Daten sichtbar machen, Zusammenhänge erzählen
Visual Storytelling und Datenvisualisierung sind die Methoden, die aus Zahlen Erkenntnisse und aus Zusammenhängen Geschichten machen. Sie verbinden gestalterisches Handwerk mit analytischer Kompetenz – und erzeugen Veröffentlichungen, die in Sekunden vermitteln, wofür ein Text Absätze bräuchte. Wer diese Methoden beherrscht, erweitert das eigene Repertoire um eine Dimension, die in nahezu jeder professionellen Veröffentlichung Wirkung entfaltet: die Fähigkeit, komplexe Sachverhalte visuell zugänglich zu machen, ohne sie zu verkürzen.
Warum die Methode relevant ist
Die Menge verfügbarer Daten wächst exponentiell, aber die Fähigkeit des Publikums, Zahlen und abstrakte Zusammenhänge zu verarbeiten, wächst nicht im gleichen Tempo. Genau in dieser Lücke entfalten visuelle Methoden ihre Stärke: Sie übersetzen das Unsichtbare ins Sichtbare – Trends, Verteilungen, Zusammenhänge, Prozesse – und machen es für ein breites Publikum verständlich.
Die Forschung zur visuellen Informationsverarbeitung bestätigt diesen Effekt konsistent. Edward Tuftes Arbeiten zur visuellen Darstellung quantitativer Informationen (Tufte, 2001) haben gezeigt, dass gut gestaltete Visualisierungen nicht nur das Verständnis verbessern, sondern auch die Fähigkeit steigern, Muster zu erkennen, die in Tabellen und Fließtexten unsichtbar bleiben. Alberto Cairos Grundlagenwerk zur Informationsgrafik (Cairo, 2013) hat ergänzt, dass Visualisierungen dann am wirkungsvollsten sind, wenn sie funktional gestaltet sind – also Form und Inhalt in den Dienst der Aussage stellen, nicht der Dekoration.
Gleichzeitig sind die Werkzeuge zugänglicher geworden als je zuvor. Von Datawrapper und Flourish (browserbasiert, ohne Programmierkenntnisse) über Tableau und Power BI (für komplexere Analysen) bis zu D3.js und Observable (für maßgeschneiderte interaktive Visualisierungen) – das Spektrum reicht vom Soforteinstieg bis zur professionellen Spezialisierung. Für professionell Veröffentlichende bedeutet das: Visuelle Datenkompetenz ist keine Spezialdisziplin mehr, sondern eine Grundfähigkeit, die sich mit überschaubarem Aufwand aufbauen lässt.
Was Visual Storytelling und Datenvisualisierung umfasst
Datenvisualisierung bezeichnet die grafische Darstellung von Daten – Diagramme, Karten, Zeitreihen, Verteilungen, Netzwerke. Die Methode folgt einem klaren Ablauf: Daten beschaffen und bereinigen, die passende Visualisierungsform wählen, die Grafik gestalten und in die Veröffentlichung einbetten. Die Kernkompetenz liegt in der Übersetzung: Welche Visualisierungsform macht die Aussage der Daten am klarsten sichtbar?
Visual Storytelling geht einen Schritt weiter: Es bettet Visualisierungen in eine narrative Struktur ein – mit einem Einstieg, einer Entwicklung und einer Erkenntnis. Statt einzelne Datenpunkte zu zeigen, erzählt Visual Storytelling eine Geschichte, die durch Daten getragen und durch visuelle Gestaltung erlebbar gemacht wird. Die Kernkompetenz liegt in der Verbindung von Analyse und Erzählung – die Fähigkeit, aus einem Datensatz nicht nur eine Grafik zu machen, sondern eine Geschichte zu erzeugen, die im Gedächtnis bleibt.
Was beide verbindet: Sie machen Unsichtbares sichtbar und erfordern die Kombination aus analytischem Denken und gestalterischem Urteil.
Der Produktionsprozess
Visual Storytelling und Datenvisualisierung folgen einem methodischen Ablauf, der sich in fünf Schritte gliedern lässt.
