Was ist Data Storytelling?

Warum Data Storytelling wichtig ist

Eine fesselnde Datengeschichte präsentieren zu können ist wichtig, denn so können Menschen Einblicke schnell erfassen, die sonst in großen oder komplexen Datensätzen verborgen bleiben würden. Anstatt jemanden zu bitten, Rohdaten oder unübersichtliche Diagramme selbst zu interpretieren, präsentiert Data Storytelling überschaubare Informationsmengen auf eine klare und ansprechende Weise, die einen Großteil der analytischen Schwerarbeit abnimmt. So werden Einblicke für nicht-technische Zielgruppen zugänglicher und eine fundiertere und überzeugtere Entscheidungsfindung im gesamten Unternehmen wird unterstützt.

Data Storytelling verbessert auch die Kommunikation zwischen Analysten und Stakeholdern, indem es ein gemeinsames Verständnis dafür schafft, was die Daten zeigen und warum sie von Bedeutung sind. Wenn Einblicke als Geschichte präsentiert werden, sind sie leichter zu merken und zu besprechen und eignen sich besser, um Maßnahmen zu steuern.

Vorteile für Entscheidungsträger

Data Storytelling hilft Entscheidungsträgern, Sachverhalte schneller zu verstehen, indem die wichtigsten Erkenntnisse hervorgehoben und unnötige Komplexität beseitigt werden. Anstatt Dashboards oder Tabellenkalkulationen zu durchforsten, können sich Führungskräfte auf die Kernbotschaft konzentrieren.

Es sorgt auch für mehr Klarheit bei den Einblicken und zeigt nicht nur, was passiert, sondern auch, warum es passiert und was das für das Unternehmen bedeutet. Diese Klarheit unterstützt eine stärkere Abstimmung der Stakeholder, sodass Teams abteilungsübergreifend die Daten einheitlich interpretieren und mit einem gemeinsamen Verständnis vorankommen.

Vorteile für Analytics-Teams

Für Analytics-Teams wird Data Storytelling eingesetzt, um eine effektivere Kommunikation der Erkenntnisse zu fördern. Analysten können Ergebnisse so präsentieren, dass sie auch bei nicht-technischen Zielgruppen Anklang finden. Das erhöht die Wahrscheinlichkeit, dass die Einblicke verstanden und genutzt werden. Dies führt zu einer größeren Wirkung, da Empfehlungen mit höherer Wahrscheinlichkeit Entscheidungen beeinflussen und zu Handlungen führen.

Data-Storytelling hilft Analysten auch dabei, Signale in den Daten von Rauschen zu trennen und die Aufmerksamkeit auf die wichtigsten Trends, Muster und Zusammenhänge zu lenken. Indem sie das Publikum durch die Daten führen, können Analyseteams sicherstellen, dass wichtige Erkenntnisse nicht übersehen werden.

Insgesamt stärkt Daten-Storytelling die Verbindung zwischen Daten und Handlungen und hilft Unternehmen dabei, bessere, schnellere und besser abgestimmte Entscheidungen zu treffen.

Kernelemente einer Datengeschichte

Eine überzeugende Datengeschichte führt Informationen, visuelle Darstellungen und eine Erzählung so zusammen, dass das Publikum klar versteht, was die Daten bedeuten und warum sie wichtig sind. Obwohl jede Geschichte anders ist, haben die meisten effektiven Datengeschichten vier Kernelemente gemeinsam:

• Kontext
• Konflikt
• Auflösung
• Ein Call-to-Action

Diese Elemente bilden zusammen eine vertraute narrative Struktur, die es dem Leser erleichtert, die Beziehung der Erkenntnisse zu den Daten nachzuvollziehen, wodurch komplexe Informationen leichter zu analysieren und die Erkenntnisse leichter zu merken sind.

Kontext

Der Kontext einer Data Story liefert den Hintergrund, den die Leser für die Interpretation der Daten benötigen. Er erklärt, was die Daten darstellen, woher sie stammen und warum sie analysiert werden. Ein klarer Kontext hilft dem Publikum, sich zu konzentrieren und seine Gedanken auf die Geschichte zu beschränken, die die Daten erzählen sollen. Der Kontext bereitet auch die Bühne für den Rest der Geschichte, indem er dem Publikum das nötige Grundwissen vermittelt, bevor es die Erkenntnisse untersucht.

