Datenvisualisierung in Dashboards

5.1. Datenvisualisierung in Dashboards#

Datenvisualisierung ist die grafische Repräsentation von Daten und Informationen.
Dieses Kapitel gibt einen kurzen Einblick in das Feld Datenvisualisierungen und gibt Ihnen nützliche Links zur weiteren Information an die Hand, da das Thema Datenvisualisierung derart umfassend ist, dass es in dieser Lektion nicht erschöpfend dargestellt werden kann.

Story

Amir Weber möchte Daten zu Bäumen und zum Gießverhalten ansprechend visualisieren. Wie lässt sich das umsetzen? Zuerst braucht er Grundkenntnisse in Bezug auf das Visualisieren von Daten.

Das Dashboard des Projektes "Gieß des Kiez" mit Visualisierungen zur Bewässerung von Bäumen in Berlin.

Abb. 5.2 Screenshot des Dashoards des Projekts Gieß den Kiez vom 13.03.2026.#

5.1.1. Grundlagen#

Visualisierungen sind bildliche Darstellungen von Daten und sollen deren Verständnis erleichtern. Sie können mit unterschiedlichen Methoden erstellt werden und viele verschiedene Darstellungsformen haben (). Da es bereits einige Lernressourcen zum Thema Datenvisualisierung gibt, finden Sie hier einige Empfehlungen:

  • Wenn Sie noch wenig Erfahrung mit Datenvisualisierung haben, finden Sie im Blog-Eintrag des Civic Data Labs einen zugänglichen Einstieg ins Thema (ganz ohne Programmierkenntnisse).

  • Das Einsteigervideo der RWTH Aachen erklärt in 14 Minuten kompakt, was Datenvisualisierung ist und welche Arten von Visualisierungen es gibt – ergänzt durch Reflexionsfragen zur Vertiefung.

  • Wenn Sie auf der Suche nach weiteren Lernressourcen zu Datenvisualisierung sind, finden Sie beim Civic Data Lab eine umfassende Sammlung an externen Empfehlungen – strukturiert nach Anfänger:in, Fortgeschrittene und Expert:in, mit passenden Kursen, Cheat Sheets und Praxistipps zu Tools wie Datawrapper, Excel, ggplot2, Tableau und Power BI. Schauen Sie dort gerne rein, um Ihre Vorerfahrungen mit dem Thema besser einschätzen zu können.

  • Das Civic Data Lab hat darüber hinaus einen eigenen Lernraum geschaffen, in dem es einen Kurs zu Datenvisualisierung und Storytelling gibt. Der Kurs vermittelt in drei aufeinander aufbauenden Modulen sowohl die Konzepte hinter Visualisierung und Storytelling als auch praktische Methoden und lehrt, warum und wie man Daten als Geschichte erzählt.

  • Im Rahmen von Quadriga wurde in einer anderen Fallstudie über Studentische Filme bereits ein Kapitel über Visualisierung kreiert, in das ein Blick auch aus Perspektive der Verwaltung(swissenschaft) lohnt.

  • Wenn Sie bereits Grundkenntnisse mitbringen, finden Sie im Blog-Beitrag „Daten visualisieren (III): Datenvisualisierungs-Tools im Überblick“ von Nina Hauser auf dem Skala Campus einen strukturierten Überblick über gängige Tools zur Datenvisualisierung.

5.1.2. Methoden und Werkzeuge#

Das Visualisieren von Daten wird zunehmend eine Frage der Beherrschung von Code bzw. Programmiersprachen (). Was braucht es für eine gelungene Datenvisualisierung?

5.1.3. Gestaltung von Dashboards#

Wo Sie eine Visualisierung im Dashboard positionieren, kann Einfluss auf ihre (wahrgenommene) Bedeutung haben.

5.1.4. Visualisierung als Kommunikation#

Visuelle Darstellungen können helfen, Komplexes verständlich zu machen und auf das Wesentliche zu reduzieren. Visuelle Darstellungen sind dabei seit jeher ein zentrales Hilfsmittel, denn als kulturelle Werkzeuge strukturieren sie seit der frühen Menschheitsgeschichte unsere Vorstellungen von Raum und Zeit. (). Visualisierungen von Forschungsergebnissen dienen auch der Wissenschaftskommunikation. Da bildlich vereinfachte Darstellung von Daten, beispielsweise in einem Kreisdiagramm … sind auch für Laien verständlich/ eignen sich zur Kommunikation von Ergebnissen in die Welt (durch Presse/Print etc.), für Präsentationen

5.1.5. Reflexion#

Datenvisualisierungen bilden nicht die Realität ab, sondern sind immer Verzerrungen derselben (). Es gilt, Visualisierungen kritisch zu reflektieren, da sie bereits eine vereinfachte Darstellung eines komplexen Sachverhaltes sind, einen Abstraktionsgrad aufweisen und den Blick der Nutzenden auch un- bzw. unterbewusst bereits in eine bestimmte Richtung lenken können (Einsatz von Farben, Auswahl der Visualisierungsform etc.). Darüber hinaus dürfen die Kenntnisse der Zielgruppe nicht überschätzt werden, wenn eine Visualisierung der Intention gerecht interpretiert werden soll ().

Die visuelle Darstellung kann mehr Aspekte sichtbar machen als die ursprünglichen Daten. Dies können eben Formen und Farben sein. Eine Sichtbarmachung dieser Aspekte ermöglicht beispielsweise erst eine explorative Analyse (). Allerdings gilt es eben auch, sich von diesen Aspekten nicht blenden zu lassen. Zu beachten ist dabei zudem, dass Datenvisualisierungen künstliche Konstruktionen sind, die ein bestimmtes Denken operationalisieren. Sie sind also immer im Kontext der Gesellschaften und Vorstellungswelten zu sehen, aus der sie stammen ().

Im Gegensatz zu einer Tabelle sind Visualisierungen oft ansprechender gestaltet. Durch Farbgebungen lässt sich ein starker Fokus setzen, was allerdings auch dazu genutzt werden kann, um das Hauptaugenmerk abzulenken.
Zudem ist eine Visualisierung immer auch eine Abstraktion. Sie bricht das (Forschungs-)Ergebnis auf einige Aspekte herunter und unterstreicht diese damit. Daher liegt darin auch eine Gefahr von Missinterpretationen. Die Gefahr besteht sowohl im Entwerfen eigener Grafiken, als auch in der fälschlichen Wahrnehmung der Grafiken anderer.

zusätzliche Materialien

Das Civic Data Lab hat eine Checkliste veröffentlicht, die dabei helfen kann, Visualisierungen kritisch zu lesen. Im Fokus steht dabei, woher die Daten kommen und wie sie grafisch dargestellt werden.

Merke

Visualisierungen sind immer eine vereinfachte Darstellung eines Sachverhalts.

Die Gestaltung der Visualisierung (Verwendung bestimmter Farben, Anordnung einzelner Aspekte etc.) hat bereits Einfluss darauf, wie sie von anderen wahrgenommen wird.

Die Manipulation einer Visualisierung erfolgt daher nicht zwangsweise bewusst.

Wer sich der Manipulationsmöglichkeiten bewusst ist und Visualisierungen kritisch analysiert, läuft weniger Gefahr, Visualisierungen zu missinterpretieren.

Literatur