Von Jörg Hoewner
Was ist Data Storytelling
Im Bereich der Kommunikation lohnt es sich häufig, einen Blick auf den Journalismus zu werfen, insbesondere auf den Datenjournalismus. Hier generieren Journalisten auf Basis von Daten Erkenntnisse, die anders kaum herstellbar sind, und vermitteln diese eindringlich mithilfe von Visualisierungen.
Nicht jede Datenvisualisierung bedeutet direkt Data Storytelling!
Data Storytelling wird oft mit Datenvisualisierung gleichgesetzt. Während klassische Datenvisualisierung sich stark auf die Datenvermittlung fokussiert, legt Data Storytelling den Fokus auf das narrative Element.
Obwohl das Potenzial datengetriebener Erzählungen im Datenjournalismus bereits umfassend genutzt wird, hinken PR und Marketing noch hinterher. Dabei werden in Unternehmen ständig Daten generiert: zur Produkt- oder Dienstleistungsnutzung, zu Mitarbeitern, zum Engagement in bestimmten Regionen oder zum Ressourcenverbrauch. Diese Daten bieten ein enormes Potenzial für überzeugende Geschichten und eröffnen eine innovative Methode, um Botschaften effektiver zu vermitteln und Zielgruppen besser zu erreichen.
Die drei Elemente des Data Storytelling: Daten, Visualisierung und Story
Daten als Grundlage: Ein erfolgreiches Data-Storytelling-Projekt beginnt mit einer gründlichen Analyse und Aufbereitung relevanter Daten. Kernaussagen und Trends müssen klar identifiziert werden, um eine solide Basis für die narrative Struktur zu schaffen.
Visuelle Aufbereitung: Um abstrakte Datenmengen verständlich zu machen, spielt die visuelle Darstellung eine entscheidende Rolle. Diagramme, Grafiken, Karten und interaktive Dashboards helfen dabei, komplexe Sachverhalte auf einen Blick zu erfassen und Zusammenhänge zu erkennen. Visuelle Elemente sind unerlässlich, um die Daten in einen Kontext zu setzen und sie für den Betrachter einprägsamer zu machen.
Storytelling oder Narrative Struktur: Daten allein erzählen keine Geschichten. Erst durch die Einbettung in einen narrativen Kontext erhalten sie emotionale Relevanz und werden für das Publikum greifbar. Eine starke Erzählung mit einem klaren Spannungsbogen, authentischen Protagonisten und emotionalen Elementen weckt Empathie und motiviert zum Handeln.
Abb.: Data Storytelling / Elemente und Funktionen – nach B. Dykes
Was sind Vorteile und Wirkung von Data Storytelling?
Vorteile und Wirkung von Data Storytelling im Vergleich zu anderen Formaten
Data Storytelling bietet im Vergleich zu herkömmlichen Formaten zahlreiche Vorteile und zeigt deutliche Wirkungen auf affektiver, konativer und kognitiver Ebene.
Vorteile von Data Storytelling:
- Mehrwert durch Kontextualisierung: Data Stories weisen Daten Bedeutung und Kontext zu, wodurch die Leser Zusammenhänge erkennen und die Zahlen in nutzbare Erkenntnisse umwandeln können.
- Glaubwürdigkeit und Vertrauensbildung: Organisationen untermauern ihre Botschaften mit Zahlen und Fakten, was die Glaubwürdigkeit ihrer Inhalte erhöht und Vertrauen aufbaut.
- Unverwechselbarkeit und Aufmerksamkeit: Data Stories mit internen Daten ermöglichen es Organisationen, sich abzuheben und originelle Einblicke zu gewinnen. Unerwartete Blickwinkel durchbrechen das Durcheinander digitaler Inhalte und erregen Aufmerksamkeit.
- Interaktivität und Engagement: Der Einsatz verschiedener Elemente macht die Geschichten interaktiver und regt das Publikum zu mehr Engagement an.
- Sichtbarkeit: Inhalte in Storyform werden häufiger in sozialen Medien geteilt und bieten darüber hinaus eine langfristig hohe Auffindbarkeit über Suchmaschinen (SEO).
- Vielseitigkeit und Kanalintegration: Data Storytelling kann verschiedene externe und interne Kommunikationskanäle integrieren und multiplizieren, was eine breite und zielgruppenspezifische Ansprache ermöglicht.
- Positionierung als “Thought Leader”: Durch geschicktes Storytelling und Datenanalyse können Organisationen sich als “Thought Leader” positionieren und neue Zielgruppen erreichen.
Wirkung von Data Storytelling:
- Affektive Wirkung (Emotionen):
- Emotionale Aktivierung: Geschichten mit menschlichen Protagonisten wecken Emotionen und schaffen eine persönliche Verbindung zum Thema.
- Emotionale Bindung: Geschichten führen zu einer stärkeren emotionalen Bindung der Zielgruppe an das Thema oder die Marke.
