Malen mit Zahlen

Daten im neuen Look

Praxis & Tipps | Praxis

Überall wachsen die Datenberge, Informationen gibt es im Überfluss – Erkenntnisse stellen sich aber oft erst ein, wenn man Kennzahlen ganz unterschiedlicher Kategorien kombiniert. Moderne Visualisierungen sorgen für den Überblick und helfen, verborgene Zusammenhänge zu entdecken.

Das Diagramm hatte es nicht leicht in den vergangenen Jahren. Mit Excel & Co. konnte jeder Anwender im Nu eine Handvoll Zahlen zu 3D-Torten oder animierten Säulen zusammenklicken. Schön sah das nur selten aus. Wer zu viele Zahlen in ein Diagramm packte oder diese in einer ungünstigen Reihenfolge anordnete, sorgte gar für Verwirrung statt für Klarheit. Doch in der jüngeren Vergangenheit wurden neue Visualisierungen und Diagrammtypen entwickelt, die selbst gigantische Zahlenberge problemlos in gut erfassbare Grafiken übersetzen.

Informationsdesigner wie Nathan Yau (flowingdata.com, [1]) oder David McCandless (davidmccandless.com, [2]) sehen sich als Pioniere bei der visuellen Erkundung der Datenschätze. Sie spielen in ihren Diagrammen mit Kurven, Rechtecken und Farben und ziehen den Betrachter geschickt in den Bann der Zahlen. Ihre Grafiken erinnern eher an Kunst als an dröge Firmenbilanzen. Vor allem die neuen Darstellungsformen sind es, die beeindrucken: Tree Map statt Tortendiagramm lautet die Parole – oder Bubble Cluster statt Balken-Chart.

Die neuen Visualisierungen sollen Daten nicht nur attraktiver und verständlicher machen. Viele bringen auch Daten ganz unterschiedlicher Kategorien unter einen Hut und setzen mehrere Informations-Dimensionen simultan ins Bild. Im Folgenden wollen wir Ihnen mit ein paar Highlights Appetit auf Infografiken neuen Stils machen und anschließend beleuchten, wofür sich welcher Diagrammtyp eignet. Im Praxis-Artikel ab Seite 110 erfahren Sie dann, wie Sie solche Visualisierungen neuen Stils selbst erstellen können, um damit zum Beispiel Ihre Präsentation und Ihren Internetauftritt aufzupeppen.

Baum der Erkenntnis

Der Londoner Grafiker McCandless wurde mit dem „Billion Dollar Gram“ bekannt, das die Kosten des Irak-Kriegs, den Verteidigungshaushalt der USA und den Börsenwert von Google als bunte, ineinander verschachtelte Rechtecke darstellt. Die Rechtecke sind unterschiedlich groß, je nachdem, wie viele Milliarden Dollar sie repräsentieren.

Diese Darstellungsform ist hierarchisch gegliedert und heißt deshalb auch Baumdiagramm (englisch Tree Map). Auf der Webseite der Dow-Jones-Tochter Marketwatch.com findet man zum Beispiel eine interaktive Tree Map börsennotierter Unternehmen: Hier repräsentiert die Rechteckgröße die jeweilige Marktkapitalisierung, die Farbe die Kursentwicklung. Mit einem Klick öffnen sich Detailinformationen zu jeder einzelnen Firma. In diesem Beispiel wird der Vorteil eines Baumdiagramms offensichtlich: Der Betrachter erkennt auf einen Blick Relationen zwischen einzelnen Posten, selbst wenn es Dutzende sind und diese sich um den Faktor 10 oder 100 unterscheiden.

Wie ästhetisch Datenvisualisierungen sein können, zeigen die Arbeiten des Berliner Infografikers Gregor Aisch (driven-by-data.net). Seine kreisförmige Darstellung der Parteispenden etwa offenbart, woher die Parteien ihre Zuwendungen erhalten. Jede Spende ab 50 000 Euro von Einzelpersonen oder Unternehmen ist als einzelne Linie eingezeichnet. Wie man sieht, haben manche Parteien nur wenige Gönner, die FDP hingegen verfügt über ein weit verzweigtes Spendernetzwerk.