Wichtige Bestandteile des Kontexts können sein:

• Das Geschäftsproblem oder die Frage, die mit den Daten beantwortet wird
• Der Zeitrahmen oder Umfang
• Die Zielgruppe oder die beteiligten Stakeholder

Konflikt

Konflikt ist ein Begriff aus dem Storytelling, der sich im Datenkontext auf die Erkenntnis, das Problem, den Trend oder den unerwarteten Befund bezieht, der sich aus den Daten ergibt. Es ist der Wendepunkt der Geschichte, der die Aufmerksamkeit fesselt und zeigt, warum die Daten wichtig sind. Ein Konflikt kann ein überraschendes Muster, eine Performance-Lücke, ein zunehmendes Risiko oder eine bisher nicht sichtbare Chance aufzeigen. Weitere konkrete Beispiele sind:

• Ein plötzlicher Rückgang der Kundenzufriedenheit
• Ein Trend, der den Erwartungen widerspricht
• Eine Lücke zwischen den Zielen und der tatsächlichen Performance

Das Konfliktelement verleiht der Datengeschichte Dynamik, indem es die Spannung hervorhebt, die angegangen werden muss, oder eine Maßnahme, die ergriffen werden muss. 

Auflösung

Das Auflösungselement erläutert, was die Daten zeigen, sobald sie vollständig analysiert wurden. Es verdeutlicht die Bedeutung hinter dem Konflikt und zeigt, wie die Erkenntnis in das Gesamtbild passt. Dieser Teil der Geschichte hilft dem Publikum, die eigentliche Ursache, die Auswirkungen oder die in der Analyse aufgedeckten Zusammenhänge zu verstehen. Die Auflösung ist der Teil des Storytellings, der rohe Erkenntnisse in ein klareres Verständnis umwandelt.

Handlungsaufforderung

Der Call-to-Action benennt die Entscheidung, die Handlung oder den nächsten Schritt, die bzw. der durch den Einblick unterstützt wird. Er verbindet die Data Story mit realen Ergebnissen, indem er erklärt, was als Nächstes geschehen sollte. Ein starker Call-to-Action ist spezifisch, praktisch und auf das ursprüngliche Geschäftsproblem oder die durch die Daten beantwortete Frage sowie auf die Bedürfnisse des Publikums abgestimmt. Er stellt sicher, dass die Story zu sinnvollen Handlungen führt, anstatt nur Informationen um ihrer selbst willen zu präsentieren.

Frameworks für Data Storytelling

Eine nützliche Storytelling-Technik ist die Verwendung eines Frameworks, um eine narrative Struktur zu schaffen und Analysen in klare, ansprechende Inhalte umzuwandeln, die vorgeben, wie Informationen organisiert, Erkenntnisse aufgezeigt und das Publikum zu Verständnis und Handeln geführt wird. Nachfolgend finden Sie einige der gängigsten Frameworks, die typischerweise verwendet werden, um Data Storytellern dabei zu helfen, Informationen zu organisieren, visuelle Elemente zu gestalten und das Publikum auf klare und ansprechende Weise zu führen.

 Die fünf Phasen des Storytellings

Ein Framework, das Ihnen helfen kann, den Fluss einer Datengeschichte zu visualisieren und ihr eine narrative Struktur zu geben, besteht darin, sie als eine Abfolge von fünf Phasen zu betrachten:

• Einleitung: Nennt kurz das Thema oder die Frage, die/das mit den Daten beantwortet werden soll.
• Setup: Bietet Hintergrund, Kontext und die Daten, die zum Verständnis der Situation erforderlich sind.
• Konflikt: Hebt die wichtigste Erkenntnis, die Herausforderung oder das unerwartete Muster hervor, das in den Daten entdeckt wurde.
• Erkenntnis: Erklärt die Bedeutung des Konflikts und warum er wichtig ist.
• Fazit: Fasst die wichtigsten Erkenntnisse zusammen und bereitet das Publikum auf die nächsten Schritte vor.

