Eine Zahl ist selten nur eine Zahl.
Sie hat einen Rahmen, steht beispielsweise in einem Report, einer Präsentation oder einer App. Dort hat sie eine Farbe, eine Position, eine Beschriftung. Vor allem hat sie aber auch einen inhaltlichen Kontext, eine mehr oder weniger hochwertige Quelle, ist mit Unsicherheiten verbunden und kommt meist mit einer impliziten Aufforderung: Schau hier hin. Denk das. Tu etwas.
Deshalb reicht es nicht, Daten einfach bereitzustellen, sie müssen gestaltet werden. Nicht im Sinne von Dekoration oder damit Charts mehr Eindruck machen. Sondern weil die Art und Weise, wie wir Menschen diese Daten erleben, wesentlich beeinflusst, was wir verstehen, worauf wir vertrauen und welche Entscheidungen wir treffen.
Für diese Ebene schlage ich den Begriff »Data Experience« vor, als die bewusst gestaltete Schnittstelle zwischen Daten, Menschen und Entscheidungen. Dabei bringen wir klassische Datenanalyse, Kommunikation, User Experience und Entscheidungsunterstützung zusammen. Und wir fragen nicht nur: Sind die Daten korrekt? Oder ist die Visualisierung verständlich? Sondern vor allem auch: Hilft diese Datenanwendung einem Menschen, im jeweiligen Kontext besser zu denken, zu prüfen, zu verstehen oder zu entscheiden?
Daten wirken nie neutral
In der Theorie wünschen wir uns oft eine möglichst objektive Darstellung von Daten, aber die gibt es in der Praxis nicht. Schon die Auswahl einer Kennzahl ist eine Entscheidung, ebenso wie die Wahl des Zeitraums oder die Skalierung einer Achse. Und vor allem die Frage, ob Unsicherheit bewusst sichtbar gemacht wird.
Das bedeutet nicht, dass jede Darstellung manipulativ ist. Aber es bedeutet, dass jede Darstellung Verantwortung trägt. Wenn eine Conversion Rate mit 12,4 Prozent gezeigt wird, wirkt das zunächst präzise. Wenn darunter steht, dass die Stichprobe nur aus 87 Fällen besteht, verändert sich die Erfahrung dieser Zahl. Wenn eine Wachstumsrate von 100 Prozent gezeigt wird, klingt das stark. Wenn ergänzt wird, dass es sich um Wachstum von einem auf zwei Kunden handelt, wird die Aussage anders lesbar. Die Zahl bleibt dieselbe. Die Data Experience verändert sich.
Gute Data Experience macht solche Kontextinformationen nicht zu Fußnoten, die irgendwo am Rand stehen. Sie integriert sie in die Nutzung und zeigt genug Evidenz, um Ergebnisse reflektiert einordnen zu können.
Das Spektrum der Data Experience
Um diese Unterschiede beschreibbar zu machen, arbeite ich gerade mit einem »Spektrum der Data Experience«. Es reicht aktuell von -3 bis +3 und nimmt bewusst die Perspektive der Nutzerinnen und Nutzer ein. Es geht also nicht nur darum, ob die Daten technisch korrekt verarbeitet wurden, sondern welche Erfahrung und Entscheidungsqualität auf der Nutzerseite entsteht.
Am einen Ende steht Betrug (-3). Hier werden Zahlen bewusst gefälscht, Daten erfunden oder Ergebnisse manipuliert. Das ist nicht schlechte Data Experience, sondern ein Bruch der grundlegenden Vertrauensbasis.
Eine Stufe darüber liegt Opportunismus (-2). Die Daten und Analysen können an sich richtig sein, aber die Darstellung ist bewusst irreführend gestaltet. Eine abgeschnittene y-Achse, selektiv gewählte Zeiträume oder eine gezielte Auswahl von Vergleichsgruppen können aus korrekten Daten eine falsche Wahrnehmung erzeugen.
Danach kommt Pfusch (-1). Hier fehlt nicht unbedingt die böse Absicht, aber die handwerkliche Sorgfalt. Daten werden ungeprüft in Dashboards geladen. Kennzahlen werden nicht erklärt. Nutzeranforderungen werden nicht verstanden. Visualisierungen werden verwendet, weil sie verfügbar sind, nicht weil sie zur Frage passen. Aus Sicht der Nutzerin ist das Ergebnis trotzdem problematisch: Man bekommt Daten, aber keine verlässliche Orientierung.