Dass selbst ein Roman Stoff für ein Diagramm liefern kann, zeigt Mike Bostock (bost.ocks.org): Der Infografiker der New York Times hat aus Victor Hugos Roman „Les Misérables“ eine Personenmatrix extrahiert. Bostock hebt Figurenkombinationen farblich hervor, wenn zwei Personen gemeinsam in einem Kapitel auftauchen. Je dunkler eine Zelle gefärbt ist, desto häufiger werden die beiden Charaktere in einem Kapitel genannt. Die Darstellung enthüllt das Beziehungsgeflecht der Romanfiguren.

Keine Frage, das Ganze ist in erster Linie eine Spielerei und kann eine literarische Analyse nicht ersetzen. Aber die Visualisierung vermittelt tatsächlich Informationen: Der Hauptheld Valjean beispielsweise wird häufig gemeinsam mit vielen anderen Personen genannt – aber längst nicht allen begegnet er im Lauf der Geschichte.

Die Idee, Zahlen durch Farben dazustellen, nutzen auch sogenannte Heatmaps. Der Begriff wird für verschiedene Diagrammtypen verwendet, zum Beispiel auch für Landkarten, die gemäß der Temperaturverteilung eingefärbt werden, um die Entwicklung des Weltklimas zu visualisieren. Aufschlussreich sind auch Heatmaps, die die Positionen eines Fußballspielers über 90 Minuten zusammenfassen. Spiegel Online etwa zeigt solche Darstellungen regelmäßig für einzelne Spieler. Die Karten verraten, wo zum Beispiel Arjen Robben überall seine Runden gedreht hat – und welche Ecken des Spielfeldes er kein einziges Mal betreten hat. Solche Darstellungen zeigen, wie Software helfen kann, unübersichtliche Zahlenberge so darzustellen, dass der Mensch binnen kurzer Zeit wesentliche Zusammenhänge darin erkennt. Sie haben dazu beigetragen, dass Datenvisualisierungen mittlerweile als cool gelten.

Datenkomplex

Die meisten Anwender greifen zu Standardsoftware wie Excel oder Numbers, wenn sie Informationen in einem Diagramm darstellen möchten. In vielen Fällen, vor allem bei einfach strukturierten Daten, ist das sicher keine schlechte Lösung. Schließlich versteht der Betrachter klassische Darstellungsformen wie Linien, Balken oder Torten auf Anhieb, sie sind gelernt.

Trotzdem gibt es gute Argumente dafür, neue, auch ungewohnte Visualisierungen einzusetzen. Alleine schon, weil sie mehr Aufmerksamkeit generieren und somit kommunikativer sind, wie der Hamburger Designexperte Reinhard Schulz-Schaeffer erklärt. „Im Internet wird viel mit neuen Darstellungsformen experimentiert, das finde ich gut.“

Baumdiagramme oder Heatmaps sind aber weit mehr als bloße Eyecatcher. Sie wurden entwickelt, weil man sie brauchte. „Die darzustellenden Daten sind immer komplexer geworden“, sagt der Informatiker Hans-Jörg Schulz von der Universität Rostock. Herkömmliche Balken- oder Liniendiagramme reichten dann für eine Visualisierung nicht mehr aus.

Natürlich hat auch die zunehmende Digitalisierung der Welt die Entwicklung neuer Zahlenillustrationen befördert. Anfangs waren es vor allem professionelle Grafiker und Programmierer, die sich an neuen Formen ausprobierten. Inzwischen sind JavaScript-Bibliotheken wie D3.js und Programmiersprachen wie R verfügbar, mit denen im Grunde jedermann moderne Diagramme basteln kann.

Solche Visualisierungen bilden auch die Grundlage von Visual Analytics. Dabei nutzen Anwender Software, um Datenberge quasi mit den eigenen Augen zu erkunden. Der Mensch scheitert grandios, wenn er Tausende Zahlen in einer riesigen Tabelle oder Datenbank überblicken soll. Sobald diese aber als Linien, Punkte und mit Farben dargestellt sind, kann er Muster identifizieren, Korrelationen erahnen oder Ausreißer erkennen.

