Was ist Datenvisualisierung?

Die früheste Form der Datenvisualisierung geht auf die alten Ägypter vor dem 17. Jahrhundert v. Chr. zurück und wurde hauptsächlich zur Unterstützung der Navigation verwendet. Im Laufe der Zeit nutzten die Menschen Datenvisualisierungen für breitere Anwendungen, z. B. in den Bereichen Wirtschaft, Soziales und Gesundheit. Besonders erwähnenswert ist das von Edward Tufte veröffentlichte Werk „The Visual Display of Quantitative Information“ (Link befindet sich außerhalb von ibm.com) aus dem Jahr 1983, welches veranschaulicht, wie sich Daten mithilfe von Datenvisualisierung effektiver darstellen lassen. Dieses Buch ist nach wie vor aktuell, insbesondere da Unternehmen Dashboards zur Echtzeit-Berichterstattung ihrer Leistungsmetriken nutzen. Dabei handelt es sich um effektive Datenvisualisierungstools zur Verfolgung und Darstellung von Daten aus unterschiedlichen Datenquellen, die einen Einblick in die Auswirkungen bestimmter Verhaltensweisen und Aktionen eines Teams oder eines Nachbarteams auf die Leistung bieten. Dashboards umfassen gängige Visualisierungstechniken wie:

• Tabellen: Diese bestehen aus Zeilen und Spalten, die zum Vergleich von Variablen verwendet werden. Tabellen können eine große Menge an Informationen auf strukturierte Weise darstellen, aber sie können auch Benutzer überfordern, die einfach nur nach übergeordneten Trends suchen. Anders ausgedrückt: Tabellen eignen sich hervorragend zum Speichern großer Datenmengen, gleichzeitig aber weniger intuitiv für menschliche Betrachter – insbesondere, weil sie inhaltlich umfassend und weniger visuell sind.

• Kreisdiagramme und gestapelte Balkendiagramme: Diese Diagramme sind in Abschnitte unterteilt, die Teile eines Ganzen darstellen. Sie bieten eine einfache Möglichkeit, Daten zu organisieren und die Größe der einzelnen Komponenten miteinander zu vergleichen. Hier zeigt sich ein klarer Vorteil gegenüber Tabellen: Kreis- und Balkendiagramme sind intuitiv verständlich, da unser Gehirn leicht Verbindungen zwischen großen Balken oder Anteilen und großen Werten herstellen kann. Gleichzeitig ist die Informationsdichte deutlich geringer, als sie es bei Tabellen häufig ist.

• Liniendiagramme und Flächendiagramme: Diese Diagramme zeigen Veränderungen in einem oder mehreren Werten durch die grafische Darstellung einer Reihe von Datenpunkten im Zeitverlauf. Sie werden häufig in vorausschauenden Analysen verwendet. Liniendiagramme nutzen – wie es der Name bereits verrät – Linien, um diese Veränderungen darzustellen, während Flächendiagramme Datenpunkte mit Liniensegmenten verbinden, Variablen übereinander legen und Farben einsetzen, um zwischen Variablen zu unterscheiden. Diese Art von Diagrammen bietet den Vorteil, dass sie eine uns sonst häufig verborgene Variable klar sichtbar machen kann: die Zeit. So lassen sich komplexe Veränderungen kompakt und eingängig darstellen. Während zeitliche Entwicklungen tatsächlich zu den häufigsten Einsatzfällen dieser Diagramme gehören, sollte dennoch auch bedacht werden, dass sie bei Weitem nicht darauf beschränkt sind – die Achsen können auch problemlos andere Variablen abbilden.

• Histogramme: Dieses Diagramm stellt die Verteilung von Zahlen mithilfe eines Balkendiagramms (ohne Zwischenräume zwischen den Balken) dar, um Datenmengen zu repräsentieren, die in einen bestimmten Bereich fallen. Diese Darstellung macht es dem Endbenutzer leicht, Ausreißer innerhalb eines bestimmten Datensatzes zu erkennen. Mit einem Histogramm kann beispielsweise die Marketingabteilung feststellen, welcher Altersgruppen besonders von einer Kampagne angesprochen werden. Doch auch zahlreiche andere Unternehmensbereiche profitieren davon, Verteilungen auf eine klare Weise zu visualisieren.

