Data Storytelling: Geschichten aus Daten

Einen großen Teil der Kommunikations-Arbeit macht das Sammeln, Messen und Analysieren von Daten aus. Doch mit der Analyse und der Zusammenfassung der Kampagnen-Ergebnisse zu einem Reporting endet die Arbeit nicht. In einem sauberen Reporting geht es darum, die erfassten Daten bestmöglich zu präsentieren und die Schlussfolgerungen verständlich herausarbeiten, die man daraus ziehen und auf zukünftige Maßnahmen anwenden kann.

Dazu eignet sich die Methodik des „Data Storytelling“, durch die Botschaften, Wissen und Daten effektiv vermittelt werden können und beim Empfänger mithilfe von Storytelling im Gedächtnis verankert werden sollen.

Was versteht man unter Data Storytelling?

Häufig wird der Begriff mit verschiedenen Methoden der Datenauswertung in Verbindung gebracht, wie z. B. der Erstellung von Infografiken, der Darstellung von Analysedaten in Dashboards oder der Erstellung von aufwendigen Reportings. Data Storytelling ist jedoch viel mehr als das und wird als ein strukturierter Ansatz zum Verständnis von Datenerfassung verstanden und umfasst eine Kombination aus den drei Elementen:

• Datenanalyse
• Visualisierung
• Narrativität

Wie wendet man die Methodik des Data Storytelling an?

Die Aufgabe der Data Storytelling Methode ist es also, die Messages der Daten zu transportieren und Insights schnell und effektiv zu kommunizieren. Dafür gibt es allerdings nicht die eine Data Storytelling Methode, da je nach dem Kontext der erhobenen Daten und der Adressaten unterschiedliche Herangehensweisen notwendig sind.

Diese Fragen in Bezug auf die Adressaten sind im Vorfeld hilfreich:

• Wer soll meine Botschaft hören?
• Wie viel Vorwissen ist dabei vorhanden?
• Was genau soll ich dem Empfänger vermitteln?
• Welche Daten untermauern meinen Standpunkt und auf welche Art?

Narrative Struktur

Eine gute Data Story hat einen klaren Fokus, ist kontext-gerecht aufbereitet und bedient sich narrativer sowie visueller Mittel. Es ist wichtig, den Wissenshorizont der Adressaten im Hinterkopf zu behalten, damit die Story für alle leicht verständlich ist.

So sollte die Story am besten einer klaren narrativen Struktur folgen mit:

• Exposition (Einleitung): Erklärung des Kontexts, in dem die Analyse stattgefunden hat
• Konfrontation (Hauptteil): Erläuterung des Konflikts, Herausforderungen und Thesen, aber auch erste Hinweise zur Lösung
• Auflösung (Schluss): Auflösung des Konflikts und Präsentation der Erkenntnisse und Handlungsempfehlungen bzw. Entscheidungsvorlagen

Laut dem Marketing Manager und Autor Ben Jones gibt es sieben Typen von Data Stories:

• Change over Time: Darstellung von Transformationen
• Drill Down: Vom Allgemeinen zum Speziellen
• Zoom out: Vom Speziellen zum Allgemeinen
• Kontrast: Vergleich von zwei oder mehreren Protagonisten
• Intersection: Kreuzungspunkt zweier oder mehrerer Protagonisten
• Faktoren: Visualisierung der Kausalwirkung mehrerer Handlungsstränge
• Outlier: Geschichte über Ausreißer bzw. Sonderfälle

Visualisierung im Data Storytelling

Visualisierungen helfen dabei, den narrativen Fluss zu ergänzen und die dargestellten Analysedaten im Rahmen des Data Storytelling zu verbildlichen. Nach dem Sachbuch „Storytelling mit Daten: Die Grundlagen der effektiven Kommunikation und Visualisierung mit Daten“ lassen sich folgende Merkmale gezielt nutzen, um die Informationswahrnehmung gezielt zu beeinflussen:

• Position: Je weiter oben, desto wichtiger und je weiter links, desto größer die Wahrscheinlichkeit, dass das Wort wahrgenommen wird
• Größe: Größere Elemente ziehen mehr Aufmerksamkeit auf sich
• Ausrichtung: Eine Abhebung in der Ausrichtung erregt Aufmerksamkeit
• Wiederholung: Wiederholte Stile erwecken den Eindruck des Zusammenhangs
• Nähe: Eng beieinander platzierte Elemente erscheinen zusammengehörig
• Weißraum: Freier Platz hebt das Element in dessen Mitte hervor
• Kontrast: Dramatisch kontrastierende Farben fallen leichter ins Auge
• Farbe: Helle Farben ziehen mehr Aufmerksamkeit auf sich als dunkle oder gedämpfte

Herausforderungen beim Data Storytelling

Trotz des großen Potenzials, das das Data Storytelling mit sich bringt, gibt es jedoch auch Herausforderungen. Die erhobenen Daten und die daraus gewonnenen Erkenntnisse können Entwicklungen, Trends und Umstände aufzeigen, die ggf. Änderungen erfordern. Dies könnte nicht immer auf erfreute und positive Reaktionen stoßen. Darum ist es so wichtig, den Adressaten zu verdeutlichen, dass die Daten dazu dienen, um Entscheidungsfindungen zu unterstützen und Hypothesen zu prüfen.

Schwierig die Quintessenz herauszuarbeiten macht es auch die stetig wachsenden Datenmenge. Das kann dazu führen, dass die Berichterstattung an die Adressaten immer aufwendiger wird, denn je mehr Zeit für die Erstellung verschiedener Berichte gebraucht wird, desto weniger Zeit bleibt für Data Storytelling.

Die gute Nachricht: Storytelling wird durch fortschrittliche Softwarelösungen, Automatisierungen und KI immer einfacher. Immer mehr Dashboard-Lösungen unterstützen inzwischen Echtzeitdaten und stellen damit sicher, dass Berichte immer aktuell und zuverlässig sind. Mit fortschrittlicher Dashboarding-Software kann aktuell noch eine automatisierte Marketingberichterstattungen erstellt werden. In Zukunft werden KI- und maschinelle Lerntechniken Einzug in Business-Intelligence-Plattformen halten und bis 2025 schätzungsweise 75% von Data Stories automatisiert erstellen können.