Meist weiß man anfangs nicht einmal, welche Zusammenhänge in den Zahlenbergen versteckt sind. Bis sich die Erkenntnis einstellt, spielt der Betrachter mit den Diagrammen, die eine Software erzeugt und die in der Regel sogar interaktiv sind.

Visuelle Analyse

Den ersten Erfolg feierte Visual Analytics wohl schon 1854, als die Cholera in London immer wieder Menschen dahinraffte. Die meisten Mediziner glaubten damals, die Darmkrankheit werde über die Luft übertragen. Ihr Erreger, ein Bakterium, war noch nicht bekannt. Der Arzt John Snow kam auf die Idee, die Erkrankungsfälle in eine Karte Londons einzuzeichnen. Dabei entdeckte er ein auffälliges Muster: Die Fälle lagen fast sämtlich in der Nähe einiger weniger Wasserpumpen. Als Snow diese stilllegen ließ, endete die Epidemie. Seine Vermutung, dass die Cholera über verseuchtes Trinkwasser übertragen wurde, erwies sich als richtig.

Bei den heute üblichen gigantischen Datenhalden braucht man mehr als eine Karte auf Papier, um Muster zu erkennen. Visual Analytics erfordert in den meisten Fällen Spezialsoftware, erklärt der Rostocker Informatiker Hans-Jörg Schulz. „Zu mir kommen zum Beispiel Biologen oder Mediziner mit sehr komplexen Daten. Wir entwickeln dann gemeinsam eine dazu passende Visualisierung.“ Meist gebe es dafür noch keine passenden Skripte oder Anwendungen und man müsse diese erst selbst entwickeln.

Doch auch die Vielfalt an neuen Standard-Diagrammtypen ist so groß, dass im Folgenden nur eine Auswahl davon vorgestellt werden kann. Zudem: „Diagramme widerspruchsfrei kategorisieren – das ist leider relativ schwer“, sagt Schulz. Dies klappe meist nur für bestimmte Bereiche, zum Beispiel für Baumdiagramme. Eine Einteilung ist zum Beispiel über die Dimensionalität möglich. Balken sind eindimensional, klassische x-y-Diagramme zweidimensional – und es gibt natürlich auch dreidimensionale Diagramme. Haben die darzustellenden Daten noch mehr Dimensionen, benötigt man andere Darstellungen. Man kann Diagramme auch nach der Ausrichtung ihrer Achsen charakterisieren. Achsen können senkrecht zueinanderstehen, aber es gibt auch viele radiale Diagramme.

Wer Daten grafisch darstellen will, sollte sich zuallererst darüber im Klaren sein, was er damit aussagen möchte. Gesetzt den Fall, Sie haben die Daten schon so weit analysiert, dass Sie wissen, welchen Trend, welche Korrelationen oder welche Auffälligkeiten Sie darin zeigen möchten. Dann müssen Sie sich überlegen, mit welcher Visualisierung dies am besten gelingt. Auch Ihr Publikum spielt eine Rolle – wenn Sie einer Werbeagentur zeigen wollen, was Sie über Ihre Kunden wissen, darf die Darstellung sicher origineller sein, als wenn Sie Ihre Bilanzen bei der Bank vorlegen müssen, um einen neuen Kredit zu bekommen. Deshalb bleiben auch die klassischen Darstellungen in vielen Fällen eine gute Wahl.

Klassiker

Auch bei den klassischen und relativ einfachen Balken, Linien und Torten kann man einiges falsch machen – aus Unwissenheit, aber auch ganz bewusst, um den Betrachter zu manipulieren. Bei Balkendiagrammen sollte man beispielsweise die Balken möglichst immer beim Wert 0 beginnen lassen. Macht man das nicht, erscheinen Unterschiede zwischen Zahlen viel dramatischer, als sie tatsächlich sind.

