Data-Driven Storytelling: Wie können mit Big Data Geschichten erzählt werden?

Geschrieben von Theresa Glöde - veröffentlicht am 09.05.2017 13:59:00

Jede Geschichte braucht einen Helden. Das lässt sich auch auf Big Data übertragen. Denn Big Data heißt nicht nur Zusammenhänge entdecken, Vorhersagen treffen und Entscheidungen begründen, sondern kann auch bedeuten: Eine Geschichte erzählen. Wir haben die Grundprinzipien des Data-Driven Storytellings zusammengefasst:

heldengeschichte

Was ist datengetriebenes Storytelling?

Geschichten faszinieren uns heute ebenso, wie es unsere Vorfahren vor Tausenden Jahren bereits getan haben. Menschen lieben Geschichten. Sie spielen eine wesentliche Rolle in unserem täglichen Leben - egal ob zur Unterhaltung oder um mit anderen Erfahrungen auszutauschen. Modernes Geschichtenerzählen wird oft mit der populären TED-Konferenzreihe und seinem "Ideas Worth Spreading"-Slogan assoziiert. Die Analyse der beliebtesten 500 TED-Talks ergab sogar, dass erzählte Geschichten mindestens 65 Prozent der TED-Talk-Inhalte ausmachen.

Storytelling bezeichnet eine Methode, bei der Empfänger Wissen, Ideen, Produkte oder sonstige Informationen durch konstruierte oder reale Geschichten vermittelt bekommen. Die Geschichte als Ausdrucksform soll ermöglichen, dass die vermittelten Informationen möglichst einfach präsentiert und somit gut aufgenommen und langfristig im Gedächtnis verankert werden. Botschaften, Wissen und Daten optimal zu vermitteln und beim Empfänger im Gedächtnis zu verankern, ist in vielen Branchen und Unternehmensbereichen ein notwendiger aber schwieriger Vorgang. Informationen werden nicht nur komplexer, auch sind Masse und Umfang an verfügbarem und relevantem Wissen, aber auch an Prozessen und Daten mit dem Zeitalter der Digitalisierung immer weiter angestiegen. Gleichzeitig wird hierdurch die Aufnahmefähigkeit der Kunden oder User immer weiter begrenzt.

Warum ist Storytelling eine relevante Methode für Big Data?

Die klassischen Storytelling-Prinzipien greifen auch im Bereich Big Data und können Verständnis, Emotionen und Handeln bewirken. Denn wie können Kunden und User am effektivsten erreicht werden? - Mit einer interessanten Geschichte. Storytelling im Rahmen der Big-Data-Analyse sind eine willkommene Form der Wiedergabe. Ermüdende Zahlenwüsten gehören der Vergangenheit an. Heute halten hübsch aufbereitete Grafiken Einzug in die Unternehmen. Also die Kunst, Daten zum Sprechen zu bringen. Und umgekehrt: Daten sind die aussagekräftigsten Fakten darüber, wie es um ein Unternehmen steht, wie gut das eigene Marketing funktioniert oder wer die eigenen Kunden oder User überhaupt sind. Deshalb haben Daten selbst eine Geschichte, die es Wert ist, erzählt zu werden. - Aber: nicht jeder Datensatz benötigt eine Geschichte.

Häufig wird datengetriebenes Storytelling mit der Visualisierung von Daten in Verbindung gebracht. Zum Beispiel in der Form von Infografiken, Dashboards oder Daten-Präsentationen. Es ist aber noch viel mehr als das. Data-Driven Storytelling wird als ein strukturierter Ansatz für die Kommunikation von Datenerfassungen verstanden und setzt sich aus den folgenden drei Schlüsselelementen zusammen: Daten, Visualisierung und Erzählung. Für eine interessante und aussagekräftige Geschichte ist es vor allem wichtig, zu verstehen, wie die Elemente einander bedingen und kombiniert werden müssen. Konkret bedeutet das: die Daten in den richtigen Zusammenhang zu setzen.


 Der Umgang mit Daten gehört zu den Kernkompetenzen eines jeden Digital Marketers.


