Explorative Datenanalyse (EDA) spielt eine entscheidende Rolle im Prozess der Datenanalyse, da sie uns hilft, Beziehungen zu erkennen, Anomalien zu identifizieren und neue Hypothesen zu testen. EDA ist jedoch kein formales Set an Techniken, sondern vielmehr eine Herangehensweise, die darauf abzielt, Eigenschaften und Muster in den Daten zu enthüllen. Durch visuelle Darstellungen und statistische Zusammenfassungen können Forscher wertvolle Einblicke gewinnen, die durch reine numerische Analysen möglicherweise übersehen werden.

Ein anschauliches Beispiel für EDA findet sich im STATS19-Datensatz, der detaillierte Informationen über alle gemeldeten Verkehrsunfälle in Großbritannien enthält, die zu Personenschäden führten. Der Datensatz ist reich an Kategorischen Variablen, die eine eingehende Analyse erfordern. Zu Beginn werden grundlegende Darstellungen verwendet, um die Variation innerhalb einer Variable sowie die Korrelationen zwischen verschiedenen Variablen zu untersuchen. Für diese ersten Schritte sind einfache Diagramme und Zusammenfassungen, wie zum Beispiel Häufigkeitsverteilungen oder Korrelationstabellen, von großer Bedeutung.

Ein häufig verwendetes Werkzeug für EDA sind Diagramme, die die Variation innerhalb kontinuierlicher Variablen darstellen. Diese Variablen sind auf einer kontinuierlichen Skala gemessen und ermöglichen es, die Verteilung und Streuung von Werten wie etwa dem Alter von verletzten Fußgängern zu visualisieren. Verschiedene Arten von Diagrammen bieten unterschiedliche Perspektiven. So zeigt etwa ein Strip-Plot jede einzelne Beobachtung als Punkt auf der y-Achse. Diese Art der Darstellung hat den Vorteil, dass sie eine hohe Auflösung bietet, ohne dass eine Aggregation vorgenommen werden muss. Die Streuung der Daten wird visuell erkennbar, was besonders nützlich ist, wenn man die Ausprägung von Ausreißern und die Verteilung von Werten besser verstehen möchte.

Histogramme sind eine weitere häufig genutzte Darstellungsform in der EDA. Sie unterteilen die Daten in gleichmäßige Intervalle und geben die Häufigkeit der Daten innerhalb dieser Intervalle an. Der Vorteil von Histogrammen liegt in ihrer Fähigkeit, die Form einer Verteilung klar zu erkennen, sei es unimodal, bimodal oder multimodal. Sie ermöglichen es, die Lage einer Verteilung zu identifizieren und den Grad der Asymmetrie, wie beispielsweise eine rechts-schief verlaufende Altersverteilung, zu erkennen. Das Histogramm zeigt in diesem Fall, dass die mittlere Altersgruppe der verletzten Fußgänger um die 36 Jahre liegt, während der Median bei 30 Jahren liegt.

Ein weiteres nützliches Werkzeug ist das Density-Plot. Im Gegensatz zum Histogramm, das durch die Binning-Prozedur eine gewisse Glättung der Daten vornimmt, bietet der Density-Plot eine kontinuierliche Darstellung der Wahrscheinlichkeitsdichte der Variablen. Dieser Plot ermöglicht es, schnell das allgemeine Formmuster der Verteilung zu erkennen und statistische Eigenschaften wie den Modus, den Mittelwert und den Median visuell abzuleiten. Density-Plots sind besonders nützlich, um eine erste Einschätzung über die Verteilung der Daten zu erhalten, ohne sich mit der Auswahl von Bin-Größen oder anderen technischen Aspekten auseinanderzusetzen.

Boxplots sind eine weitere wertvolle Darstellungsform, die die wichtigsten statistischen Eigenschaften einer Verteilung komprimiert wiedergibt. Der Boxplot zeigt den Interquartilsbereich (IQR), wobei die Mittellinie den Median repräsentiert. Die „Whiskers“ (die Striche, die aus der Box herausragen) markieren Werte, die innerhalb einer bestimmten Spannweite von der Interquartilgrenze liegen. Auch wenn Boxplots keine Informationen zur genauen Form der Verteilung liefern, sind sie besonders hilfreich, wenn es darum geht, mehrere Verteilungen gleichzeitig zu vergleichen oder die Daten auf mögliche Ausreißer zu überprüfen.

