Daten- und Informationsvisualisierung

Daten- und Informationsvisualisierung ( Data Viz/Vis oder Info Viz/Vis ) bezeichnet die Gestaltung und Erstellung grafischer oder visueller Darstellungen quantitativer und qualitativer Daten und Informationen mithilfe statischer, dynamischer oder interaktiver visueller Elemente. ^{[ 1 ]} Diese Visualisierungen sollen der Zielgruppe helfen, Daten visuell zu erkunden, schnell zu verstehen, zu interpretieren und wichtige Erkenntnisse über ansonsten schwer erkennbare Strukturen, Beziehungen, Korrelationen, lokale und globale Muster, Trends, Variationen, Konstanten, Cluster, Ausreißer und ungewöhnliche Gruppierungen zu gewinnen. ^{[ 2 ] [ 3 ] [ 4 ]} Wenn sie für die Öffentlichkeit bestimmt sind, um Informationen prägnant und ansprechend zu vermitteln, ^{[ 2 ]} spricht man üblicherweise von Infografiken .

Die Datenvisualisierung befasst sich mit der schematischen Darstellung vorwiegend quantitativer Rohdaten mithilfe von Bildern. Zu den visuellen Formaten der Datenvisualisierung gehören Diagramme und Grafiken, Geokarten , Abbildungen, Korrelationsmatrizen , Prozentanzeigen usw.

Die Informationsvisualisierung befasst sich mit vielfältigen, umfangreichen und komplexen Datensätzen, die sowohl quantitative als auch qualitative und vorwiegend abstrakte Informationen enthalten. Ihr Ziel ist es, den Rohdaten einen Mehrwert zu verleihen, das Verständnis der Betrachter zu verbessern, ihre kognitiven Fähigkeiten zu stärken und ihnen zu helfen, Erkenntnisse zu gewinnen und Entscheidungen zu treffen, während sie sich in der grafischen Darstellung bewegen und mit ihr interagieren. Zu den verwendeten visuellen Werkzeugen gehören Karten für ortsbezogene Daten, hierarchische Datenstrukturen ^{[ 5 ]} , Darstellungen, die Beziehungen priorisieren , wie z. B. Sankey-Diagramme , Flussdiagramme und Zeitleisten .

Narrative Visualisierung ist eine Methode, die visuelle Elemente wie Diagramme, Grafiken, Karten und Ähnliches nutzt, um Daten oder Informationen zu vermitteln. Dieser Ansatz verbindet Datenanalyse, Storytelling und Visualisierung, um Informationen in strukturierten Erzählsträngen darzustellen – visuelle Elemente dienen also nicht nur der Präsentation von Statistiken, sondern dem Erzählen einer Geschichte anhand der Daten . Ziel ist es, Menschen dabei zu helfen, Trends, Muster und Zusammenhänge in den Daten durch ein fesselndes, storybasiertes visuelles Erlebnis zu erkennen.

Neue Technologien wie virtuelle , erweiterte und gemischte Realität bergen das Potenzial, die Informationsvisualisierung immersiver, intuitiver, interaktiver und einfacher manipulierbar zu gestalten und somit die visuelle Wahrnehmung und Kognition des Nutzers zu verbessern . ^{[ 6 ]} In der Daten- und Informationsvisualisierung geht es darum, abstrakte, nicht-physische und nicht-räumliche Daten aus Datenbanken , Informationssystemen , Dateisystemen , Dokumenten und Geschäftsdaten grafisch darzustellen und zu untersuchen . Dies unterscheidet sich von der wissenschaftlichen Visualisierung , deren Ziel es ist, realistische Bilder auf Basis physikalischer und räumlicher wissenschaftlicher Daten zu erzeugen, um Hypothesen zu bestätigen oder zu widerlegen . ^{[ 7 ]}

Eine effektive Datenvisualisierung basiert auf fundierten Quellen, ist kontextgerecht eingebettet und wird übersichtlich und einfach präsentiert. Die zugrundeliegenden Daten sind präzise und aktuell, um verlässliche Erkenntnisse zu gewährleisten. Grafische Elemente sind gut gewählt und ästhetisch ansprechend; Formen, Farben und andere visuelle Elemente werden gezielt, aussagekräftig und unaufdringlich eingesetzt. Die Visualisierungen werden durch erläuternde Texte ergänzt. Verbale und grafische Komponenten ergänzen sich und ermöglichen so ein klares, schnelles und einprägsames Verständnis. Eine effektive Informationsvisualisierung berücksichtigt die Bedürfnisse und das Fachwissen der Zielgruppe. ^{[ 8 ] [ 1 ]} Sie eignet sich, um spezialisierte, komplexe und datengetriebene Konzepte einem nicht-technischen Publikum visuell ansprechend, motivierend und verständlich zu vermitteln . Gleichzeitig unterstützt sie Fachexperten und Führungskräfte bei Entscheidungen, der Leistungsüberwachung, der Ideenfindung und der Anregung von Forschung. ^{[ 8 ] [ 2 ]}

Datenwissenschaftler, Analysten und Data-Mining-Spezialisten nutzen Datenvisualisierung, um die Datenqualität zu prüfen, Fehler, ungewöhnliche Lücken und fehlende Werte zu finden, Daten zu bereinigen, Datenstrukturen und -merkmale zu untersuchen und die Ergebnisse datengetriebener Modelle zu bewerten. ^{[ 2 ]} Daten- und Informationsvisualisierung kann Teil des Data Storytellings sein, indem sie mit einer narrativen Struktur verknüpft wird , um die analysierten Daten zu kontextualisieren und die gewonnenen Erkenntnisse zu kommunizieren, um das Publikum zu einer Entscheidung oder einem Handeln zu bewegen. ^{[ 1 ] [ 9 ]} Dies steht im Gegensatz zu statistischen Grafiken , bei denen komplexe Daten grafisch unter Forschern und Analysten kommuniziert werden, um sie bei der Durchführung explorativer Datenanalysen oder der Vermittlung von Analyseergebnissen zu unterstützen. Hierbei sind visuelle Attraktivität, die Fokussierung auf ein bestimmtes Thema und Storytelling weniger wichtig. ^{[ 10 ]}

Daten- und Informationsvisualisierung ist interdisziplinär und integriert Prinzipien der deskriptiven Statistik ^{[ 11 ]} , der visuellen Kommunikation , des Grafikdesigns , der Kognitionswissenschaft sowie der interaktiven Computergrafik und der Mensch-Computer-Interaktion ^{[ 12 ]} . Da effektive Visualisierung Design-, Statistik- und Informatikkenntnisse erfordert, ist sie sowohl Kunst als auch Wissenschaft ^{[ 13 ]} . Visuelle Analytik kombiniert statistische Datenanalyse, Daten- und Informationsvisualisierung sowie menschliches analytisches Denken mithilfe interaktiver visueller Schnittstellen. So unterstützt sie Nutzer dabei, Schlussfolgerungen zu ziehen, handlungsrelevante Erkenntnisse zu gewinnen und fundierte Entscheidungen zu treffen – etwas, das Computern sonst schwerfällt. Untersuchungen darüber, wie Menschen Visualisierungen wahrnehmen und missverstehen, tragen dazu bei, die verständlichsten und effektivsten Visualisierungsarten und -merkmale zu ermitteln ^{[ 14 ] [ 15 ]} . Unbeabsichtigt mangelhafte oder absichtlich irreführende Visualisierungen können als wirkungsvolle Instrumente zur Verbreitung von Fehlinformationen , zur Manipulation der öffentlichen Wahrnehmung und zur Beeinflussung der öffentlichen Meinung dienen . ^{[ 16 ]} Somit ist die Datenvisualisierungskompetenz im Informationszeitalter zu einem wichtigen Bestandteil der Daten- und Informationskompetenz geworden, ähnlich wie in der Vergangenheit die Text- , Mathematik- und visuelle Kompetenz eine wichtige Rolle spielte . ^{[ 17 ]}

Das Gebiet der Daten- und Informationsvisualisierung ist aus der Forschung in den Bereichen Mensch-Computer-Interaktion , Informatik , Grafik , visuelles Design , Psychologie , Fotografie und Wirtschaftsmethoden hervorgegangen . Es findet zunehmend Anwendung als kritische Komponente in der wissenschaftlichen Forschung, in digitalen Bibliotheken , im Data-Mining , in der Finanzdatenanalyse, in Marktstudien, in der Produktionssteuerung und in der Wirkstoffforschung . ^{[ 18 ]}