- Konative Wirkung (Handlungsmotivation):
- Motivation zum Handeln: Data Stories zeigen nicht nur Probleme auf, sondern verdeutlichen auch Handlungsmöglichkeiten und motivieren zum Engagement.
- Aktivierungsleistung: Die Click-Through-Rate von Call-to-Actions kann durch Data Storytelling gesteigert werden. Eine Fallstudie zeigte beispielsweise eine signifikant höhere Spendenbereitschaft.
- Kognitive Wirkung (Wissen und Verständnis):
- Erinnerungsleistung: Inhalte, die in Storyform präsentiert werden, bleiben besser im Gedächtnis als isolierte Statistiken.
- Verständlichkeit: Komplexe Sachverhalte werden durch visuelle Aufbereitung und narrative Einordnung leichter verständlich und zugänglicher für ein breites Publikum.
- Vertrauensbildung: Durch transparente Datenvisualisierung und die Darstellung der Wirkungszusammenhänge kann Vertrauen in die Organisation und ihre Arbeit aufgebaut werden.
Welche Daten sind geeignet für Data Storytelling?
Für Data Storytelling-Projekte können Organisationen bzw. Unternehmen eine Vielzahl von Datenquellen nutzen, um aussagekräftige Geschichten zu entwickeln. Dazu gehören unternehmensinterne, externe und öffentlich verfügbare Daten (z.B. Open Data), die jeweils unterschiedliche Einblicke und Perspektiven bieten.
Überblick: Organisationsinterne / Unternehmensinterne, externe und öffentliche Daten für Data Storytelling-Projekte
Unternehmensinterne Daten:
- Produkt- und Dienstleistungsdaten, wie z.B. Nutzungsstatistiken und Kundenfeedback
- Mitarbeiterbezogene Daten, wie z.B. Mitarbeiterumfragen oder Daten zur Fluktuation
- Finanzdaten, wie z.B. Umsatz- und Gewinnentwicklung
- Marketingdaten, wie z.B. Kampagnenergebnisse und Social-Media-Interaktionen
- Betriebsdaten, wie z.B. Lieferketteninformationen und Produktionsbestände
Externe Daten:
- Branchenberichte und Marktanalysen, wie z.B. Wettbewerberanalysen und Marktforschungsergebnisse
- Kundenbezogene Daten, wie z.B. Marktdemografie und Kundenbedürfnisse
- Kundenumfragen und Nutzerfeedback, wie z.B. Bewertungen auf Drittplattformen
Öffentlich verfügbare Daten (Open Data):
- Regierungs- und Verwaltungsdaten, wie z.B. Statistiken und Berichte von nationalen und lokalen Behörden
- Geodaten und Kartenmaterial, wie z.B. Standortbasierte Daten
- Gesundheits- und Umweltdaten, wie z.B. Klimadaten und Gesundheitsberichte
- Wissenschaftliche Daten und Studien, wie z.B. Forschungsergebnisse von Universitäten
Der Prozess: Die richtige Vorgehensweise beim Data Storytelling
1. Entwicklung der ersten Storyidee (für eine bestimmte Zielgruppe):
- Zielgruppenanalyse: Die Zielgruppe definieren und deren Interessen, Bedürfnisse und Herausforderungen identifizieren.
- Story-Ideenfindung: Entwickeln von Ideen für Geschichten, die die Zielgruppe ansprechen, inspirieren oder informieren.
- Themenrecherche: Sammeln von Informationen und Recherche von relevanten Themen und aktuellen Trends.
2. Datenerhebung und Datenaufbereitung:
- Datenquellen identifizieren: Geeignete interne und externe Datenquellen finden.
- Datenerhebung: Sammeln der erforderlichen Daten aus identifizierten Quellen.
- Datenbereinigung und -transformation: Entfernen von Duplikaten und Fehlern, Standardisieren von Formaten und Konvertieren von Daten.
- Datenanreicherung: Ergänzen der vorhandenen Daten um zusätzliche Informationen.
3. Exploration der Daten:
- Datenanalyse: Verwenden statistischer Analysen, um Muster, Trends und Zusammenhänge in den Daten zu erkennen.
- Explorative Datenvisualisierung: Nutzen grafischer Darstellungen, um ein besseres Verständnis der Daten zu erhalten.
- Hypothesenbildung: Entwickeln von Hypothesen und Fragen, die im späteren Storytelling beantwortet werden sollen.
4. Herausarbeiten der Insights:
- Schlüssel-Insights identifizieren: Finden der wichtigsten Erkenntnisse und Botschaften.
- Kontextualisierung: Setzen der Insights in einen thematischen Kontext.
- Segmentierung: Gruppieren der Daten und Erkenntnisse nach relevanten Segmenten.