Besonders im Rahmen von EDA ist es wichtig zu verstehen, dass diese Visualisierungen nicht nur zur Entdeckung von Mustern, sondern auch zur Hypothesenbildung und zum Testen von Annahmen dienen. Der STATS19-Datensatz ist ein gutes Beispiel dafür, wie visuelle Darstellungen von Korrelationen und Verteilungen helfen können, die Struktur der Daten besser zu verstehen. Ein erfahrener Analyst nutzt sowohl statistische Methoden als auch visuelle Tools, um neue Fragestellungen zu entwickeln und bestehende Annahmen zu überprüfen. In der frühen Phase einer Analyse kann dies stark datengetrieben sein, während mit zunehmendem Wissen und besseren Modellen spezialisierte Methoden angewendet werden.

Ein weiterer Aspekt, der im Rahmen der explorativen Datenanalyse häufig übersehen wird, ist die Bedeutung der richtigen Auswahl von Variablen und der darauf abgestimmten Darstellungsformen. Es ist nicht nur wichtig zu wissen, welche Diagramme verwendet werden sollen, sondern auch, wie die Variablen kategorisiert und visualisiert werden. Vor allem bei der Analyse großer und komplexer Datensätze, wie etwa STATS19, wird deutlich, dass eine präzise und durchdachte Visualisierung der Variablen eine entscheidende Rolle dabei spielt, die richtigen Muster und Beziehungen zu erkennen.

Schließlich ist zu betonen, dass EDA weit mehr ist als nur das Erstellen von Diagrammen und das Berechnen von Statistiken. Es geht darum, die Daten in einem explorativen, offenen Prozess zu betrachten, wobei die Visualisierungen als Mittel dienen, um neue Perspektiven zu eröffnen. Die ständige Rückkopplung zwischen statistischen Modellen und visuellen Darstellungen ermöglicht es, Hypothesen weiter zu verfeinern und das Verständnis für die zugrunde liegenden Daten zu vertiefen. Ein fundiertes Verständnis der Prinzipien der explorativen Datenanalyse ist daher unerlässlich, um nicht nur Muster zu erkennen, sondern auch um die Tiefe und die Komplexität der Daten vollständig zu erfassen.

Wie können geospatiale Herkunft-Ziel-Daten helfen, das Pendelverhalten in Großbritannien zu verstehen?

Die Analyse von Netzwerkdaten, insbesondere geospatiale Herkunft-Ziel-Daten, ist eine der zentralen Herausforderungen in der Geographie und der Stadtforschung. Diese Art von Daten bezieht sich auf Pendelströme zwischen verschiedenen geografischen Einheiten – wie Stadtbezirken oder Städten – und ist ein entscheidender Bestandteil, um Muster in der Mobilität von Berufspendlern zu verstehen. Ein Ansatz, der sich zunehmend bewährt, ist der Einsatz von Visualisierungstechniken, um komplexe Netzwerkdaten besser erfassen und analysieren zu können.

Im Rahmen der Untersuchung von Pendelströmen innerhalb von London bietet sich die Verwendung von OD-Karten (Herkunft-Ziel-Karten) an. Diese Karten ermöglichen es, die geospatiale Verteilung der Pendelströme zu visualisieren, wobei jede Zelle auf der Karte die Bewegung von Personen zwischen verschiedenen Bezirken abbildet. Dies wird besonders hilfreich, wenn wir die Anzahl der Pendler, die in verschiedenen Stadtbezirken arbeiten und wohnen, in Beziehung setzen und deren Verteilung in verschiedene Berufsgruppen aufzeigen wollen. Ein solcher analytischer Rahmen kann jedoch auch die soziogeografische Struktur von Großbritannien offenbaren, indem er verdeutlicht, wie sich Pendelströme zwischen wirtschaftlich besser gestellten und einkommensschwächeren Regionen verteilen.

In einer detaillierten Analyse von Pendelmustern in London, basierend auf den Daten der Volkszählung 2011, wurde gezeigt, dass diese Form der Visualisierung Aufschluss über die sozialen und wirtschaftlichen Unterschiede zwischen den Stadtbezirken gibt. Die Verteilung von Pendlern, die sowohl in professionellen als auch nicht-professionellen Berufen tätig sind, variiert stark und weist auf ein signifikantes geografisches Ungleichgewicht hin. So zeigt sich zum Beispiel, dass in den östlichen, preiswerteren Stadtbezirken von London mehr Pendler aus nicht-professionellen Sektoren zu verzeichnen sind, während in den westlichen, wohlhabenderen Bezirken eine höhere Konzentration von Pendlern aus professionellen Berufsgruppen zu finden ist. Diese Art der Analyse hilft, die unterschiedlichen Dynamiken zwischen den städtischen Räumen zu verstehen und erlaubt Rückschlüsse auf das soziale Gefüge Londons und anderer Großstädte.

