Beispiele für Datenvisualisierung: Ein hilfreicher Leitfaden

Das Anschauen von Rohdaten kann so sein, als würde man versuchen, ein Foto zu verstehen, indem man nur ein paar Pixel auf einmal anschaut. Wenn du deine Daten grafisch darstellst, kannst du einen Schritt zurücktreten und dir das Gesamtbild auf einen Blick ansehen. Visualisierungen sind auch ein einfaches Marketing-Tool, um deine Daten den Stakeholdern zu zeigen. Sie helfen Leuten, Muster, Zusammenhänge und Erkenntnisse auf einen Blick zu erkennen. Das ist eine der schnellsten Methoden, um Daten aussagekräftig zu machen.

In diesem Leitfaden schauen wir uns die gängigen Diagrammtypen an und wann man sie am besten benutzt. Wir schauen uns an, was eine gute Visualisierung von einer irreführenden unterscheidet, und sehen uns ein paar bekannte Beispiele an, die das Gebiet geprägt haben. Am Ende wirst du besser verstehen, wie man Datenvisualisierungen erstellt und bewertet, die eine klare, ehrliche Geschichte erzählen.

Wenn du ganz von vorne anfängst, bietet „Einführung in die Datenvisualisierung mit Julia“ bietet eine anfängerfreundliche Möglichkeit, die Grundlagen des Plottens und des Data Storytelling zu erlernen.

Arten von Datenvisualisierungen

Datenvisualisierungen kann man nach der Anzahl der Variablen sortieren. Schau dir die Verteilung nur einer Variablen genau an? Willst du die Beziehung zwischen zwei Personen beschreiben? Oder interessierst du dich für die Interaktionen zwischen mehreren? Schauen wir uns mal jedes dieser Szenarien und die Chart-Optionen an, die wir für jedes einzelne haben.

Damit du den Überblick über all diese Diagrammtypen behältst, empfehle ich dir dieses praktische Spickzettel zur Datenvisualisierung. Es gibt dir einen schnellen Überblick, damit du sehen kannst, welches Diagramm für verschiedene Datentypen am besten geeignet ist. Du solltest dir auch mal Techniken zur Datenvisualisierung für jeden Anwendungsfall.

Einzelne Visualisierungen

Fangen wir mit dem einfachsten Fall an: Du hast nur eine Variable, die dich interessiert. Mit univariaten Visualisierungen kannst du dich auf eine einzelne Variable konzentrieren. Sie helfen dir, die Verteilung, Häufigkeit oder Zusammensetzung auf einen Blick zu verstehen. Schauen wir uns mal die häufigsten Arten an.

Balkendiagramm

Ein Balkendiagramm zeigt, wie verschiedene Kategorien von Infos sich voneinander unterscheiden. Jede Kategorie ist ein eigener Balken, und die Anzahl für diese Kategorie wird durch die Höhe des Balkens angezeigt.

Manchmal siehst du vielleicht Balkendiagramme, die auf der Seite liegen, wobei die Balken horizontal statt vertikal verlaufen. Ich finde, diese horizontalen Balkendiagramme sind am nützlichsten, wenn man viele Kategorien vergleicht und die Balken so angeordnet sind, dass der längste oben und der kürzeste unten ist. Für ein paar Kategorien finde ich vertikale Balkendiagramme besser.

Kreisdiagramm

Ein Kreisdiagramm zeigt die Anteile eines Ganzen als Kreissegmente. Die Entscheidung, ob man Tortendiagramme nehmen soll, sorgt bei Leuten, die mit Daten arbeiten, oft für Verwirrung. Es ist für unser Gehirn meistens schwieriger, Teile eines Kreises zu verstehen, als Teile eines Rechtecks zu schätzen.

Denk mal an die vielen Streitereien zwischen Geschwistern, ob zwei Stücke Apfelkuchen gleich groß sind oder nicht. Trotzdem sind Tortendiagramme ein beliebter Diagrammtyp, auch weil die runde Form dazu beitragen kann, das Erscheinungsbild von ansonsten einheitlich rechteckigen Dashboards aufzulockern.

Wenn du dich für ein Kreisdiagramm entscheidest, solltest du es nur verwenden, wenn du nur wenige Kategorien zu vergleichen hast. Wenn du zu viele Kategorien einbaust, wird es unübersichtlich und schwer zu lesen. Zweitens, füge den tatsächlichen Prozentsatz zu jedem Segment hinzu. So kann man das Diagramm auch dann verstehen, wenn man Probleme hat, die einzelnen Segmente zu vergleichen.

Ringdiagramm

Das Donut-Diagramm ist ein enger Verwandter des Kreisdiagramms. Deshalb solltest du die gleichen Vorsichtsmaßnahmen beachten: Verwende es nur, wenn du ein paar Kategorien vergleichst, und zeig die numerischen Anteile im Diagramm an, um die Interpretation zu erleichtern.

Ein praktischer Vorteil von Donut-Diagrammen ist, dass sie Platz für eine zentrale Beschriftung bieten. Das kann dir Platz in deinem Dashboard sparen, wenn es langsam etwas überfüllt ist. Es sieht auch echt gut aus und kann einen zusätzlichen Touch geben, den Tortendiagramme nicht haben.

