Datenvisualisierung - Was ist das und warum ist sie wichtig?

Wie oft lesen Sie einen Forschungsartikel und gehen direkt zu den Tabellen und Abbildungen über? Das liegt daran, dass Datenvisualisierungen große und komplexe Forschungsprojekte mit Tausenden von Datenpunkten verständlich machen können, wenn die Autoren die Daten dem Forschungspublikum präsentieren. Forscher erstellen visuelle Darstellungen, um Daten zusammenzufassen und die Wege zu verwertbaren Erkenntnissen aufzuzeigen.

Werfen wir einen Blick auf den Prozess, den Forscher bei der Erstellung von Datenvisualisierungen anwenden und wie ATLAS.ti Sie bei der visuellen Darstellung Ihrer Forschungsergebnisse unterstützen kann.

Datenvisualisierungen

In alltäglichen Situationen sagt ein Bild mehr als tausend Worte. Illustrationen, Zahlen und Diagramme vermitteln Botschaften, die Worte allein nicht vermitteln können. In der Forschung können Datenvisualisierungen dazu beitragen, wissenschaftliche Erkenntnisse, Beweise für Dateneinblicke und wichtige Leistungsindikatoren auf der Grundlage von Daten, die ansonsten unstrukturiert sind in geordneter Weise zu erklären.

Trotz der verschiedenen Datenformate, die Forschern zur Verfügung stehen, ist ein großer Teil der qualitativen und sozialwissenschaftlichen Forschung immer noch textbasiert. Aufsätze, Berichte und Forschungsartikel stützen sich immer noch auf Schreibpraktiken, die darauf abzielen, Forschung in Prosaform zu verpacken. Dies kann den Eindruck erwecken, dass das Forschungspublikum überzeugt wird, wenn einfach mehr geschrieben wird. Wenn Sie Ihre Forschungsarbeit jedoch visuell so gestalten, dass sie für Ihre Zielgruppe leicht verständlich ist, wird es einfacher, sie in von Experten begutachteten Fachzeitschriften zu veröffentlichen oder auf wissenschaftlichen Konferenzen vorzustellen. Selbst in Markt- oder Berufskontexten ist die Datenvisualisierung unerlässlich, wenn Sie anderen die Erkenntnisse Ihrer Forschung und die auf der Grundlage der Daten ausgesprochenen Empfehlungen vermitteln möchten.

Datenvisualisierung ist wichtig, weil sie es Ihrem Forschungspublikum leicht macht, Ihre Ergebnisse zu verstehen. Außerdem hilft Ihnen die Datenvisualisierung, Ihre Daten effizienter zu organisieren. Wie die Erläuterung der ATLAS.ti-Tools später zeigen wird, kann die Datenvisualisierung Sie auf Forschungsfragen hinweisen, die Ihnen vielleicht gar nicht bewusst sind, und Ihnen helfen, das Beste aus Ihren Daten herauszuholen.

In der Forschung werden zahlreiche Visualisierungen eingesetzt, die den Forschern helfen, ihre Daten zu erklären, z. B:

• Tabellen
• Liniendiagramme
• Balkendiagramme
• Tortendiagramme
• Punktediagramme
• Piktogramme
• Wortwolken
• Wärmekarten

Unabhängig von der Art der Datenvisualisierung vermittelt eine gute Visualisierung kurz und bündig die wichtigsten Punkte der Forschungsergebnisse und veranschaulicht gleichzeitig die Datenpunkte so detailliert, dass das Forschungspublikum die Daten und die Analyse verstehen kann. Letztlich ist die Aufgabe der Visualisierung von Daten in Datenanalysekontexten unvermeidlich, da Visualisierungen Merkmale oder Muster in den Daten sichtbar machen können, die bei textbasierten Ansätzen übersehen worden wären. Selbst in den Sozialwissenschaften und anderen wissenschaftlichen Disziplinen hängt die Veröffentlichung eines Forschungsmanuskripts davon ab, dass man den Gutachtern erklärt, wie man Daten sammelt, analysiert und synthetisiert, wodurch Datenvisualisierung wichtig wird.