Ein weiteres wichtiges Konzept, das bei der Analyse von Pendelströmen berücksichtigt werden muss, ist die Berechnung des Anteils von professionellen Arbeitsplätzen in den jeweiligen Bezirken. Dieser Wert wird mit der Gesamtzahl der Pendler in den jeweiligen Herkunfts- und Zielbezirken kombiniert, um das zu erwartende Pendelverhalten zu ermitteln. In einem weiteren Schritt wird die Differenz zwischen dem tatsächlichen und dem erwarteten Pendelverhalten berechnet und als Rate dargestellt, um so Abweichungen und unerwartete Muster zu identifizieren.

Die Herausforderung bei der Arbeit mit Netzwerkdaten liegt nicht nur in der Komplexität der zugrunde liegenden Strukturen, sondern auch in der richtigen Visualisierung der Daten. Während Diagramme, die auf einer Knoten-Link-Darstellung basieren, eine intuitive Übersicht bieten, scheitern sie häufig daran, detaillierte Muster im Pendelverhalten darzustellen. Eine bessere Methode stellt die Verwendung von Matrixansichten dar, die speziell für die Darstellung von Herkunft-Ziel-Daten entwickelt wurden. Diese Ansichten ermöglichen es, eine genauere und differenziertere Analyse von Pendelströmen vorzunehmen.

Ein wichtiger Aspekt der geospatiale Herkunft-Ziel-Datenanalyse ist auch die Berücksichtigung von räumlichen Abhängigkeiten und der räumlichen Nicht-Stationarität von Prozessen. Das bedeutet, dass Pendelströme nicht gleichmäßig über das gesamte Untersuchungsgebiet verteilt sind und dass lokale Gegebenheiten – etwa die Nähe zu Arbeitsplätzen oder Verkehrsanbindungen – die Pendelverhalten stark beeinflussen können. Ein solches Verständnis hilft, die zugrundeliegenden Ursachen für Pendelmuster zu entschlüsseln und liefert wertvolle Erkenntnisse für die Stadtplanung und die Entwicklung von Infrastrukturbauten.

Die Anwendung dieser Methoden auf die Pendelströme in London ist ein anschauliches Beispiel für die Effektivität solcher Visualisierungen in der geospatialen Analyse. Die Kombination von räumlich angeordneten Matrizen und OD-Karten zeigt eine klare Darstellung von Pendelströmen, die mit einfachen Knoten-Link-Diagrammen nicht erreicht werden kann. Diese Techniken sind jedoch nicht nur für London von Bedeutung. Sie können auf andere urbane Netzwerke angewendet werden, um regionale Unterschiede und soziale Ungleichgewichte besser zu verstehen.

Für den Leser ist es von wesentlicher Bedeutung zu verstehen, dass solche geospatialen Daten weit mehr bieten als nur eine Visualisierung von Pendelbewegungen. Sie ermöglichen es, tiefergehende Fragen zur sozioökonomischen Struktur einer Region zu beantworten. Indem man die Daten als Grundlage für die Untersuchung von Arbeitsmarktmustern, Verkehrsinfrastruktur und sozialen Ungleichgewichten nutzt, lassen sich gezielte politische und wirtschaftliche Entscheidungen treffen, die zu einer ausgewogenen Stadtentwicklung beitragen können. Ein tiefes Verständnis der geospatialen Daten und ihrer Bedeutung ist unerlässlich, um die dynamischen Wechselwirkungen zwischen Raum, Arbeit und sozialer Struktur zu entschlüsseln.

Wie regionale Unterschiede politische Einstellungen beeinflussen: Modelle der räumlichen Autokorrelation und geografischen Kontextualisierung

Die regionalen Unterschiede innerhalb eines Landes können tiefgreifende Auswirkungen auf politische Einstellungen und Wahlen haben. Besonders in Bezug auf Phänomene wie die EU-Migration und die politische Orientierung kann es zu markanten Unterschieden kommen, die durch geografische und soziale Kontexte beeinflusst werden. Dies erfordert eine differenzierte Betrachtung und Modellierung von Daten, um die wahren Zusammenhänge zu erkennen und die Verzerrungen in den Ergebnissen zu minimieren.