Histogramm

Ein Histogramm ist super, um die Form einer Verteilung zu zeigen. Es funktioniert, indem es Zahlenwerte in Gruppen einteilt und die Anzahl der Werte, die in jede Gruppe fallen, grafisch darstellt. Das kann echt praktisch sein, um die häufigsten Werte zu sehen und Ausreißer zu erkennen.

Auch wenn das wie ein Balkendiagramm aussieht, gibt's einen wichtigen Unterschied: Die x-Achse ist eine stetige Variable, keine diskrete. 

Hier haben wir ein Histogramm der Höhen von Sonnenblumensprossen in einem Garten. Wir können sehen, dass die meisten unserer Sprossen zwischen 22 cm und 28 cm lang sind. Einige sind nur 15 cm lang, andere fast 34 cm.

Dichte-Diagramm

Ein Dichteplot ist wie ein geglättetes Histogramm, das als durchgehende Kurve angezeigt wird. Das kann ein klareres Bild von der zugrunde liegenden Verteilung geben. Es ist wichtig zu wissen, dass die y-Achse nicht die Anzahl der Werte zeigt, sondern die Dichte, die angibt, wie konzentriert die Daten um einen bestimmten Wert herum sind. Die Gesamtfläche unter der Kurve ist immer gleich 1. 

Dieses Diagramm ist super, um die Form einer Verteilung zu checken, statt nur die absoluten Werte zu gucken. Wenn du mehrere Verteilungen auf demselben Diagramm darstellst, kannst du die Verteilungen auch miteinander vergleichen. Um Unordnung zu vermeiden, empfehle ich, die Anzahl der Verteilungen auf maximal drei zu beschränken. Es ist auch am besten, jeder Linie eine eigene Farbe oder einen eigenen Farbton zu geben, um Verwirrung zu vermeiden, vor allem bei Verteilungen, die nah beieinander liegen.

Hier haben wir die Zeit, die beim Lesen verbracht wurde, pro Besuch in zwei verschiedenen Bibliotheken aufgezeichnet. Wenn wir die Dichten beider Verteilungen zusammen darstellen, sehen wir, dass Besucher, die in die Moonlight Library kommen, tendenziell länger lesen als Besucher der Sunlight Library.

Boxplot

Wenn du mehrere Verteilungen miteinander vergleichen willst, kannst du ein Boxplot verwenden. Ein Boxplot zeigt die Verteilung anhand von Median, Quartilen und Ausreißern. Das sind echt nützliche Diagramme, die viele Infos schnell zeigen können. Sie zeigen im Grunde genommen auf einen Blick den gesamten Umfang mehrerer Datensätze im Vergleich zueinander. 

Wenn sich die Boxen von zwei Verteilungen nicht überschneiden, können sie sich im Allgemeinen stark voneinander unterscheiden. Wenn sie sich aber überschneiden, sind sie wahrscheinlich nicht so unterschiedlich. Natürlich braucht man einen statistischen Test wie den T-Test, um sicher zu sein, aber ein Boxplot kann schnell zeigen, welche Verteilungen man miteinander vergleichen sollte. 

In diesem Boxplot zeigen wir die Verteilung der Testergebnisse an drei Zauberschulen. Auf einen Blick sehen wir, welche Schulen im Vergleich zu ihren Mitbewerbern höhere durchschnittliche Testergebnisse haben. Anhand der Ausreißer lässt sich auch leicht erkennen, welche Schulen vielleicht besonders gute Schüler oder Schüler haben, die hinter ihren Mitschülern zurückbleiben. Dieses einfache Diagramm zeigt schnell viele nützliche Infos.

Zweidimensionale Visualisierungen

Bisher haben wir nur Diagramme betrachtet, die eine Variable zeigen. Aber was ist, wenn du die Beziehung zwischen zwei Variablen zeigen willst? Dann sind zweidimensionale Diagramme genau das Richtige für dich. Sie sind super, um Trends, Muster und Zusammenhänge zu erkennen.

Streudiagramm

Ein Streudiagramm ist wahrscheinlich das am häufigsten verwendete Diagramm überhaupt. Sie sind eine einfache Möglichkeit, die Positionen deiner Datenpunkte entlang zweier numerischer Achsen zu zeigen. Es ist super, um Zusammenhänge, Cluster und Ausreißer zu erkennen.

Streudiagramme kann man sowohl für Korrelationen als auch für kausale Zusammenhänge verwenden. Wenn du einen kausalen Zusammenhang darstellst, ist es üblich, die unabhängige Variable auf der x-Achse und die abhängige Variable auf der y-Achse zu platzieren. Diese Konvention zeigt dem Betrachter, in welche Richtung der kausale Zusammenhang geht. Wenn du einen Kausalzusammenhang hast, solltest du außerdem die Statistik, die zur Bestimmung der Kausalität verwendet wurde, zusammen mit dem p-Wert anzeigen.

In diesem Streudiagramm haben wir die Beziehung zwischen der Größe jedes Regentropfens und der Geschwindigkeit, mit der er fällt, dargestellt. Es gibt einen klaren Zusammenhang zwischen diesen beiden Sachen, der zeigt, dass Regentropfen schneller fallen, wenn sie größer sind. 

Wichtig ist, dass diese Grafik nur eine Korrelation zeigt und nicht unbedingt bedeutet, dass es einen kausalen Zusammenhang gibt. Wir können also nicht einfach auf dieses Diagramm schauen und sagen, dass ein größerer Regentropfen schneller fällt , weil er größer ist. Um das zu behaupten, bräuchten wir mehr Infos, wie zum Beispiel einen statistischen Test oder ein Experiment, und wir müssten diese zusätzlichen Infos im Diagramm zeigen.

