Daten visualisieren und kommunizieren

Damit Umfrageergebnisse tatsächlich Entscheidungen beeinflussen, müssen sie bei der Zielgruppe ankommen. Im vorherigen Kapitel hieß der entsprechende Weg Push: Erkenntnisse zielgruppengerecht aufbereiten und aktiv an die Entscheidungsträger:innen herantragen.

Push-Formate gestalten: wie funktioniert Kommunikation?

Dem Kooperationsprinzip zufolge (Grice, 1975⤴) beruht gelingende Kommunikation darauf, dass beide Seiten implizit zusammenarbeiten: Die sprechende Person liefert genau den Beitrag, den die Situation erfordert, und die zuhörende Person geht davon aus, dass sie das tut. Dieses unausgesprochene Übereinkommen umfasst Maximen, an denen sich Verständigung in der Regel orientiert:

Quantität: Ein Beitrag enthält so viel Information wie nötig und so wenig wie möglich; weder wird Wesentliches weggelassen noch mit Überflüssigem überfrachtet.

Qualität: Was gesagt wird, gilt als wahr und belegt; behauptet wird nichts, wofür die Grundlage fehlt.

Relation: Ein Beitrag bezieht sich auf die Situation und das gemeinsame Ziel, ist also relevant.

Modalität (Art und Weise): Die Darstellung ist klar und geordnet; sie vermeidet Mehrdeutigkeit und unnötige Komplexität.

Auch wenn das Kooperationsprinzip ursprünglich beschreibt, warum Verständigung überhaupt funktioniert, lässt sich daraus ableiten, wie man Kommunikation verbessern und vor allem, was man vermeiden sollte.

Damit zusammenhängend lohnen sich folgende Fragen zu dem Material, das man erstellt: Wer liest es? Welche Entscheidung soll es unterstützen? Wie viel Zeit und Vorwissen bringt die Zielgruppe mit?

Kombiniert man die Maximen zum Beispiel mit dem Kontext, dass Entscheidungsträger:innen meist wenig Zeit haben, ergibt sich für solche oft das Format One-Pager oder Factsheet mit einer Kernaussage. Für eine inhaltliche Diskussion ein ausführlicherer Policy Brief; und für wiederkehrende Nutzung ein Dashboard (das zugleich in den User-Pull-Bereich übergeht).

Welche Rolle spielt Visualisierung bei der Kommunikation?

Ein zentrales Werkzeug, um Erkenntnisse verständlich zu machen, ist die Datenvisualisierung. Sie kann zwei Funktionen erfüllen. Zum einen erlaubt sie es, in Daten Muster zu erkennen (z.B. einen Zusammenhang zwischen zwei oder mehreren Variablen). Zum anderen kann man Muster oder Wissen, das in Daten steckt, mit Visualisierungen sichtbar machen oder verdeutlichen. Wir beschäftigen uns hier vor allem mit dem zweiten Anwendungsfall.

Datenvisualisierung lässt sich in beiden Anwendungsfällen als Mapping von Variablen zu visuellen Dimensionen vorstellen. Visuelle Dimensionen sind zum Beispiel Farbe, Position oder Größe (ausführlich dargestellt in Abbildung 1).

Dieses Mapping explizit zu machen, erlaubt es, präzise Information für die Betrachter:innen sichtbar zu machen. Einzelne Visualisierungen sind oft Kombinationen aus Mappings, die bekannten Diagrammtypen entsprechen. In einem Scatterplot werden zwei Variablen jeweils durch eine X- und Y-Koordinate (siehe Position in Abb. 1) dargestellt, was in einem Punkt resultiert. Eine kategorische Variable kann man dann zu Farben oder Formen mappen.

Die Maximen des Kooperationsprinzips lassen sich dabei direkt auf Visualisierungen übertragen: Ein überladenes Diagramm verletzt die Quantitätsmaxime, eine irreführende Achsenbeschriftung die Qualitätsmaxime, ein thematisch unpassendes Diagramm die Relationsmaxime, und eine unklare Farbwahl die Modalitätsmaxime.

Welcher Diagrammtyp eignet sich wann?

Die Wahl eines Diagramms sollte sich nicht danach richten, welche Visualisierung verfügbar ist, sondern danach, welche Frage beantwortet werden soll. Unterschiedliche Diagrammtypen unterstützen unterschiedliche Analyseaufgaben. Wir stellen hier die grundlegendsten vor.

Wir verwenden hier den Palmer-Pinguine-Datensatz als anschauliches Beispiel für die Möglichkeiten von Visualisierung. Es handelt sich um einen Datensatz, der sowohl kategoriale Merkmale (z. B. Art, Insel oder Geschlecht) als auch numerische Messwerte (z. B. Schnabellänge, Schnabeltiefe, Flossenlänge und Körpermasse) enthält (Horst et al., 2020⤴) .

Kategorien vergleichen

Frage: Wie viele Beobachtungen gibt es pro Pinguinart?