Ein zentrales Konzept ist die räumliche Nichtstationarität, die sich in der Variation der Assoziationen zwischen Variablen über den Raum hinweg manifestiert. In bestimmten Regionen eines Landes können hohe Migrationsraten von EU-Bürgern die politischen Einstellungen und damit die Wahlergebnisse anders beeinflussen als in anderen Gebieten. Diese Unterschiede sind nicht zufällig, sondern spiegeln oft tief verwurzelte regionale Eigenheiten wider. Ein Beispiel dafür ist die unterschiedliche Ausprägung der politischen Einstellungen in städtischen und ländlichen Regionen, die durch unterschiedliche sozioökonomische Strukturen geprägt sind. Das heißt, eine einheitliche Modellierung von Variablen wie der Migration könnte in einigen Regionen derartige Unterschiede nicht adäquat abbilden.

Ein effektives Verfahren zur Untersuchung dieser regionalen Variationen ist der Einsatz von Tests auf räumliche Autokorrelation in den Residuen eines Modells. Ein solcher Test, wie der sogenannte Map Line-Up Test, ermöglicht es, die beobachteten Residuen (also die Differenzen zwischen den tatsächlichen und den durch das Modell geschätzten Werten) mit zufällig permutierten Werten zu vergleichen. Das Ziel dieser Analyse ist es, festzustellen, ob die beobachteten Daten tatsächlich mit der Nullhypothese von vollständiger räumlicher Zufälligkeit übereinstimmen oder ob sie signifikante räumliche Muster aufweisen, die auf eine systematische Verzerrung hinweisen.

Die Ergebnisse eines solchen Tests zeigen oft eine klare räumliche und regionale Autokorrelation in den Residuen, was darauf hinweist, dass unser Modell bestimmte regionale Unterschiede und die zugrunde liegende Struktur der Daten nicht vollständig erfasst. Diese regionalen Muster sind oft nicht nur statistische Artefakte, sondern spiegeln reale, geografisch bedingte Unterschiede wider. Eine solche Erkenntnis verlangt eine Anpassung des Modells, um diese regionalen Kontexte besser zu berücksichtigen und die Verzerrungen in der Schätzung der politischen Einstellungen zu korrigieren.

Ein weiteres Konzept, das zur Modellierung von geografischer Abhängigkeit verwendet wird, ist die Einführung von geografischen Kontexten als Fixe Effekte (Fixed Effects, FE). Diese Methode geht davon aus, dass jede Region durch einen eigenen konstanten Parameter (eine Art Schnittstelle) beschrieben werden kann, der die spezifischen regionalen Unterschiede berücksichtigt. In einem solchen Modell wird die Variation zwischen den Regionen nach der Kontrolle für demografische Faktoren direkt erfasst, was eine präzisere Schätzung der Zusammenhänge zwischen Variablen und Wahlergebnissen ermöglicht. Das Beispiel einer Wahlbeteiligung im Kontext der Brexit-Abstimmung zeigt, wie regionale Fixe Effekte helfen können, den Einfluss von Bereichen wie London oder Schottland korrekt abzubilden, da diese Regionen markant unterschiedliche Wahlergebnisse hervorgebracht haben. In diesem Modell würde London beispielsweise einen höheren Anteil an "Leave"-Wählern aufweisen, während Schottland einen geringeren Anteil aufweist, selbst wenn die demografischen Eigenschaften der Wähler in beiden Regionen ähnlich sind.

Es ist auch zu beachten, dass die Verwendung von Fixen Effekten in regionalen Modellen dazu beiträgt, systematische Unterschiede in den Wahlergebnissen aufgrund von regionalen Besonderheiten herauszufiltern. Dies verhindert, dass der Einfluss von bestimmten Variablen – wie etwa der ethnischen Zusammensetzung oder der Industriegeschichte – auf die Wahlergebnisse verzerrt wird. Für die politische Analyse bedeutet dies, dass man die regionalen Unterschiede als Teil des Modells explizit berücksichtigen muss, um Verzerrungen und ungenaue Interpretationen zu vermeiden.

Die Modellierung regionaler Unterschiede ist jedoch nicht nur eine technische Herausforderung, sondern auch eine theoretische. Um die komplexen sozialen und politischen Prozesse zu verstehen, die zu den regionalen Unterschieden führen, ist es wichtig, die historische und sozioökonomische Entwicklung jeder Region zu berücksichtigen. In vielen Fällen sind diese Unterschiede tief in der Geschichte der Region verwurzelt und spiegeln sich in den Einstellungen der Bewohner wider, die durch Migration, Industrieentwicklung oder unterschiedliche politische Traditionen geprägt sind. Dies ist besonders relevant, wenn man über politische Wahlen und die Einstellungen zu bestimmten Themen, wie etwa der Europäischen Union, nachdenkt.