Liniendiagramm

Ein Liniendiagramm ist so ähnlich wie ein Streudiagramm. Die unabhängige Variable ist aber meistens die Zeit, und jeder Datenpunkt hängt mit den Datenpunkten direkt daneben zusammen. Bei Zeitreihendaten, bei denen du Trends oder Veränderungen im Laufe der Zeit zeigen willst, sind Liniendiagramme am besten geeignet.

Hier haben wir ein Liniendiagramm benutzt, um zu zeigen, wie viel Zeit wir jeden Tag im Monat mit Lesen verbracht haben. So können wir schnell erkennen, wann unsere Leselust nachgelassen hat und wann wir wieder in Schwung gekommen sind. Wenn wir das über mehrere Monate machen würden, könnten wir vielleicht ein Muster erkennen.

Weitere Beispiele dafür, wie man Trends und Veränderungen im Laufe der Zeit hervorheben kann, findest du unter Datenvisualisierungen, die Trends zeigen.

Flächendiagramm

Ein Flächendiagramm sieht fast wie ein Liniendiagramm aus, aber der Bereich unter der Linie ist ausgefüllt. Das kann es dem Betrachter einfacher machen, kumulierte Summen zu sehen oder Volumen zu verstehen. Beachte aber, dass du zwar mehrere Liniendiagramme im selben Diagramm zeichnen kannst, aber nur ein Flächendiagramm pro Diagramm zeichnen solltest. Weil der Bereich unter der Kurve schattiert ist, kann es unübersichtlich und schwer lesbar werden, wenn man mehr als eine Kurve im selben Diagramm darstellt. 

Dieses Flächendiagramm zeigt, wie viel Honig im Laufe des Jahres gesammelt wurde. Weil der Bereich unter der Kurve ausgefüllt ist, kann man intuitiv erkennen, dass es um Volumen geht.

Gruppiertes Balkendiagramm und gestapeltes Balkendiagramm

Es gibt zwei Arten von Balkendiagrammen, mit denen du Kategorien anhand einer zweiten Variablen vergleichen kannst.

Zuerst haben wir gruppierte Balkendiagramme. Die zeigen die Unterschiede zwischen den verschiedenen Unterkategorien. Die y-Achse wird wie bei den meisten Balkendiagrammen gelesen. Aber die x-Achse hat Gruppen von Balken, die oft durch Farbe oder Farbton unterschieden werden und Untergruppen innerhalb jeder Gruppe zeigen. Diese Diagramme können echt schnell viele Infos rüberbringen. 

Das funktioniert am besten, wenn jede Gruppe nur ein paar Untergruppen hat (ich würde maximal 2 bis 5 empfehlen). Denk auch dran, dass diese Diagramme leicht in die Breite gehen können, wenn du zu viele Gruppen oder Untergruppen hinzufügst, was ziemlich viel Platz braucht. Wenn du diese Diagramme für die digitale Anzeige gestaltest, denk daran, wie sie auf einem mobilen Bildschirm aussehen.

In diesem gruppierten Balkendiagramm haben wir die Saftvorlieben von drei verschiedenen Kindergartengruppen dargestellt. Ein Blick auf diese Tabelle reicht aus, um zu wissen, wie man die Saftpackungen am besten auf die einzelnen Klassenräume verteilt.

Als Nächstes haben wir gestapelte Balkendiagramme. Die zeigen, wie die Teile zu den ganzen Gruppen zusammenpassen. Das ist den gruppierten Balkendiagrammen ziemlich ähnlich, weil wir damit kleine Unterschiede zwischen Gruppen vergleichen können.

Aber dieses Diagramm hat noch zwei weitere Vorteile gegenüber dem gruppierten Balkendiagramm. Zuerst zeigt es dir auch die Summen für jede Kategorie. Du kannst diese also wie ein normales Balkendiagramm lesen und die Unterschiede in den Gesamtwerten zwischen den Kategorien sehen, bevor du die Unterschiede in den Untergruppen liest. Zweitens kann dieses Diagramm kompakter sein und mehr Infos auf weniger Platz liefern als ein gruppiertes Balkendiagramm.

Der Nachteil ist, dass es manchmal schwierig sein kann, die genauen Proportionen aus diesem Diagramm zu erkennen. Das Hinzufügen von Datenbeschriftungen mit diesen Infos kann das Problem lösen; pass nur auf, dass es nicht zu überladen wird.

Dieses gestapelte Balkendiagramm zeigt die Lesevorlieben verschiedener Altersgruppen. In jeder Altersgruppe können wir sehen, wie viel Prozent von jedem Genre ausgeliehen wurden. Wenn wir uns die verschiedenen Altersgruppen anschauen, können wir sehen, wie sich sowohl der Anteil der einzelnen Genres als auch die Gesamtzahl der ausgeliehenen Bücher verändert. Zum Beispiel ist es leicht zu erkennen, dass Erwachsene insgesamt die meisten Bücher ausleihen und dass Senioren mehr auf Sachbücher stehen als Teenager.

Wärmekarte

Eine Heatmap zeigt Werte über ein Raster hinweg mit Hilfe der Farbintensität an. Du kannst es für Korrelationen, Häufigkeitstabellen oder in jedem Fall nutzen, wo du denkst, dass Farben die Muster besser sichtbar machen.