Dieser einfache Ablauf entspricht der Art und Weise, wie Menschen Informationen natürlich verarbeiten, was es dem Publikum erleichtert, der Geschichte von Anfang bis Ende zu folgen. 

Die vier „P“s des Storytelling

Anstelle einer Abfolge von erzählerischen Elementen konzentriert sich dieses Framework auf die Kernkomponenten, die eine Geschichte formen, d.h. die vier „P“s: People (Menschen), Place (Ort), Plot (Handlung) und Purpose (Zweck):

• Personen: Beschreibt, wer von der Erkenntnis betroffen ist oder an der Situation beteiligt ist.
• Ort: Beschreibt die Umgebung, den Geschäftsbereich oder den Kontext, auf den sich die Daten beziehen.
• Plot: Stellen Sie die Abfolge von Ereignissen oder Trends dar, die in den Daten gezeigt werden.
• Zweck: Erklärt den Grund, warum die Geschichte erzählt wird, und das Ergebnis, das sie unterstützt.

Bei manchen Data Storys kann dieses Framework für Klarheit sorgen, indem es die Struktur der Story auf diese separaten Kategorien konzentriert, anstatt sie in eine sequenzielle Erzählung zu integrieren, wie beim vorherigen Framework.

Die fünf Cs der Datenvisualisierung

Aussagekräftige Visualisierungen sind ein wesentlicher Bestandteil des Data Storytelling. Die „Fünf C“ bieten eine einfache Checkliste für die Erstellung effektiver Diagramme und Grafiken: 

• Klarheit: Stellen Sie sicher, dass die visuellen Darstellungen leicht zu lesen und zu verstehen sind.
• Kontext: Verwenden Sie Labels, Skalen und Erklärungen, die dem Publikum helfen, die Daten korrekt zu interpretieren.
• Konsistenz: Verwenden Sie für alle visuellen Darstellungen ähnliche Stile, Farben und Formate.
• Vergleich: Zeigen Sie Unterschiede, Trends oder Beziehungen deutlich auf.
• Farb-/Designauswahl: Setzen Sie Farben gezielt ein, um wichtige Punkte hervorzuheben, aber achten Sie darauf, den Betrachter nicht zu überfordern. 

Die Rolle der Datenvisualisierung im Storytelling

Die Datenvisualisierung spielt eine zentrale Rolle im Data Storytelling, indem sie Daten auf eine Weise darstellt, die das menschliche Gehirn leichter interpretieren kann als Text oder Zahlen. So zeigen Visualisierungen den Lesern schnell die Muster, Trends und Beziehungen zwischen Datenreihen, die sonst möglicherweise schwer zu verstehen wären. Bei effektivem Einsatz helfen Visualisierungen wie Diagramme und Grafiken den Lesern, sich auf die wichtigsten Einblicke zu konzentrieren und sich nicht in Details zu verlieren. 

Es ist jedoch wichtig zu beachten, dass Visualisierungen allein nicht unbedingt eine starke Geschichte garantieren. Das ergibt sich aus einer guten Abstimmung zwischen der Erzählung und den von Ihnen verwendeten Visualisierungen. Während die Erzählung erklärt, worauf das Publikum achten sollte, verstärken die Visualisierungen diese Botschaft, indem sie die Schlüssel-Belege hervorheben.

Wenn diese Elemente zusammenwirken, wird die Geschichte klarer, ansprechender und einprägsamer. Wenn jedoch ein Diagramm einen Trend hervorhebt, während der Text einen anderen behandelt, kann die Geschichte verwirrend werden und an Wirkung verlieren.

Gängige Visualisierungstechniken

Unterschiedliche Arten von Visualisierungen unterstützen unterschiedliche Arten von Erkenntnissen. Einige der gängigsten Techniken sind:

• Liniendiagramme zur Darstellung von Veränderungen im Zeitverlauf, wodurch Trends und Muster leicht zu erkennen sind.
• Balkendiagramme, um Kategorien oder Gruppen klar und effizient zu vergleichen.
• Streudiagramme, um Beziehungen oder Korrelationen zwischen zwei Variablen aufzudecken.
• Heatmaps, die Farbe verwenden, um Intensität, Häufigkeit oder Konzentration in einem Dataset hervorzuheben.
• Infografiken, die visuelle Elemente, Symbole und kurze Texte kombinieren, um Einblicke in einem sehr ansprechenden, leicht zu erfassenden Format zu vermitteln.