Für die zukünftige Forschung und Modellierung ist es entscheidend, dass der geografische Kontext nicht als bloße statistische Variable behandelt wird. Vielmehr muss er als ein wichtiger, in seiner Struktur und seinen Dynamiken vielfältiger Bestandteil des Analysemodells betrachtet werden. Die Berücksichtigung regionaler Unterschiede ermöglicht es, die politischen Einstellungen und Wahlergebnisse präziser zu verstehen und die Dynamiken innerhalb eines Landes besser zu erfassen.

Wie visuelle Erzähltechniken zur Kommunikation von Covid-19-Daten verwendet werden

Die visuelle Darstellung von Daten ist eine kraftvolle Methode, um komplexe Zusammenhänge zu verdeutlichen und eine Geschichte zu erzählen. Besonders während der Covid-19-Pandemie haben verschiedene Medien und Organisationen auf visuelle Erzählweisen zurückgegriffen, um das Verständnis für den Verlauf der Pandemie und die Auswirkungen auf Gesellschaft und Gesundheitssysteme zu fördern. In diesem Kapitel werden zentrale Prinzipien der visuellen Erzählung, die durch Daten erzählt werden, erörtert und anhand von Beispielen aus der Covid-19-Berichterstattung veranschaulicht.

Die Gestaltung von Datenvisualisierungen ist ein tiefgründiger Prozess, der über die bloße Darstellung von Zahlen hinausgeht. Es geht darum, durch bewusste Designentscheidungen eine Geschichte zu vermitteln, die sowohl informativ als auch nachvollziehbar ist. Roth (2021) nennt mehrere wesentliche Merkmale für effektive datengetriebene Erzählungen. Besonders hervorzuheben ist, dass solche Visualisierungen sorgfältig auf das Publikum und den beabsichtigten Zweck abgestimmt sind. Die Visualisierung muss nicht nur zeigen, was die Daten aussagen, sondern auch erklären, wie sie zu verstehen sind und welche Schlüsse daraus gezogen werden können.

Wichtig dabei ist, dass Datenvisualisierungen nicht nur informativ, sondern auch erzählerisch gestaltet sind. Sie müssen die Fähigkeit besitzen, eine klare und nachvollziehbare Erzählung zu erzeugen. Dabei wird häufig eine Vielzahl von grafischen Mitteln verwendet, wie Sequenzen, Animationen und Interaktionen, um die Aufmerksamkeit der Zuschauer zu fesseln und eine ästhetische Reaktion zu erzeugen. Diese Techniken sind nicht nur dazu da, die Daten zu präsentieren, sondern auch um Empathie zu fördern und die Zuschauer in die Geschichte einzubeziehen. Die besten Visualisierungen tragen dazu bei, dass die Zuschauer sich mit der dargestellten Situation identifizieren können, was besonders in Krisenzeiten wie der Pandemie von entscheidender Bedeutung ist.

Ein weiteres zentrales Merkmal einer effektiven Visualisierung ist die Klarheit der Darstellung. Die grafischen Elemente müssen so gestaltet sein, dass sie auf den ersten Blick intuitiv verständlich sind. In vielen Fällen werden abstrakte Darstellungen und vereinfachte Informationen bevorzugt, um die Komplexität zu reduzieren und den Blick auf das Wesentliche zu lenken. Ein gutes Beispiel dafür ist die Covid-19-Trajektorien-Darstellung der Financial Times (2020), die eine logaritmische Skala verwendet, um die kumulierten Todeszahlen darzustellen. Diese Darstellungsform ermöglicht eine einfache Vergleichbarkeit zwischen Ländern und bietet eine klare Visualisierung des Pandemieverlaufs.

Ein weiteres Beispiel für eine durchdachte Datenvisualisierung ist die Covid-Trends-Darstellung von Bhatia und Reich (2020), die eine doppelte logarithmische Skala verwendet, um die Wachstumsraten neuer Infektionen darzustellen. Diese Art der Darstellung mag auf den ersten Blick schwieriger zu verstehen sein, doch sie bietet eine klare visuelle Darstellung der Wachstumsraten, was für den Vergleich zwischen den Ländern von zentraler Bedeutung ist. Durch die Verwendung einer Diagonalen, die das zweifache Wachstum anzeigt, wird den Lesern geholfen, die Daten auf einfache Weise zu interpretieren.