Bei solchen Diagrammen solltest du unbedingt auf einen sinnvollen Farbverlauf achten. Zum Beispiel gibt's keinen Grund zu denken, dass Rot eine größere Zahl ist als Grün. Also, einen Farbverlauf von Rot nach Grün zu wählen, ist wahrscheinlich nicht die beste Idee. Aber es gibt einen Grund zu denken, dass dunklere Farben mit größeren Werten zusammenhängen. Wenn du also innerhalb einer Farbe einen Farbverlauf von hell nach dunkel wählst, kann das dem Betrachter ein intuitiveres Gefühl dafür geben, was du darstellst.

Eine Ausnahme ist, wenn man die tatsächlichen Wärmewerte darstellt. Normalerweise denkt man bei Rot an höhere Temperaturen und bei Blau an niedrigere. Wenn du also Wärme mit einer Wärmekarte darstellst, könnte ein Farbverlauf von Rot zu Blau intuitiv Sinn machen. Wie immer solltest du deine Daten bei der Gestaltung deiner Visualisierung die Führung übernehmen lassen.

Diese Heatmap zeigt, wie aktiv eine faule Hauskatze jede Stunde an jedem Tag einer Woche war. Dunkleres Blau zeigt die Zeiten, in denen die Katze super aktiv war, vielleicht sogar gerannt oder gesprungen ist. Die helleren Blautöne zeigen die Zeiten, in denen die Katze nicht so aktiv war, vielleicht sogar geschlafen hat. Die Farbe macht deutlich, dass unsere Katze nachts aktiver ist, tagsüber meistens schläft und tagsüber ein paar Mal spielt (vielleicht auf Initiative ihres Besitzers).

Wenn du diese zweidimensionalen Diagramme in einer professionellen Analyseplattform ausprobieren möchtest, Datenvisualisierung in Power BI und Datenvisualisierung in Tableau zeigen beide, wie man interaktive Dashboards erstellt, die Muster und Trends klar hervorheben.

Multivariate Visualisierungen

Manchmal müssen wir kompliziertere Zusammenhänge zeigen, bei denen mehr als zwei Variablen eine Rolle spielen. Multivariate Diagramme können dir helfen, Zusammenhänge zwischen drei oder mehr Variablen zu erkennen. Sie helfen dir dabei, komplexere Datensätze zu erkunden und gleichzeitig die Interpretierbarkeit zu bewahren. Schauen wir uns ein paar gängige Optionen an.

Blasendiagramm

Ein Blasendiagramm macht aus einem Streudiagramm was Neues, indem es eine dritte Variable als Blasengröße zeigt. Es ist eine gute Wahl, weil die meisten Leute schon wissen, wie man Streudiagramme liest. Eine Variable hinzuzufügen, die als Größe codiert ist, macht intuitiv Sinn. Um diese Intuition optimal zu nutzen, ist es am besten, die Größe der Blase mit der Größe zu verbinden. 

Du kannst dieses Diagramm um eine vierte Variable erweitern, indem du auch Farben einkodierst. Stell einfach sicher, dass du eine aussagekräftige Legende und Bildunterschrift hast, damit deine Betrachter dein Diagramm klar verstehen können.

Dieses Blasendiagramm zeigt, wie viele Marienkäfer und Blattläuse es in einem Garten mit unterschiedlich großen Blumen gibt. Größere Blasen bedeuten mehr Blattläuse. Wir sehen größere Blasen weiter oben im Diagramm, was zeigt, dass es mehr Blattläuse gibt, wo es mehr Marienkäfer gibt. Wir merken auch, dass es auf kürzeren Blumen mehr Insekten gibt.

Radardiagramm

Du kannst dir ein Radardiagramm wie eine Art kreisförmiges Balkendiagramm vorstellen. Verschiedene Eigenschaften sind außen am Kreis angeordnet, und dein Blob wird entlang jeder dieser Achsen vom Mittelpunkt aus dargestellt. Das funktioniert super für Profile oder um mehrere Sachen in denselben Dimensionen zu vergleichen. Pass aber auf, dass du nicht zu viele überlappende Blobs hinzufügst, da es sonst unübersichtlich und schwer lesbar werden kann. Ich empfehle auch, transparente Schattierungen zu verwenden, damit du jeden Klecks durch die anderen hindurch gut sehen kannst.

Hier schauen wir uns drei verschiedene Charaktere aus Dungeons and Dragons an und vergleichen sie anhand von fünf Fähigkeiten. Das ist eine coole Art, die Unterschiede in den Fähigkeiten dieser verschiedenen Charaktere zu zeigen.

Parallele Koordinaten

Wenn du ein Radardiagramm ausrollst, bekommst du ein Parallelkoordinatendiagramm. Diese Diagramme zeigen jede Variable auf ihrer eigenen vertikalen Achse. Das ist eine bessere Option, wenn du mehrere kontinuierliche Variablen gleichzeitig vergleichen musst, weil es weniger überlappende Bereiche gibt.

Überleg dir gut, welche Werte du auf der y-Achse nehmen solltest. Wenn deine verschiedenen Attribute alle eine gemeinsame Einheit haben, wie unsere Charakterprofile oben, dann ist das kein Problem. Wenn deine Attribute aber meistens unterschiedliche Einheiten haben, musst du vielleicht einen Weg finden, einen relativen Einheitenvergleich für deine y-Achse zu machen, damit das Diagramm besser lesbar ist. Das Ziel ist, die verschiedenen Linien miteinander zu vergleichen, nicht unbedingt genaue Werte für jede einzelne zu ermitteln.