Liniendiagramme, mit denen man etwa Aktienkurse im Zeitverlauf zeigt, werden schnell unlesbar, wenn zu viele Linien darin auftauchen. Eine Faustformel besagt, dass es höchstens vier verschiedene Linien sein sollten. Meiden Sie gestrichelte oder gepunktete Linien. Zur Unterscheidung zeichnen Sie die Linien besser unterschiedlich breit oder stufen ihre Farben ab.

Eine Sonderform des Liniendiagramms ist das Stufendiagramm. Die Linie steigt darin an jeder Stufe senkrecht an, was bei einer mathematischen Funktion natürlich nicht erlaubt wäre. Wenn man aber beispielsweise die Entwicklung des Briefportos über die Jahre zeigen will, ist ein Stufendiagramm eine sehr gute Darstellungsform.

Generell ist bei den Farben Zurückhaltung angesagt. Wenn ein roter, ein grüner, ein blauer und ein gelber Balken nebeneinanderstehen, sieht das zwar schön bunt aus, es erschwert aber den direkten Vergleich. „Verwenden Sie dieselbe Farbe, wenn Sie gleichartige Daten darstellen“, empfiehlt Dona Wong, die viele Jahre als Chef-Infografikerin beim „Wall Street Journal“ gearbeitet hat [3]. Wenn ein Wert besonders hervorgehoben werden solle, könne dieser Balken einfach etwas dunkler gefärbt werden. Falls zwei Balkenreihen miteinander verglichen werden, sollten deren Farben nicht allzu gegensätzlich sein. Ein zartes und dunkles Violett sind beispielsweise besser als Grün und Rot – es sei denn, man will Wahlergebnisse visualisieren. Dank der festen Zuordnung von Farben zu Parteien kann man diese speziellen Grafiken auf einen Blick erfassen, das bringt mehr Übersicht als eine gedämpfte Palette verwandter Töne.

Besondere Vorsicht erfordern Tortendiagramme. Man sollte sie nur dann verwenden, wenn man zwei, drei, höchstens vier Zahlen zueinander ins Verhältnis setzen möchte. Diese Zahlen müssen sich dann aber auch deutlich voneinander unterscheiden, weil der Betrachter sonst mitunter nicht einschätzen kann, welche von zwei Zahlen die größere ist.

Besteht eine Summe aus zu vielen Einzelposten, verwirrt die Tortendarstellung meist mehr als sie zeigt. Kein Wunder, dass etwa der amerikanische Infografik-Guru Edward Tufte sogar generell davon abrät, Tortendiagramme zu verwenden. Datenexperte Walter Hickney von der Wirtschaftsplattform Businessinsider.com erklärte die Torte gar zum „schlechtesten Diagramm der Welt“.

Blasen

Das Blasendiagramm ist eine elegante Möglichkeit, dreidimensionale Datensätze zweidimensional darzustellen. Jeder Datenpunkt hat drei Koordinaten: x, y und z. In ein zweidimensionales Koordinatensystem zeichnet man dann an den Ort x,y einen Kreis mit der Fläche z – fertig ist das Blasendiagramm.

Häufig wird dabei der Fehler gemacht, über z nicht die Kreisfläche, sondern deren Radius zu bestimmen. Das verzerrt die Darstellung, weil der Radius quadratisch in die Fläche eingeht und dadurch die Unterschiede übertrieben erscheinen. Die Nachteile des Blasendiagramms sind, dass kleine Unterschiede bei den z-Werten kaum auffallen und dass die Spanne der gesamten z-Werte nicht allzu groß sein darf, damit nicht riesige neben winzigen Kreisen das Diagramm unlesbar machen.

Blasendiagramme lassen sich auch animieren. Ein spektakuläres Beispiel ist das sogenannte Blasenrennen, mit dem der schwedische Mediziner Hans Rosling die zeitliche Entwicklung der Lebenserwartung in Dutzenden Ländern in Abhängigkeit vom Pro-Kopf-Einkommen, der Einwohnerzahl und dem Kontinent visualisiert hat – vier Dimensionen plus Zeit.