Die Auswahl der richtigen Visualisierung für die Erkenntnis, die Sie hervorheben möchten, ist wichtig, um sicherzustellen, dass Ihre Visualisierungen effektiv genutzt werden.

Wenn Dashboards nicht ausreichen

Beachten Sie, dass Dashboards und Datengeschichten unterschiedlichen Zwecken dienen.

Dashboards dienen der Überwachung. Sie liefern Echtzeit-Informationen oder regelmäßig aktualisierte Informationen, sodass Nutzer die Performance im Auge behalten, Metriken verfolgen oder Anomalien erkennen können. Dashboards eignen sich hervorragend für die laufende Beobachtung, erklären aber in der Regel nicht, warum etwas geschieht.

Geschichten erklären, überzeugen und leiten. Anstatt eines kontinuierlichen Monitorings konzentriert sich das Daten-Storytelling typischerweise entweder auf einen Snapshot von Daten aus einem kurzen Zeitraum oder auf eine längere historische Perspektive. Darüber hinaus besteht das Ziel darin, die Daten zu interpretieren, wichtige Erkenntnisse hervorzuheben und zu erklären, was sie bedeuten. Storytelling hilft dem Publikum, das „Und was jetzt?“ hinter den Zahlen zu verstehen und führt es zu einer empfohlenen Handlung oder Entscheidung.

Dashboards und Storys ergänzen sich gegenseitig und können beide Visualisierungen enthalten, sind aber nicht austauschbar. Beim Data Storytelling werden Visualisierungen nicht nur zur übersichtlichen Darstellung von Daten eingesetzt, sondern auch, um die dahinter stehenden Implikationen klar und umsetzbar zu machen.

Wie Data Storytelling funktioniert

Die Idee hinter Daten-Storytelling ist es, Rohdaten in eine klare, aussagekräftige Erzählung umzuwandeln, die der Zielgruppe hilft zu verstehen, was die Daten zeigen und warum das wichtig ist. Bevor die Geschichte jedoch beginnt, muss eine Analyse der betreffenden Datensätze durchgeführt werden, um Muster zu erkennen und nach Erkenntnissen zu suchen. Anschließend wählt der Storyteller die Erkenntnisse aus, die er in den Mittelpunkt der Geschichte stellen möchte.

Um eine kohärente Erzählung beizubehalten, ist es wichtig, Erkenntnisse auszuwählen, die für das Geschäftsproblem oder die Frage relevant sind, die den Bedarf an Storytelling überhaupt erst begründen. Stellen Sie außerdem sicher, dass die Gesamtaussage oder das Fazit auf das abgestimmt ist, was das Publikum benötigt, um Maßnahmen zu ergreifen oder eine Entscheidung über das Geschäftsproblem oder die Frage zu treffen.

Von der Analyse zur Erzählung

Diese Phase des Data Storytelling beginnt mit der Identifizierung der wichtigsten Erkenntnis – das heißt, der wichtigsten Erkenntnis, die das Publikum verstehen muss. Dann kann der Storyteller alle Details herausfiltern, die die zentrale Botschaft nicht unterstützen. Dieser Schritt ist unerlässlich, da Daten oft weitaus mehr Informationen enthalten, als das Publikum benötigt. 

Schließlich sollte der Storyteller die Ergebnisse mit der realen Welt in Verbindung bringen. Anstatt Zahlen isoliert zu präsentieren, kann der Storyteller erklären, warum die Erkenntnis wichtig ist, wie sie sich auf Geschäftsziele oder die Performance auswirkt und was sie über den Gegenstand der Daten aussagt. Durch den Übergang von der Erkenntnis zur Bedeutung wird die Erzählung mehr als eine reine Zusammenfassung. Sie liefert eine klare Erklärung, die der Zielgruppe hilft, die Auswirkungen der Analyse zu verstehen.

