Data Visualization: Definition, Abgrenzung, Beispiel

Data Visualization (Datenvisualisierung) bezeichnet die grafische Aufbereitung von Daten in Diagrammen, Karten und interaktiven Ansichten. Ziel ist es, Muster, Verteilungen und Ausreißer schneller erkennbar zu machen als in einer Tabelle. Datenvisualisierung ist die Anzeige-Ebene zwischen den aufbereiteten Daten in einem zentralen Datenspeicher (Data Warehouse oder Lakehouse) und den Menschen, die auf dieser Grundlage entscheiden. Sie umfasst einfache statische Grafiken ebenso wie interaktive Dashboards und Analyse-Diagramme für die Datenerkundung.

Was ist Data Visualization?

Data Visualization übersetzt Zahlen und Kategorien in visuelle Merkmale wie Position, Länge, Fläche, Farbe und Form. Dadurch werden Zusammenhänge sichtbar, die in Rohdaten oder Tabellen nur schwer zu erkennen sind. Die wissenschaftliche Grundlage liefern zwei Klassiker: Jacques Bertin (Sémiologie graphique, 1967) und die Studie von William Cleveland und Robert McGill (Graphical Perception, 1984). Sie haben empirisch belegt, welche visuellen Merkmale das Auge am genauesten liest: Positionen auf einer gemeinsamen Skala liegen vorn, gefolgt von Länge und Winkel; Flächen und Farbtöne werden deutlich ungenauer wahrgenommen.

In der Analytik-Pipeline steht Datenvisualisierung am Ende. Daten werden aus Quellsystemen extrahiert, in ein Data Warehouse oder Lakehouse geladen, dort modelliert und aggregiert, in einem Semantic Layer definiert und anschließend visuell ausgeliefert. Die Visualisierungs-Schicht ist damit die letzte Meile zwischen Datenbestand und Entscheidung, also die Ebene, auf der Fachbereiche und Management den Datenstand wahrnehmen.

Die Werkzeuglandschaft gliedert sich in vier Klassen. Business-Intelligence-Werkzeuge mit visueller Front (Tableau, Power BI, Qlik, Looker, MicroStrategy) decken standardisierte Berichte und interaktive Dashboards für Fachbereiche ab. Plattform-native Dashboarding-Schichten (AI/BI Dashboards in Databricks, Berichte in Microsoft Fabric) sitzen direkt auf der jeweiligen Daten-Plattform. Monitoring- und Data-Ops-Werkzeuge (Grafana, Kibana) sind auf Zeitreihen und operative Metriken spezialisiert. Analyst-Bibliotheken in Python und R (Matplotlib, Seaborn, Plotly, Vega-Lite, ggplot2, D3.js für Web-Custom-Visualisierungen) bedienen die explorative und programmatische Seite.

Anwendungsseitig lässt sich Data Visualization in drei Modi unterscheiden. Explorative Visualisierung dient der Datenanalyse selbst: Analysten prüfen Verteilungen, suchen Muster und Ausreißer, meist in einer Notebook-Umgebung. Erklärende Visualisierung liefert laufende Kennzahlen für die Steuerung, typischerweise in Dashboards mit Filtern und Aktualisierungen. Kommunikative Visualisierung überführt Datenstände in statische Reports, Präsentationen und Infografiken für ein Publikum, das nicht selbst mit den Daten interagiert.

Abgrenzung zu Business Intelligence, Dashboarding und Infografiken

Data Visualization wird häufig mit benachbarten Begriffen gleichgesetzt. Die Abgrenzung verläuft entlang von Rolle in der Architektur, Anwendungsform und Zielgruppe.

Begriff	Achse	Kernunterschied
Business Intelligence	Rahmen	BI ist der Prozess- und Werkzeug-Rahmen (Datenintegration, Semantic Layer, Berichte, Governance). Data Visualization ist die Darstellungs-Schicht darin.
Dashboarding	Anwendungsform	Ein Dashboard ist eine konkrete Anwendungsform von Datenvisualisierung (mehrere zusammenhängende Visualisierungen mit Filtern und laufender Aktualisierung). Data Visualization umfasst auch Einzeldiagramme und explorative Grafiken.
Infografik	Ergebnis-Format	Eine Infografik ist ein redaktionelles, meist statisches Ergebnis-Format mit gestalterischen Elementen und Storyline. Data Visualization ist der Oberbegriff und deckt auch die interaktive und explorative Seite ab.
Data Storytelling	Kombination	Data Storytelling verbindet Visualisierung, Narrativ und Kontext für eine Zielgruppe. Data Visualization liefert die Bausteine, Data Storytelling die Erzählstruktur.
Visual Analytics	Enge Disziplin	Visual Analytics (Keim et al., 2010) verbindet Datenvisualisierung mit interaktiver Analyse und maschinellen Verfahren. Der Fokus ist enger als der generische Begriff Data Visualization.

Die praktisch wichtigste Trennung ist die zwischen Data Visualization und Business Intelligence. BI beschreibt den organisatorischen und technischen Rahmen, in dem Kennzahlen definiert, aufbereitet und ausgeliefert werden; Datenvisualisierung ist ein Baustein davon. Ein BI-Betrieb ohne interaktive Visualisierung ist möglich (klassische Tabellen-Reports), ein Datenvisualisierungs-Betrieb ohne dahinterliegende BI-Datenbasis dagegen selten belastbar.

Beispiel: Data Visualization im Handel

Ein Handelsunternehmen betreibt sein Reporting auf einem Data Lakehouse. Aufbereitete Gold-Tabellen mit Umsatz, Marge und Beständen pro Filiale und Warengruppe sind die Datenbasis. Auf ihr laufen drei Visualisierungs-Wege parallel.

Für die Filial- und Category-Steuerung wird die native Dashboarding-Schicht der Plattform genutzt (in einer Databricks-Umgebung etwa AI/BI Dashboards). Fachbereiche sehen tägliche Umsatz- und Margenverläufe pro Region, filtern nach Warengruppe und springen per Drill-Down auf Artikelebene. Für ad-hoc-Analysen greifen Analysten aus einem Notebook auf dieselben Tabellen zu und arbeiten mit Plotly oder Matplotlib; hier steht die Exploration im Vordergrund, nicht die laufende Auslieferung. Für die monatliche Vorstandspräsentation wird derselbe Datenstand in Power BI als statischer Bericht aufbereitet, mit gezielter Auswahl an Diagrammen und redaktioneller Kommentierung.

Alle drei Wege gehören zu Data Visualization und teilen dieselben Kennzahlen-Definitionen aus dem Semantic Layer. Sie unterscheiden sich in Werkzeug, Zielgruppe und Grad der Interaktivität. Die Auswahl der Diagrammtypen folgt in allen drei Fällen der perzeptuellen Rangordnung: Zeitreihen als Liniendiagramme, Kategorien-Vergleiche als Balkendiagramme, Anteile als gestapelte Balken (statt Kreisdiagrammen bei mehr als drei Segmenten), Verteilungen als Histogramme oder Boxplots, geografische Muster als Choropleth-Karten.