• Streudiagramme: Diese Diagramme sind nützlich, um die Beziehung zwischen zwei Variablen aufzuzeigen. Sie werden häufig bei der Regressionsdatenanalyse verwendet. Streudiagramme können jedoch auch mit Blasendiagrammen verwechselt werden, mit denen drei Variablen über die X-Achse, die Y-Achse und die Größe der Blase visualisiert werden. Mit Streudiagrammen lässt sich leicht erkennen, in welchen Bereich sich bestimmte Werte konzentrieren. So entstehen Cluster oder lineare Strukturen auf dem Diagramm, aus denen sich neue Erkenntnisse über wichtige Zusammenhänge gewinnen lassen.

• Heatmaps: Diese Grafiken helfen bei der Visualisierung von Verhaltensdaten nach Standort. Dies kann ein Ort auf einer Karte oder auch eine Webseite sein. Hier werden höhere und niedrige Werte mithilfe einer farblichen Abstufung dargestellt, aus der sich leicht Tendenzen erkennen lassen. Dies funktioniert sowohl durch das Einfärben von Werten in Tabellen als auch durch die Verwendung tatsächlicher Karten. So lässt sich beispielsweise die Bevölkerungsdichte eines Landes oder die Verteilung von Sportlern bei einem Fußballspiel visualisieren.

• Treemaps: Bei Treemaps werden hierarchische Daten als eine Reihe verschachtelter Formen – in der Regel Rechtecke – dargestellt. Dies eignet sich hervorragend, um die Proportionen zwischen Kategorien anhand ihrer Flächengröße zu vergleichen. Ein typisches Beispiel ist die Visualisierung des Beitrags der Produkte eines Unternehmens (von groben Produktkategorien bis hin zu detaillierten Einzelprodukten) zu seinem Gesamtumsatz. Treemaps sind auch eine beliebte Lösung, um den Anteil einzelner Aktien innerhalb ihrer jeweiligen Branchen und Kategorien am gesamten Marktvolumen einer Börse darzustellen.

Der Zugriff auf Datenvisualisierungstools war nie so einfach wie heute. Open-Source-Bibliotheken wie D3.js bieten Analysten die Möglichkeit, Daten interaktiv darzustellen, um eine breitere Zielgruppe mit neuen Daten anzusprechen. Zu den beliebtesten Open-Source-Visualisierungsbibliotheken gehören:

• D3.js: Dies ist eine Front-End JavaScript-Bibliothek zur Erstellung dynamischer, interaktiver Datenvisualisierungen in Webbrowsern. D3.js (Link befindet sich außerhalb von ibm.com) verwendet HTML (zur Strukturierung von Website-Elementen), CSS (zur Bestimmung des optischen Erscheinungsbilds dieser Elemente) und SVG (zur Einbindung von skalierbaren Vektorgrafiken). So lassen sich visuelle Darstellungen von Daten erstellen, die in jedem Browser angezeigt werden können. Zudem bietet die Bibliothek auch Funktionen für Interaktionen und Animationen.

• ECharts: ECharts: Eine leistungsstarke Diagramm- und Visualisierungsbibliothek, die eine einfache Möglichkeit bietet, intuitive, interaktive und hochgradig anpassbare Diagramme zu Produkten, Forschungsarbeiten, Präsentationen etc. hinzuzufügen. ECharts (Link befindet sich außerhalb ibm.com) basiert auf JavaScript und ZRender, einer schlanken Canvas-Bibliothek.

• Vega: Vega (Link befindet sich außerhalb von ibm.com) definiert sich selbst als „Visualisierungsgrammatik“ und bietet Unterstützung für die Anpassung von Visualisierungen großer Datensätze, die über das Internet zugänglich sind. 

• deck.gl: Dies ist ein Teil der Open Source Visualisierungsframework-Suite von Uber. deck.gl (Link befindet sich außerhalb von ibm.com) ist ein Framework, das für die explorative Datenanalyse zu Big Data verwendet wird. Es hilft beim Aufbau einer leistungsstarken GPU-basierten Visualisierung im Web.