Die Daten- und Informationsvisualisierung geht davon aus, dass „visuelle Darstellungen und Interaktionstechniken die hohe Bandbreite des menschlichen Auges nutzen, um Nutzern das gleichzeitige Sehen, Erkunden und Verstehen großer Informationsmengen zu ermöglichen. Die Informationsvisualisierung konzentrierte sich auf die Entwicklung von Ansätzen zur intuitiven Vermittlung abstrakter Informationen.“ ^{[ 19 ]}

Datenanalyse ist ein unverzichtbarer Bestandteil aller angewandten Forschung und Problemlösung in der Industrie. Zu den grundlegendsten Ansätzen der Datenanalyse zählen Visualisierung (Histogramme, Streudiagramme, Oberflächendiagramme, Baumdiagramme, Parallelkoordinatendiagramme usw.), Statistik ( Hypothesentests , Regression , PCA usw.), Data Mining ( Assoziationsanalyse usw.) und Methoden des maschinellen Lernens ( Clustering , Klassifizierung , Entscheidungsbäume usw.). Unter diesen Ansätzen ist die Informationsvisualisierung bzw. visuelle Datenanalyse am stärksten von den kognitiven Fähigkeiten der Analysten abhängig und ermöglicht die Gewinnung unstrukturierter, handlungsrelevanter Erkenntnisse, deren Potenzial lediglich durch menschliche Vorstellungskraft und Kreativität begrenzt ist. Der Analyst muss keine komplexen Methoden erlernen, um die Visualisierungen der Daten zu interpretieren. Informationsvisualisierung dient auch der Hypothesengenerierung, die typischerweise durch analytischere oder formale Analysen wie statistische Hypothesentests ergänzt wird.

Zur klaren und effizienten Informationsvermittlung nutzt die Datenvisualisierung statistische Grafiken , Diagramme , Infografiken und weitere Werkzeuge. Numerische Daten lassen sich mithilfe von Punkten, Linien oder Balken darstellen, um quantitative Aussagen visuell zu vermitteln. ^{[ 20 ]} Effektive Visualisierung unterstützt Nutzer bei der Analyse und Interpretation von Daten und Erkenntnissen. ^{[ 21 ]} Sie macht komplexe Daten zugänglicher, verständlicher und nutzbarer, kann aber auch vereinfachend wirken. ^{[ 22 ]} Nutzer haben möglicherweise spezifische Analyseaufgaben, wie z. B. Vergleiche anzustellen oder Kausalzusammenhänge zu verstehen . Das Gestaltungsprinzip der Grafik (z. B. die Darstellung von Vergleichen oder Kausalzusammenhängen) richtet sich nach dieser Aufgabe. Tabellen werden üblicherweise verwendet, um bestimmte Messwerte nachzuschlagen, während Diagramme verschiedener Art Muster oder Beziehungen in den Daten für eine oder mehrere Variablen darstellen.

Datenvisualisierung bezeichnet Techniken zur Kommunikation von Daten oder Informationen durch deren Darstellung als visuelle Objekte (z. B. Punkte, Linien oder Balken) in Grafiken. Ziel ist es, Informationen klar und effizient zu vermitteln. Sie ist ein Schritt in der Datenanalyse bzw. Data Science . Laut Vitaly Friedman (2008) ist das Hauptziel der Datenvisualisierung die klare und effektive Kommunikation von Informationen durch grafische Mittel. Das bedeutet nicht, dass Datenvisualisierung langweilig aussehen muss, um funktional zu sein, oder extrem komplex, um ästhetisch ansprechend zu sein. Um Ideen effektiv zu vermitteln, müssen Ästhetik und Funktionalität Hand in Hand gehen und Einblicke in einen oft spärlichen und komplexen Datensatz ermöglichen, indem dessen Schlüsselaspekte auf intuitive Weise kommuniziert werden. Dennoch gelingt es Designern häufig nicht, ein Gleichgewicht zwischen Form und Funktion zu finden. Sie erstellen zwar wunderschöne Datenvisualisierungen, die ihren Hauptzweck – die Informationsvermittlung – verfehlen. ^{[ 23 ]}

Fernanda Viegas und Martin M. Wattenberg schlugen vor , dass eine ideale Visualisierung nicht nur klar kommunizieren, sondern auch die Aufmerksamkeit und das Engagement des Betrachters fördern sollte. ^{[ 24 ]}

Datenvisualisierung ist eng verwandt mit Informationsgrafik , wissenschaftlicher Visualisierung , explorativer Datenanalyse und statistischer Grafik . Im neuen Jahrtausend hat sich die Datenvisualisierung zu einem aktiven Forschungs-, Lehr- und Entwicklungsgebiet entwickelt. Laut Post et al. (2002) vereint sie wissenschaftliche und Informationsvisualisierung. ^{[ 25 ]}

Im kommerziellen Umfeld werden Datenvisualisierungen häufig als Dashboards bezeichnet . Infografiken sind eine weitere sehr verbreitete Form der Datenvisualisierung.

Edward Tufte erklärte, dass Nutzer von Informationsdarstellungen bestimmte analytische Aufgaben ausführen , wie beispielsweise Vergleiche anzustellen. Das Gestaltungsprinzip der Infografik sollte diese analytische Aufgabe unterstützen. ^{[ 27 ]} Wie William Cleveland und Robert McGill zeigen, erreichen verschiedene grafische Elemente dies mehr oder weniger effektiv. So sind beispielsweise Punktdiagramme und Balkendiagramme Kreisdiagrammen überlegen. ^{[ 28 ]}

In seinem 1983 erschienenen Buch „The Visual Display of Quantitative Information “ ^{[ 29 ]} definiert Edward Tufte „grafische Darstellungen“ und Prinzipien für deren effektive Gestaltung wie folgt: „Exzellenz in statistischen Grafiken besteht darin, komplexe Ideen klar, präzise und effizient zu vermitteln. Grafische Darstellungen sollten:

• Daten anzeigen
• den Betrachter dazu anregen, über den Inhalt nachzudenken, anstatt über Methodik, Grafikdesign, die Technologie der Grafikproduktion oder etwas anderes.
• Vermeiden Sie es, die Aussagekraft der Daten zu verfälschen.
• viele Zahlen auf kleinem Raum präsentieren
• große Datensätze kohärent machen
• das Auge dazu anregen, verschiedene Datenelemente zu vergleichen
• Die Daten werden auf verschiedenen Detailebenen dargestellt, von einem breiten Überblick bis hin zur Feinstruktur.
• einem einigermaßen klaren Zweck dienen: Beschreibung, Erforschung, Tabellierung oder Dekoration
• eng mit den statistischen und verbalen Beschreibungen eines Datensatzes verknüpft sein.

Grafiken veranschaulichen Daten. Tatsächlich können Grafiken präziser und aufschlussreicher sein als herkömmliche statistische Berechnungen. ^{[ 30 ]}

Das Minard-Diagramm veranschaulicht beispielsweise die Verluste der napoleonischen Armee in den Jahren 1812–1813. Sechs Variablen werden dargestellt: die Armeestärke, ihre Position auf einer zweidimensionalen Fläche (x und y), die Zeit, die Marschrichtung und die Temperatur. Die Linienbreite veranschaulicht einen Vergleich (Armeestärke zu verschiedenen Zeitpunkten), während die Temperaturachse eine mögliche Ursache für die Veränderung der Armeestärke aufzeigt. Diese multivariate Darstellung auf einer zweidimensionalen Fläche vermittelt eine unmittelbar erfassbare Geschichte und ermöglicht gleichzeitig die Angabe der Quelldaten, um Glaubwürdigkeit zu schaffen. Tufte schrieb 1983: „Es ist womöglich die beste statistische Grafik, die je erstellt wurde.“ ^{[ 30 ]}

Die Nichtbeachtung dieser Prinzipien kann zu irreführenden Grafiken , Verzerrungen der Aussage oder falschen Schlussfolgerungen führen. Laut Tufte bezeichnet „Chartjunk“ überflüssige Gestaltungselemente innerhalb einer Grafik, die die Aussage nicht unterstützen, sowie unnötige dreidimensionale oder perspektivische Effekte. Die unnötige Trennung der Legende vom Bild selbst, die den Blick zwischen Bild und Legende hin- und herwandern lässt, ist eine Form von „administrativem Ballast“. Das Verhältnis von Daten zu Tinte sollte optimiert werden; nicht-datentragende Tinte sollte nach Möglichkeit entfernt werden. ^{[ 30 ]}

Das Congressional Budget Office fasste in einer Präsentation vom Juni 2014 mehrere bewährte Verfahren für grafische Darstellungen zusammen. Dazu gehörten: a) die Zielgruppe kennen; b) Grafiken so gestalten, dass sie auch außerhalb des Berichtskontexts verständlich sind; und c) Grafiken so gestalten, dass sie die Kernaussagen des Berichts vermitteln. ^{[ 31 ]}

Nützliche Kriterien für eine Daten- oder Informationsvisualisierung sind unter anderem: ^{[ 32 ]}

1. Sie basiert auf (nicht-visuellen) Daten – das heißt, eine Daten-/Informationsvisualisierung ist keine Bildverarbeitung und Collage;
2. Es erzeugt ein Bild – genauer gesagt, dass das Bild die primäre Rolle bei der Bedeutungsvermittlung spielt und nicht nur eine Illustration ist, die die Daten in Textform begleitet; und
3. Das Ergebnis ist lesbar.