In dieser Grafik schauen wir uns die verschiedenen Eigenschaften von Spielzeugrobotern an. Wir können jeden Roboter ganz einfach mit den anderen anhand der vier Eigenschaften vergleichen, die uns interessieren. Auch wenn wir nicht genau sagen können, wie schnell jeder Roboter ist, können wir doch leicht erkennen, dass der RoboMax viel schneller ist als der RoboMini.

Treemap

Ein Treemap ist eine coole Art, hierarchische Infos zu zeigen. Es teilt ein Rechteck in verschachtelte Kacheln auf, deren Größe je nach Wert variiert. Oft sorgen verschiedene Farben für eine weitere Unterteilung. Es ist praktisch, um hierarchische Daten oder Beziehungen zwischen Teilen und dem Ganzen auf mehreren Ebenen zu zeigen. 

Kleiner Tipp: Nicht jeder kann Treemaps lesen, also mach sie am besten so einfach wie möglich zu verstehen. Sorg dafür, dass die Kästchen klar voneinander abgegrenzt sind und unterschiedliche Farben haben. Ich finde, diese Diagramme eignen sich super für Legenden, Beschriftungen und Bildunterschriften.

Hier haben wir eine Baumkarte erstellt, die zeigt, wofür ein fiktiver Abenteurer das gesammelte Gold in verschiedenen Kategorien ausgibt. Die Farbe zeigt, wofür das Geld ausgegeben wurde, und die Größe der Rechtecke gibt an, wie viel Geld dafür ausgegeben wurde.

Sankey-Diagramm

Ein Sankey-Diagramm ist meiner Meinung nach eine der besten Methoden, um Abläufe zu visualisieren. Dieses Diagramm zeigt den Weg deiner Daten vom Start bis zu jedem Endpunkt. Die Dicke der Pfeile zeigt, wie viel von der ursprünglichen Menge letztendlich an den jeweiligen Bestimmungsort gelangt ist. Das ist eine super Möglichkeit, um Energieflüsse, Kundenreisen oder jedes System mit verzweigten Pfaden zu zeigen.

Hier haben wir den Energieverbrauch in einem Haushalt und die Orte, an denen die Energie verbraucht wird, dargestellt. Wir sehen, dass in diesem Haus die meiste Energie für Heizung und Komfort draufgeht, während Kochen und Entspannen im Vergleich dazu nur wenig verbrauchen.

Choroplethenkarte

Eine Choroplethenkarte ist ähnlich wie eine Heatmap, weil sie Farben benutzt, um Infos zu zeigen. Es wird aber auf eine Landkarte gelegt, um zu zeigen, wie sich Muster über geografische Gebiete wie Bundesstaaten oder Landkreise entwickeln. Du hast diese Karten vielleicht während der COVID-Pandemie gesehen, die zeigen, wo die Fallzahlen hoch waren. Man sieht sie auch oft nach den US-Präsidentschaftswahlen, wo sie die Ergebnisse des Wahlkollegiums zeigen.

Hier haben wir eine ganz einfache Choroplethenkarte erstellt, die die geschätzte Waldbedeckung in jedem Bundesstaat der USA zeigt. Man sieht schnell, welche Bundesstaaten mehr Wald haben, weil sie in einem dunkleren Grünton dargestellt sind als die mit weniger Wald.

Gut gegen Schlechte Datenvisualisierungen

Der Unterschied zwischen hilfreichen und irreführenden Diagrammen hängt meistens vom Design ab. Eine gute Visualisierung macht die Daten klarer; eine schlechte verdreht sie. Für einen umfassenden Überblick empfehle ich Edward Tufte's Die visuelle Darstellung quantitativer Informationen. Es ist eines der einflussreichsten Bücher zum Thema Visualisierung und ein Muss für jeden, der regelmäßig mit Daten arbeitet.

Was macht eine gute Visualisierung aus?

Dein Diagramm sollte auf einen Blick leicht zu verstehen sein. Das heißt, man sollte es einfach und übersichtlich halten, bei Bedarf Datenbeschriftungen hinzufügen und Titel, Legenden und Achsenbeschriftungen effektiv nutzen. Tufte redet darüber im Zusammenhang mit dem Verhältnis von Daten zu Tinte.

Deine Visualisierungen sollten auch so genau wie möglich sein. Das heißt, man muss auf Verzerrungen in Größe oder Proportionen achten. Sei zum Beispiel vorsichtig, wenn du Achsenunterbrechungen verwendest, und achte darauf, dass sie richtig gekennzeichnet sind, wenn du sie benutzt.

Aus Gründen der Effizienz solltest du sicherstellen, dass alles, was auf dem Diagramm steht, auch wirklich dort sein muss. Benutz die Gitterlinien nicht zu oft. In manchen Diagrammen helfen Gitterlinien dabei, die genauen Werte besser zu erkennen. In vielen Diagrammen, vor allem in den einfacheren, sind sie aber nur überflüssiger Ballast. Im schlimmsten Fall können sie sogar Daten verdecken. Andere Beispiele für Chart-Junk sind unnötige Bilder oder zusätzliche Linien, die nicht zur Übersichtlichkeit beitragen.