Typischerweise setzen sich Analysten und Data Scientists aus dem Business-Intelligence-Bereich (BI) mit diesem Thema auseinander, stoßen aber inzwischen an ihre Grenzen. Mit Blick in die Zukunft können wir also davon ausgehen, dass der Umgang mit Daten zunehmend zu den Kernkompetenzen eines jeden Digital Marketers gehören wird. Laut einer LinkedIn-Studie gehören die Data Analytics-Skills sogar zu den Top-Fähigkeiten des digitalen Zeitalters. Interessanterweise ist dabei die wichtigste Kompetenz, Daten vorzubereiten und zu analysieren. Nicht aber unbedingt die Fähigkeit, aus den Daten Aussagen abzuleiten und die Ergebnisse in konkrete Maßnahmen im Unternehmen umzusetzen. Die Inbound-Marketing und Sales-Software HubSpot hat 7 gute Data-Driven Storytelling Beispiele zusammengestellt: darunter z.B. Spotify oder Uber. 10 Beispiele, wie Sie Diagramme und Grafiken für Ihre Geschichten besser einsetzen, können Sie außerdem hier nachlesen.

Datensicherheit im Zeitalter von Big Data - Rechte und Verantwortung:

Bevor Sie die gewünschten Daten aufbereiten, sollten Sie mit der Geschäftsleitung Ihres Unternehmens klären, welche Daten überhaupt genutzt und kommuniziert werden dürfen. Auf diese Weise lassen sich sensible Daten auch vor unbefugtem Zugriff schützen. Hier können die IT-Abteilungen im Namen der Geschäftsführung die Rechte entsprechend verteilen. Ebenfalls Aufgabe der Unternehmensleitung ist die Klärung der Daten von Dritten. Auch hier muss es beispielsweise klare Richtlinien zum Schutz von Kundendaten geben. Mit diesen Maßnahmen sind die Geschäftsführung und die Nutzer in der Lage, sich ordnungsgemäß abzusichern.

Ab Mai 2018 gelten im Umgang mit Daten zudem europaweit neue, strengere Vorschriften. Sobald die neue EU-Datenschutz-Grundverordnung in Kraft tritt, können Unternehmen mit Bußgeldern in Höhe von bis zu vier Prozent des weltweit erwirtschafteten Jahresumsatzes beziehungsweise bis zu 20 Millionen Euro Strafgeld rechnen, wenn sie die neuen Datenschutzregeln (EU-DS-GVO) verletzen. Die Erweiterung des europäischen Datenschutzrechts betrifft vor allem junge Unternehmen aus der digitalen Wirtschaft. Was Sie zum Thema EU-Datenschutz-Grundverordnung jetzt wissen und tun müssen, lesen Sie hier.

Wie werden Daten am effektivsten genutzt, um fesselnde Geschichten zu erzählen?

Eine gute Geschichte aktiviert, emotionalisiert, begeistert und bindet. Und wie jede andere Geschichte setzt auch die datengetriebene Story einen Anfangs-, Mittel- und Schlussteil voraus. Warum Ihre Daten für den Kunden oder User von Interesse sind, sollte am Anfang Ihrer Story festgehalten werden. Was ist der Anlass, sich mit diesen Zahlen zu beschäftigen? Im mittleren Teil geht es um die Erkundungsreise. Als Marketer sollten Sie hier auf folgende Fragen eingehen: Welche gewonnen Erkenntnisse haben einen Einfluss auf mein Unternehmen, den Kunden bzw. User? Stellen die Ergebnisse womöglich bisherige Annahmen in Frage? Die Kernaussagen sollten hier ganz besonders hervorgehoben werden. Anschließend folgt mit dem Schlussteil das Fazit: Wie wirken sich die dargestellten Daten auf das Unternehmen oder die Kundenbeziehung aus - wie lautet meine Botschaft an den Kunden oder User?

Die Schwierigkeit beim Storytelling mit Big Data, besteht darin, dass Sie womöglich die einzige Person sind, die die Daten inhaltlich nachvollziehen kann, weil Sie sich wahrscheinlich über einen längeren Zeitraum mit den Datenmengen alleine auseinandergesetzt haben. Wie können Sie die Daten also so aufbereiten, dass Sie auch ein Laie nachvollziehen kann?

Mit Big Data eine Geschichte erzählen - Wie geht das?

Data-Driven Storytelling ist anspruchsvoll – aber keine Raketenwissenschaft. Die Grundprinzipien lassen sich in wenigen Stunden lernen. Viele Tools und Datenquellen sind zudem als Open-Source-Software kostenlos verfügbar.

