Informationsvisualisierung und Visual Analytics

Sitzung 1 – Einführung

Wintersemester 2026/27 · Medien- und Bildungsmanagement (MBM)

PH Weingarten

Übersicht

  • Organisatorisches
  • Themen und Ziele
  • Literaturempfehlungen und weitere Quellen
  • Einführung: Visualisierung und verwandte Gebiete

Präsenz vs. hybrid vs. online

So findet die Veranstaltung statt

Gemischtes Format

Mischung aus Präsenzterminen und Online-Treffen

Nicht hybrid

Kein explizit hybrides Konzept!

Nur im Notfall

Eine hybride Zuschaltung ist derzeit nur eine „Notlösung“

Digitale Kommunikations- und Kollaborationswerkzeuge

Die Vorlesung mischt Präsenztermine und virtuelle Treffen. Diese Werkzeuge setzen wir ein:

Moodle

Bereitstellung der Lernmaterialien

Slack

Asynchrone Kommunikation

Zoom

Synchrone Online-Treffen

Zugang zu Moodle und Slack

Moodle-Kurs

Zentraler Ort für alle Lernmaterialien der Vorlesung

  • Kurs: Informationsvisualisierung und Visual Analytics (WS 2026/27)
  • Einschreibeschlüssel: wird in der ersten Sitzung bekanntgegeben

Slack-Workspace

Workspace zur Veranstaltung

  • Einladungslink: im Moodle-Kurs

Prüfungsleistung für MBM-Studierende

Modul 1
Informationsvisualisierung und Visual Analytics
Interaktion und Computergraphik

Projekt aus einem der beiden Bereiche

  • Ausgangspunkt: eine Forschungsfrage
  • Eigenständig durchgeführtes (kleines) Forschungsprojekt, das die Themen der Veranstaltungen aufgreift
  • Designbasierter Ansatz
  • Empirische Elemente

Präsentation der Ergebnisse

Als Posterbeitrag – nach den typischen Einreichungsformaten wissenschaftlicher Konferenzen

Handreichung

Handreichung zur Prüfungsleistung M1 (V1.1)

Zu finden im Moodle-Kurs „Studieninformationen BA und MA MBM“

Themen und Ziele der Vorlesung (1)

Grundlagen & Prinzipien

  • Verständnis der Ziele, Prinzipien und Aufgaben der Informationsvisualisierung
  • Zusammenhang von Daten, Information und Wissen
  • Wahrnehmung und Kognition als Basis visueller Gestaltung
  • Bedeutung von Nutzenden, Aufgaben und Kontext
  • Überblick über den Visualisierungsprozess – von der Datenerhebung bis zur Interaktion

Qualität & Gestaltung

  • Anwendung der Kriterien Expressivität, Effektivität und Ästhetik
  • Kenntnis typischer Visualisierungsansätze und -techniken mit deren Stärken und Grenzen
  • Überblick über fortgeschrittene Verfahren (multidimensional, hierarchisch, netzwerkbasiert)
  • Kritische Analyse und Bewertung bestehender Visualisierungen

Themen und Ziele der Vorlesung (2)

Entwicklung & Umsetzung

  • Auswahl geeigneter Visualisierungsverfahren für konkrete Datensätze
  • Eigenständige Entwicklung von Visualisierungslösungen und -techniken
  • Umsetzung interaktiver Visualisierungen mit Tools wie Tableau, D3.js, Vega-Lite
  • Gestaltung aussagekräftiger Infografiken

KI-basierte Erweiterungen

  • Rolle von KI im Visualisierungsprozess (Mustererkennung, Clustering, Anomalieerkennung)
  • Nutzung KI-gestützter Systeme (z. B. Chat-basierte Analyse, Natural-Language-to-Visualization, KI-Dashboards)
  • Einsatz und kritische Reflexion generativer KI-Tools (Copilot, ChatGPT, Gemini …) zur Datenexploration und Code-Erstellung
  • Reflexion ethischer und gestalterischer Aspekte: Transparenz, Bias, Verantwortung

Literatur

Lehrbuch zur Vorlesung

Christian Tominski & Heidrun Schumann (2020)
Interactive Visual Data Analysis
AK Peters Visualization Series / CRC Press

Buchcover Interactive Visual Data Analysis

Weitere Materialien

Weitere Materialien im Moodle-Kurs

Lehrvideos & Folien

Selbstlernmaterialien

Aufgaben

Reader

Weitere Materialien

Visualisierungen im Alltag

Spiegel: Ergebnisse der US-Präsidentschaftswahl als Karte
spiegel.de
Johns Hopkins University: COVID-19-Dashboard
coronavirus.jhu.edu/map.html
NASA: Climate Time Machine, globale Temperatur
climate.nasa.gov – Climate Time Machine

Motivation: Big Data (1)

In immer mehr Anwendungsbereichen werden Daten gesammelt – die Informationen in Datenbanken und globalen Netzen (z. B. WWW) wachsen immens.

