![\"\"](\"https:\/\/www.brandwatch.com\/de\/wp-content\/uploads\/2017\/03\/Data-Stories.png\")
<\/a><\/p>\nIn diesem Bereich gibt es einige Probleme.<\/p>\n
Zum einen sind Entscheider vielleicht nicht unbedingt die besten Personen, um diese datenbasierten Geschichten zu interpretieren \u2013 die falsche Geschichte kann zu einer falschen Handlung f\u00fchren. Zum anderen verschwenden F\u00fchrungskr\u00e4fte Zeit damit, diese Geschichten basierend auf Fakten zu erbauen. Wenn das Interpretieren von datenbasierten Fakten viel Zeit in Anspruch nimmt und kompliziert durchzuf\u00fchren ist, werden das F\u00fchrungskr\u00e4fte immer seltener durchf\u00fchren.<\/p>\n
Ein anderer Gesichtspunkt ist, dass Datenvisualisierungen nicht nur Fakten definieren sollten, sondern eindeutige Geschichten erz\u00e4hlen, die auf Fakten basiert.<\/p>\n
Wenn wir die Absicht Daten darzustellen als Storytelling betrachten, ver\u00e4ndert sich der Fokus. Wir denken dann mehr dar\u00fcber nach, wie einnehmend die Geschichte ist. Wenn wir wollen, dass sich jemand die Geschichte anh\u00f6rt, wie w\u00fcrden wir diese erz\u00e4hlen?<\/p>\n
Sie sollte wahrscheinlich fesselnd und leicht nachvollziehbar sein. Das im Hinterkopf behaltend, werfen wir wahrscheinlich alle Fakten raus, die irrelevant f\u00fcr die Hauptgeschichte sind und fokussieren uns mehr auf die Trends als jeden einzelnen Punkt. Mit dieser Ansicht ber\u00fccksichtigen wir den Datenleser, der diese Daten interpretiert und welche Handlung er basierend auf ihren Interpretationen treffen wird.<\/p>\n
Das f\u00fchrt zu einem Wandel. Wenn die Daten die Geschichte eindeutig erz\u00e4hlen, verschiebt sich die Pflicht der Interpretation von Entscheidern zu denjenigen, die die datenbasierte Geschichte erz\u00e4hlen.<\/p>\n
F\u00fcr ein besseres Verst\u00e4ndnis, wie das in der Praxis aussehen kann, werfen wir einen Blick auf ein einfaches und bekanntes Designbeispiel. Das nachfolgende basiert auf den Theorien von Edward Tufte, ein ber\u00fchmter K\u00fcnstler und Statistiker, der sagte: „remove all non-data-ink and redundant data-ink, within reason.“ In anderen Worten sollten wir alles rauswerfen, das nicht absolut n\u00f6tig ist.<\/p>\n Nehmen wir an, wir wollten beschreiben wie viele Tweets mit dem Wort „Kalorien“ an @ChickfilA gerichtet werden im Vergleich zu f\u00fcnf anderen Schnellrestaurant-Wettbewerbern. Die folgenden beiden Charts demonstrieren, wie durch das Entfernen von unn\u00f6tigen Elementen die Charts leichter gelesen werden k\u00f6nnen:<\/p>\n Auf dem zweiten Chart wurden unn\u00f6tige oder irrelevante W\u00f6rter und Elemente entfernt und der Fokus auf Chick-fil-A wurde hervorgehoben. Durch diese Anpassungen k\u00f6nnen die Informationen einfacher, schneller und unkomplizierter aufgenommen werden, wie Chick-fil-A im Vergleich zu den Wettbewerbern abschneidet.<\/p>\n In diesem Beispiel kann der Analyst die Absicht, die hinter den Daten steckt, auf eine einfache Weise verdeutlichen, die Entscheidungstr\u00e4ger einfach verwenden k\u00f6nnen – sie k\u00f6nnen so die relevante Geschichte besser erz\u00e4hlen.<\/p>\n [bw_also_like id=“53588″ title=“Das k\u00f6nnte Ihnen gefallen:“ button_text=“Blogpost lesen“]<\/p>\n<\/a><\/p>\n
\nStorytelling mit Daten<\/h2>\n
<\/a><\/p>\n<\/a><\/p>\n
\nDie Vision der Vizia 2 Plattform<\/h2>\n