Lesbarkeit bedeutet, dass ein Betrachter die zugrundeliegenden Daten verstehen kann, beispielsweise durch den Vergleich proportional großer visueller Elemente zur Beurteilung ihrer jeweiligen Datenwerte oder durch die Verwendung einer Legende zur Entschlüsselung einer Karte, etwa durch die Identifizierung farbiger Bereiche auf einer Klimakarte zur Bestimmung der Temperatur an einem bestimmten Ort. Für maximale Effizienz und Einfachheit in Design und Benutzererfahrung wird diese Lesbarkeit durch die Verwendung bijektiver Zuordnungen bei der Gestaltung der Bildelemente verbessert – wobei die Zuordnung von Darstellungselement zu Datenvariable eindeutig ist. ^{[ 33 ]}

Kosara (2007) ^{[ 32 ]} hebt außerdem hervor, dass eine Visualisierung „als Visualisierung erkennbar sein und nicht wie etwas anderes wirken“ muss. Er stellt zudem fest, dass Erkennbarkeit und Lesbarkeit nicht bei allen Arten von Visualisierungen erforderlich sind, z. B. bei „informativer Kunst“ (die zwar alle drei oben genannten Kriterien erfüllt, aber möglicherweise nicht wie eine Visualisierung aussieht) oder bei „künstlerischer Visualisierung“ (die ebenfalls auf nicht-visuellen Daten basiert, um ein Bild zu erzeugen, aber möglicherweise nicht lesbar oder erkennbar ist).

Der Autor Stephen Few beschrieb acht Arten von quantitativen Botschaften, die Benutzer anhand eines Datensatzes und der zugehörigen Grafiken, die zur Vermittlung der Botschaft verwendet werden, zu verstehen oder zu kommunizieren versuchen:

1. Zeitreihenanalyse: Eine einzelne Variable wird über einen bestimmten Zeitraum erfasst, beispielsweise die Arbeitslosenquote oder Temperaturmessungen über einen Zeitraum von 10 Jahren. Ein Liniendiagramm kann verwendet werden, um den Trend im Zeitverlauf darzustellen.
2. Rangfolge: Kategorische Unterkategorien werden aufsteigend oder absteigend geordnet, beispielsweise die Vertriebsleistung (die Kennzahl ) der einzelnen Vertriebsmitarbeiter (die Kategorie , wobei jeder Vertriebsmitarbeiter eine kategorische Unterkategorie darstellt ) innerhalb eines bestimmten Zeitraums. Ein Balkendiagramm kann verwendet werden, um den Vergleich der Vertriebsmitarbeiter darzustellen.
3. Verhältnis von Teil zu Ganzem: Kategorische Unterteilungen werden als Verhältnis zum Ganzen gemessen (d. h. als Prozentsatz von 100 %). Ein Kreis- oder Balkendiagramm kann den Vergleich von Verhältnissen darstellen, beispielsweise den Marktanteil von Wettbewerbern in einem Markt.
4. Abweichung: Kategorische Unterkategorien werden mit einem Referenzwert verglichen, beispielsweise die tatsächlichen Ausgaben im Vergleich zu den geplanten Ausgaben verschiedener Abteilungen eines Unternehmens für einen bestimmten Zeitraum. Ein Balkendiagramm kann diesen Vergleich zwischen Ist- und Sollwert veranschaulichen.
5. Häufigkeitsverteilung: Sie zeigt die Anzahl der Beobachtungen einer bestimmten Variablen in einem gegebenen Intervall, beispielsweise die Anzahl der Jahre, in denen die Aktienmarktrendite zwischen Intervallen wie 0–10 %, 11–20 % usw. liegt. Für diese Analyse kann ein Histogramm , eine Art Balkendiagramm, verwendet werden. Ein Boxplot visualisiert wichtige Kennzahlen der Verteilung, wie Median, Quartile, Ausreißer usw.
6. Korrelation: Der Vergleich von Beobachtungen, die durch zwei Variablen (X, Y) dargestellt werden, um festzustellen, ob sie sich tendenziell in die gleiche oder in entgegengesetzte Richtungen bewegen. Beispielsweise werden Arbeitslosenquote (X) und Inflation (Y) über einen Zeitraum von mehreren Monaten grafisch dargestellt. Typischerweise wird hierfür ein Streudiagramm verwendet.
7. Nominalvergleich: Vergleich von Kategorien ohne Rangfolge, beispielsweise des Absatzvolumens nach Produktcode. Für diesen Vergleich kann ein Balkendiagramm verwendet werden.
8. Geografisch oder raumbezogen : Vergleich einer Variablen auf einer Karte oder in einem Lageplan, beispielsweise die Arbeitslosenquote nach Bundesland oder die Anzahl der Personen in den verschiedenen Stockwerken eines Gebäudes. Ein Kartogramm ist eine typische grafische Darstellung. ^{[ 20 ] [ 35 ]}

Analysten, die einen Datensatz auswerten, können prüfen, ob einige oder alle der oben genannten Botschaften und Grafiktypen für ihre Aufgabe und Zielgruppe relevant sind. Das Vorgehen durch Ausprobieren, um aussagekräftige Zusammenhänge und Botschaften in den Daten zu identifizieren, ist Teil der explorativen Datenanalyse .

Der Mensch kann Unterschiede in Linienlänge, Form, Ausrichtung, Abständen und Farbe (Farbton) ohne großen Aufwand erkennen; diese werden als „ präattentive Attribute “ bezeichnet. Beispielsweise kann es viel Zeit und Mühe kosten („attentive Verarbeitung“), die Häufigkeit der Ziffer „5“ in einer Zahlenreihe zu bestimmen; unterscheidet sich diese Ziffer jedoch in Größe, Ausrichtung oder Farbe, lassen sich ihre Vorkommen durch präattentive Verarbeitung schnell erfassen. ^{[ 36 ]}

Überzeugende Grafiken nutzen die unbewusste Informationsverarbeitung sowie die Eigenschaften und deren relative Stärke. Da Menschen beispielsweise Unterschiede in der Linienlänge leichter verarbeiten können als in der Fläche, ist es unter Umständen effektiver, ein Balkendiagramm (das die Linienlänge zum Vergleich heranzieht) anstelle eines Kreisdiagramms (das die Fläche zum Vergleich heranzieht) zu verwenden. ^{[ 36 ]}

Fast alle Datenvisualisierungen sind für die menschliche Nutzung bestimmt. Kenntnisse der menschlichen Wahrnehmung und Kognition sind für die Gestaltung intuitiver Visualisierungen unerlässlich. ^{[ 37 ]} Kognition umfasst menschliche Prozesse wie Wahrnehmung, Aufmerksamkeit, Lernen, Gedächtnis, Denken, Begriffsbildung, Lesen und Problemlösen. ^{[ 38 ]} Die menschliche visuelle Verarbeitung ist effizient beim Erkennen von Veränderungen und beim Vergleichen von Mengen, Größen, Formen und Helligkeitsvariationen. Werden Eigenschaften symbolischer Daten visuellen Eigenschaften zugeordnet, können Menschen große Datenmengen effizient durchsuchen. Schätzungsweise zwei Drittel der Neuronen im Gehirn sind an der visuellen Verarbeitung beteiligt. Eine geeignete Visualisierung bietet einen anderen Ansatz, um potenzielle Zusammenhänge, Beziehungen usw. aufzuzeigen, die in nicht visualisierten quantitativen Daten nicht so offensichtlich sind. Visualisierung kann somit zu einem Mittel der Datenexploration werden .