  • Megabyte (10⁶)Inhalt eines Buches (1 MB)
  • Gigabyte (10⁹)Inhalt einer Buchhandlung (1 GB)
  • Terabyte (10¹²)Typische Universitätsbibliothek (1 TB) · Library of Congress (20 TB ohne Bilder) · Kmart-Kundendatenbank (460 TB, 2004)
  • Petabyte (10¹⁵)Bank of America (1,5 PB, 2008) · eBay-Kundendatenbank (5 PB, 2008)

Motivation: Big Data (2)

  • Petabyte (10¹⁵)Twitter: 400 Mio. Tweets pro Tag¹ · YouTube: 800 Mio. Nutzende pro Monat¹ · Facebook: 10 PB Logdaten pro Monat²
  • Exabyte (10¹⁸)Google: 24 PB pro Tag¹ bzw. 8,8 EB pro Jahr
  • Zettabyte (10²¹)Weltweites Datenvolumen (erzeugt, gesammelt, kopiert): 1,82 ZB 2011³ · 42 ZB 2020⁴ · 149 ZB 2024⁴ · 390 ZB 2028⁴
Statista: Volumen der jährlich generierten digitalen Datenmenge weltweit 2010 bis 2029

Quelle: statista.com, 2025

¹ Mainzer 2014 · ² Padgavankar und Gupta 2014 · ³ Gantz und Reinsel 2011 · ⁴ statista.com

Visualisierung

“The depiction of information using spatial or graphical representations, to facilitate comparison, pattern recognition, change detection, and other cognitive skills that make use of the visual system.”Hearst, 1998
Tabelle: Studierende an der PHW je Semester → Studierende an der PH Weingarten05001.0001.5002.0002.5003.0003.500SS08: 2282SS08WS08: 2378WS08SS09: 2275SS09WS09: 2538WS09SS10: 2511SS10WS10: 2925WS10SS11: 2801SS11WS11: 3043WS11SS12: 3009SS12WS12: 3305WS12SS13: 3092SS13WS13: 3327WS13SS14: 3096SS14 →

Visualisierung

“Visualization is a method of computing. It transforms the symbolic into the geometric, enabling researchers to observe their simulations and computations. Visualization offers a method to see the unseen. It enriches the process of scientific discovery and fosters profound and unexpected insights.”McCormick et al., 1987

Informationsvisualisierung

“The use of computer-supported, interactive, visual representations of abstract data to amplify cognition.”Stuart K. Card, Jock Mackinlay & Ben Shneiderman (1998)
VisualisierungScientific VisualizationInformation Visualization

Visual Analytics

Ansätze und Methoden, um Erkenntnisse aus extrem großen und komplexen Datensätzen zu gewinnen – auf Basis von

Visualisierung

Automatischer und KI-gestützter Analyse

Interaktionsmechanismen

Diagramm: Scope of Visual Analytics und angrenzende Disziplinen

Keim et al. (2008): Visual Analytics: Scope and Challenges (Wikipedia)

Klassische Diagrammformen

Studierende an der PH Weingarten05001.0001.5002.0002.5003.0003.500SS08: 2282SS08WS08: 2378WS08SS09: 2275SS09WS09: 2538WS09SS10: 2511SS10WS10: 2925WS10SS11: 2801SS11WS11: 3043WS11SS12: 3009SS12WS12: 3305WS12SS13: 3092SS13WS13: 3327WS13SS14: 3096SS14
Studierende an der PH Weingarten05001.0001.5002.0002.5003.0003.500SS08SS09SS10SS11SS12SS13SS14SS08: 2282WS08: 2378SS09: 2275WS09: 2538SS10: 2511WS10: 2925SS11: 2801WS11: 3043SS12: 3009WS12: 3305SS13: 3092WS13: 3327SS14: 3096
3D-Kreisdiagramm: Energieverbrauch im Haushalt nach Bereichen
Histogramm der Ankünfte pro Minute

Penfield 2010, Wikipedia

Beispiele interaktiver Visualisierungen

Tabellenvisualisierung von Flugverspätungen
Eat Seasonably: Saisonkalender als Kreisdiagramm
Hierarchische Visualisierung (Icicle-Plot)
3D-Balkendiagramm von Filialumsätzen
Spiegel: Sitzverteilung im Bundestag
3D-Perspektivwand mit Zeitachse
Gapminder: animiertes Blasendiagramm
3D-Visualisierung einer Datenlandschaft
Treemap von Aktienkursen

Historische Informationsgrafiken

Historisches Liniendiagramm
William Playfair: Weizenpreise und Löhne, 1821
William Playfair, 1821
Florence Nightingale: Diagramm der Todesursachen in der Armee im Osten, 1859
Florence Nightingale, 1859
Charles Minard: Napoleons Russlandfeldzug, 1861
Minard, 1861