Zu guter Letzt solltest du dir gut überlegen, welche Farben du benutzt. Versteh, dass Farben genauso viel Bedeutung vermitteln können wie Zahlen. Wenn du zum Beispiel einen Farbverlauf auswählst, ist es meistens gut, dunklere Farben mit größeren Zahlen und helle Farben mit kleineren Zahlen zu verbinden. 

Bei kategorialen Daten solltest du dir überlegen, welche Farben normalerweise mit dieser Kategorie verbunden sind. Es wäre komisch gewesen, wenn wir einen grünen Balken genommen hätten, um die Vorliebe für Orangensaft zu zeigen.

Häufige Probleme bei schlechten Visualisierungen

Es gibt ein paar häufige Fehler, auf die du achten solltest. Das erste hat mit Skalen zu tun. Es ist wichtig, auf die Skalierung deiner Achsen und deiner Diagrammelemente (Kästchen/Blasen/etc.) zu achten. Wichtig ist, dass du nicht einfach blind den Standarddiagrammen von irgendeinem Programm vertraust, das du gerade benutzt. Stell sicher, dass deine Achsen bei Null anfangen (mit ganz wenigen Ausnahmen), dass deine Achsen einheitlich sind und dass die Proportionen deiner Diagrammelemente zu deinen Daten passen. 

Ein Problem, das ich echt oft sehe, ist die Verwendung von 3D-Effekten in Plots. Diese Effekte können cool aussehen, aber sie können auch die Handlung so verzerren, dass sie schwieriger zu lesen ist. Erspar deinem Publikum Kopfzerbrechen und bleib für die meisten Zwecke bei zweidimensionalen Diagrammen.

Doppelte Achsen sind ein weiterer Punkt, wo es kompliziert werden kann. In den meisten Fällen solltest du, wenn du zwei Y-Achsen brauchst, die Daten besser auf zwei Diagramme aufteilen. In den wenigen Fällen, wo ein zweiachsiges Diagramm Sinn macht, solltest du sichergehen, dass klar ist, welche Daten zu welcher Achse gehören. Am liebsten mach ich das mit Farben, z. B. ist die Achse links schwarz und passt zu den schwarzen Punkten, während die Achse rechts rot ist und zu den roten Punkten passt.

Einer der häufigsten Fehler, den man machen kann, ist, dein Diagramm zu überladen. Es ist echt spannend, die ganze Geschichte unserer Daten zu erzählen, und deshalb fügen wir immer mehr Balken, Beschriftungen oder Linien hinzu, um immer komplexere Geschichten zu erzählen. Dadurch kann aber auch sichergestellt werden, dass dein Betrachter überhaupt nichts von deinem Diagramm mitnimmt. Stattdessen solltest du lieber eine einfache Geschichte auswählen, die deine Zuschauer aus deinen Daten mitnehmen sollen, und diese so klar und elegant wie möglich zeigen. .

Wie man irreführende Visualisierungen erkennt

Leider ist es nicht ungewöhnlich, dass man auf Diagramme stößt, die manipuliert sind, um dir etwas aufzuschwatzen. Das ist in der Werbung, der Politik und den sozialen Medien üblich. Wenn du eine Grafik siehst, solltest du sie erst mal kritisch anschauen, bevor du sie einfach so glaubst.

Der erste Weg, um ein Diagramm kritisch zu checken, ist, dir die vorherigen Abschnitte dieses Artikels anzuschauen und zu sehen, ob das Diagramm den Best Practices entspricht, die wir besprochen haben. Wenn nicht, könnte die Grafik irreführend sein, auch wenn das nicht so gemeint ist.

Als Nächstes solltest du dir heimtückischere Absichten überlegen. Frag dich mal Folgendes:

• Wer ist die Quelle und was will die Person damit erreichen?
• Stimmt dein Eindruck mit den tatsächlichen Zahlen überein?
• Warum fängt die Zeitleiste da an und hört da auf?
• Sind die verglichenen Sachen wirklich vergleichbar?
• Fehlen irgendwelche Daten oder werden sie nicht richtig hervorgehoben?
• Wird hier Korrelation als Ursache dargestellt?

Nicht alle irreführenden Visualisierungen haben böse Absichten. Aber es ist wichtig, die Schwachstellen zu erkennen und die Schlussfolgerungen mit Vorsicht zu genießen.

Ein paar Worte zum inklusiven Design

Denk beim Erstellen deiner eigenen Visualisierungen daran, dass die Designentscheidungen auch beeinflussen, wer deine Arbeit sehen kann. Um dein Publikum zu vergrößern, überleg dir, wie du deine Grafiken besser zugänglich machen kannst. Du kannst zum Beispiel farbenblindefreundliche Paletten und große, gut lesbare Schriftarten verwenden, um die visuelle Lesbarkeit deines Diagramms zu verbessern. Mit aussagekräftigen Alternativtexten und Bildunterschriften kannst du auch den Zugang für sehbehinderte Zuschauer verbessern.

Berühmte Visualisierungen aus der Geschichte

Es gibt ein paar Visualisierungen in der Geschichte, die das Gebiet der Datenvisualisierung echt geprägt haben. Einige haben ganz neue Diagrammtypen erfunden, andere haben unser Verständnis von Ereignissen, Gesellschaften oder Systemen verändert. Schauen wir uns mal ein paar der bekanntesten historischen Diagramme an und wie sie spätere Grafiker beeinflusst haben.

