Datenvisualisierung reloaded

Zum ewig jungen Thema Datenvisualisierung hier ein kurzer Hinweis: Auf flowingdata.com zeigt der Statistiker Nathan Yau kreative Übersetzungen von Zahlen in Bilder. Neben dem printlastigen Klassiker Edward Tufte sicherlich einer der guten Anlaufpunkte für den Stand der Dinge in Sachen Datendesign!

Die Grafiken basieren größtenteils auf dem freien Statistikpaket R. Entsprechende Tutorials gibt es auf flowingdata.com. Wie Tufte präsentiert auch Yau seine Empfehlungen und Analysen in Büchern (Data Points – im Erscheinen, Visualize This – 2011) – offenbar mit einem Schwerpunkt auf grafischen Ausdruckswerten und Erzählformen von Datenvisualisierung.

Advertisements

10 Gedanken zu „Datenvisualisierung reloaded

  1. Ich möchte Bedenken anmelden. Der Clip ist wirklich „sehr kreativ“, aber worauf läuft’s hinaus? Die Ratschläge sagen nicht mehr als: Sammle deine Daten, stelle eine konkrete Frage, bringe die Antwort in eine hübsche Form. Zum ersten: Wie „Daten“ finden, ohne zuvor eine Frage gestellt zu haben? Der Clip tut so, als würden „Daten“ (=Zahlen) von alleine herabpurzeln, unterstellt ihnen also eine Autonomie und Objektivität, die ich nicht verstehe. Dann: Es läuft hinaus auf den Imperativ, unterhaltsam zu sein: „tell an interesting story“. Am besten in der Form des klassischen Narrativs? Akteure, Prüfungen, 3-Akt-Struktur? Unterlegt mit Fahrstuhl-Musik? Sollte das Ziel nicht lauten: Finde interessante Antworten (und noch mehr interessante Fragen)?

    • Naja, der Clip ist halt ein typisches Web-Werbevideo, das ich flugs mit annotiert habe. Das würde ich nicht zu hoch hängen.

      Tatsächlich ist diese „Nehm die Daten und mache eine Geschichte draus“-Nummer nicht wegen der Analyse zugrundeliegender Daten interessant. *Good looking* ist die Devise der diagrammatischen Argumentation. Dieser Eindruck relativiert sich allerdings, wenn man sich den Text von „Data Points“ genauer anschaut. Da wirkt es so, als ob man die Tiefenstrukturen der Daten erst einmal verstehen müsste, bevor man die Erzählung grafisch konstruiert. Pattern Recognition ist das Stichwort. Insgesamt hat man es bei Yau aber nicht mit einer wissenschaftsgetriebenen Herangehensweise zu tun – was in meinen Augen vollkommen okay ist. Für die Kritik und Kontextualisierung sind wir ja zuständig 😉

      • „Da wirkt es so, als ob man die Tiefenstrukturen der Daten erst einmal verstehen müsste, bevor man die Erzählung grafisch konstruiert“ schreibst Du, Sebastian, das finde ich ein sehr gutes Stichwort. Denn genau da beginnt die Analyse solcher Visualisierungen IMHO interessant zu werden. Bei dieser ‚Strukturfindung‘ (whatever that is…) können solche Visualisierungen nämlich zwei Aufgaben übernehmen. Eine ist die von Tufte zurecht kritisierte Darstellung ‚bestehender Strukturen‘. Eine andere ist aber, dass sie einem schon ziemlich hilfreich dabei sein können, in einem großen Datensatz überhaupt etwas zu erkennen.
        Und hierfür muss ich jetzt schon wieder mit Manovich um die Ecke kommen: In „What is Visualization“ unterscheidet er zwischen „information design“ und „information visualization“. Ersteres versucht, eine „bestehende Struktur“ (Manovich nennt als Bsp. Becks London Tube Map) visuell darzustellen.
        „Information Visualization“ hingegen ziele darauf ab, Strukturen in einem großen Datensatz zu entdecken. Wenn man mal alleine mit einem riesigen Excel-Sheet in einer dunklen Kammer hockt, kann das ganz schön hilfreich sein 😉
        Nur hier übernehmen die Default-Visualisierungensschablonen von Excel, insbesondere aber die Algorithmen von Gephi eine ziemlich mächtige Agency. Denn die ‚Strukturen‘ die man dann in seinem Datensatz findet, können sich massiv unterscheiden – je nachdem welchen Algorithmus man nutzt. Für meine Arbeit über Twitter ist es daher immer hilfreich zu überlegen, ob das, was die Map zeigt, auch im Feld beobachtbar war oder den Akteuren im Feld etwas sagt. Ohne solche Kalibrierung kann man allerdings auf ganz schön dünnes Eis gelangen, ist mein Eindruck…
        Manovichs Artikel findet sich übrigens hier: http://www.ttivanguard.com/design/WhatIsVisualization.pdf

