Datenvisualisierung

1. Datenvisualisierung ist die visuelle Darstellung und Präsentation von Daten, um das Verständnis zu erleichtern.

2. Ziele:

   • Erkennen von Informationen, die in den Daten enthalten sind.

   • Vermittlung dieser Informationen an andere Personen auf anschauliche Weise.

1. Infografiken

2. Informationsvisualisierung

3. Informationsdesign

4. Datenjournalismus

5. Visuelle Analytik

6. Wissenschaftliche Visualisierung

7. Datenkunst

8. Dashboard

9. Storytelling

1. Vertrauenswürdigkeit: Sind die Daten und das Thema korrekt dargestellt?

2. Zugänglichkeit: Ist die Darstellung verständlich und relevant?

3. Eleganz: Ist die Darstellung ästhetisch ansprechend?

1. Visuelle Analyse beschäftigt sich mit dem Erkenntnisgewinn aus Datenvisualisierungen.

2. Hauptziele:

   • Präsentation: Effiziente Kommunikation der Ergebnisse einer Analyse.

   • Bestätigende Analyse: Überprüfung von Hypothesen über die Daten.

   • Explorative Analyse: Suche nach impliziten, nützlichen Informationen in Datenbanken.

Visuelle Analytik verbindet Visualisierung, menschliche Faktoren und Datenanalyse miteinander, um ein besseres Verständnis der Daten zu ermöglichen.

1. Wahrnehmen: Die Betrachterin oder der Betrachter entschlüsselt, wie die Daten dargestellt werden, um erste Beobachtungen über die wichtigsten Merkmale der angezeigten Daten zu tätigen.

2. Interpretieren: Die Beobachtungen werden in eine quantitative und/oder qualitative Bedeutung umgewandelt.

3. Verstehen: Die Interpretation wird in den Kontext des Vorwissens und der Zielsetzung der Betrachterin oder des Betrachters eingebettet.

1. Mit wem kommunizieren Sie? (Zielgruppe)

2. Was soll Ihre Zielgruppe wissen oder tun? (Wirkung, Methode, Intention)

3. Erst wenn Sie diese ersten beiden Fragen präzise beantworten können, sind Sie bereit für die dritte Frage: Wie können Sie Daten nutzen, um Ihren Standpunkt zu untermauern?

1. Die Wahl oder Ausführung der Darstellung kann dazu führen, dass dieselben Daten unterschiedlich interpretiert werden.

2. Es gibt verschiedene Diagrammtypen, wobei manche für die menschliche Wahrnehmung einfacher und genauer sind als andere.

3. Die Gestaltungsprinzipien können die Datenvisualisierung unterstützen, aber auch beeinträchtigen.

1. Gesetz der Annäherung

2. Gesetz der Geschlossenheit

3. Gesetz der Ähnlichkeit

4. Gesetz des Einschlusses

5. Gesetz der Kontinuität

6. Gesetz von Abbildung und Hintergrund

7. Gesetz der Symmetrie

8. Gesetz des Fokuspunktes

1. Verwenden Sie Farben, Formen, Größen und räumliche Anordnung, um die gewünschten Beziehungen zwischen den Daten zu verdeutlichen.

2. Schaffen Sie Kontrast und Hierarchie, um die Aufmerksamkeit auf wichtige Elemente zu lenken.

3. Verwenden Sie bekannte Muster und Strukturen, um die Verarbeitung der Informationen zu erleichtern.

4. Achten Sie auf Ausgewogenheit und Harmonie im Gesamtbild.

1. Einfacher Text

2. Tabellen

3. Graphen

   • Punkte (Streudiagramme)

   • Linien (Liniendiagramme, Steigungsdiagramme)

   • Säulen (Säulendiagramme, gestapelte Säulendiagramme, Wasserfalldiagramme, Balkendiagramme)

   • Flächen (Flächendiagramme)

4. Heatmaps

Vorteile:

• Kurze und prägnante Darstellung von Zahlen

• Schnell zu erfassen

• Keine Notwendigkeit für spezielle Software

Nachteile:

• Begrenzt auf Darstellung von wenigen Zahlen

• Kann unübersichtlich werden bei mehreren Zahlen

• Vergleich von Zahlen ist schwierig

1. Darstellung von mehreren Datenpunkten mit unterschiedlichen Kategorien

2. Vergleich von Datenpunkten in verschiedenen Kategorien

3. Darstellung von Details, die in anderen Visualisierungen nicht dargestellt werden können

Nachteile von Tabellen:

• Kann unübersichtlich werden bei vielen Datenpunkten

• Vergleich von Zahlen über verschiedene Kategorien hinweg kann schwierig sein

1. Punkte (Streudiagramme): Darstellung der Beziehung zwischen zwei Variablen

2. Linien (Liniendiagramme, Steigungsdiagramme): Darstellung von kontinuierlichen Daten über die Zeit oder andere Kategorien

3. Säulen (Säulendiagramme, gestapelte Säulendiagramme, Wasserfalldiagramme, Balkendiagramme): Darstellung von kategorialen Daten und deren Verteilung

4. Flächen (Flächendiagramme): Darstellung von Daten mit großen Größenunterschieden

Heatmaps sind eine Möglichkeit, Daten in Tabellenformat zu visualisieren, wobei zusätzlich zu den Zahlen farbige Zellen verwendet werden, welche die relative Größe der Zahlen vermitteln. Sie eignen sich gut für die Darstellung von Daten mit vielen Kategorien und unterschiedlichen Werten.