Die Erfindungen von William Playfair (1786–1801)

Unsere Standarddiagrammtypen sind nicht einfach so aus dem Nichts entstanden. Viele der Diagramme, über die wir gesprochen haben, gehen auf William Playfair zurück, einen schottischen Ingenieur und Politökonomen, der im späten 18. Jahrhundert tätig war. Im Jahr 1786 brachte Playfair The Commercial and Political Atlas, in dem er Liniendiagramme und Balkendiagramme als Hilfsmittel zum Verständnis wirtschaftlicher Daten vorstellte. Ein paar Jahre später hat er das Tortendiagramm in Statistisches Brevier.

Man denkt, dass dieses Diagramm das erste Liniendiagramm ist, das William Playfair 1786 gezeigt hat. Bildquelle Wikipedia.

Damals waren die meisten Zahlen in komplizierten Tabellen, die man nicht so schnell verstehen konnte. Playfair war der Meinung, dass visuelle Darstellungen Trends und Vergleiche auch für Leute ohne Mathekenntnisse sofort klar machen können.

Dieses Diagramm, das als erstes Balkendiagramm gilt, wurde 1786 von William Playfair veröffentlicht. Bildquelle Wikipedia.

Was Playfairs Arbeit so einflussreich machte, war nicht nur die Erfindung neuer Diagrammtypen, sondern auch sein Verständnis dafür, wie Menschen Infos wahrnehmen. Er hat Zahlen mit visuellen Eigenschaften verbunden, sodass man Werte auf einen Blick vergleichen kann. Seine Diagramme wurden oft benutzt, um politische und wirtschaftliche Argumente zu untermauern, wie zum Beispiel Veränderungen der Staatsverschuldung oder der Handelsbilanz im Laufe der Zeit.

Playfairs Arbeit hat den Grundstein für moderne statistische Grafiken gelegt und zeigt schon früh, dass klare visuelle Darstellungen die Art und Weise, wie Menschen über Daten denken, grundlegend verändern können.

Wahrscheinlich das erste Kreisdiagramm, das William Playfair 1789 rausgebracht hat. Quelle: Wikipedia.

Charles Minards Karte von Napoleons Russlandfeldzug (1869)

1812 ist Napoleon in Russland einmarschiert und hat eine vernichtende Niederlage eingesteckt. Etwas mehr als 50 Jahre später hat der pensionierte Bauingenieur Charles Minard diese legendäre Karte erstellt, die den Vormarsch, den Rückzug und den traurigen Schwund der Armee zeigt. 

Quelle: brilliantmaps.

Das ist ein frühes Beispiel für ein Sankey-Diagramm, wo die Breite des Streifens die Truppenstärke zeigt. Es ist auf einer Karte zu sehen, die Richtung, Temperatur, Geografie und Zeit zeigt und eine spannende Geschichte über die Invasion erzählt. Das ist ein cooles Beispiel dafür, wie man aus Zahlen eine emotionale Geschichte machen kann, und zeigt, wie viele verschiedene Sachen nebeneinander existieren können, ohne dass es verwirrend wird. Es ist wohl eine der bekanntesten historischen Karten aller Zeiten.

Florence Nightingales Rosendiagramm (1858)

Eine andere bekannte Kriegskarte kam von der Statistikerin und Gründerin der modernen Krankenpflege, Florence Nightingale. Sie hat ein Polardiagramm, auch Rosendiagramm genannt, benutzt, um zu zeigen, dass im Krimkrieg mehr Leute an vermeidbaren Krankheiten wie Cholera und Typhus gestorben sind als durch tatsächliche Kampfverletzungen. 

Source: https://www.historyofinformation.com/

Jeder Keil im Diagramm steht für einen Monat, und die Farben zeigen die verschiedenen Todesursachen. Todesfälle durch vermeidbare Krankheiten sind blau, solche durch Kriegsverletzungen rot und alle anderen Ursachen schwarz dargestellt. 

Im April 1855 kam eine Gesundheitskommission, um die Hygiene im Militärkrankenhaus zu verbessern. Das Ergebnis war ein krasser Rückgang der Todesfälle, der in Nightingales Diagramm richtig auffiel. Diese Visualisierung hat die Regierungsbeamten dazu gebracht, die sanitären Einrichtungen sowohl in Militär- als auch in Zivilkrankenhäusern zu verbessern.

John Snows Cholera-Karte (1854)

Ein weiterer Erfolg für die öffentliche Gesundheit war die Karte von John Snow, auf der die Todesfälle durch Cholera in London eingezeichnet waren. 1854 gab's im Londoner Stadtteil Soho 'ne schlimme Cholera-Epidemie, bei der in nur ein paar Wochen über 600 Leute starben. Snow hat die Cholera-Todesfälle auf einem Stadtplan von London eingezeichnet, wobei die Todesfälle als Balken und die Wasserpumpen als Kreise dargestellt sind. 

Source: londonmuseum.org.

Seine Karte zeigte, dass es um die Wasserpumpe in der Broad Street herum viele Todesfälle gab. Nachdem die Beamten den Griff von der Wasserpumpe abmontiert hatten, sodass sie nicht mehr benutzt werden konnte, ging der Ausbruch zurück. Diese Karte hat geholfen, den lokalen Ausbruch zu lösen. Heute zeigt es uns, wie wichtig die richtige Wahl der Visualisierung für die Wirkung sein kann; zum Beispiel hätte ein Streudiagramm die Ursache des Ausbruchs nicht gefunden. Snow hat die richtige Visualisierung genutzt, um Veränderungen zu bewirken.