Studien haben gezeigt, dass Personen im Durchschnitt 19 % weniger kognitive Ressourcen benötigten und sich Details um 4,5 % besser merken konnten, wenn sie Datenvisualisierung mit Text verglichen. ^{[ 39 ]}

Es gibt keine umfassende Geschichte der Datenvisualisierung. Es existieren keine Darstellungen, die die gesamte Entwicklung des visuellen Denkens und der visuellen Datendarstellung abdecken und die Beiträge verschiedener Disziplinen zusammenfassen. ^{[ 40 ]} Michael Friendly und Daniel Denis von der York University arbeiten an einem Projekt, das eine umfassende Geschichte der Visualisierung erstellen soll. Datenvisualisierung ist keine moderne Entwicklung. Bereits in der Vorgeschichte wurden Sternendaten oder Informationen wie die Position von Sternen seit dem Pleistozän an Höhlenwänden visualisiert (beispielsweise in der Höhle von Lascaux in Südfrankreich) . ^{[ 41 ]} Auch physische Artefakte wie mesopotamische Tonmarken (5500 v. Chr.), Inka- Quipus (2600 v. Chr.) und Stabtafeln der Marshallinseln (o. J.) können als Visualisierungen quantitativer Informationen betrachtet werden. ^{[ 42 ] [ 43 ]}

Die erste dokumentierte Datenvisualisierung lässt sich auf das Jahr 1160 v. Chr. zurückführen: die Turiner Papyruskarte , die die Verteilung geologischer Ressourcen präzise darstellt und Informationen über deren Abbau liefert. ^{[ 44 ]} Solche Karten zählen zur thematischen Kartografie , einer Form der Datenvisualisierung, die spezifische Daten und Informationen durch eine geografische Darstellung präsentiert und vermittelt. Diese Darstellung veranschaulicht ein bestimmtes Thema in Verbindung mit einem spezifischen geografischen Gebiet. Die frühesten dokumentierten Formen der Datenvisualisierung waren verschiedene thematische Karten unterschiedlicher Kulturen sowie Ideogramme und Hieroglyphen, die Informationen lieferten und deren Interpretation ermöglichten. So visualisierten beispielsweise die Linear-B- Tafeln von Mykene Informationen über den Handel der späten Bronzezeit im Mittelmeerraum. Die Idee von Koordinaten wurde bereits von altägyptischen Landvermessern zur Stadtplanung verwendet. Irdische und himmlische Positionen wurden spätestens um 200 v. Chr. anhand von etwas Ähnlichem wie Längen- und Breitengraden bestimmt, und Claudius Ptolemäus [ ca. 85 – ca. 100 v. Chr.] entwickelte die Kartenprojektion einer kugelförmigen Erde in Längen- und Breitengrade. 165 ] in Alexandria dienten bis ins 14. Jahrhundert als Referenzstandards. ^{[ 44 ]}

Die Erfindung von Papier und Pergament ermöglichte die Weiterentwicklung von Visualisierungen. Eine Grafik aus dem 10. oder möglicherweise 11. Jahrhundert veranschaulicht die Planetenbewegungen und wurde im Anhang eines Lehrbuchs an Klosterschulen verwendet. ^{[ 45 ]} Die Grafik sollte offenbar die Neigung der Planetenbahnen in Abhängigkeit von der Zeit darstellen. Zu diesem Zweck wurde der Tierkreis in einer Ebene mit einer in dreißig Abschnitte unterteilten horizontalen Linie als Zeit- oder Längenachse dargestellt. Die vertikale Achse markiert die Breite des Tierkreises. Die horizontale Skala scheint für jeden Planeten individuell gewählt worden zu sein, da sich die Perioden nicht vereinbaren lassen. Der Begleittext erwähnt lediglich die Amplituden. Die Kurven scheinen zeitlich nicht miteinander in Beziehung zu stehen.

Im 16. Jahrhundert waren Techniken und Instrumente zur präzisen Beobachtung und Messung physikalischer Größen sowie geografischer und astronomischer Positionen weit entwickelt (beispielsweise ein von Tycho Brahe [1546–1601] konstruierter „Wandquadrant“, der eine ganze Wand seiner Sternwarte bedeckte). Besonders wichtig waren die Entwicklung der Triangulation und anderer Methoden zur genauen Kartierung von Positionen. ^{[ 40 ]} Schon früh veranlasste die Zeitmessung Gelehrte zur Entwicklung innovativer Methoden zur Visualisierung der Daten (z. B. Lorenz Codomann und Johannes Temporarius im Jahr 1596 ^{[ 46 ]} ).

Die Mathematiker René Descartes und Pierre de Fermat entwickelten die analytische Geometrie und ein zweidimensionales Koordinatensystem, die die praktischen Methoden zur Darstellung und Berechnung von Werten maßgeblich beeinflussten. Fermats und Blaise Pascals Arbeiten zur Statistik und Wahrscheinlichkeitstheorie legten den Grundstein für das, was wir heute als Daten bezeichnen. ^{[ 40 ]} Diese Entwicklungen halfen William Playfair , der das Potenzial der grafischen Darstellung quantitativer Daten erkannte, grafische Methoden der Statistik zu entwickeln . ^{[ 37 ]} 1786 veröffentlichte Playfair die erste Präsentationsgrafik.

In der zweiten Hälfte des 20. Jahrhunderts nutzte Jacques Bertin quantitative Grafiken, um Informationen „intuitiv, klar, präzise und effizient“ darzustellen. ^{[ 37 ]} John Tukey und Edward Tufte erweiterten die Grenzen der Datenvisualisierung; Tukey mit seinem neuen statistischen Ansatz der explorativen Datenanalyse und Tufte mit seinem Buch „The Visual Display of Quantitative Information“ ebneten den Weg für die Verfeinerung von Datenvisualisierungstechniken, die nicht nur Statistikern zugänglich waren. Mit dem technologischen Fortschritt entwickelte sich auch die Datenvisualisierung weiter; von handgezeichneten Visualisierungen hin zu technischeren Anwendungen – einschließlich interaktiver Designs, die schließlich zur Softwarevisualisierung führten . ^{[ 47 ]}

Die moderne Visualisierungsforschung begann mit der Computergrafik , die „von Anfang an zur Untersuchung wissenschaftlicher Probleme eingesetzt wurde. In ihren Anfängen schränkte jedoch die mangelnde Rechenleistung ihre Anwendungsmöglichkeiten oft ein. Der jüngste Schwerpunkt auf Visualisierung begann 1987 mit der Sonderausgabe von Computer Graphics zum Thema Visualisierung im wissenschaftlichen Rechnen . Seitdem fanden zahlreiche Konferenzen und Workshops statt, die von der IEEE Computer Society und ACM SIGGRAPH gemeinsam veranstaltet wurden .“ ^{[ 48 ]} Diese widmeten sich den allgemeinen Themen Datenvisualisierung, Informationsvisualisierung und wissenschaftlicher Visualisierung sowie spezifischeren Bereichen wie der Volumenvisualisierung .

Programme wie SAS , SOFA , R , Minitab , Cornerstone und weitere ermöglichen die Datenvisualisierung im Bereich der Statistik. Andere, spezialisiertere und individuellere Anwendungen zur Datenvisualisierung sowie Programmiersprachen wie D3 , Python (über Matplotlib und Seaborn) und JavaScript und Java (über JavaFX) tragen zur Visualisierung quantitativer Daten bei. Auch Privatschulen haben Programme entwickelt, um die Nachfrage nach dem Erlernen von Datenvisualisierung und zugehörigen Programmierbibliotheken zu decken, darunter kostenlose Programme wie The Data Incubator und kostenpflichtige Programme wie General Assembly . ^{[ 49 ]}

Seit dem Symposium „Data to Discovery“ im Jahr 2013 führen das ArtCenter College of Design, Caltech und JPL in Pasadena jährlich ein Programm zur interaktiven Datenvisualisierung durch. ^{[ 50 ]} Das Programm geht folgenden Fragen nach: Wie kann interaktive Datenvisualisierung Wissenschaftler und Ingenieure dabei unterstützen, ihre Daten effektiver zu analysieren? Wie können Informatik, Design und Design Thinking dazu beitragen, Forschungsergebnisse zu optimieren? Welche Methoden eignen sich am besten, um Erkenntnisse aus diesen Bereichen zu nutzen? Indem relationale Informationen mit geeigneten visuellen und interaktiven Eigenschaften versehen werden, um Daten zu untersuchen und letztlich neue Erkenntnisse zu gewinnen, entwickelt das Programm neue interdisziplinäre Ansätze für komplexe wissenschaftliche Fragestellungen. Dabei werden Design Thinking und neueste Methoden aus Informatik, nutzerzentriertem Design, Interaktionsdesign und 3D-Grafik kombiniert.