1. Frage formulieren. Jede gute Visualisierung beginnt mit einer Frage: Was soll gezeigt werden? Welche Aussage sollen die Daten stützen? Welche Erkenntnis soll das Publikum gewinnen? Ohne eine klare Ausgangsfrage entstehen dekorative Grafiken, die Platz füllen, aber keinen Wert schaffen.
2. Daten beschaffen und bereinigen. Die Qualität einer Visualisierung steht und fällt mit der Datengrundlage. Quellen identifizieren, Daten herunterladen oder erheben, auf Vollständigkeit und Konsistenz prüfen, bereinigen (fehlende Werte, Ausreißer, Formatierungsfehler). Dieser Schritt ist der aufwendigste und der am wenigsten sichtbare – aber er ist die Grundlage für alles, was folgt. Professionell Veröffentlichende, die ihre Datenquellen dokumentieren und die Bereinigungsschritte festhalten, schaffen Transparenz und Nachvollziehbarkeit (vgl. den Beitrag „Daten und OSINT" in dieser Reihe).
3. Visualisierungsform wählen. Die Wahl der richtigen Darstellungsform ist eine der wichtigsten Entscheidungen. Einige Orientierungspunkte: Balkendiagramme für Vergleiche zwischen Kategorien. Liniendiagramme für Entwicklungen über die Zeit. Karten für räumliche Verteilungen. Streudiagramme für Zusammenhänge zwischen zwei Variablen. Treemaps für Anteile an einem Ganzen. Sankey-Diagramme für Flüsse und Übergänge. Netzwerkgrafiken für Beziehungen zwischen Akteuren. Die Grundregel: Die Form folgt der Aussage, nicht der Ästhetik. Ein Tortendiagramm mag visuell ansprechend sein, aber für den Vergleich von mehr als vier Kategorien ist ein Balkendiagramm fast immer die bessere Wahl.
4. Gestalten. Farben, Typografie, Beschriftung, Achsen, Legende, Quellenangabe – die Gestaltung einer Visualisierung beeinflusst, wie die Daten wahrgenommen werden. Tuftes Grundprinzip des „Data-Ink Ratio" bleibt die beste Leitlinie: So viel Gestaltung wie nötig für die Daten, so wenig wie möglich für Dekoration. Konkret bedeutet das: unnötige Gitterlinien entfernen, Farben sparsam und funktional einsetzen (Farbe zur Unterscheidung, nicht zur Verschönerung), Beschriftungen direkt an den Datenpunkten platzieren statt in separaten Legenden und ausreichende Kontraste sicherstellen.
5. Kontextualisieren und einbetten. Eine Visualisierung braucht Kontext: Titel (was zeigt die Grafik?), Quellenangabe (woher stammen die Daten?), Zeitraum (wann wurden die Daten erhoben?) und – wo nötig – eine kurze Erläuterung, die die Kernaussage benennt. Für die Einbettung in eine Veröffentlichung gilt: Visualisierungen funktionieren am stärksten, wenn sie an der Stelle im Text stehen, an der die Aussage gemacht wird, die sie stützen – nicht am Ende gesammelt als „Abbildungsanhang".
Qualitätsanforderungen
Visuelle Wahrhaftigkeit. Die Gestaltung darf die Daten nicht verfälschen. Abgeschnittene Y-Achsen, verzerrte Proportionen, irreführende Farbskalen und suggestive Anordnungen sind keine Stilfragen, sondern Qualitätsprobleme. Professionell Veröffentlichende, die ihre Visualisierungen auf visuelle Wahrhaftigkeit prüfen, schützen ihre Glaubwürdigkeit – und die ihres Publikums.
Datenintegrität und Transparenz. Quellen benennen, Erhebungszeiträume angeben, Berechnungsmethoden nachvollziehbar machen. Das gilt für eine Infografik in einem Fachmagazin ebenso wie für ein Diagramm in einem Social-Media-Post. Professionell Veröffentlichende, die ihre Datenquellen offenlegen, stärken nicht nur die einzelne Grafik, sondern ihre eigene Reputation als verlässliche Quelle.