Rosling entschied sich deshalb für ein animiertes Blasendiagramm, um sämtliche Informationen in einer Darstellung unterbringen zu können. So wird der medizinische Fortschritt der Menschheit zu einem Wettlauf Dutzender Blasen, die jeweils ein Land repräsentieren, und deren Fläche proportional zur jeweiligen Einwohnerzahl ist. Die Farbe steht für den Kontinent. Bei der Reise durch die Zeit sind alle Blasen ständig in Bewegung, die zwei Weltkriege manifestieren sich als drastische Abstürze der Lebenserwartung.

Baumdiagramme

Die Idee hinter Baumdiagrammen (Treemaps) wie dem Billion Dollar Gram oder der Online-Börsenkarte von Marketwatch.com wurde Anfang der 1990er Jahre von Ben Shneiderman an der University of Maryland erfunden. Eine der ersten Anwendungen war die bis heute frei erhältliche Windows-Software SequoiaView, die den Inhalt einer Festplatte als ineinander verschachtelte bunte Rechtecke darstellt, wobei die Farbe den Dateityp und die Fläche des Rechtecks die Dateigröße repräsentieren.

Baumdiagramme stellen Datenhierarchien dar. Ein Beispiel aus SequoiaView: Im Bilder-Ordner findet man JPG-Dateien. Der Bilder-Ordner gehört wiederum zum Ordner „Eigene Dateien“. „Eigene Dateien“ ist Teil des Anwender-Ordners. Diese hierarchische Struktur spiegelt sich in einer Treemap wieder. Die JPG-Dateien bilden zusammen ein Rechteck, das den Bilder-Ordner repräsentiert. Die Rechtecke für die Ordner Bilder, Musik, Filme und Dokumente bilden gemeinsam das Rechteck für den Ordner „Eigene Dateien“, und so weiter und so fort.

Treemaps ermöglichen einen schnellen Überblick über große Datenmengen. Auch wenn die Zahlenwerte sich um ein, zwei Größenordnungen unterscheiden, erkennt man die Relationen gut. Das ist ein großer Vorteil gegenüber einem Tortendiagramm, bei dem kleine Zahlen zu schmalen Tortenstücken werden. Baumdiagramme können statt aus Rechtecken auch aus Kreisen oder radial aufgebaut sein (Sunburst). Die eingängigste Form ist aber zweifellos das Rechteck.

Heatmap

Heatmap ist ein Sammelbegriff für verschiedenste Diagrammtypen, bei denen Zahlenwerte über Farben kodiert werden. Im engeren Sinn bezeichnet Heatmap eine Matrix mit farbigen Feldern. Beispielsweise kann ein Raster die 365 Tage eines Jahres zeigen und die Färbung jedes Tages den Aktienindex an diesem Tag. Helle Töne bedeuten niedrige Werte, dunkle zeigen hohe Indizes an. Der Vorteil einer Heatmap ist offensichtlich: Man sieht sofort, wo sich Extremwerte ballen und in welchen Phasen es dynamisch hoch und runter ging.

Heatmaps sind dann besonders sinnvoll, wenn man viele hochdimensionale Daten auf einer Seite unterbringen möchte, wie etwa bei der Übersicht über die 50 besten Basketballer der NBA, die Nathan Yau erstellt hat (S.108). Zu jedem Spieler existieren 19 Kennzahlen, etwa die Zahl der Spiele, die gespielten Minuten, die erzielten Punkte, die Dreier oder die sogenannten Rebounds. Die Matrix aus 50 Zeilen und 19 Spalten stellt all diese Zahlen als übersichtliches farbiges Raster dar. Der deutsche Star Dirk Nowitzki fällt beispielsweise durch besonders viele aus dem Feld erzielte Körbe auf.

Aber so praktisch Heatmaps auch sein mögen – sie haben einen Nachteil: Die Zahl der zur Verfügung stehenden Farbstufen ist begrenzt. Feine Unterschiede fallen buchstäblich durchs Farbraster. Dieses Problem kann man aber zumindest mit einer geschickten Wahl der Farbpalette abmildern: Man weist dem Mittelwert weiß zu. Abweichungen nach oben werden blau und Abweichungen nach unten rot gestaltet.