Von Rohdaten zur Datenvisualisierung

Streng genommen besteht die Hauptaufgabe der Datenvisualisierung darin, die Analyse Ihrer Daten, wenn nicht sogar die Daten selbst, deutlich zu machen. Insbesondere in der sozialwissenschaftlichen Forschung macht die Datenvisualisierung deutlich, wie Datenwissenschaftler Daten sammeln und analysieren.

Denken Sie zum Beispiel an eine minutengenaue Beschreibung eines Fußballspiels. Die Abfolge der Ereignisse, die einen Spielzug nach dem anderen beschreiben, wer den Ball hat, wer ihn wem zuspielt, wer ein Tor schießt und wie er es erzielt hat, bilden die zu analysierenden Rohdaten. Pundits analysieren die Daten, indem sie Statistiken wie Tore, Assists, wichtige Pässe, Ballbesitzverhältnisse und Torwartparaden erstellen. Diese Statistiken werden auf unterschiedlichste Weise in Tabellen und Spielerprofilen visualisiert, die den Fans helfen, die Aspekte eines bestimmten Spiels oder Spielers zu verstehen und die Qualität des Spiels, das sie sehen, zu beurteilen.

Im obigen Beispiel hängen die Visualisierungen von den statistischen Analysen ab, mit denen die relevanten Informationen aus den Rohdaten gewonnen werden. Um Daten rigoros zu visualisieren, müssen Sie also eine gut durchdachte Strategie für die Analyse der Rohdaten haben. Mit anderen Worten: Wie sehen Sie sich die Daten an? Wonach suchen Sie, wenn Sie Ihre Daten untersuchen?

Die Entscheidungen, die Sie bei der Datenerfassung und -analyse treffen, beeinflussen auch Ihre Datenvisualisierung. Wenn Sie beispielsweise Marktforschung zur Kundenzufriedenheit mit einem Produkt betreiben, könnten Sie über die folgenden Fragen nachdenken:

• Wie ermitteln Sie die Kundenzufriedenheit?
• Was ist die Definition eines "zufriedenen" Kunden?
• Welche Daten sollten Sie zur Interpretation der Kundenzufriedenheit heranziehen?

Vielleicht könnten Sie in Interviews Kunden befragen und hören, welche positiven und negativen Schlüsselwörter sie verwenden, um über ein Produkt zu sprechen. Eine Wortwolke könnte dann die geeignetste Datenvisualisierung für diese Analyse sein. Unabhängig davon, welche Analyse Sie verfolgen, ist die Wahl der besten Datenvisualisierung für Ihre Forschung eine wichtige Entscheidung, die Sie treffen müssen.

Software zur Datenvisualisierung

Natürlich können Datenwissenschaftler mit einem umfassenden Verständnis für ihre Daten auch manuell aussagekräftige Datenvisualisierungen in Plattformen wie Microsoft Excel und Google Drawings erstellen. Doch gerade die Organisation und Kodierung von Forschungsergebnissen ist für die Visualisierung Ihrer Daten von entscheidender Bedeutung, und genau dabei kann ATLAS.ti helfen. So intuitiv das beste Datenvisualisierungstool auch sein mag, die Aufbereitung der gesammelten Daten ist essentiell, um den Analyse-und Visualisierungsprozess sowohl für Sie als auch für andere Nutzer zu vereinfachen und zu beschleunigen.

Daten organisieren

Um die Verwendung von Datenvisualisierungstechniken zu erleichtern, ist es wichtig zu überlegen, wie die Daten in Ihrem Forschungsprojekt organisiert werden sollten. Eine Marktumfrage kann Hunderte oder Tausende von Antwortdatensätzen hervorbringen, so dass Sie vielleicht die Antworten zufriedener Kunden von den Antworten unzufriedener Kunden trennen möchten, um die Unterschiede zu analysieren. Ebenso kann es bei einer Interviewstudie von Vorteil sein, die Dokumente nach den Merkmalen der Befragten zu trennen.

Was aber, wenn Sie mehrere Interviews mit Befragten geführt haben? Dokumentengruppen in ATLAS.ti können Ihnen dabei helfen, Dokumente zu kategorisieren, die ein gemeinsames Merkmal aufweisen. Dokumentengruppen bieten eine praktische Analyseeinheit für viele der Analysewerkzeuge in ATLAS.ti. Sie können sich eine Dokumentengruppe wie einen Ordner vorstellen, der eine Reihe einzelner Dokumente enthält.