Verständlichkeit. Eine Visualisierung, die nur von Statistikfachleuten verstanden wird, verfehlt in den meisten Veröffentlichungskontexten ihren Zweck. Die Kunst liegt darin, Komplexität zu reduzieren, ohne zu verfälschen – also bewusst auszuwählen, welche Datendimension dargestellt wird, und transparent zu machen, was weggelassen wurde.
Eigenständigkeit. Gute Visualisierungen funktionieren auch ohne begleitenden Text – mit Titel, Legende, Quellenangabe und genügend Kontext, um eigenständig verständlich zu sein. Das ist besonders wichtig, weil Grafiken häufig aus ihrem ursprünglichen Kontext herausgelöst und weiterverbreitet werden.
Barrierefreiheit. Farbgebung, die auch bei Farbsehschwäche funktioniert (rund 8 % der männlichen Bevölkerung betroffen), Muster und Labels zusätzlich zu Farben, Alternativtexte für Screenreader, ausreichende Kontraste. Barrierefreiheit ist bei Visualisierungen kein Zusatzaufwand, sondern ein Qualitätsmerkmal, das die Reichweite erweitert.
Werkzeuge und Einstieg
Der Einstieg ist niedrigschwellig. Datawrapper (kostenfrei für Grundfunktionen) und Flourish (ebenfalls kostenfrei nutzbar) ermöglichen professionelle Diagramme, Karten und interaktive Visualisierungen ohne Programmierkenntnisse – direkt im Browser, mit wenigen Klicks. Für komplexere Analysen bieten Tableau Public (kostenfrei) und Google Data Studio flexible Dashboards. Und für maßgeschneiderte interaktive Visualisierungen sind D3.js (JavaScript-Bibliothek) und Observable (Notebook-Umgebung für D3) die leistungsfähigsten Werkzeuge, erfordern aber Programmierkenntnisse.
Für die Bildbearbeitung und das Layout von Infografiken eignen sich Canva (schnelle Gestaltung, viele Vorlagen), Figma (für kollaboratives Arbeiten) und Adobe Illustrator (für professionelle Vektorgrafiken). Und für die Datenaufbereitung reichen häufig Tabellenkalkulationen (Excel, Google Sheets) – ergänzt durch Python (Pandas) oder R für größere Datensätze.
Der wichtigste Einstiegstipp: Eine konkrete Frage an einen konkreten Datensatz stellen – und die Antwort als Grafik statt als Text darstellen. Wer diesen einen Schritt einmal gemacht hat und erlebt, wie eine Visualisierung einen Sachverhalt klarer macht als drei Absätze Text, wird die Methode in die eigene Veröffentlichungspraxis integrieren wollen.
Grenzen und Perspektiven
Visualisierungen können verdichten, veranschaulichen und Muster sichtbar machen – aber sie können auch vereinfachen, wo Differenzierung nötig wäre. Die Methode ist am stärksten, wenn sie mit Text und Quellenarbeit kombiniert wird: die Visualisierung als Zugang, der Text als Vertiefung, die Quellen als Beleg.
Die Perspektive ist vielversprechend: In einer zunehmend datengetriebenen Welt steigt der Bedarf an der Fähigkeit, Daten verständlich und redlich zu visualisieren. KI-gestützte Werkzeuge beschleunigen die Erstellung und erweitern die Möglichkeiten – von automatisierten Diagrammvorschlägen bis zur Mustererkennung in großen Datensätzen. Wer sich visuelle Datenkompetenz aneignet, gewinnt ein Werkzeug, das in jeder Veröffentlichung Wirkung entfaltet – und das in einer Informationsumgebung, die von Zahlen getrieben wird, zu den gefragtesten Fähigkeiten des professionellen Veröffentlichens gehört.
Quellenverzeichnis
Cairo, A. (2013). The functional art: An introduction to information graphics and visualization. New Riders.
Tufte, E. R. (2001). The visual display of quantitative information (2. Aufl.). Graphics Press.