Anpassung an verschiedene Zielgruppen

Effektives Daten-Storytelling erfordert auch, die Botschaft auf die Bedürfnisse verschiedener Zielgruppen zuzuschneiden. Führungskräfte möchten in der Regel allgemeine Schlussfolgerungen, die Entscheidungen unterstützen. Deshalb sollte die Geschichte prägnant sein und sich auf Ergebnisse statt auf technische Details konzentrieren. Analysten und Kollegen hingegen erwarten tiefergehende Erklärungen, unterstützende visuelle Darstellungen und Transparenz bezüglich der Methoden, weshalb die Geschichte mehr Kontext und Details enthalten kann. Kunden und externe Stakeholder hingegen benötigen oft Klarheit und möglichst wenig Fachjargon sowie genügend Hintergrundinformationen, um zu verstehen, warum die Erkenntnis für sie wichtig ist.

Indem Tiefe, Sprache und Fokus der Geschichte für jede Zielgruppe angepasst werden, wird die Botschaft wirkungsvoller und es wird sichergestellt, dass die Zielgruppe die Erkenntnisse der Geschichte selbstbewusst in die Tat umsetzen kann.

Beispiele für Data Storytelling

Ein typischer Graph oder Tortendiagramm für sich allein zeigt möglicherweise Zahlen oder Trends an, aber ohne Erklärung muss der Leser die Bedeutung selbst interpretieren. Durch das Hinzufügen einer Erzählung und von Kontext wird dasselbe Diagramm viel aussagekräftiger. Anstatt nur eine steigende oder fallende Linie zu zeigen, erklärt die Datengeschichte, warum die Veränderung stattgefunden hat, was sie für die Organisation bedeutet und welche Maßnahmen folgen könnten. Indem reine Daten in eine Kombination aus Daten und Erzählung umgewandelt werden, kann ein Storyteller Informationen in Erkenntnisse verwandeln.

Im Geschäftsumfeld kommt Data Storytelling oft in Präsentationen vor, die die Quartals-Performance, Kundentrends oder Betriebsergebnisse erklären. Öffentliche Datengeschichten sind in Berichten von Regierungen und gemeinnützigen Organisationen üblich, die Communitys dabei helfen, Themen wie Bevölkerungsentwicklungen oder Umweltbedingungen zu verstehen, die möglicherweise politische Fragen aufwerfen oder politische Entscheidungen vorantreiben. Für Analyseteams hilft Data Storytelling dabei, komplexe Modelle oder statistische Ergebnisse so zu präsentieren, dass nicht-technische Zielgruppen sie verstehen können. Unabhängig von der Anwendung ist das Ziel jedoch dasselbe: Daten aussagekräftig, einprägsam und handlungsorientiert zu machen.

Beispielszenarien

Data Storytelling kann in vielen gängigen Szenarien nützlich sein. Ein Graph von Performance-Trends kann zu einer Geschichte über Wachstum, Rückgang oder Stabilität im Zeitverlauf werden. Es hilft Führungskräften nicht nur zu verstehen, wie sich die Ergebnisse verändern, sondern idealerweise auch, was diese Veränderung antreibt. Die Rohdaten des Kundenverhaltens können zu einer Geschichte werden, die Muster beim Kaufverhalten, Engagement oder bei der Zufriedenheit aufdeckt. So werden träge Daten in eine dynamische, ansprechende Erzählung verwandelt, die zum Handeln anregt, um auf Kundenpräferenzen einzugehen. Betriebliche Probleme, die als Datengeschichten präsentiert werden, können Engpässe oder Ineffizienzen aufdecken und zeigen, wo Verbesserungen erforderlich sind. Datengeschichten, die Veränderungen bei Nachfrage, Wettbewerb oder Preise erklären, können wertvolle Einblicke in Marktveränderungen liefern.
Obwohl viele Szenarien möglich sind, ist es in jedem Fall das Storytelling, das den Menschen hilft, nicht nur die Daten, sondern auch die Bedeutung dahinter zu erkennen.