Im Gegensatz zu physischen Dokumenten in Aktenordnern können Dokumente in ATLAS.ti mehreren Gruppen zugeordnet werden, was sich für die spätere Datenvisualisierung als nützlich erweisen kann. Im Beispiel der Interviewstudie können Dokumente, die einzelne Interviews repräsentieren, in mehrere Gruppen nach Geschlecht, Altersgruppe, ethnischer Zugehörigkeit oder Kundenzufriedenheit kategorisiert werden. In Verbindung mit den Kodierungs- und Datenvisualisierungswerkzeugen in ATLAS.ti können Sie mit Hilfe von Dokumentengruppen nützliche Visualisierungen erstellen, die breitere Datensätze vergleichen. Anstatt einzelne Interviewteilnehmer zu vergleichen, können Sie beispielsweise die Kundenzufriedenheit über verschiedene Altersgruppen oder Ethnien hinweg vergleichen.

Kodierung von Daten

Die Visualisierung von Daten ist nur dann effektiv, wenn der Forscher oder Datenwissenschaftler die Daten vor sich selbst verstehen kann. Bei der Forschung mit unstrukturierten und nicht numerischen (d. h. qualitativen) Daten müssen die Daten mit kurzen, beschreibenden Kodes versehen werden, die später analysiert werden können.

Diese Codes bilden die grundlegenden Datenpunkte einer aussagekräftigen qualitativen Analyse. Sie stellen die Struktur qualitativer Datensätze dar, ohne die eine rigorose Visualisierung nicht erstellt werden kann. In den meisten Fällen erfordert die Datenvisualisierung eines qualitativen Forschungsprojekts die Kodierung des gesamten Datensatzes, damit die Codes die gesammelten Daten adäquat repräsentieren.

Datenvisualisierung von Big Data

Big Data stellt jedoch eine große Herausforderung für diesen Prozess dar, insbesondere wenn die enorme Menge an Arbeit, die mit der Analyse von Big Data verbunden ist, einen manuellen Kodierungsprozess, der zur Datenvisualisierung führt, nahezu undurchführbar macht. Infolgedessen hat die Datenwissenschaft künstliche Intelligenz und maschinelles Lernen entwickelt, um die Bedeutung komplexer Daten zu analysieren und vorherzusagen.

ATLAS.ti verfügt über eine Reihe von KI-Tools, die den Kodierungsprozess unterstützen, sodass Sie Visualisierungen von Big Data, Geschäftsdaten oder einfach Daten aus Projekten jeder Größe oder jedes Umfangs erstellen können. Durch die Anwendung von maschinellem Lernen auf Big Data kann ATLAS.ti automatisch Codes für Ihre Daten vorschlagen. Das spart Zeit bei der Arbeit an großen Projekten und erleichtert kleinere Projekte, wenn Sie auf der Suche nach nützlichen Erkenntnissen oder neuen Wegen zur Datenanalyse sind.

AI Coding gibt Ihnen automatisch einen Bericht über die Kodes, die es am häufigsten auf Ihre Daten anwendet, sowie darüber, welche Kodes am häufigsten zusammen auftreten. Dies ist ein nützliches Werkzeug zur Datenvisualisierung von Konzepten, die die künstliche Intelligenz in Ihrem Forschungsprojekt erkennt.

Named Entity Recognition

Künstliche Intelligenz kann Eigennamen (z.B. New York, Oxford University) von gewöhnlichen Substantiven (z.B. Baum, Buch) unterscheiden - eine nützliche Fähigkeit, wenn Sie über Marken, Unternehmen, Institutionen oder Personengruppen forschen. ATLAS.ti bündelt diese KI-Fähigkeit in seinem Named Entity Recognition Tool, um die Anwendung von Kodes auf Eigennamen zu erleichtern.

Angenommen, Sie führen Interviews für die Marktforschung durch, bei der die Befragten nach den häufigsten Markennamen gefragt werden, die sie kennen. Wenn das Ziel Ihrer Forschung darin besteht, die bekanntesten Marken zu ermitteln, kann die Named Entity Recognition Interviewtranskripte untersuchen, diese Marken identifizieren und entsprechende Codes auf diese Datensegmente anwenden. Sie können dann die Häufigkeit der Codes in Ihrem Projekt betrachten, um ein Gefühl dafür zu bekommen, welche Codes und damit welche Marken von den Befragten am häufigsten genannt werden.