  2. Ich teile Dietmars Kritik und würde noch ein Stück weiter gehen. Die Rhetorik des Clips transportiert dieselbe Ideologie, die prominent u.a. in Chris Andersons Ruf nach dem ‚Ende der Theorie‘ hörbar wurde (http://www.wired.com/science/discoveries/magazine/16-07/pb_theory): die positivistische Überzeugung, (genug) Daten würden für sich selbst sprechen. Nicht umsonst heißt es im Clip: „Data drives your story“ und „[The] story your data has to tell“.

    • Ist diese Ideologie nicht dieselbe, die in den Naturwissenschaften in der 2. Hälfte des 19. Jh. aufkam und Daston & Gallison (1992) als „mechanical objectivity“ beschrieben haben…? Nur dass diesmal nicht die Natur durch die Instrumente spricht, sondern „Daten“?

      • Ohne den Artikel von Daston und Galison zu kennen: Eine gewisse Verwandtschaft mag da sicherlich gegeben sein (Kontinuitäten gibt es immer), aber Andersons ‚End of Theory‘, die gegenwärtige Begeisterung für ‚big data‘ und Digital Humanities-Prophetie (wozu auch Manovichs Cultural Analytics gehören) usw. sind m.E. nur vor dem Hintergrund der gesamtgesellschaftlichen Wirksamkeit des Digitalcomputers zu verstehen.

      • Bei Daston und Galison geht es ja um das Bild der Objektivität, also die spezifisch — auch medial-apparativen — Weisen, wie man mit ein wissenschaftliches Bild überzeugt. Die materialen Verfahren der Evidenzerzeugung sind zwar historisch verschieden, aber das Ziel oder auch die Ideologie unterscheidet sich nicht gravierend, da gebe ich Johannes Recht.

        Heute ist es freilich leichter, solch einen Anspruch zu dekonstruieren, als im 19. Jahrhundert. Vielleicht ist es sogar noch viel dringlicher, denn Tills Hinweis auf die „selbst sprechenden Daten“ als offensichtlicher Wunschtraum von Akteuren wie Anderson weist uns die Richtung.

        Bei der Methodenfrage, wie man Datenkritik betreibt, scheint mir schon weniger Einigkeit zu herrschen. Ich war auch lange skeptisch gegenüber Manovichs jüngeren Sachen. Aber man kann meinem Eindruck nach eben auch keine kritische Haltung gegenüber digitalen Daten (in all ihren Formen) entwickeln, wenn man – wie ich auch – an einem Primat von klassisch geisteswissenschaftlichen Methoden fest hält. Mir scheint die Medienwissenschaft aber genau der richtige Ort für eine reflektierte Anwendung zu sein.

        Der Vollständigkeit halber:

        Daston, L. & Galison
        Das Bild der Objektivität. In: P. Geimer, P. (ed.): Ordnungen der Sichtbarkeit. Fotografie in Wissenschaft, Kunst und Technologie, Frankfurt/Main: Suhrkamp, 2002, 29-99

        Daston, L. & Galison, P.
        Objectivity
        New York: Zone Books, 2008

  3. Diese sehr grundsätzliche und wichtige Frage sollten wir eingehender und im angemessenen Rahmen diskutieren (Blogs eignen sich m.E. dafür nicht) – z.B. bei unserem Kölner Treffen.

  4. Pingback: Big Data Blocksberg vs. Intuitionsmuskel | Daten und Netzwerke

Kommentar verfassen

Trage deine Daten unten ein oder klicke ein Icon um dich einzuloggen:

WordPress.com-Logo

Du kommentierst mit Deinem WordPress.com-Konto. Abmelden / Ändern )

Twitter-Bild

Du kommentierst mit Deinem Twitter-Konto. Abmelden / Ändern )

Facebook-Foto

Du kommentierst mit Deinem Facebook-Konto. Abmelden / Ändern )

Google+ Foto

Du kommentierst mit Deinem Google+-Konto. Abmelden / Ändern )

Verbinde mit %s