5. Entwicklung einer Storyline:
- Narrativer Rahmen: Entwickeln einer strukturierten Storyline mit Einführung, Spannungsbogen und Abschluss.
- Protagonisten und Charaktere: Bestimmen der zentralen Figuren und Perspektiven.
- Handlung und Botschaft: Sicherstellen, dass die Storyline eine klare Botschaft vermittelt und zum Handeln motiviert.
Exkurs: Welche Storylines eignen sich für Data Storytelling?
Nach der Klärung der oben genannten Aspekte kann die Wahl der richtigen Storyline erfolgen. Verschiedene Grundtypen von Storylines bieten hierbei eine Orientierung:
- Change over Time: Darstellung von Prozessen oder Transformationen über einen bestimmten Zeitraum hinweg.
- Forecasting: Darstellung von Trends und Vorhersagen.
- Journey Map: Narrative Darstellung eines Wegs von einem Ausgangspunkt bis zu einem bestimmten Ziel.
- Before and After: Vergleich von Zuständen vor und nach einer bestimmten Intervention oder einem Ereignis.
- Cause and Effect: Präsentation von Ursache-Wirkung-Beziehungen.
- Drill Down: Eine Data Story, die mit einem Überblick beginnt und in einem spezifischen Beispiel endet.
- Dissection of Factors: Untersuchung von Zusammenhängen und Kausalitäten zwischen Daten und Handlungslinien.
- Profile of Outliers: Betrachtung von Sonderfällen und statistischen Ausreißern.
- Correlation Analysis: Darstellung von Korrelationen zwischen verschiedenen Datenpunkten.
- Data-Driven Persona: Erstellung fiktiver Charaktere auf Basis von Daten.
- Data Journey: Erzählung der Reise der Daten selbst.
- Zoom Out: Ein kleiner Fokus wird auf ein größeres Gesamtbild ausgeweitet.
- Contrast: Vergleichende Gegenüberstellung unterschiedlicher Akteure, Daten oder Fragestellungen.
Wichtig: Konzentration auf eine klare Botschaft
6. Ausarbeitung eines Konzepts:
- Story-Format: Entscheiden für ein geeignetes Format.
- Narrative Elemente planen: Bestimmen der visuellen und textlichen Elemente, die die Geschichte unterstützen.
- Struktur und Layout: Erstellen einer detaillierten Gliederung der Story.
7. Produktion der narrativen Elemente und der Datenvisualisierung:
- Datenvisualisierung erstellen: Produzieren von Grafiken, Diagrammen, Karten und interaktiven Visualisierungen.
- Storytelling-Elemente entwickeln: Schreiben von Texten, Produzieren von Videos und Erstellen von Grafiken.
- Interaktive Elemente: Hinzufügen interaktiver Features wie Filter, Animationen und Links.
8. Vermarktung der Data Story:
- Nutzung der richtigen Kanäle: Verbreiten der Data Story über die häufig genutzten Kanäle des Publikums.
- Veröffentlichungskanäle: Wählen geeigneter Kanäle für die Veröffentlichung.
- Teaser und Promotion: Entwickeln von Teaser-Inhalten und Promotion-Materialien.
- Influencer und Multiplikatoren: Identifizieren von Influencern und Medien zur Verbreitung der Geschichte.
- Erfolgsmessung: Verfolgen der Reichweite, des Engagements und der Conversions der Story.
Zusätzliche Aspekte:
- Feedback-Schleife: Sammeln von Feedback von Nutzern und Stakeholdern.
- Weiterentwicklung: Aktualisieren und Erweitern der Story mit neuen Daten und Erkenntnissen.
Abb. Vorgehensweise beim Data Storytelling und notwendige Kompetenzen
Data-Storytelling fordert verschiedene Kompetenzen
Ein wesentlicher Nachteil des Data Storytelling ist die Notwendigkeit mehrerer Kompetenzen. Neben redaktionellen Fähigkeiten sind der Umgang mit Daten und Datenanalyse, Visualisierungstools und technisches Umsetzungs-Know-how erforderlich.
Die Hürde für Kommunikatoren, Data Storytelling tagesaktuell oder reaktiv einzusetzen, ist hoch. Allerdings muss es nicht direkt die komplexe, interaktive Anwendung sein. Eine Story mit einigen einfachen, aber überzeugenden Datenvisualisierungen kann ein attraktiver und niedrigschwelliger Einstieg ins Thema sein.
Weitere Beiträge in Moderne Unternehmenskommunikation:
- SO FUNKTIONIERT GUTES DATA STORYTELLING | K12 PODCAST #3 MIT JÖRG HOEWNER
- BUCHTIPP: „DIGITAL STORYTELLING“ (2. AUFLAGE) VON DIETER GEORG HERBST UND THOMAS HEINRICH MUSIOLIK
- 67 TOOLS FÜR STORYTELLING UND VISUALISIERUNGEN (ONLINE)