Balken- und Säulendiagramme eignen sich für den Vergleich diskreter Kategorien. Da die Länge einer gemeinsamen Achse sehr präzise wahrgenommen werden kann, lassen sich Unterschiede schnell erkennen. Kategorien sollten nach Größe statt alphabetisch sortiert werden, außer es gibt eine natürliche Reihenfolge.

Verteilungen verstehen

Frage: Wie verteilt sich die Schnabellänge der Pinguine?

Histogramme zeigen, wie sich Werte über einen Zahlenbereich verteilen. Sie helfen dabei, typische Werte, Ausreißer oder mehrere Gruppen innerhalb der Daten zu erkennen. Für kompakte Vergleiche mehrerer Gruppen eignen sich zusätzlich Boxplots.

Zusammenhänge untersuchen

Frage: Gibt es einen Zusammenhang zwischen Schnabellänge und Schnabeltiefe?

Streudiagramme (Scatterplots) zeigen die Beziehung zwischen zwei metrischen Variablen. Jeder Punkt repräsentiert eine Beobachtung. Muster in der Punktwolke können auf Korrelationen, Cluster oder Ausreißer hinweisen.

Entwicklungen über die Zeit darstellen

Wenn eine Variable über die Zeit beobachtet wird, sind Liniendiagramme meist die beste Wahl. Hier werden Trends, Veränderungen und Wendepunkte sichtbar gemacht.

Frage: Wie entwickelt sich die Anzahl der Pinguine pro Art über die Jahre?

Wann eine Tabelle besser ist

Nicht jede Information benötigt ein Diagramm. Tabellen eignen sich besonders dann, wenn exakte Werte wichtig sind oder Nutzer:innen einzelne Beobachtungen nachschlagen möchten. Das gilt zum Beispiel für Budgetübersichten, in denen es auf den genauen Euro-Betrag ankommt, oder für Vergleichstabellen, in denen mehrere Merkmale gleichzeitig gegenübergestellt werden. Als Faustregel: Wenn die Zielgruppe eher nach einem bestimmten Wert sucht als nach einem Muster, ist eine Tabelle die bessere Wahl.

Häufige Fehler bei der Visualisierung

Auch gut gemeinte Diagramme können in die Irre führen. Einige der häufigsten Probleme:

Abgeschnittene Y-Achsen: Wenn die Y-Achse nicht bei Null beginnt, können kleine Unterschiede optisch dramatisch wirken. Besonders bei Balkendiagrammen verzerrt das die Wahrnehmung erheblich.

Irreführende Farbwahl: Wenn Farben keine logische Zuordnung haben oder zu wenig Kontrast bieten, wird das Diagramm schwer lesbar. Rot und Grün ohne zusätzliche Kodierung schließen zudem Menschen mit Farbfehlsichtigkeit aus.

3D-Effekte: Dreidimensionale Darstellungen mögen dekorativ wirken, verzerren aber Proportionen und erschweren das präzise Ablesen von Werten. Flache Darstellungen sind fast immer die bessere Wahl.

Zu viele Elemente auf einmal: Wenn ein einzelnes Diagramm zu viele Variablen, Kategorien oder Farben enthält, verliert es seine Aussagekraft. In solchen Fällen lohnt es sich, die Darstellung auf mehrere Diagramme aufzuteilen.

Unterschiedliche Achsen bei nebeneinander stehenden Diagrammen: Wenn mehrere Diagramme zum Vergleich nebeneinander gestellt werden, aber unterschiedliche Achsenskalierungen verwenden, entsteht ein verzerrter Eindruck. Ein Balken, der in Diagramm A gleich hoch ist wie in Diagramm B, kann einen völlig anderen Wert darstellen. Wer Diagramme zum Vergleich anordnet, sollte identische Achsen verwenden oder die Unterschiede deutlich kennzeichnen.

Kreisdiagramme für zu viele Kategorien: Tortendiagramme funktionieren nur bei wenigen Kategorien (zwei bis vier), deren Anteile sich deutlich unterscheiden. Sobald viele ähnlich große Segmente entstehen, lassen sich die Anteile kaum noch vergleichen. Ein sortiertes Balkendiagramm ist dann die klarere Wahl.

Fehlende Nulllinie bei Flächen- und Balkendiagrammen: Bei Flächendiagrammen und gestapelten Balken ist die Nulllinie der visuelle Anker. Fehlt sie oder wird sie verschoben, lassen sich Größenverhältnisse nicht mehr korrekt einschätzen.

Dekorative Elemente ohne Informationsgehalt: Illustrationen, Icons oder Hintergrundbilder, die keine Daten transportieren, lenken von der eigentlichen Aussage ab. Edward Tufte prägte dafür den Begriff „Chartjunk”. Jedes visuelle Element sollte eine Funktion haben.

Zeitachsen ohne gleichmäßige Intervalle: Wenn auf der X-Achse Zeitpunkte ungleichmäßig verteilt sind (zum Beispiel 2018, 2019, 2022, 2024), aber gleich weit auseinander dargestellt werden, entsteht ein falscher Eindruck der Entwicklung. Die Abstände auf der Achse müssen den tatsächlichen Zeitabständen entsprechen.

Checkliste für die Erstellung von Visualisierungen