In den letzten Jahren hat die zunehmende Beliebtheit von Spielen die Daten- und Informationsvisualisierung in der Spieleindustrie sukzessive vorangetrieben. Mithilfe von Analysetools werden Spielerstatistiken und die Spielleistung ausgewertet und in Form von Lebenspunkten, Karten und Diagrammen visualisiert. Die Daten werden anschließend von den Entwicklern erfasst und gespeichert. Der Einsatz dieser Tools in der Spieleentwicklung unterstützt die Entwickler dabei, die Benutzererfahrung zu verbessern sowie neue Spiele zu entwickeln und zu aktualisieren.

Die Datenvisualisierung verwendet eine spezifische Terminologie, die teilweise aus der Statistik stammt. So definiert beispielsweise der Autor Stephen Few zwei Datentypen, die in Kombination verwendet werden, um eine aussagekräftige Analyse oder Visualisierung zu ermöglichen:

• Kategorisch: Sie repräsentieren Gruppen von Objekten mit einem bestimmten Merkmal. Kategorische Variablen können entweder nominal oder ordinal sein. Nominale Variablen, wie beispielsweise das Geschlecht, weisen keine Rangfolge auf und sind daher nominal. Ordinale Variablen sind Kategorien mit einer Rangfolge, beispielsweise die Altersgruppe einer Person. ^{[ 51 ]}
• Quantitativ: Sie stellen Messungen dar, wie beispielsweise die Körpergröße einer Person oder die Umgebungstemperatur. Quantitative Variablen können entweder stetig oder diskret sein . Stetige Variablen verdeutlichen, dass Messungen stets präziser durchgeführt werden können. Diskrete Variablen hingegen weisen nur eine endliche Anzahl von Möglichkeiten auf, wie etwa die Anzahl bestimmter Ergebnisse oder das Alter in ganzen Jahren. ^{[ 51 ]}

Die Unterscheidung zwischen quantitativen und kategorialen Variablen ist wichtig, weil die beiden Typen unterschiedliche Visualisierungsmethoden erfordern.

Es gibt zwei Hauptarten von Informationsdarstellungen : Tabellen und Diagramme.

• Eine Tabelle enthält quantitative Daten, die in Zeilen und Spalten mit Kategorienbezeichnungen organisiert sind. Sie dient hauptsächlich dazu, bestimmte Werte nachzuschlagen. Im obigen Beispiel könnte die Tabelle kategoriale Spaltenbezeichnungen für den Namen (eine qualitative Variable ) und das Alter (eine quantitative Variable ) enthalten, wobei jede Datenzeile eine Person repräsentiert (die Stichprobeneinheit oder Unterkategorie ).
• Ein Diagramm dient primär dazu, Beziehungen zwischen Daten darzustellen und Werte als visuelle Objekte (z. B. Linien, Balken oder Punkte) zu visualisieren. Numerische Werte werden in einem Bereich angezeigt, der durch eine oder mehrere Achsen begrenzt wird . Diese Achsen liefern Skalen (quantitativ und kategorisch), die zur Beschriftung und Wertezuweisung der visuellen Objekte verwendet werden. Viele Diagramme werden auch als Schaubilder bezeichnet . ^{[ 52 ]}

Eppler und Lengler haben das „Periodensystem der Visualisierungsmethoden“ entwickelt, ein interaktives Diagramm, das verschiedene Datenvisualisierungsmethoden darstellt. Es umfasst sechs Arten von Datenvisualisierungsmethoden: Daten, Informationen, Konzepte, Strategien, Metaphern und zusammengesetzte Visualisierungen. ^{[ 53 ]} In „Visualization Analysis and Design“ schreibt Tamara Munzner : „Computerbasierte Visualisierungssysteme bieten visuelle Darstellungen von Datensätzen, die Menschen dabei helfen sollen, Aufgaben effektiver zu erledigen.“ Munzner argumentiert, dass Visualisierung „dann dann geeignet ist, wenn es darum geht, menschliche Fähigkeiten zu erweitern, anstatt Menschen durch computergestützte Entscheidungsmethoden zu ersetzen.“ ^{[ 54 ]}