Bei null liegt solides Handwerk. Das ist wichtiger, als man vielleicht zunächst denken mag. Es bedeutet, dass die Analyse sauber ist, die Darstellung passt zur Frage, wichtige Begriffe sind erklärt und Unsicherheiten bzw. Limitationen werden nicht versteckt. In sehr vielen Fällen braucht es dafür keine besonders spektakulären Visualisierungen. Ein guter Satz, eine saubere Tabelle, ein Balkendiagramm, ein Streudiagramm, eine Heatmap oder ein Liniendiagramm reichen meistens aus.
Auf der positiven Seite beginnen wir mit Data Storytelling (+1). Hier werden Daten nicht nur korrekt dargestellt, sondern in Zusammenhang gebracht. Storytelling heißt nicht, eine hübsche Geschichte über Zahlen zu legen, sondern eine analytische Aussage so zu strukturieren, dass Menschen sie inhaltlich nachvollziehen können. Was ist passiert? Warum ist es relevant? Welche Entwicklung ist wichtig? Welche Vergleichswerte helfen? Welche Ereignisse erklären Brüche oder Wendepunkte?
Die nächste Stufe ist Empowerment (+2). Hier werden Nutzerinnen und Nutzer nicht nur informiert, sondern befähigt, selbst mit Daten zu arbeiten. Sie können filtern, vergleichen, explorieren und eigene Fragen stellen. Aber sie werden dabei nicht allein gelassen. Gute Data Experience gibt Leitplanken wie Qualitätsindikatoren, Hinweise auf kleine Fallzahlen, Erklärungen zu Kennzahlen, Warnungen vor problematischen Vergleichen oder Empfehlungen für sinnvolle Visualisierungen.
Die höchste Stufe ist der Decision Support (+3). Hier unterstützt die Anwendung direkt eine Entscheidung, aber ohne dem Menschen komplett das Denken abzunehmen. Es reduziert die Distanz zwischen Daten und Handlung. Google Maps ist ein gutes Alltagsbeispiel: Die Anwendung zeigt nicht nur Straßen, Verkehrsdaten und Entfernungen. Sie schlägt Wege vor, bewertet Alternativen, berücksichtigt den Kontext und bringt die Nutzerin näher an eine konkrete Entscheidung.
Im Folgenden wollen wir uns die Phasen vom soliden Handwerk bis zum Decision Support noch einmal genauer anschauen.
Solides Handwerk ist unterschätzt
In vielen Organisationen wird zu schnell über die oberen Stufen gesprochen. Man möchte Storytelling, Self-Service, KI-Assistenz oder automatisierte Empfehlungen. Das ist nachvollziehbar, aber Data Experience wird nicht besser, wenn man schlechte Grundlagen interaktiver macht.
Schlechte Daten und ein schlecht definiertes Dashboard bleiben schlecht, auch wenn man darin filtern kann (»Garbage in, garbage out«). Eine irreführende Kennzahl wird nicht besser, weil sie auf einer modernen Oberfläche steht. Und eine fehlerhafte Analyse wird nicht besser, wenn man sie als Story erzählt. Deshalb ist solides Handwerk der zentrale Nullpunkt des Spektrums. Nicht langweilig, sondern notwendig.
Solides Handwerk fragt: Welche Frage soll beantwortet werden? Welche Kennzahl passt dazu? Welche Datenqualität liegt vor? Welche Darstellung ist angemessen? Welche Information braucht die Nutzerin, um das Ergebnis nicht falsch zu verstehen? Erst wenn diese Grundlage stimmt, lohnt sich der Schritt zu Storytelling, Empowerment oder Decision Support.
Storytelling ist Verantwortung, nicht Dekoration
Data Storytelling wird häufig missverstanden. Es klingt nach Dramaturgie, Zuspitzung und Präsentationstechnik. Das gehört vielleicht auch dazu, ist aber für uns hier nicht der Kern.
Wichtiger ist die Verantwortung für Sinnzusammenhänge. Wer Daten zeigt, sollte nicht nur zeigen, was sichtbar ist, sondern auch helfen, es richtig einzuordnen. Eine Zeitreihe ohne markierte Ereignisse kann formal korrekt sein und trotzdem schwer verständlich bleiben. Ein Ranking ohne Methodenerklärung kann interessant aussehen und trotzdem falsche Schlüsse nahelegen. Eine Kennzahl ohne Vergleichswert kann präzise wirken und trotzdem kaum Bedeutung haben.
Gutes Storytelling macht Daten nicht einfacher, als sie sind, es macht sie anschlussfähiger. Es zeigt, welche Aussage zentral ist, welche Unsicherheit bleibt und welche Interpretation plausibel ist. Es hilft den Nutzerinnen und Nutzern, Zusammenhänge zu verstehen.