Data Storytelling im Vergleich zu ähnlichen Konzepten

Daten-Storytelling wird oft mit Datenvisualisierung, Dashboards oder Reporting verwechselt, aber tatsächlich erfüllt es einen eigenen Zweck. Wie bereits erwähnt, präsentieren letztere Tools Informationen, während Daten-Storytelling die Bedeutung erklärt. Ein Diagramm oder ein Dashboard kann Zahlen anzeigen, aber ohne Kontext oder Interpretation muss die Zielgruppe die Botschaft selbst herausfinden. Storytelling füllt diese Lücke, indem es die Aufmerksamkeit lenkt, die Bedeutung verdeutlicht und Erkenntnisse mit realen Entscheidungen verknüpft.
Es gibt viele Missverständnisse über Daten-Storytelling, insbesondere die Vorstellung, dass es einfach nur darum geht, „bessere Diagramme zu erstellen“ oder „einem Dashboard Text hinzuzufügen“. In Wirklichkeit ist Storytelling eine Kommunikationsdisziplin und eine wichtige Fähigkeit. Es ist kein Ersatz für Dashboards oder Berichte, sondern eine ergänzende Methode, die zum Einsatz kommt, wenn es wichtig ist, eine bestimmte Zielgruppe oder ein allgemeines Publikum zu erreichen, und ein tieferes Verständnis oder Handeln erforderlich ist. 

Data Storytelling im Vergleich zu Datenvisualisierung

Datenvisualisierung stellt Daten typischerweise in Diagrammen oder Grafiken dar, damit Muster und Trends leichter zu erkennen sind. Data Storytelling verwendet oft auch Visualisierungen, enthält aber auch eine Erzählung, die erklärt, warum die Daten wichtig sind. Es fügt Kontext, Interpretation und eine Handlungsstruktur hinzu, damit das Publikum der Bedeutung folgen kann. Wenn Visualisierung ein Werkzeug ist, ist Storytelling eher eine Kommunikationsstrategie, die Visualisierung in ihrem Werkzeugkasten enthält.

Data Storytelling im Vergleich zum Reporting

Data Reporting dient dazu, Informationen zu teilen. Es liefert Zahlen, Metriken und Zusammenfassungen, ohne sie notwendigerweise zu interpretieren. Data-Storytelling geht noch weiter, indem es Daten interpretiert und die Auswirkungen erklärt. Ein Bericht könnte sinkenden Vertrieb zeigen, aber eine Data Story versucht zu erklären, warum der Vertrieb gesunken ist, welche Faktoren dazu beigetragen haben und welche Maßnahmen als Nächstes in Betracht gezogen werden sollten.

Fazit

Indem es Daten, visuelle Darstellungen und eine Erzählung kombiniert, um zu erklären, was die Daten bedeuten und warum sie wichtig sind, hilft Data Storytelling dabei, Rohinformation in eine klare Botschaft zu verwandeln, die Menschen verstehen und nach der sie handeln können. Anstatt es dem Publikum zu überlassen, Diagramme oder Berichte selbst zu interpretieren, kann Data Storytelling dabei helfen, sie zu Erkenntnissen zu führen, hervorzuheben, was wichtig ist, und die Erkenntnisse mit dem realen Kontext zu verbinden.

Obwohl die Präsentation von Rohdaten sehr wichtig ist, ist sie nicht immer der beste Ansatz, abhängig von den Fragen oder Problemen, mit denen sich die Daten befassen, und der Zielgruppe, die Sie erreichen möchten. Daten-Storytelling kann ein wichtiger Bestandteil von klarer Kommunikation und datengestützter Entscheidungsfindung sein. Indem komplexe Analysen in eine fokussierte, aussagekräftige Geschichte übersetzt werden, wird sichergestellt, dass Erkenntnisse zu fundierten Entscheidungen führen.

Somit kann effektives Data Storytelling ein zusätzliches Werkzeug in Ihrem Toolkit sein, um Informationen zu verbreiten, das Verständnis für diese Informationen zu fördern und einen Konsens für bestimmte Vorgehensweisen zu schaffen.