ATLAS.ti's Datenvisualisierungs-Tools

Unter den verschiedenen Datenvisualisierungs-Tools auf dem Markt ist ATLAS.ti eine ideale Datenanalyse-Plattform für die visuelle Darstellung von qualitativen Daten. Ob Sie nun Business Intelligence oder sozialwissenschaftliche Theorien entwickeln, ATLAS.ti verfügt über eine Vielzahl von Datenvisualisierungsmethoden, die Ihnen und Ihrem Forschungspublikum die Analyse Ihrer Forschung veranschaulichen.

Worthäufigkeiten

In Word Frequencies sind die Word Cloud und die TreeMap nützliche Datenvisualisierungs-Tools, um zu zeigen, welche Wörter häufiger vorkommen als andere. Sie können die Analyse auf eine Reihe von Dokumenten oder eine Reihe von Zitaten aus einem bestimmten Code einschränken. Sie können sogar die Einstellungen anpassen, um die Wortwolke auf bestimmte Wortarten (z. B. die am häufigsten verwendeten Verben) zu beschränken. Die resultierende Wortwolke zeigt, welche Wörter in Ihren Daten am häufigsten verwendet werden.

Kookkurrenzanalyse (Co-Occurrence)

Die Kookkurrenzanalyse ist ein leistungsfähiges Instrument, um die Beziehung zwischen Kodes aufzuzeigen, dargestellt durch die Anzahl ihrer "Kookkurrenz" oder ihres gemeinsamen Auftretens in Ihren Daten. In der qualitativen Forschung ist dieses gemeinsame Auftreten von entscheidender Bedeutung für das Verständnis des Ausmaßes, in dem verschiedene soziale Phänomene miteinander in Beziehung stehen.

Nehmen wir zum Beispiel an, dass sich Ihre Untersuchung auf die Stimmung gegenüber Markennamen bezieht. Nehmen wir an, Sie haben die Named Entity Recognition zur Identifizierung von Marken in Verbindung mit der Sentiment Analysis oder dem Opinion Mining verwendet, um positive und negative Gefühle zu kodieren. In diesem Fall können Sie die Kodes von Markennamen mit den Kodes von Gefühlen kreuztabellieren, um festzustellen, ob Marken gemeinsam mit positiven oder negativen Gefühlen vorkommen. Die Datenvisualisierung im Tool Co-Occurrence Analysis kann in Form einer einfachen Tabelle, eines Balkendiagramms, eines kräfteorientierten Diagramms oder eines Sankey-Diagramms erfolgen. Das Sankey-Diagramm ist eine leistungsstarke Datenvisualisierung, die die Stärke einer Beziehung zwischen Kodes im Vergleich zu anderen Beziehungen veranschaulicht.

Kode-Dokument-Analyse

Die Kode-Dokument-Analyse funktioniert ähnlich wie die Kookkurrenzanalyse, da Sie Daten durch Diagramme, Tabellen oder Sankey-Diagramme visualisieren können. Die Kode-Dokument-Tabelle ist nützlich, um Beziehungen zwischen Dokumenten (oder Dokumentgruppen) und Kodes (oder Kodegruppen) zu veranschaulichen.

Wenn Sie Ihre Daten nach Dokumenten strukturiert haben (z. B. Interviews mit verschiedenen Befragten, Beobachtungen nach Tagen usw.), kann Ihnen eine Code-Dokumenten-Analyse einen Eindruck davon vermitteln, welche Codes mit welchen Dokumenten verbunden sind. Mit dieser Datenvisualisierung können Sie zwischen verschiedenen Arten von Dokumenten unterscheiden (z. B. Interviewteilnehmer mit positiven Gefühlen, Interviewteilnehmer mit negativen Gefühlen) und Ihre Analyse entsprechend einschränken.