Mit der Vielfalt an verfügbaren Tools zur Datenvisualisierung hat leider auch die Häufigkeit ineffektiver Datenvisualisierungen zugenommen. Die visuelle Kommunikation sollte einfach und durchdacht sein, um sicherzustellen, dass Ihre Datenvisualisierung Ihrer Zielgruppe zu den gewünschten Erkenntnissen oder Schlussfolgerungen verhilft. Die folgenden Best Practices können Ihnen bei der Erstellung einer nützlichen und klaren Datenvisualisierung helfen:

Definieren Sie den Kontext: Es ist wichtig, allgemeine Hintergrundinformationen bereitzustellen, um der Zielgruppe zu vermitteln, warum bestimmte Datenpunkte wichtig sind. Wenn E-Mails beispielsweise eine unterdurchschnittliche Öffnungsrate aufwiesen, möchten Sie möglicherweise veranschaulichen, wie die Öffnungsrate eines Unternehmens im Vergleich zur gesamten Branche abschneidet. So kann effektiv aufgezeigt werden, dass das Unternehmen in diesem Marketingkanal ein Problem hat. Um einen Handlungsimpuls zu setzen, muss die Zielgruppe verstehen, wie die aktuelle Leistung im Vergleich zu greifbaren Daten wie einem Ziel, einem Benchmark oder anderen wesentlichen Leistungsindikatoren (KPIs) abschneidet.

Erkunden Sie Ihre Zielgruppe(n): Überlegen Sie, für wen Ihre Visualisierung konzipiert ist, und stellen Sie dann sicher, dass Ihre Datenvisualisierung den Bedürfnissen dieser Zielgruppe entspricht. Was möchte sie erreichen? Welche Art von Fragen interessiert sie? Geht Ihre Visualisierung auf die Bedenken der Zielgruppe ein? Ihr Ziel sollte sein, dass die von Ihnen bereitgestellten Daten die Mitarbeiter motivieren, im Rahmen ihrer Tätigkeit zu handeln. Wenn Sie sich nicht sicher sind, ob die Visualisierung eindeutig ist, präsentieren Sie diese einer oder zwei Personen aus Ihrer Zielgruppe, um Feedback zu erhalten, damit Sie vor einer weiteren Präsentation zusätzliche Änderungen vornehmen können.

Wählen Sie eine effektive Visualisierung aus: Spezifische visuelle Darstellungen sind für bestimmte Typen von Datensätzen konzipiert. So stellen beispielsweise Streudiagramme die Beziehung zwischen zwei Variablen gut dar, während sich Liniendiagramme besonders gut für Zeitreihendaten eignen. Anhand der oben beschriebenen Charakterisierungen der Visualisierungstypen können Sie die passende Form für Ihre Daten und Ziele wählen. Stellen Sie sicher, dass die visuelle Darstellung der Zielgruppe tatsächlich hilft, Ihre wichtigsten Aussagen zu verstehen. Eine falsche Anordnung von Diagrammen und Daten kann das Gegenteil bewirken und Ihre Zielgruppe weiter verwirren, anstatt für Klarheit zu sorgen.

Halten Sie es einfach: Mit Datenvisualisierungstools können Sie Ihrer Darstellung ganz einfach alle möglichen Informationen hinzufügen. Aber Vorsicht: Nur weil Sie es können, heißt das nicht, dass Sie es auch tun sollten! Bei der Datenvisualisierung sollten Sie sehr bewusst mit den zusätzlichen Informationen umgehen, die Sie hinzufügen, um die Aufmerksamkeit der Benutzer zu fokussieren. Benötigen Sie beispielsweise Beschriftungen auf jedem Balken Ihres Balkendiagramms? Vielleicht brauchen Sie nur ein oder zwei, um Ihren Standpunkt zu verdeutlichen. Benötigen Sie eine Vielzahl von Farben, um Ihre Idee zu kommunizieren? Verwenden Sie Farben, die für eine Vielzahl von Zielgruppen zugänglich sind (z. B. für farbenblinde Personen in der Zielgruppe)? Entwerfen Sie Ihre Datenvisualisierung, um eine maximale Wirkung zu erzielen, indem Sie Informationen auslassen, die keine oder nur eine sehr geringe Relevanz aufweisen und Ihre Zielgruppe ablenken könnten.