	Name	Visuelle Dimensionen	Beschreibung / Anwendungsbeispiele
	Balkendiagramm	Länge/Anzahl Kategorie Farbe	Stellt kategoriale Daten mithilfe von rechteckigen Balken dar, deren Höhe oder Länge proportional zu den dargestellten Werten ist. Die Balken können vertikal oder horizontal angeordnet werden. Ein Balkendiagramm veranschaulicht Vergleiche zwischen einzelnen Kategorien . Eine Achse des Diagramms zeigt die verglichenen Kategorien, die andere Achse stellt einen Messwert dar. Manche Balkendiagramme zeigen Balken, die in Gruppen von mehr als einem Balken angeordnet sind und die Werte mehrerer Messgrößen darstellen. Diese Gruppen können farblich unterschieden werden. Zum Beispiel: Vergleich von Werten, wie etwa der Umsatzentwicklung mehrerer Personen oder Unternehmen in einem einzigen Zeitraum.
	Balkendiagramm mit variabler Breite ("variwide")	Kategorie (Größe/Anzahl/Ausdehnung in der ersten Dimension) Größe/Anzahl/Ausdehnung in der zweiten Dimension Größe/Anzahl/Ausdehnung als Fläche des Balkens Farbe	Beinhaltet die meisten Funktionen eines einfachen Balkendiagramms (siehe oben). Die Flächen von Balken ungleichmäßiger Breite stellen Größen mit Flächen A dar , die jeweils Produkte zugehöriger Paare von • Größen auf der vertikalen Achse ( A/X ) und • Größen auf der horizontalen Achse ( X ). Arithmetisch: (A/X)*X=A für jeden Balken Beispiele: Mosaikdiagramme (auch bekannt als Marimekko- oder Mekko-Diagramme)
	Orthogonales (orthogonales zusammengesetztes) Balkendiagramm	numerischer Wert der ersten Variablen (Ausdehnung in der ersten Dimension; überlagerte horizontale Balken) numerischer Wert der zweiten Variablen (Ausmaß in der zweiten Dimension; wie bei einem herkömmlichen vertikalen Balkendiagramm) Kategorie für die erste und zweite Variable (z. B. farbcodiert)	Beinhaltet die meisten Funktionen eines einfachen Balkendiagramms (siehe oben). Paare numerischer Variablen, üblicherweise farblich gekennzeichnet, dargestellt nach Kategorie Variablen müssen nicht in einem direkten Zusammenhang stehen, wie es in „variablenweiten“ Diagrammen der Fall ist.
	Histogramm	Behältergrenzen Anzahl/Länge Farbe	Eine ungefähre Darstellung der Verteilung numerischer Daten. Man teilt den gesamten Wertebereich in eine Reihe von Intervallen ein und zählt dann, wie viele Werte in jedes Intervall fallen. Dies nennt man Binning . Die Bins werden üblicherweise als aufeinanderfolgende, sich nicht überlappende Intervalle einer Variablen definiert. Die Bins (Intervalle) müssen benachbart sein und sind oft (aber nicht zwingend) gleich groß. Beispielsweise die Bestimmung der Häufigkeit jährlicher Aktienmarktrenditen in Prozent innerhalb bestimmter Bereiche (Intervalle) wie 0–10 %, 11–20 % usw. Die Höhe des Balkens repräsentiert die Anzahl der Beobachtungen (Jahre) mit einer Rendite in Prozent innerhalb des durch das jeweilige Intervall dargestellten Bereichs.
	Streudiagramm (Punktediagramm)	x-Position y-Position Symbol/Glyphe Farbe Größe	Verwendet kartesische Koordinaten zur Anzeige von Werten für typischerweise zwei Variablen eines Datensatzes. Punkte können durch Farbe, Form und/oder Größe codiert werden, um zusätzliche Variablen anzuzeigen. Jedem Punkt im Diagramm ist ein x- und ein y-Wert zugeordnet, der seine Lage in der kartesischen Ebene bestimmt. Streudiagramme werden häufig verwendet, um die Korrelation zwischen Variablen (x und y) hervorzuheben. Auch „Punktediagramme“ genannt
	Streudiagramm (3D)	Position x Position y Position z Farbe Symbol Größe	Ähnlich wie das oben dargestellte zweidimensionale Streudiagramm visualisiert das dreidimensionale Streudiagramm die Beziehung zwischen typischerweise drei Variablen aus einem Datensatz. Ein Punkt kann wiederum durch Farbe, Form und/oder Größe codiert werden, um zusätzliche Variablen anzuzeigen.
	Netzwerk	Knotengröße Knotenfarbe Binderstärke Krawattenfarbe Räumlichkeit	Cluster im Netzwerk finden (z. B. Facebook-Freunde in verschiedene Cluster gruppieren). Brücken (Informationsvermittler oder Grenzgänger) zwischen Clustern im Netzwerk entdecken Die einflussreichsten Knotenpunkte im Netzwerk ermitteln (z. B. möchte ein Unternehmen für eine Marketingkampagne eine kleine Gruppe von Personen auf Twitter ansprechen). Ausreißer identifizieren, die in keine Gruppe passen oder sich am Rande eines Netzwerks befinden.
	Kreisdiagramm	Farbe	Stellt eine kategoriale Variable dar, die in Segmente unterteilt wird, um numerische Proportionen zu veranschaulichen. In einem Kreisdiagramm ist die Bogenlänge jedes Segments (und folglich sein Mittelpunktswinkel und seine Fläche ) proportional zu der von ihm dargestellten Größe. Wie die Grafik rechts zeigt, ist beispielsweise der Anteil der englischen Muttersprachler weltweit
	Punktmatrixdiagramme, genauer gesagt Waffeldiagramme	Farbe Anzahl der Flächen (insbesondere Quadrate)	Stellt kategoriale Variablen durch die Anzahl farbiger Bereiche (in der Regel Quadrate) dar, die den numerischen Anteil veranschaulichen. Viele Waffeldiagramme bestehen aus einem 10x10-Raster aus Quadraten, wobei jedes Quadrat einen Anteil von 1% am Gesamtwert darstellt. Manchmal wird es auch grob als „quadratisches Tortendiagramm“ bezeichnet.
	Liniendiagramm	x-Position y-Position Symbol/Glyphe Farbe Größe	Stellt Informationen als eine Reihe von Datenpunkten dar, die als „Marker“ bezeichnet werden und durch gerade Liniensegmente miteinander verbunden sind. Ähnlich einem Streudiagramm , nur dass die Messpunkte geordnet sind (typischerweise nach ihrem x-Achsenwert) und durch gerade Liniensegmente verbunden werden. Wird häufig verwendet, um einen Trend in Daten über Zeitintervalle hinweg zu visualisieren – eine Zeitreihe – daher wird die Linie oft chronologisch gezeichnet.
	Halblogarithmische oder doppeltlogarithmische (nichtlineare) Diagramme	x-Position y-Position Symbol/Glyphe Farbe Verbindungen	Stellt Daten als Linien oder Punktreihen dar, die sich über große Bereiche auf einer oder beiden Achsen erstrecken. Eine oder beide Achsen werden mithilfe einer nichtlinearen logarithmischen Skala dargestellt.
	Stromdiagramm (eine Art Flächendiagramm )	Breite Farbe Zeit (Fluss)	Eine Art gestapeltes Flächendiagramm , bei dem die Elemente um eine zentrale Achse verschoben sind , wodurch eine fließende Form entsteht. Anders als bei einem herkömmlichen gestapelten Flächendiagramm, bei dem die Ebenen über einer Achse gestapelt sind, werden bei einem Streamgraph die Ebenen so positioniert, dass ihre „Schwankung“ minimiert wird. Streamgraphen zeigen Daten nur mit positiven Werten an und können nicht sowohl negative als auch positive Werte darstellen. Beispiel: Die Grafik zeigt die Musik, die ein Benutzer im Laufe der Zeit gehört hat.
	Baumdiagramm	Größe Farbe	Ist eine Methode zur Darstellung hierarchischer Daten mithilfe verschachtelter Figuren, üblicherweise Rechtecke. Zum Beispiel Speicherplatz nach Speicherort / Dateityp
	Gantt-Diagramm	Farbe Zeit (Fluss)	Art von Balkendiagramm zur Veranschaulichung eines Projektzeitplans Moderne Gantt-Diagramme zeigen auch die Abhängigkeitsbeziehungen zwischen Aktivitäten und dem aktuellen Terminplanstatus. Zum Beispiel verwendet in der Projektplanung
	Heatmap	Farbe kategoriale Variable	Stellt die Stärke eines Phänomens als Farbe in zwei Dimensionen dar. Es gibt zwei Kategorien von Heatmaps: Cluster-Heatmap: Hierbei werden die Größenordnungen in einer Matrix mit fester Zellengröße dargestellt, deren Zeilen und Spalten kategoriale Daten enthalten. Zum Beispiel die Grafik rechts. Räumliche Wärmekarte: Eine Wärmekarte ohne Matrix fester Zellengröße. Beispielsweise eine Wärmekarte, die Bevölkerungsdichten auf einer geografischen Karte darstellt.
	Streifengrafik	x-Position Farbe	Eine Abfolge farbiger Streifen veranschaulicht den Trend einer Datenreihe. Stellt eine einzelne Variable dar – prototypisch die Temperatur im Zeitverlauf –, um die globale Erwärmung zu veranschaulichen . Bewusst minimalistisch – ohne technische Hinweise – um intuitiv mit Nicht-Wissenschaftlern zu kommunizieren [ 55 ]. Kann "gestapelt" werden, um Pluralreihen darzustellen ( Beispiel )
	Animierte Spiralgrafik	Radialabstand (abhängige Variable) Drehwinkel (Zyklus durch die Monate) Farbe (vergängliche Jahre)	Stellt eine einzige abhängige Variable dar – typischerweise die Temperatur im Zeitverlauf –, um die globale Erwärmung zu veranschaulichen. Die abhängige Variable wird schrittweise entlang einer kontinuierlichen "Spirale" aufgetragen, die als Funktion von (a) dem konstant rotierenden Winkel (zwölf Monate pro Umdrehung) und (b) der sich entwickelnden Farbe (Farbveränderungen im Laufe der Jahre) bestimmt wird [ 56 ].
	Boxplot	x-Achse y-Achse	Eine Methode zur grafischen Darstellung von Gruppen numerischer Daten durch ihre Quartile . Boxplots können auch Linien aufweisen, die von den Boxen ausgehen ( Whisker ), welche die Variabilität außerhalb des oberen und unteren Quartils anzeigen. Ausreißer können als einzelne Punkte dargestellt werden. Die beiden übereinander angeordneten Kästchen stellen die mittleren 50 % der Daten dar, wobei die Linie, die die beiden Kästchen trennt, den Medianwert der Daten angibt und die oberen und unteren Kanten der Kästchen die Datenpunkte des 75. bzw. 25. Perzentils darstellen. Boxplots sind nichtparametrisch : Sie zeigen die Streuung von Daten in Stichproben einer statistischen Grundgesamtheit , ohne Annahmen über die zugrunde liegende statistische Verteilung zu treffen , und eignen sich daher gut, um einen ersten Überblick über einen Datensatz zu gewinnen. Beispielsweise zum Vergleich der Altersverteilung innerhalb einer Personengruppe (z. B. Männer und Frauen).
	Flussdiagramm	Arbeitsablauf oder Prozess	Stellt einen Arbeitsablauf , einen Prozess oder eine schrittweise Vorgehensweise zur Lösung einer Aufgabe dar. Das Flussdiagramm zeigt die einzelnen Schritte als Kästchen verschiedener Art und ihre Reihenfolge durch die Verbindung der Kästchen mit Pfeilen. Zum Beispiel die Beschreibung der zu ergreifenden Maßnahmen, wenn eine Lampe nicht funktioniert, wie im Diagramm rechts dargestellt.
	Radardiagramm	Attribute Attributen zugewiesene Werte	Zeigt multivariate Daten in Form eines zweidimensionalen Diagramms mit drei oder mehr quantitativen Variablen an, die auf Achsen dargestellt werden, die vom selben Punkt ausgehen. Die relative Position und der Winkel der Achsen geben in der Regel keine Auskunft, aber es können verschiedene Heuristiken angewendet werden, wie z. B. Algorithmen, die Daten als maximale Gesamtfläche darstellen, um die Variablen (Achsen) in relative Positionen zu sortieren, die deutliche Korrelationen, Zielkonflikte und eine Vielzahl anderer vergleichender Maße offenbaren. Zum Beispiel der Vergleich von Fähigkeiten (z. B. Kommunikations-, Analyse- und IT-Kenntnisse), die in verschiedenen Universitätsstudiengängen (z. B. Mathematik, Wirtschaftswissenschaften, Psychologie) erworben wurden.
	Venn-Diagramm	alle möglichen logischen Beziehungen zwischen einer endlichen Menge verschiedener Mengen .	Zeigt alle möglichen logischen Beziehungen zwischen einer endlichen Menge verschiedener Mengen . Diese Diagramme stellen Elemente als Punkte in der Ebene und Mengen als Bereiche innerhalb geschlossener Kurven dar. Ein Venn-Diagramm besteht aus mehreren sich überlappenden geschlossenen Kurven, üblicherweise Kreisen, von denen jede eine Menge darstellt. Die Punkte innerhalb einer mit S beschrifteten Kurve repräsentieren Elemente der Menge S , während Punkte außerhalb der Kurve Elemente repräsentieren, die nicht zu S gehören. Dies ermöglicht intuitive Visualisierungen; beispielsweise wird die Menge aller Elemente, die sowohl in S als auch in T enthalten sind , bezeichnet als S ∩ T und gelesen als „der Schnittpunkt von S und T “, visuell durch die Überlappungsfläche der Bereiche S und T dargestellt . In Venn-Diagrammen werden die Kurven auf jede erdenkliche Weise überlagert, wodurch alle möglichen Beziehungen zwischen den Mengen sichtbar werden.
	Ikonographie der Korrelationen	Keine Achse Durchgezogene Linie gestrichelte Linie Farbe	Explorative Datenanalyse. Ersetzen Sie eine Korrelationsmatrix durch ein Diagramm, in dem die "bemerkenswerten" Korrelationen durch eine durchgezogene Linie (positive Korrelation) oder eine gestrichelte Linie (negative Korrelation) dargestellt werden. Punkte können durch Farben codiert werden.