Netzwerke

Wenn Sie eine Datenvisualisierung benötigen, die Theorien oder Konzepte veranschaulicht, die sich aus Ihren Daten ergeben haben, oder wenn Sie einfach nur Ihre analytischen Überlegungen visuell organisieren möchten, können Sie das Werkzeug Netzwerke verwenden, um Verbindungen zwischen Ihren Codes zu ziehen. Ein Netzwerk ist eine Reihe von Knoten, die die verschiedenen Elemente Ihres Projekts darstellen (z. B. Codes, Zitate, Dokumente, Memos, Gruppen). Wenn es visuell durch Links verbunden ist, kann ein Netzwerk einen visuellen Eindruck von der Theorie oder dem Rahmen vermitteln, den Sie aus Ihrer Forschung ableiten. Andernfalls kann es Ihnen helfen, Ihre Überlegungen in visueller Form zu konkretisieren, um Ihre Analyse zu unterstützen.

TreeMaps

Das TreeMaps-Tool erzeugt eine anschauliche Datenvisualisierung von Codes und Dokumenten, wobei die Entwicklung jedes Projektelements durch den Platz dargestellt wird, den es in der TreeMap einnimmt. Ähnlich wie bei den Baumdiagrammen des Tools "Worthäufigkeit" können Sie anhand einer TreeMap der Codes eines Projekts feststellen, welche Codes in Ihren Daten am häufigsten vorkommen. Ihre Hervorhebung in einer TreeMap kann darauf hinweisen, wo potenziell aussagekräftige Muster liegen, und wenn Sie auf ein beliebiges Feld in einer TreeMap klicken, werden die relevanten Zitate an einer Stelle angezeigt, um eine einfache Analyse der aussagekräftigsten Daten zu ermöglichen.

Andere Visualisierungswerkzeuge

An bestimmten Punkten des Datenanalyseprozesses erfordert eine detailliertere, grafische Darstellung Ihrer Daten Werkzeuge außerhalb von ATLAS.ti. Forscher benutzen oft ein Datenanalyseprogramm wie ATLAS.ti in Verbindung mit Programmen wie Microsoft Excel. Sie können Daten aus ATLAS.ti nach Microsoft Excel exportieren, um Datenvisualisierungen wie z.B. Streudiagramme, Kreisdiagramme und Liniendiagramme zu erstellen. Fortgeschrittene Microsoft Excel-Anwender können auch interaktive Diagramme erstellen, aber alles beginnt mit qualitativer Datenanalyse in ATLAS.ti.

Welches ist das richtige Datenvisualisierungstool für Ihre Forschung?

Wie wählen Sie das beste Datenvisualisierungstool für Ihr Projekt aus? Wie bei jedem Analysewerkzeug hängt die Wahl des richtigen Visualisierungswerkzeugs von der Art Ihrer Forschungsuntersuchung ab.

Konzepte beschreiben

Ein Hauptzweck der qualitativen Forschung besteht darin, die Aspekte eines sozialen Phänomens zu beschreiben. Welche Faktoren halten die Menschen für wichtig, um Glück zu definieren? Welche Eigenschaften machen einen guten Film aus? Was sind die verschiedenen Überlegungen zur Kundenzufriedenheit?

Mit den Datenvisualisierungstools In ATLAS.ti können Sie die am häufigsten verwendeten Kodes in Ihrem Projekt darstellen. Wie bereits erläutert, können TreeMaps dabei helfen, Qualitäten oder Überlegungen zu identifizieren, die durch die Kodes Ihres Projekts repräsentiert werden, und diese für Ihr Forschungspublikum zu veranschaulichen.

Zeichnen von Verbindungen

Alternativ können Sie die am häufigsten vorkommenden Kodes in einem Netzwerk darstellen und verknüpfen, um Korrelationen und kausale Beziehungen innerhalb einer durch Kodes dargestellten Arbeitstheorie zu verdeutlichen. Eine Visualisierung einer Theorie identifiziert Schlüsselelemente sozialer Phänomene in ungeordneten Rohdaten sowie die Verbindungen zwischen ihnen.

Die Co-Occurrence Analysis und das Code-Document Analysis Werkzeug können Visualisierungen wie Balkendiagramme oder Sankey-Diagramme erstellen, um die Verbindungen in Ihren Daten zu verdeutlichen. Netzwerke sind auch nützlich, um Verbindungen zwischen den Elementen Ihres Projekts zu verstehen. Innerhalb von Netzwerken können Sie manuell Verknüpfungen zwischen Kodes herstellen, wenn Sie eine Beziehung zwischen Kodes erkennen, die Sie Ihrem Forschungspublikum erklären möchten.