Empowerment braucht Leitplanken
Self-Service Analytics ist ein wichtiges Ziel. Fachbereiche sollten nicht für jede Frage auf ein zentrales Data-Team warten müssen. Menschen sollen Daten erkunden, Hypothesen prüfen und eigene Einsichten gewinnen können.
Aber mehr Freiheit erzeugt auch mehr Fehlermöglichkeiten. Wer beliebige Filter, Zeiträume, Samples und Diagrammtypen kombinieren kann, kann auch sehr überzeugende falsche Eindrücke erzeugen. Gerade deshalb ist Empowerment mehr als Interaktivität. Es geht nicht nur darum, Nutzerinnen und Nutzern neue Werkzeuge zu geben, sondern sie beim verantwortungsvollen Gebrauch dieser Werkzeuge zu unterstützen.
Eine gute Data Experience kann dabei helfen, indem sie Datenqualität direkt im Interface interpretierbar macht. Hier helfen Warnungen bei kleinen Fallzahlen oder Erklärungen zu methodischen Fragen. So können wir auch zwischen explorativen Ansichten und geprüften Kennzahlen unterscheiden. Das macht sichtbar, ob ein Wert belastbar, vorläufig oder erklärungsbedürftig ist.
Empowerment schafft einen Raum, in dem du Daten sinnvoll erkunden kannst, ohne bei jedem Schritt in methodische Fallen zu laufen.
Decision Support beginnt bei der Handlung
Die höchste Stufe der Data Experience beginnt nicht beim Chart, sondern bei der Entscheidung. Aber dafür müssen wir auch zunächst die Nutzerinnen und Nutzer verstehen, welche Entscheidung wollen oder müssen sie treffen? Und wie können wir sie dabei unterstützen, beispielsweise indem wir methodische Unsicherheiten lösen?
Ein gutes Decision-Support-System zeigt dabei nicht einfach mehr Daten. Es reduziert Komplexität an der richtigen Stelle, schlägt Optionen vor und macht Trade-offs sichtbar. Dabei hilft es insbesondere, Kontextinformationen bereitzustellen. So lässt es Menschen eingreifen, prüfen und verstehen.
Das ist besonders wichtig, weil Decision Support schnell mit Automatisierung verwechselt wird. Nicht jede Entscheidung sollte automatisiert werden. Manchmal ist es besser, Menschen mit gut aufbereiteten Informationen zu unterstützen. Dazu braucht es Vorschläge, aber keine automatische Ausführung.
Wie man bessere Data Experience baut
Ein paar Prinzipien helfen dir beim Start:
- Beginne mit der Entscheidung, nicht mit dem Chart. Die Frage ist nicht, welche Visualisierung gut aussieht, sondern welche Nutzungssituation unterstützt werden soll.
- Ermögliche Exploration, aber mit Leitplanken. Nutzerinnen und Nutzer sollen eigene Fragen stellen können, aber nicht ohne Kontext, Qualitätsinformationen und methodische Hinweise.
- Baue die Erfahrung in Schichten. Eine gute Oberfläche zeigt zuerst die Antwort oder den wichtigsten Befund. Dann ermöglicht sie Interaktion. Und schließlich bietet sie Evidenz: Datenbasis, Definitionen, Unsicherheit, Methode und Grenzen.
- Behandle Storytelling als Verantwortung, nicht als Dekoration. Eine Geschichte darf Daten nicht instrumentalisieren. Sie muss helfen, Zusammenhänge besser zu verstehen.
- Unterstütze Data Literacy direkt in der Experience. Erklärungen, Tooltips, Qualitätsindikatoren und gute Defaults sind keine Nebensachen. Im besten Fall lernen die Nutzerinnen und Nutzer nebenbei auch noch methodisch etwas dazu, so als netter Nebeneffekt.
Fazit
Data Experience beschreibt die Qualität der Schnittstelle zwischen Daten, Menschen und Entscheidungen. Sie beginnt bei Integrität und handwerklicher Sorgfalt und reicht bis zu Systemen, die Menschen direkt bei Entscheidungen unterstützen.
Das Spektrum von Betrug über Opportunismus, Pfusch und solides Handwerk bis hin zu Storytelling, Empowerment und Decision Support hilft, diese Qualität differenzierter zu betrachten. Nicht jede Datenanwendung muss auf der höchsten Stufe stehen. Aber jede sollte wissen, auf welcher Stufe sie steht und welche Verantwortung damit verbunden ist.
Gute Data Experience macht Daten nicht einfach nur leichter konsumierbar. Sie macht es leichter, bessere Entscheidungen zu treffen.