Home / Materialien / 1.5 - Übung

1.5 - Übung


Im Modul 1 haben wir bereits jene Fragestellungen entwickelt, mit denen wir die weiteren Schritte hin zur konkreten Anwendung machen. In dieser kleinen Übung versuchen wir einen Überblick über die bereits getanen und die noch zu tätigenden Schritte zu machen. Bitte arbeiten Sie diese Seite und die Links an dieser Seite durch und widmen Sie sich dem Auftrag am Ende dieser Seite. Fragen bitte an die Mailingliste richten. Vielen Dank, und bis bald.

Paul Bredshaw analysiert in seinem Blog den Prozess, der zu einer guten Data Story führt. Er nennt dieses Schema "Inverted Pyramid of Data Journalism" und unterteilt den Prozess in
  • Sammlung (Compile)
    Das Zusammentragen von Daten für die eigene Datengeschichte, kann bedeuten Anfragen an Behörden zu stellen, Webseiten abzuernten, Umfragen aufsetzen, zu schätzen oder auch Open Data Kataloge zu abzusuchen.
  • Anpassung (Clean)
    Hat man erst die Daten, so sind diese nach Qualität und Format weiter zu bearbeiten. Technische und menschlich verursachte Datenfehler sind dabei ebenso zu entdecken, wie auch besonders die Anpassung von Größen, Einheiten, Durchrechungszeiträumen, etc. hier stattfinden soll.
  • Bewertung (Context)
    Wie jede Quelle, können Sie auch Daten nicht immer trauen. Auch Datensätze haben eine eigenen Geschichte mit Vorurteilen und versteckten Zielen. Sie Fragen müssen fragen: Wer versammelt es, wann und zu welchem ​​Zweck? Wie wurde es gesammelt? (Die Methode). Was genau meinen sie damit? Eventuell bemerken Sie hier, dass Ihre Quelle nicht brauchbar ist, dass Sie sich nocheinmal auf die Suche nach weiteren Quellen machen müssen
  • Verknüfung (Combine)
    Hier werden aus Daten wieder Geschichten. Das bedeutet aussagereiche Verknüpfungen zu suchen und zu finden. Entscheidend für die Akzeptanz der erabeitenden Datengeschichte ist, dass an dieser Stelle KEINE BlackBox steht, die die Eingangsdaten un-nachvollziehbar verknüpft, sondern ein transparenter Verknüpfungsvorgang (Dokumentationen, offene Spreadsheets, Formeln, kommentierte Rechenbeispiele)
  • Verbreitung (Communicate)
    Ob sich nun die Visualisierungen auf einer Karte, in einem Diagramm, eine Infografik oder eine Animation befinden hängt von der Komplexität, der Anzahl der Dimensionen ab. Eine erfolgreiche Datengeschichte geht bei der Vermittlung auch auf die Besonderheiten der angestrebten Nutzer/innen ab. 

Die Schritte zur Data Story

Aufbauend auf Bredshaws Pyramide, läßt sich eine Gesamtsicht auf die Entwicklung einer Datengeschichte darstellen.

1) Recherche (Investigate)
Eine gute Aufbereitung einer Datengeschichte bedarf einer guten eigenen Vorbereitung. Basiswissen über das betreffende Gebiet, eine grundsätzliche Übersicht über bestehende  Datengeschichten aus dem Gebiet und ev. die Beiziehung eines/r Expert/in gehören zur Vorarbeit, die auch über die Qualität der Datengeschichte und somit der Publikumsakzeptanz entscheiden. Die Beschäftigung mit den Phänomenen des Gebiets fördert schließlich dann auch jene relevanten Fragestellungen zu Tage, die in einer These formuliert werden kann. Diese These begleitet die Gestehung der Datengeschichte bis zur Verbreitung.

2) These (Formulate thesis)
Die Formulierung einer These soll den Kern der Fragestellung in einfachen Worten abbilden. Bei einer Datengeschichte formuliert die These das Zusammenspiel von quantifizierbaren Größen. Je einfacher die Fragestellung (1) in einer These abbildbar ist, desto besser, da im Verlauf der Entwicklung ohnedies zusätzliche Einflußgrößen und Rahmenbedingungen identifiziert werden, die auf die Datengeschichte einwirken.

3) Dekonstruktion (Isolate facts)
Die in der These quantifizierbaren Faktoren werden isoliert ihre Verknüpfung wird beschrieben. "Wenn A sich verändert, wird B sich wie folgt verändern" - als einfachstes Beispiel. Oder aber auch: "A kann nur dann erfolgreich sein, wen B oder C eintritt". Schon zu diesem Zeitpunkt ist eine überblicksmäßiges Wissen um die Datenlage von Vorteil (welche Daten sind wahrscheinlich wo verfügbar).

4) Datenrepräsentation (Underpin with data)
Nun sind die isolierten Fakten mit Datenmaterial zu unterlegen. Ziel ist es dabei sowohl die Fakten mit Datenreihen und die Verknüpfungen mit Feldentsprechungen dieser Datenreihen abzubilden. Zu beachten ist dabei, dass Daten nicht nur direkt verknüpft werden, sondern über Hilfsverknüpfungen zusammengeführt werden können:
--> A und B haben keine gemeinsame (verknüpfbare Größe) - jedoch hat A eine Verbindung zu Z und B hat ebenfalls eine Verbindung zu Z --> so sind A und B über Z verknüpfbar.

5) Sammlung (Compile)
Nun kann man Bredshaws Pyramide folgen, wobei weitere Schleifen zwischen 3, 4 und 5 notwendig werden.

6-9) Anpassung , Bewertung, Verknüfung und Verbreitung
s.o.

Auftrag: Schitt 1 (und teilweise 2) haben sie bereits formuliert. Versuchen Sie als Input in unsere nächsten Kurstag für ihre Challenge jeweils
  • eine geschärfte These (Schritt 2) zu formulieren
  • Fakten zu isolieren und deren Zusammenhänge darstellen (Schritt 3)
  • die mögliche Datenrepräsenation (Schritt 4) der These zu erarbeiten - nutzen Sie hierzu Quellen, die sie selbst recherchieren, bzw. in unseren vorbereiteten Sammlungen entdecken.

Diskutieren Sie offen in der Mailingliste über Probleme und Erkenntnisse. Dokumentieren Sie Ihre Ergebnisse hier im Wiki.








 RSS of this page