1. Die Art der Daten, die dargestellt werden sollen

2. Die Botschaft, die die Visualisierung vermitteln soll

3. Die Zielgruppe der Visualisierung

4. Die verfügbaren Ressourcen (Zeit, Geld, Software)

1. Torten-, Kuchen- oder Donut-Diagramme: Schwer zu interpretieren bei vielen Kategorien, leicht manipulierbar

2. 3-D-Diagramme: Verzerren die Daten und erschweren die Interpretation

3. Sekundäre y-Achsen: Verwirren die Betrachter und erschweren den Vergleich von Daten

4. Schlechte Ästhetik: Unangenehm für die Augen, lenkt von den Daten ab

5. Schlechte Daten: Führen zu falschen Interpretationen

6. Schlechte Wahrnehmung: Verzerren die Daten und erschweren die Interpretation

1. Verwenden Sie eine einfache und klare Darstellung

2. Vermeiden Sie unnötige Elemente und Dekorationen

3. Verwenden Sie Farben und Formen konsistent und sinnvoll

4. Beschriften Sie die Visualisierung klar und deutlich

5. Testen Sie die Visualisierung mit anderen Personen

Datenvisualisierungstools bieten Designerinnen und Designern eine einfachere Möglichkeit, visuelle Darstellungen großer Datensätze zu erstellen. Diese Visualisierungen können für Dashboards, Jahresberichte, Vertriebs- und Marketingmaterialien, Präsentationsfolien für Investoren und überall dort verwendet werden, wo Informationen sofort interpretiert werden müssen.

Das oberste Prinzip ist, ein Werkzeug zu wählen, das für die eigenen Bedürfnisse funktioniert. Es sollte die gewünschten Darstellungen ohne übermäßigen Aufwand erstellen können.

Zu den Hauptmerkmalen von R gehören effektive Datenverarbeitung und Speichermöglichkeiten, eine Reihe von Operatoren für Berechnungen auf Arrays, insbesondere auf Matrizen, eine kohärente Sammlung von Big-Data-Tools für die Datenanalyse und grafische Funktionen für die Datenanalyse.

R kann über Pakete erweitert werden, die über die CRAN-Familie von Internetseiten verfügbar sind. Diese Pakete decken ein breites Spektrum der modernen Statistik ab.

Tableau ist ein Best-of-Breed-Tool für Datenvisualisierung, das eine intuitive Umgebung für Self-Service-Benutzende bietet.

Es unterstützt die visuelle Datenexploration, das Erstellen von Dashboards und Storytelling-Funktionen ohne Programmierung.

Tableau bietet Hunderte von Datenimportoptionen, Mapping-Fähigkeit und interaktive visuelle Datenexploration.

ECharts ist eine leistungsstarke Diagramm- und Visualisierungsbibliothek auf Basis von JavaScript, die eine einfache Handhabung und hohe Leistung bietet. Chart.js ist eine einfache, flexible JavaScript-Diagrammbibliothek, die besonders für Einsteiger geeignet ist. Während D3.js SVG-basiert ist, unterstützt ECharts sowohl SVG als auch Canvas, und Chart.js ist Canvas-basiert.

Grafana ist eine Open-Source-Visualisierungssoftware, die es Benutzenden ermöglicht, dynamische Dashboards und Visualisierungen zu erstellen. Sie unterstützt gemischte Datenquellen, Anmerkungen, anpassbare Warnfunktionen und kann über Plugins erweitert werden.

Die Hauptprodukte von Qlik sind QlikView und Qlik Sense. QlikView unterstützt visuelle Datenerfassung, Self-Service-BI-Reporting und Dashboard-Entwicklung. Qlik Sense ermöglicht Freiform-Analysen und die Erstellung von Daten- und Webanwendungen über API-Verbindungen. Beide Produkte bieten interaktive Selektionen und globale Suchen.

Die Qlik-eigene Daten-Engine stellt eine Verbindung zu Datenspeichern her und hält die Daten im Speicher. Dies ermöglicht es den Anwenderinnen und Anwendern, Visualisierungen anzuwenden und Dashboards über eine Drag-and-drop-Oberfläche zu manipulieren, ohne einen Code zur Datenmanipulation schreiben zu müssen.

Google Charts ist ein kostenloses Datenvisualisierungstool, das für die Erstellung interaktiver Diagramme zur Onlineeinbettung gedacht ist.

Es unterstützt eine Vielzahl von Diagrammtypen und Datenquellen und ermöglicht die Anpassung der Diagramme über CSS.

Google Charts verwendet HTML5 und SVG für die Ausgabe, sodass die Diagramme in Browsern ohne zusätzliche Plugins angezeigt werden können.

Die visuelle Darstellung von Big Data erfordert erhebliche Rechenleistung, weil die Daten nicht nur in ein Diagramm gezeichnet, sondern auch verarbeitet und zusammengefasst werden müssen. Bei Millionen von Datenpunkten kann dies viel Zeit und Rechenleistung beanspruchen.

Ein typischer PC besitzt eine begrenzte Anzahl von CPU-Kernen (bis zu 8), während ein Rechenzentrum auf wesentlich mehr CPU-Kerne zurückgreifen kann (z.B. 40 oder mehr), was die Datenverarbeitung erheblich beschleunigt.

GPU-Computing ist die Verwendung eines Grafikprozessors (GPU) als Co-Prozessor zur Beschleunigung der CPU. Es lagert rechenintensive und zeitaufwendige Teile des Codes an den GPU aus, wodurch die Anwendung schneller läuft, da die massiv parallele Verarbeitungsleistung der GPU genutzt wird.

„Heterogenes“ oder „hybrides“ Computing bezieht sich auf die Kombination von CPU und GPU zur gemeinsamen Datenverarbeitung. Während die CPU weiterhin den Hauptteil der Anwendung ausführt, übernimmt die GPU die rechenintensiven Teile, was die Gesamtleistung verbessert.