Bilder als Kommunikationsmittel

Höhlenmalerei von Lascaux
Lascaux
Leonardo da Vinci: Mona Lisa
Leonardo da Vinci, 1503–1506
Pablo Picasso: Guernica
Picasso, 1937
Kasimir Malewitsch: Schwarzes Quadrat
Malewitsch, 1915

Motivierendes Beispiel

Statistik vs. Visualisierung

Statistik vs. Visualisierung

I
xy
10,008,00
8,007,00
13,009,50
9,007,50
11,008,50
14,0010,00
6,006,00
4,005,00
12,009,00
7,006,50
5,005,50
II
xy
10,008,04
8,006,95
13,007,58
9,008,81
11,008,33
14,009,96
6,007,24
4,004,26
12,0010,84
7,004,82
5,005,69
III
xy
10,006,95
8,008,04
13,005,69
9,008,81
11,004,82
14,004,26
6,0010,84
4,009,96
12,007,24
7,008,33
5,007,58
IV
xy
10,007,54
8,007,45
13,005,58
9,008,81
11,007,33
14,007,46
6,008,74
4,006,76
12,009,34
7,005,82
5,007,69
n = 11Mittelwert X = 9,0Mittelwert Y = 7,5

nach Anscombe, 1973

Statistik vs. Visualisierung

Gleiche Mittelwerte – völlig verschiedene Zusammenhänge

I
46810121448121620(10; 8)(8; 7)(13; 9.5)(9; 7.5)(11; 8.5)(14; 10)(6; 6)(4; 5)(12; 9)(7; 6.5)(5; 5.5)
II
46810121448121620(10; 8.04)(8; 6.95)(13; 7.58)(9; 8.81)(11; 8.33)(14; 9.96)(6; 7.24)(4; 4.26)(12; 10.84)(7; 4.82)(5; 5.69)
III
46810121448121620(10; 6.95)(8; 8.04)(13; 5.69)(9; 8.81)(11; 4.82)(14; 4.26)(6; 10.84)(4; 9.96)(12; 7.24)(7; 8.33)(5; 7.58)
IV
46810121448121620(10; 7.54)(8; 7.45)(13; 5.58)(9; 8.81)(11; 7.33)(14; 7.46)(6; 8.74)(4; 6.76)(12; 9.34)(7; 5.82)(5; 7.69)

Das Anscombe-Quartett

I
xy
10,008,04
8,006,95
13,007,58
9,008,81
11,008,33
14,009,96
6,007,24
4,004,26
12,0010,84
7,004,82
5,005,69
II
xy
10,009,14
8,008,14
13,008,74
9,008,77
11,009,26
14,008,10
6,006,13
4,003,13
12,009,13
7,007,26
5,004,76
III
xy
10,007,46
8,006,77
13,0012,74
9,007,11
11,007,81
14,008,84
6,006,08
4,005,39
12,008,15
7,006,42
5,005,73
IV
xy
8,006,58
8,005,76
8,007,71
8,008,84
8,008,47
8,007,04
8,005,25
19,0012,50
8,005,56
8,007,91
8,006,89
n = 11Mittelwert X = 9,0Mittelwert Y = 7,5Regressionsgerade: y = 0,5x + 3

nach Tufte, 1990

Das Anscombe-Quartett

Identische Kennzahlen, identische Regressionsgerade – vier verschiedene Geschichten

I
46810121448121620(10; 8.04)(8; 6.95)(13; 7.58)(9; 8.81)(11; 8.33)(14; 9.96)(6; 7.24)(4; 4.26)(12; 10.84)(7; 4.82)(5; 5.69)
II
46810121448121620(10; 9.14)(8; 8.14)(13; 8.74)(9; 8.77)(11; 9.26)(14; 8.1)(6; 6.13)(4; 3.13)(12; 9.13)(7; 7.26)(5; 4.76)
III
46810121448121620(10; 7.46)(8; 6.77)(13; 12.74)(9; 7.11)(11; 7.81)(14; 8.84)(6; 6.08)(4; 5.39)(12; 8.15)(7; 6.42)(5; 5.73)
IV
46810121448121620(8; 6.58)(8; 5.76)(8; 7.71)(8; 8.84)(8; 8.47)(8; 7.04)(8; 5.25)(19; 12.5)(8; 5.56)(8; 7.91)(8; 6.89)

nach Tufte, 1990

Korrelationen im Streudiagramm

Starke Korrelation
Schwache Korrelation
Keine Korrelation
Positive Korrelation
Negative Korrelation
Keine Korrelation
Lineare Korrelation
Exponentielle Korrelation
Komplexe Korrelation

nach Harris, 1996

Ziele der Visualisierung

Interaktive Unterstützung bei

1Exploration
→
2Analyse
→
3Schlussfolgern und Argumentieren
→
4Erklären und Kommunizieren

Hearst, 1998

Fragen?

PH Weingarten