• Kartogramm  – Karte, deren Größe verzerrt wird, um einen anderen Wert darzustellen
• Kladogramm  – Methode der biologischen Systematik in der Evolutionsbiologie (Phylogenie)
• Konzeptkarte  – Diagramm zur Darstellung der Beziehungen zwischen Konzepten
• Dendrogramm  – Diagramm mit baumartiger Struktur (Klassifizierung)
• Referenzmodell für Informationsvisualisierung
• Grand Tour  – Datenvisualisierungstechnik
• Graphzeichnung  – Visualisierung von Knoten-Link-Graphen
• Hyperbolischer Baum  – Mathematischer Baum in der hyperbolischen Ebene
• Multidimensionale Skalierung  – Eine Gruppe verwandter Ordinationstechniken, die in der Informationsvisualisierung verwendet werden.
• Parallele Koordinaten  – Diagramm zur Darstellung multivariater Daten
• Problemlösungsumgebung  – Art der Computersoftware

Interaktive Datenvisualisierung ermöglicht direkte Aktionen in einem grafischen Diagramm , um Elemente zu ändern und Verbindungen zwischen mehreren Diagrammen herzustellen. ^{[ 57 ]}

Die interaktive Datenvisualisierung beschäftigt Statistiker seit den späten 1960er Jahren. Beispiele für die Entwicklungen finden sich in der Videobibliothek der American Statistical Association . ^{[ 58 ]}

Häufige Interaktionen sind:

• Beim Brushing wird mit der Maus ein Pinsel gesteuert, der die Farbe oder das Symbol von Diagrammelementen direkt verändert. Der Pinsel kann als Zeiger fungieren oder eine Art Kontur um Punkte zeichnen; diese Kontur kann unregelmäßig geformt sein, ähnlich einem Lasso. Brushing wird häufig verwendet, wenn mehrere Diagramme sichtbar sind und eine Verknüpfung zwischen ihnen besteht. Es gibt verschiedene konzeptionelle Modelle für Brushing und eine Reihe gängiger Verknüpfungsmechanismen. Beim Brushing von Streudiagrammen kann es sich um einen temporären Vorgang handeln, bei dem die Punkte im aktiven Diagramm nur ihre neuen Eigenschaften behalten und gleichzeitig vom Pinsel umschlossen oder geschnitten werden. Alternativ kann es sich um einen permanenten Vorgang handeln, sodass die Punkte ihr neues Aussehen auch nach dem Entfernen des Pinsels beibehalten. Wie bereits beschrieben, wird für verknüpftes Brushing üblicherweise der temporäre Vorgang gewählt.
• Malen : Das persistente Malen ist nützlich, wenn wir die Punkte in Cluster gruppieren und anschließend andere Operationen, wie z. B. die Tour, verwenden möchten, um die Gruppen zu vergleichen. Es wird immer üblicher, die persistente Operation als Malen zu bezeichnen.
• Die Beschriftung , auch als Label-Funktion bekannt, ist eine weitere Diagrammmanipulationsmöglichkeit, die hier verlinkt werden kann. Wenn man den Cursor in einem Streudiagramm in die Nähe eines Punktes oder einer Kante oder in einem Balkendiagramm in die Nähe eines Balkens bewegt , erscheint eine Beschriftung, die das Diagrammelement identifiziert. Diese Funktion ist in vielen interaktiven Grafiken weit verbreitet und wird manchmal auch als Mouseover bezeichnet.
• Skalierung : Die Daten werden auf das Datenfenster abgebildet, und Änderungen der Fläche des Diagramms ermöglichen es, aus ein und demselben Diagramm unterschiedliche Erkenntnisse zu gewinnen. Skalierung wird häufig verwendet, um dicht gedrängte Bereiche eines Streudiagramms zu vergrößern, und kann auch genutzt werden, um das Seitenverhältnis eines Diagramms zu ändern und so verschiedene Merkmale der Daten sichtbar zu machen.
• Verknüpfung : Verbindet ausgewählte Elemente eines Diagramms mit Elementen eines anderen Diagramms. Die einfachste Art der Verknüpfung ist die Eins-zu-Eins-Verknüpfung, bei der beide Diagramme unterschiedliche Projektionen derselben Daten zeigen und ein Punkt in einem Diagramm genau einem Punkt im anderen entspricht. Bei Flächendiagrammen hat das Markieren eines beliebigen Teils eines Bereichs denselben Effekt wie das Markieren des gesamten Bereichs und entspricht der Auswahl aller Fälle in der entsprechenden Kategorie. Selbst wenn einige Diagrammelemente mehrere Fälle darstellen, verknüpft die zugrunde liegende Verknüpfungsregel weiterhin einen Fall in einem Diagramm mit demselben Fall in anderen Diagrammen. Die Verknüpfung kann auch über kategoriale Variablen erfolgen, z. B. über eine Probanden-ID, sodass alle Datenwerte, die diesem Probanden entsprechen, in allen sichtbaren Diagrammen hervorgehoben werden.

Es gibt verschiedene Ansätze zum Umfang der Datenvisualisierung. Ein häufiger Fokus liegt auf der Informationsdarstellung, wie beispielsweise bei Friedman (2008). Friendly (2008) unterscheidet zwei Hauptbereiche der Datenvisualisierung: statistische Grafiken und thematische Kartografie . ^{[ 59 ]} In diesem Sinne bietet der Artikel „Data Visualization: Modern Approaches“ (2007) einen Überblick über sieben Themenbereiche der Datenvisualisierung: ^{[ 60 ]}

• Artikel und Ressourcen
• Verbindungen anzeigen
• Daten anzeigen
• Nachrichten anzeigen
• Webseiten anzeigen
• Mindmaps
• Werkzeuge und Dienstleistungen

Alle diese Themen stehen in engem Zusammenhang mit Grafikdesign und Informationsdarstellung.

Aus der Sicht der Informatik kategorisierte Frits Post im Jahr 2002 das Gebiet in Teilgebiete: ^{[ 25 ] [ 61 ]}

• Informationsvisualisierung
• Interaktionstechniken und -architekturen
• Modellierungstechniken
• Multiresolutionsverfahren
• Visualisierungsalgorithmen und -techniken
• Volumenvisualisierung

Scott Berinato entwickelte in der Harvard Business Review ein Rahmenwerk zur Datenvisualisierung. ^{[ 62 ]} Um visuell zu denken, müssen sich Nutzer zwei Fragen stellen: 1) Was haben Sie? und 2) Was wollen Sie visualisieren? Im ersten Schritt gilt es zu bestimmen, welche Daten visualisiert werden sollen. Dies können datengetriebene Daten wie der Gewinn der letzten zehn Jahre oder konzeptionelle Daten wie die Struktur einer bestimmten Organisation sein. Sobald diese Frage beantwortet ist, kann man sich darauf konzentrieren, ob man Informationen vermitteln (deklarative Visualisierung) oder etwas herausfinden möchte (explorative Visualisierung). Scott Berinato kombiniert diese Fragen zu vier Arten der visuellen Kommunikation, die jeweils eigene Ziele verfolgen. ^{[ 62 ]}

Diese vier Arten der visuellen Kommunikation sind folgende:

• Ideenillustration (konzeptionell & deklarativ). ^{[ 62 ]}
  • Sie dienen dazu, Konzepte zu vermitteln, zu erklären und/oder zu vereinfachen. Beispiele hierfür sind Organigramme und Entscheidungsbäume.
• Ideengenerierung (konzeptionell & explorativ). ^{[ 62 ]}
  • Dient dazu, zu entdecken, Innovationen voranzutreiben und Probleme zu lösen. Zum Beispiel eine Tafel nach einem Brainstorming.
• Visuelle Entdeckung (datengesteuert und explorativ). ^{[ 62 ]}
  • Diese Visualisierungsmethode dient dazu, Trends zu erkennen und Daten zu interpretieren. Sie wird häufiger bei großen und komplexen Datensätzen eingesetzt, bei denen der Datensatz teilweise unbekannt ist und die Aufgabe ein offenes Ergebnis aufweist.
• Alltägliche Datenvisualisierung (datengetrieben und deklarativ). ^{[ 62 ]}
  • Die gebräuchlichste und einfachste Visualisierungsform dient der Veranschaulichung und Kontextualisierung. Ein Beispiel hierfür ist ein Liniendiagramm des BIP im Zeitverlauf.