Spinnennetz

Heatmaps wirken sehr abstrakt und sind mitunter auch so bunt, dass der Betrachter den Bezug zu den Daten dahinter gar nicht mehr wahrnimmt und nur das Muster bestaunt. Eine andere Variante, mehrdimensionale Datenpunkte zu visualisieren, ist das Spinnennetzdiagramm, auch Radardiagramm genannt.

Wie bei der Heatmap gibt es auch hier mehrere Kategorien oder Dimensionen für jeden Datensatz, idealerweise sind es zwischen vier und acht. Jede Kategorie wird auf einer eigenen Achse aufgetragen. Diese Achsen sind vom Zentrum des Diagramms aus gleichmäßig verteilt. Die Werte für die einzelnen Kategorien eines Datensatzes zeichnet man auf die jeweiligen Achsen ein und verbindet sie. So entsteht eine geschlossene Fläche, die man auch farbig füllen kann. Die Form der Fläche zeigt die Charakteristika jedes einzelnen Datensatzes.

Beschränkt man sich im Basketball-Beispiel auf acht Kennzahlen wie Spiele, Punkte und Minuten, kann man die Daten jedes Spielers als ein Spinnennetzdiagramm darstellen. Wer die meisten Punkte erzielt hat, dessen Diagramm zeigt an dieser Achse den größten Ausschlag. Spieler, die in vielen Kategorien hohe Leistung bringen, erkennt man nicht zuletzt an der Größe der Fläche, die ihr Spinnennetzdiagramm ausfüllt.

Will man nur zwei oder drei Spieler vergleichen, kann man ihre Datensätze in ein gemeinsames Achsennetz einzeichnen, wenn man darauf verzichtet, die Fläche zu füllen. Bei einer größeren Zahl von Datensätzen wäre das zu unübersichtlich – dann zeichnet man die Diagramme besser einzeln, ordnet sie in Reihen und Spalten an und schreibt den jeweiligen Spielernamen darunter. Eine Legende für die Bedeutung der Achsen erspart deren Beschriftung in den einzelnen Spinnennetzdiagrammen.

Nightingale Chart

Das Nightingale Chart, auch Polar-Area-Diagramm genannt, könnte man als Mix aus Spinnennetz- und Tortendiagramm beschreiben. Die Torte wird in genauso viele gleich große Stücke zerlegt, wie es Datendimensionen gibt. Je höher der konkrete Wert in einer Kategorie ist, desto weiter wird das Tortenstück nach außen vergrößert.

Erfunden hat diese Darstellungsform die britische Krankenpflegerin Florence Nightingale. Vor 150 Jahren stellte sie in einem Polar-Diagramm die Todesursachen von Soldaten dar, die während des Krimkriegs in einem Lazarett behandelt wurden. Ihre Visualisierung machte deutlich, dass die meisten Verletzten an Infektionskrankheiten starben.

Um viele Datensätze miteinander zu vergleichen, erstellt man für jeden separat ein Nightingale-Diagramm und druckt diese ähnlich wie beim Spinnennetzdiagramm nebeneinander ab. Weil verschiedene Kategorien dabei unterschiedlich gefärbt werden, fallen dem Betrachter Extremwerte stärker auf als beim Netzdiagramm.

Parallele Koordinaten

Eine andere Darstellungsform für hochdimensionale Daten bieten parallele Koordinaten. Dutzende, sogar Hunderte Datensätze druckt man dabei als Zickzack-Linien übereinander. So werden je nach Anordnung der Achsen und Einfärbung der Linien Korrelationen sichtbar. Die eigentlichen Achsen verlaufen senkrecht und sind parallel zueinander angeordnet – daher der Name.

