Foto: solarseven - shutterstock.com
Daten waren nie wertvoller als heute - umso wichtiger ist es vor allem für Unternehmen, sie gewinnbringend nutzen zu können. Dabei unterstützt unter anderem die Datenvisualisierung.
Data Visualization - Definition
Data Visualization bezeichnet die Präsentation von Daten in einem grafischen Format. Durch die visuelle Aufbereitung wird das Datenrauschen reduziert, wodurch Extremwerte und Datenmuster besser zu erkennen sind. So kann Datenvisualisierung Entscheidungsträger dabei unterstützen, Trends besser einzuordnen und auf dieser Grundlage datengetriebene Entschlüsse zu fassen.
Dabei bietet Data Visualization nicht nur Vorteile für Entscheider. Auch alle anderen Mitarbeiter werden durch die leicht konsumierbare Form, in der die Daten präsentiert werden, befähigt, schneller informierte Entscheidungen zu treffen. Darüber hinaus können Datenvisualisierungen auch dazu beitragen, bestimmte Insights besser kommunizieren und voneinander unabhängige Variablen miteinander verknüpfen zu können.
Datenvisualisierung - Typen
Es gibt zahllose Möglichkeiten, Daten zu visualisieren. Laut "The Datalabs Agency" lassen sich diese in zwei wesentliche Kategorien einordnen:
Explorative Visualisierungen (Explorative Visualizations) helfen dabei, zu verstehen, was Daten aussagen.
Erklärende Visualisierungen (Explanation Visualizations) erzählen eine Geschichte auf Grundlage von Daten.
Zu den gängigsten - spezifischen - Datenvisualisierungstypen zählen:
2D-Visualisierungen sind typischerweise raumbezogen - beispielsweise Kartogramme, die Auskunft über Bevölkerungsdichte oder Reisezeit geben.
Temporale Visualisierungen sind eindimensional beziehungsweise linear und verfügen über einen Start- und Endpunkt. Beispiele für diese Art der Data Visualization sind etwa Zeitreihen, die Daten wie Webseiten-Visits pro Tag oder Monat darstellen oder Gantt-Diagramme, die Projektzeitpläne abbilden.
Multidimensionale Visualisierungen präsentieren Daten mit zwei oder mehr Dimensionen. Dazu gehören beispielsweise Kuchen- und Streudiagramme oder Histogramme.
Hierarchische Visualisierungen geben Auskunft über die Relationen von Gruppen. Baumdiagramme wären ein Beispiel für diesen Typ.
Netzwerk-Visualisierungen zeigen, wie Datensets innerhalb eines Netzwerks miteinander in Verbindung stehen. Netzwerk-Graphen, die Datenpunkte und Verbindungslinien nutzen, zählen beispielsweise zu diesem Visualisierungstyp.
Data Visualization - Tools
Für Data Visualization stehen diverse Applikationen, Tools und Skripte zur Verfügung. Zu den populärsten gehören unter anderem:
Datenvisualisierung - Beispiele
Es gibt einige prominente Beispiele für Datenvisualisierungen. Ein frühes Beispiel ist das 1869 veröffentlichte Sankey-Diagramm des französischen Bauingenieurs Charles Joseph Minard. Es veranschaulicht Napoleons Russlandfeldzug aus dem Jahr 1812 und bezieht dabei unter anderem Position und Marschrichtung der Truppen, die Truppenstärke und die Temperaturen mit ein:
Die vom englischen Mediziner John Snow erstellte Datenvisualisierung aus dem Jahr 1854 sollte dabei helfen, den Cholera-Ausbruch in London im selben Jahr besser verstehen zu können. Sie gibt Aufschluss über die am stärksten von der Seuche betroffenen Haushalte und trug letztendlich dazu bei, die Quelle des Ausbruchs zu ermitteln - nämlich durch Abwasser verschmutzte Grundwasserquellen:
Ein modernes Beispiel für Datenvisualisierung ist etwa auf der Webseite "The Pudding" zu finden. Die Visualisierungen von Hanah Anderson und Matt Daniels illustrieren die Ungleichheit der Geschlechter in der Popkultur und nutzen dazu Daten aus Drehbüchern von 2.000 Filmen, um die jeweils von männlichen und weiblichen Charakteren gesprochenen Dialogzeilen zu analysieren.
Der Softwareanbieter Tableau bietet auf seiner Webseite einen gelungenen Überbick über die "10 besten Beispiele für Datenvisualisierungen".
Data Visualization - Jobs
Datenvisualisierungen in Unternehmen können Teil verschiedener Job-Rollen sein, die mit Data Analytics in Zusammenhang stehen. Dazu zählen beispielsweise:
Data Visualization Specialists und
BI-Analysten.
Dieser Beitrag basiert auf einem Artikel unserer US-Schwesterpublikation CIO.com.