positionen versus Träger.
• 63,9 % und 65,8 % sind beide „Koreas Top 10" — über verschiedene Schriften.
• 50:1 und 3.351:1 sind beide „das Verhältnis einer Liste mit 1.500 Einträgen" — über verschiedene Listen.
• „Seltsam" bedeutet künstlich in Taiwan und normal in der Ukraine — über verschiedene Register.
• 0,22 % ist zugleich eine Reparatur und ein Defekt — je nach der anderen Seite der Verknüpfung.

Keine einzige davon ist eine falsche Zahl. Jede Zahl in diesem Artikel stimmt über irgendetwas. Sie sind nur falsch über das, wofür wir sie hielten — und der Fehler ist jedes Mal still, weil eine Zahl ohne beigefügte Definition ankommt.

Was die eigentliche Lehre ist, schlichter als jede der acht Geschichten: eine Zahl ohne expliziten Nenner, Stichprobe, Kategorie und Geltungsbereich ist keine Daten. Sie ist eine Ziffer. Die Arbeit besteht nicht darin, Zahlen zu finden — Zahlen sind reichlich und kostenlos. Die Arbeit besteht darin, festzustellen, was jede von ihnen zählt, und sich dann zu weigern, zwei davon zu vergleichen, bevor man es getan hat.

Wir hatten alle acht zuerst falsch und dann richtig. Auch den neunten werden wir falsch haben. Die einzige Verteidigung, die wir kennen, ist, die Definition jedes Mal neben die Zahl zu schreiben, damit die nächste Person etwas hat, dem sie widersprechen kann.

Daten mit Stand 2026-07-17

Alle Zahlen während eines Audits gewichteter Namenskorpora über 63 Sprachregionen verifiziert. ⚠ Der Korpus umfasste 63 Sprachregionen, als diese Zahlen gemessen wurden; en_IE wurde am 18. Juli 2026 hinzugefügt, und heute umfasst er 64. Jeder hier beschriebene Fehler ist einer, den wir an jenem Datum machten und korrigierten.

• Vietnam: hoten.org VNTH01 (n = 1.682.729) und SG01 (n ≈ 241.000, Hồ-Chí-Minh-Stadt), CC BY 4.0 wie im Seitentext erklärt; Nguyen Viet Khoa (2024), „Vietnamese Surnames", Genealogy 8(1):16, n = 883.835 → 31,57 %, Hanoi 39,01 % vs. HCMC 30,61 %. <doi.org/10.3390/genealogy80100…; — Gegen die Lê-Trung-Hoa-Stichprobe von 1992 verglichen. ⚠ Der oft zitierte Umfang jener Stichprobe (n = 1.941) stammt aus unseren Arbeitsnotizen, und wir konnten ihn nicht bestätigen: Die Sekundärliteratur reproduziert ihre 38,4 %, ohne Stichprobenumfang oder Methodik anzugeben. Die Schlussfolgerung, dass 38 % eine Zombie-Zahl ist, ruht auf den drei großen Stichproben oben, nicht auf dieser Zahl.
• Island: Hagstofa Íslands, 1. Januar 2017 — 4 % ættarnöfn, 82 % Patronyme, 14 % andere (großteils fremder Herkunft). Rechtlicher Hintergrund: Gesetz nr. 54/1925 (verbot neue Nachnamen), 41/1913 (erlaubte sie), später 37/1991 und 45/1996. <statice.is/&gt;
• Ungarn: Ethnonym-Anteil 8,20 % des Dateigewichts; registerkalibriert (Tóth 2,192 % vs. Register 2,19 %); Farkas' „7–8 % des Nachnamenbestands" leitet sich aus demselben Register ab. Hier als Konsistenzprüfung angeführt, nicht als Verifikation.
• Spanien: INE, Frecuencias de apellidos, Censo mit Stand 01.01.2025 — García 1.446.937 als erster Nachname; 2.915.761 über beide Positionen. <ine.es/daco/daco42/nombyapel/…;
• Portugal: Top 10 = 45,7 % der Träger / 22,8 % der Positionen.
• Korea: Top 10 = 63,9 % nach Hanja, 65,8 % nach Hangul; 정 = 4,84 % (鄭 + 丁) vs. 최 = 4,7 %. Anteile gegen ~49,7 Millionen Staatsbürger berechnet, nicht gegen die Gesamtbevölkerung.
• Frankreich: kuratierte Datei über die Ränge 1–126.772; internes Verhältnis 3.351:1 vs. ~50:1 für eine rangzusammenhängende Top 1.500.
• Ukraine: reproduzierbare Zufallsstichprobe n = 25 (Ziehung 20260717) aus dem gewichtsniedrigen Schwanz einer Nachnamendatei mit 2.209 Einträgen; 0 künstlich. Nachweislich künstliche Einträge in der ganzen Datei: ~2–10. Der ukrainische Korpus wurde seither neu gebaut und umfasst nun 2.562 registergewichtete Einträge. Länderkontext: 707.685 einzigartige Nachnamen, ~64 Träger je Name. Kein Register pro Name wird in dieser Tiefe veröffentlicht (ridni.org, forebears.io und stats.ridni.org bieten keinen herunterladbaren Datensatz; die Literatur veröffentlicht nur die Top 100).
• Taiwan: Nachnamenregister des Innenministeriums (2.731 Nachnamen mit Zählungen pro Name) — 33 Einträge ohne Träger entfernt; 澹臺 mit 2 Trägern behalten. <data.gov.tw/dataset/126774&gt;
• Schweden: SCB-Register — Nachnamen (411.798 Einträge, die 96,1 % der Bevölkerung abdecken) und tilltalsnamn-Vornamen mit Stand 31. Dezember 2022. Migrationsschicht bei männlichen Vornamen 0,22 % → 2,98 %; weiblich 0 % → 0,93 %. <scb.se/en/finding-statistics/…;

Wo eine Zahl ein Zielwert, eine Schätzung oder unbestätigt ist, ist sie oben als solche gekennzeichnet.