Der Zugfahrplan von Étienne-Jules Marey (1885)

Mein persönlicher Lieblingshistorischer-Plan ist dieser Zugfahrplan von 1885. Diese Grafik zeigt alle Züge, die von Paris nach Lyon fahren: ihre Geschwindigkeit, Haltestellen und wann sie einen anderen Zug überholen würden. Die Zeit ist auf der x-Achse und jede Station ist auf der y-Achse so platziert, wie weit sie von den anderen entfernt ist. Jeder Zug wird als eine schräge Linie dargestellt. Steilere Linien zeigen schnellere Züge an, und die horizontalen Abschnitte zeigen, wann der Zug in einem Bahnhof ist. 

Source: commons.wikimedia.org

Normalerweise wären diese Infos als ein ziemlich textlastiger Zeitplan dargestellt worden. Stattdessen hat diese Grafik Raum- und Zeitinfos auf eine coole Art kombiniert, sodass die Bahnmanager Fahrplanprobleme und sogar Zugkollisionen vermeiden konnten! Das zeigt mal wieder, wie viele Infos eine gut gemachte Visualisierung rüberbringen kann.

W.E.B. Du Bois' Datenporträts (1900)

Um die Wende zum 20. Jahrhundert hat der Soziologe und Bürgerrechtler W.E.B. Du Bois hat ein Forscherteam geleitet, das eine Reihe cooler, origineller Diagramme für die Pariser Weltausstellung 1900 erstellt hat. Diese Visualisierungen zeigen die sozialen, wirtschaftlichen und bildungspolitischen Bedingungen der schwarzen Amerikaner nur eine Generation nach der Emanzipation. In einer Zeit, in der rassistische Pseudowissenschaft den öffentlichen Diskurs beherrschte, hat Du Bois Daten genutzt, um schädliche Vorurteile direkt anzusprechen.

Diese Grafik aus WEB Du Bois' „Data Portraits” zeigt echt eindrucksvoll, wie die Emanzipationserklärung das Leben der Afroamerikaner verändert hat. Bildquelle: Wie W.E.B. Du Bois hat Anfang des 20. Jahrhunderts Datenvisualisierung genutzt, um Vorurteile anzugehen.

Die Diagramme haben Themen wie Alphabetisierung, Eigentumsverhältnisse, Beschäftigung, Bevölkerungswachstum und Migrationsmuster behandelt. Viele wurden von Hand gezeichnet und gemalt, mit leuchtenden Farben und ungewöhnlichen Layouts. Während einige dieser Diagramme wie Balkendiagramme oder Tortendiagramme aussehen, probieren andere Sachen wie Spiralen, radiale Layouts und abstrakte Kompositionen aus. Anstatt sich an Konventionen zu halten, hat Du Bois Kommunikation und Wirkung in den Vordergrund gestellt.

Dieses angepasste Kreisdiagramm zeigt, welche Jobs schwarze und weiße Amerikaner Anfang des 20. Jahrhunderts hatten. Bildquelle: Wie W.E.B. Du Bois hat Anfang des 20. Jahrhunderts Datenvisualisierung genutzt, um Vorurteile anzugehen.

Du Bois wollte nicht neutral sein. Die Diagramme waren echt darauf ausgelegt, Leute zu überzeugen, aufzuklären und die Menschlichkeit und Errungenschaften der schwarzen Amerikaner anhand von Daten zu zeigen. Damit hat Du Bois gezeigt, dass es bei der Visualisierung nie nur darum geht, Zahlen zu präsentieren. Es geht darum, die Realität zu gestalten, Geschichten zu erzählen und zu beeinflussen, wie Gesellschaften sich selbst sehen. Diese Diagramme sind jetzt in dem Buch „ “ zusammengefasst. W.E.B. Du Bois' Datenporträts: Visualisierung des schwarzen Amerikas: Die Farbgrenze an der Wende zum 20. Jahrhundert.

WEB Du Bois hat sich nicht gescheut, mit krassen Diagrammtypen zu experimentieren, um seinen Standpunkt zu verdeutlichen, wie dieses Spiral-Diagramm, das die Bevölkerungsverteilung der schwarzen Amerikaner im Jahr 1890 zeigt. Bildquelle: Wie W.E.B. Du Bois hat Anfang des 20. Jahrhunderts Datenvisualisierung genutzt, um Vorurteile anzugehen.

Fazit

Visualisierung ist nicht neutral; jede Entscheidung, die du triffst, beeinflusst, wie die Leute die Geschichte hinter den Daten sehen. Wenn du mehr darüber erfahren möchtest, wie du die Geschichte deiner Daten effektiv erzählen kannst, schau dir unseren Spickzettel zum Thema Datenpräsentation und Kommunikation. 

Für praktische Tipps, welche Tools du nutzen solltest, check unsere Übersicht über 12 der besten Datenvisualisierungstools im Jahr 2025 ist eine super Quelle. Und wenn du bereit bist, diese komplexen Diagramme interaktiv und webfähig zu machen, Interaktive Datenvisualisierung mit Bokeh zeigt dir, wie du reaktionsschnelle, browserfreundliche Visualisierungen in Python erstellen kannst.