Neben der Intuitivität spielt auch die Relatierbarkeit eine wichtige Rolle in der Gestaltung von Visualisierungen. Die besten grafischen Darstellungen setzen auf Elemente, die den Betrachter in die Erzählung einbinden und eine Verbindung zur dargestellten Situation herstellen. In vielen Fällen wird eine gezielte Positionierung des Publikums verwendet, um eine bestimmte Perspektive zu vermitteln. Diese Perspektive kann politisch gefärbt sein, da Visualisierungen häufig dazu verwendet werden, bestimmte Interpretationen oder Standpunkte zu unterstützen. Ein Beispiel dafür ist die Art und Weise, wie Länder in Covid-19-Grafiken nach ihren aktuellen Todeszahlen farblich differenziert werden, was nicht nur den Vergleich erleichtert, sondern auch die Aufmerksamkeit auf die Schwere der jeweiligen Situation lenkt.

Die visuelle Erzählung von Covid-19-Daten ist jedoch nicht nur eine Frage des Designs und der Klarheit, sondern auch eine politische Frage. Indem Visualisierungen bestimmte Narrative betonen, sei es durch den Vergleich von Ländern oder durch die Darstellung von Wachstumsraten, lenken sie auch die öffentliche Wahrnehmung. Eine Visualisierung, die das Wachstum von Infektionen in verschiedenen Ländern vergleicht, kann subtile politische Aussagen darüber machen, wie gut oder schlecht ein Land im Umgang mit der Pandemie abschneidet. In einer Zeit, in der öffentliche Wahrnehmung und politische Entscheidungen eng miteinander verknüpft sind, kann die Art und Weise, wie Daten präsentiert werden, einen erheblichen Einfluss auf die öffentliche Meinung und politische Diskussionen haben.

Neben den technischen Aspekten der Datenvisualisierung sollten Leser auch die Rolle der Interaktivität in modernen Visualisierungen erkennen. Die Möglichkeit, mit den Daten zu interagieren, etwa durch Zooming, Filtern oder das Hervorheben bestimmter Parameter, ist eine zunehmend wichtige Eigenschaft von Visualisierungen. Interaktive Grafiken ermöglichen es dem Betrachter, tiefere Einblicke zu gewinnen und die Daten aus unterschiedlichen Blickwinkeln zu betrachten. In der Darstellung von Covid-19-Daten könnte dies bedeuten, dass Nutzer die Möglichkeit haben, zwischen verschiedenen Ländern zu wählen oder die Entwicklung der Pandemie in verschiedenen Zeiträumen zu betrachten.

Ein weiterer wichtiger Aspekt der Visualisierung von Pandemiedaten ist die Frage der Verantwortlichkeit und Transparenz. Die Art und Weise, wie Daten präsentiert werden, kann Einfluss darauf haben, wie vertrauenswürdig diese Informationen wahrgenommen werden. Es ist daher von entscheidender Bedeutung, dass Visualisierungen nicht nur korrekt und transparent sind, sondern auch die Quellen und Methodologien klar darstellen. Transparente Visualisierungen stärken das Vertrauen in die dargestellten Informationen und tragen dazu bei, dass Entscheidungen auf fundierten Daten basieren.

Insgesamt zeigt sich, dass die Gestaltung von Datenvisualisierungen während der Covid-19-Pandemie nicht nur eine Frage der technischen Umsetzung war, sondern auch eine der Kommunikation. Die besten Visualisierungen sind jene, die nicht nur Zahlen und Fakten präsentieren, sondern auch eine klare und nachvollziehbare Erzählung bieten. Sie ermöglichen es dem Betrachter, die Daten zu verstehen, sich mit der dargestellten Situation zu identifizieren und informierte Entscheidungen zu treffen. Die Prinzipien der visuellen Erzählung, wie sie in diesem Kapitel vorgestellt wurden, bieten wertvolle Orientierungshilfen für die Gestaltung effektiver und wirkungsvoller Datenvisualisierungen.

Wie Entscheidungskulturen den Erfolg von Unternehmen beeinflussen: Eine Fallstudie bei Helthex
Wie Recurrent Neural Networks (RNNs) Sequenzen verarbeiten und ihre Anwendung in der Sprachverarbeitung
Wie der Einfluss von Geld die politische Landschaft verändert: Ein Blick auf die USA, Europa und darüber hinaus