Das Prinzip versteht man am besten an einem konkreten Beispiel wie den Basketballern. Die erste senkrechte Koordinatenachse steht für die Zahl der Spiele, die daneben für die gespielten Minuten. Danach folgen die Achsen für die erzielten Punkte, die Dreier und die Rebounds. Jede der Achsen ist so skaliert, dass der kleinste Wert aller Spieler ein Ende der Achse bildet und der größte das andere Ende.

Man zeichnet nun für jeden Spieler die Punkte ein und verbindet diese zu einer Linie, die meist im Zickzack verläuft. Die Reihenfolge der Achsen lässt sich ändern oder ihre Orientierung umkehren – je nachdem, ob es für das Ziel nützlich ist, Gruppen von Datensätzen zu finden, die ähnlich verlaufen, oder ob gegenläufige gesucht sind. Damit bewegt man sich bereits auf dem Gebiet der Visual Analytics. Am Ende der Analyse könnte zum Beispiel die Erkenntnis stehen, dass es Protoypen von Basketballern gibt – gut abzulesen an Bündeln ähnlich verlaufender Linien im Diagramm.

Streamgraph

Bei einem Streamgraph handelt es sich letztlich um ein gestapeltes Flächendiagramm, die Darstellung sieht aber spektakulärer aus. Im Unterschied zum konventionellen Flächendiagramm werden die aufeinandergestapelten Flächen aber in der Regel um die x-Achse zentriert. Zudem rundet die verwendete Software meist Ecken und Kanten ab, damit sich der typische, organisch wirkende Eindruck eines Flusses einstellt. Keine Frage: Streamgraphen sehen cool aus, lassen sich aber nicht immer so gut lesen wie ein gestapeltes Flächendiagramm.

Chord

Eine kreisförmige Darstellung hilft, Beziehungen zwischen verschiedenen Einheiten darzustellen, etwa die Flugverbindungen zwischen europäischen Ländern. Ein sogenanntes Chord-Diagramm zeigt dabei gleichzeitig die Menge der Flüge, erkennbar an der Größe des Ringsegments, sowie die Anteile von Inlands- und Auslandsverbindungen. In der Grafik unten ist am breiten blauen Streifen das Lieblingsreiseland der Deutschen zu erkennen: Spanien. Die Reiserichtung ist an der Farbe der Verbindung abzulesen. So enthüllt die Darstellung auch, dass die Deutschen viel in andere europäische Länder reisen, Deutschland von deren Bewohnern aber eher selten angeflogen wird.

Mit Maß und Ziel

Daten lassen sich spektakulär und modern oder ganz konservativ in Szene setzen, und nicht immer liegt auf der Hand, was die beste Wahl ist. Es besteht die Gefahr, dass Betrachter ein Diagramm nicht verstehen, gibt der Visualisierungsexperte Gregor Aisch zu bedenken. Daher gebe es durchaus die Tendenz, experimentelle Diagrammtypen zu vermeiden.

Der Hamburger Infografiker Reinhard Schulz-Schaeffer spricht von einem „Spagat zwischen cooler Optik und der genauen Vermittlung von Zahlen“. Nicht alles, was gut aussehe, sei auch zweckmäßig. Solange man eine Grafik noch interpretieren könne, sei eine moderne Visualisierung aber auf jeden Fall gut, findet Schulz-Schaeffer. Im Zweifel hilft es sicher, einen neuen Chart-Typ einfach mal auszuprobieren. Im folgenden Praxis-Artikel erfahren Sie, wie Sie aus Ihren eigenen Daten selbst Baumdiagramme, Heatmaps, Nightingale Charts und andere schicke Diagramme erzeugen können. Es ist in den meisten Fällen einfacher als gedacht. (pek)

Literatur
  1. [1] Nathan Yau: Visualize This: The FlowingData Guide to Design, Visualization, and Statistics, John Wiley & Sons, 2011
  2. [2] David McCandless: Information is Beautiful, Collins, 2009
  3. [3] Dona M. Wong: Wall Street Journal Guide to Information Graphics, Norton, 2010
  4. [4] Sandra Rendgen: Information Graphics, Taschen, 2012

Artikel kostenlos herunterladen

weiterführende Links

Anzeige