Turning Data into Publishable Science
“In God we trust. All others must bring data.”
– W. Edwards Deming
Von Daten zur Publikation. Verständlich. Robust. Reproduzierbar.
Statistische Unterstützung für Forschung mit Publikationsanspruch
Wenn Unsicherheit bei statistischen Methoden besteht
Wenn Sie Ihre – auch KI-generierten – Methoden, Konzepte oder Codes professionell überprüfen lassen möchten…
Wenn Reviewer Ihres Manuskripts neue Analysen fordern oder komplexe statistische Fragen stellen...
Bei Steinlach Data Science and Consulting UG (haftungsbeschränkt) bieten wir statistische Unterstützung vor allem für klinische Forschungsprojekte – aber auch für Vorhaben aus den Sozialwissenschaften, der Biologie und interdisziplinären akademischen Bereichen. Ob Publikation, Doktorarbeit oder Habilitation – wir wissen, was nötig ist, um datenbasierte Forschung erfolgreich zur Veröffentlichung zu bringen.
Wer sind wir?
Wir sind ein neu gegründetes Data-Science-Start-up mit Sitz im Landkreis Tübingen. Unsere Leidenschaft gilt der wissenschaftlich fundierten, verständlichen und publizierbaren Statistik. Unser Team besteht nicht nur aus Statistikbegeisterten, sondern auch aus Ärzt:innen und Wissenschaftler:innen, die den realen Druck des akademischen Publizierens kennen. Wir leben selbst im Spannungsfeld von publish or perish – und sind dadurch optimal aufgestellt, um als Schnittstelle zwischen komplexen statistischen Methoden und der Klarheit zu fungieren, die für hochrangige Publikationen erforderlich ist.
Unsere Einstellung gegenüber magischen p-Werten
Wir denken über die klassische frequentistische Statistik hinaus. Wenn der „magische p = 0,05“-Wert einmal nicht erreicht wird, ist für uns nicht Schluss – im Gegenteil: Wir ergänzen klassische Verfahren durch moderne Ansätze wie baumbasierte Modelle oder Bayes’sche Statistik. Durch diese Kombination aus traditionellen und innovativen Methoden ermöglichen wir nicht nur eine tiefere Interpretation der Daten, sondern erfüllen auch die sich wandelnden Anforderungen wissenschaftlicher Journals.
Unser Ziel
Unser Ziel ist es, Ergebnisse nicht nur statistisch korrekt, sondern auch wissenschaftlich relevant und publizierbar zu machen – selbst dann, wenn die Daten nicht den Erwartungen entsprechen. In einer Zeit, in der sich die Regeln des wissenschaftlichen Publizierens schnell verändern, setzen wir auf Reproduzierbarkeit, Transparenz und Substanz.
“If you torture the data long enough, it will confess to anything.”
– Ronald Coase
Unsere Schwerpunkte
Deskriptive Statistik – solide Basis statt bloße Aufzählung
Die Grundlage jeder guten Analyse ist ein durchdachter Überblick über die Daten.
Wir helfen Ihnen, Ihre Variablen sinnvoll zu beschreiben, Gruppen vergleichbar darzustellen und erste Hypothesen fundiert zu prüfen – mit aussagekräftigen Tabellen, klaren Visualisierungen und passenden Tests.
Ob Mittelwert oder Median, ob t-Test oder Mann-Whitney – wir setzen nicht einfach Routinen um, sondern wählen Methoden, die zu Ihren Daten und Ihrer Fragestellung passen.
Modellierung mit Augenmaß – jenseits von „Black Box“
Ob Regressions- oder Machine-Learning-Modelle: Wir helfen bei Auswahl, Entwicklung und Validierung – mit Fokus auf Transparenz, Nachvollziehbarkeit und Publizierbarkeit.
Denn ein gut verständliches, sauber kalibriertes Modell ist oft mehr wert als jede Black Box.
Unser Ziel: Modelle, die Sie verstehen – und die man veröffentlichen kann.
KI-Ergebnisse validieren – statt blind vertrauen
Künstliche Intelligenz bietet neue Chancen in der Forschung – bringt aber auch Risiken, wenn Ergebnisse unkritisch übernommen werden.
Wir helfen Ärzt:innen und Wissenschaftler:innen, KI-Analysen einzuordnen, zu validieren und wissenschaftlich sinnvoll zu nutzen.
Dank unserer Kombination aus medizinischem Hintergrund und statistischer Expertise sorgen wir dafür, dass KI-Ergebnisse nicht nur beeindrucken, sondern auch belastbar und publizierbar sind.
Dr. Mihaly Sulyok, PhD
Gründer und Geschäftsführer
Schon während meines Medizinstudiums wurde mir im wissenschaftlichen Kontext klar: Ohne Statistik ist wissenschaftliche Forschung kaum möglich. Fundierte methodische Unterstützung war jedoch oft schwer zugänglich. Kolleg:innen und Mentor:innen konnten häufig nur begrenzt weiterhelfen – nicht aus mangelndem Interesse, sondern weil statistische Methoden in vielen Fachbereichen nur am Rande vermittelt werden.
Meine erste pragmatische Lösung bestand darin, vergleichbare wissenschaftliche Publikationen zu analysieren, statistische Ansätze nachzuvollziehen und diese eigenständig in SPSS zu reproduzieren.
Im weiteren Verlauf meiner wissenschaftlichen Tätigkeit im Bereich klinischer Studien wurde dieses Problem noch deutlicher. Immer wieder zeigte sich, dass Projekte weniger an Ideen als an methodischen Herausforderungen scheiterten – und dass ein großer Bedarf an reproduzierbaren, datengetriebenen Analyseansätzen besteht.
Dies führte zu einer intensiven Vertiefung in Statistik und Programmierung, insbesondere mit R und Python, und zu einer zunehmenden Spezialisierung auf datenwissenschaftliche Methoden.
Auf diesem Weg begegnete ich hervorragenden Statistiker:innen und Data Scientists mit beeindruckender methodischer Expertise, jedoch oft ohne Einblick in die praktischen Abläufe wissenschaftlicher Forschung. In der Zusammenarbeit trafen unterschiedliche Denkweisen aufeinander, was Projekte unnötig verkomplizieren konnte.
Genau hier setzt die Steinlach Data Science and Consulting UG (haftungsbeschränkt) an:
Wir unterstützen Forschungs- und Entwicklungsprojekte durch transparente, reproduzierbare und methodisch fundierte Datenanalysen. Ziel ist es, komplexe statistische Verfahren verständlich aufzubereiten und wissenschaftliche Projekte methodisch zu stärken.
Die dargestellten Qualifikationen beschreiben den wissenschaftlichen Hintergrund des Geschäftsführers und begründen kein Angebot ärztlicher oder heilkundlicher Leistungen.