Erkenntnisse aus der Daten- und Informationsvisualisierung werden in Bereichen wie den folgenden angewendet: ^{[ 18 ]}

• Wissenschaftliche Forschung
• Digitale Bibliotheken
• Data-Mining
• Infografiken
• Finanzdatenanalyse
• Gesundheitswesen ^{[ 63 ]}
• Marktstudien
• Fertigungssteuerung​
• Kriminalitätskartierung
• E-Governance und Politikmodellierung
• Digitale Geisteswissenschaften
• Datenkunst
• Gaming
• Sport

Zu den bemerkenswerten akademischen und industriellen Laboren auf diesem Gebiet gehören:

• Adobe Research
• IBM Research
• Google-Recherche
• Microsoft Research
• Panopticon Software
• Institut für wissenschaftliches Rechnen und Bildgebung
• Tableau-Software
• Labor für Mensch-Computer-Interaktion der Universität Maryland

Konferenzen auf diesem Gebiet, geordnet nach ihrer Bedeutung für die Datenvisualisierungsforschung, ^{[ 64 ]} sind:

• IEEE Visualization : Eine jährlich stattfindende internationale Konferenz zu wissenschaftlicher Visualisierung, Informationsvisualisierung und visueller Datenanalyse. Die Konferenz findet im Oktober statt.
• ACM SIGGRAPH : Eine jährlich stattfindende internationale Konferenz für Computergrafik, veranstaltet von der ACM SIGGRAPH-Organisation. Die Konferenztermine variieren.
• Konferenz über Mensch-Computer-Interaktion (CHI) : Eine jährlich stattfindende internationale Konferenz über Mensch-Computer-Interaktion, veranstaltet von ACM SIGCHI . ​​Die Konferenz findet üblicherweise im April oder Mai statt.
• Eurographics : Eine jährlich stattfindende, europaweite Konferenz für Computergrafik, veranstaltet von der European Association for Computer Graphics. Die Konferenz findet üblicherweise im April oder Mai statt.

Weitere Beispiele finden Sie unter: Kategorie:Organisationen für Computergrafik

Die Datenpräsentationsarchitektur ( DPA ) ist ein Kompetenzbereich, der darauf abzielt, Daten so zu identifizieren, zu lokalisieren, zu bearbeiten, zu formatieren und zu präsentieren, dass Bedeutung und Wissen optimal vermittelt werden. Historisch gesehen wird die Datenpräsentationsarchitektur Kelly Lautt zugeschrieben: ^{[ a ]} „Die Datenpräsentationsarchitektur (DPA) ist eine selten angewandte Kompetenz, die für den Erfolg und den Wert von Business Intelligence entscheidend ist . Sie verbindet die Wissenschaft der Zahlen, Daten und Statistiken – um wertvolle Informationen aus Daten zu gewinnen und sie nutzbar, relevant und handlungsrelevant zu machen – mit den Künsten der Datenvisualisierung, Kommunikation, Organisationspsychologie und des Change-Managements. So werden Business-Intelligence-Lösungen mit dem Datenumfang, dem Bereitstellungszeitpunkt, dem Format und den Visualisierungen ausgestattet, die operatives, taktisches und strategisches Verhalten im Hinblick auf die definierten Geschäfts- (oder Organisations-)Ziele am effektivsten unterstützen und fördern. DPA ist weder eine IT- noch eine betriebswirtschaftliche Kompetenz, sondern ein eigenständiges Fachgebiet. Oft mit Datenvisualisierung verwechselt, ist die Datenpräsentationsarchitektur ein viel umfassenderes Kompetenzfeld. Sie beinhaltet die Festlegung, welche Daten wann und in welchem ​​genauen Format präsentiert werden sollen, und nicht nur die beste Art der Datenpräsentation für bereits ausgewählte Daten. Datenvisualisierungskompetenzen sind ein Element der DPA.“

DPA verfolgt zwei Hauptziele:

• Daten sollen so effizient wie möglich genutzt werden, um Wissen zu vermitteln (Minimierung von Störfaktoren, Komplexität und unnötigen Daten oder Details unter Berücksichtigung der Bedürfnisse und Rollen der jeweiligen Zielgruppen).
• Daten so zu nutzen, dass Wissen auf die effektivste Weise vermittelt wird (relevante, zeitnahe und vollständige Daten für jedes Mitglied der Zielgruppe in einer klaren und verständlichen Weise bereitzustellen, die wichtige Bedeutung vermittelt, handlungsrelevant ist und das Verständnis, das Verhalten und die Entscheidungen beeinflussen kann).

Unter Berücksichtigung der oben genannten Ziele besteht die eigentliche Arbeit der Datenpräsentationsarchitektur aus Folgendem:

• Entwicklung effektiver Bereitstellungsmechanismen für jeden Teilnehmer, basierend auf dessen Rolle, Aufgaben, Standort und Zugang zu Technologie
• Die Definition wichtiger Bedeutungen (relevanten Wissens), die von jedem Publikumsmitglied in jedem Kontext benötigt werden.
• Bestimmung der erforderlichen Aktualisierungsfrequenz der Daten (Aktualität der Daten)
• Den richtigen Zeitpunkt für die Datenpräsentation bestimmen (wann und wie oft der Benutzer die Daten sehen muss)
• Die richtigen Daten finden (Themenbereich, historische Reichweite, Breite, Detaillierungsgrad usw.)
• Durch die Nutzung geeigneter Analyse-, Gruppierungs-, Visualisierungs- und anderer Präsentationsformate

Die Arbeit der DPA weist Gemeinsamkeiten mit mehreren anderen Bereichen auf, darunter:

• Geschäftsprozessanalyse zur Ermittlung von Geschäftszielen, Erfassung von Anforderungen und Abbildung von Prozessen.
• Die Verbesserung von Geschäftsprozessen hat zum Ziel, Maßnahmen und Entscheidungen zur Förderung der Geschäftsziele zu verbessern und zu optimieren.
• Datenvisualisierung insofern, als sie etablierte Visualisierungstheorien nutzt, um Daten in der Präsentation Bedeutung oder Wichtigkeit hinzuzufügen oder hervorzuheben.
• Die Digital Humanities erforschen differenziertere Wege zur Visualisierung komplexer Daten.
• Informationsarchitektur , wobei der Fokus der Informationsarchitektur auf unstrukturierten Daten liegt und daher sowohl die Analyse (im statistischen/datenbezogenen Sinne) als auch die direkte Transformation des eigentlichen Inhalts (Daten, für DPA) in neue Entitäten und Kombinationen ausschließt.
• HCI und Interaktionsdesign , da viele der Prinzipien für die Gestaltung interaktiver Datenvisualisierung interdisziplinär mit HCI entwickelt wurden.
• Visueller Journalismus und datengetriebener Journalismus bzw. Datenjournalismus : Der visuelle Journalismus befasst sich mit allen Formen der grafischen Darstellung von Nachrichten, während datengetriebener Journalismus und Datenjournalismus nicht zwangsläufig Datenvisualisierungen nutzen. Dennoch spielt der Journalismus eine Vorreiterrolle bei der Entwicklung neuer Datenvisualisierungen zur Datenkommunikation.
• Grafikdesign , die Vermittlung von Informationen durch Stil, Typografie, Positionierung und andere ästhetische Aspekte.

• Meilensteine ​​in der Geschichte der thematischen Kartographie, der statistischen Grafik und der Datenvisualisierung , Eine illustrierte Chronologie der Innovationen von Michael Friendly und Daniel J. Denis.
• Präsentation von Christa Kelleher an der Duke University: Kommunikation durch Infografiken – Visualisierung wissenschaftlicher und technischer Informationen, 2015