Beim Data-Driven Storytelling sollten Sie wie folgt vorgehen:

1. Daten abrufen: z.B. über Analyse-Tools wie Google Analytics oder über die API eines Social Media-Kanals. Ziehen Sie hierfür alle verfügbaren Hilfsmittel in Betracht, um die nötigen Daten zu finden, mit denen Sie unternehmensrelevante Geschichten erzählen können, die nicht nur originell, sondern auch transparent und wertvoll für Ihr Unternehmen sind. Denn einzigartiger Content, der über spannende Erkenntnisse aus Ihrer Branche berichtet, verhilft zu mehr Reichweite und eventueller Marktführung.

Für den fortgeschrittenen Marketing Data Analysten eignen sich beispielsweise auch Methoden wie Data Scraping” oder “Data Mining". Diese setzen jedoch das Beherrschen einer Programmiersprache wie etwa “Python”, “Ruby“ oder “Perl“ voraus.

2. Speichern der Daten in einer textorientierten NoSQL-DatenbankNoSQL-Datenbanken können Unternehmen mit Big-Data-Plänen helfen, die Datenflut in den Griff zu bekommen. Fragmente aus unterschiedlichen Quellen werden hier integriert. Nutzen Sie hierfür z.B. MongoDB oder CouchDB.

3.Data Munging“ (oder “Data Wrangling”): das heißt, das Erkennen, Übersetzen und Bereinigen von Fehlerndenn häufig liegen die Daten in unterschiedlichen Formaten vor. Dieser Schritt ist meist zeitintensiv und nervenraubend, bildet aber die Basis für die Auswertung der Daten. Statistik-Kenntnisse sind hier von Vorteil.

4. Auswahl der interessanten und aussagekräftigsten InformationenAlgorithmen aus “Data Mining“ und “Pattern Recognition“ helfen dem Analysten Auffälligkeiten oder Trends zu erkennen, sowie größere Textmengen zu automatisieren und auf die Kernaussagen zu reduzieren.

5. Informationen verdichten und visualisieren, sodass die wichtigsten Daten-Zusammenhänge und Erkenntnisse auch für einen Nicht-Statistiker deutlich herausstechen. Hier eignet sich z.B. eine Tabelle, ein Informations-Dashboard oder eine Datamap.

Anschließend geht es darum, die Daten in Charts, Animationen und Zahlen zu übersetzen und auf diese Weise die Geschichte zu erzählen. Wie das funktioniert, erfahren Sie im nächsten Abschnitt.

Worauf kommt es bei der Visualisierung von Daten an?

1. Erstellen einer Liste mit Fragen, von denen Sie glauben, dass Kunden und User die Antworten dazu interessieren könnte. Filtern Sie diese Fragen nach Relevanz und entscheiden Sie sich anschließend lieber für eine konkrete Fragestellung, als für zehn Detailfragen.

2. Den Empfänger narrativ abholen. Voraussetzung hierfür ist, dass Sie Ihre Zielgruppe genauestens kennen und wissen, auf welchem Wissensstand sich diese zum Thema befindet. Ein Experte erwartet beispielsweise viel eher Details, als der Generalist. Manager wiederum benötigen Ergebnisse, die Sie in konkretes Handeln umsetzen können. Standardisierte Story-Plots können hier unterstützen. Erfahren Sie hier, welche 7 Story-Plots Sie kennen sollten.

3. Einordnen der Daten-Geschichte in das richtige Erzähl-Format. Geht es um einen Bericht, eine Prognose oder um die Lösung eines Problems?

4. Auswahl der richtigen Erzähl-Perspektive, die für die Wirkungsweise der Informationen und Protagonisten der Geschichte entscheidend ist. Marketing Manager Ben Jones nennt 7 Typen der Daten-Geschichten:

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

Stehen der Aufbau, die Zielgruppe, der Plot und die Erzählperspektive, geht es anschließend um die genaue Visualisierung der Daten. Hier gilt es folgende Grundregeln zu beachten:

  • Farben kommen nur zum Einsatz, um Unterschiede grafisch darzustellen, nicht aber, um die Grafik visuell aufzubereiten
  • Weniger ist mehr - zu viele Details lenken nur ab. Stattdessen sollten Leerflächen bewusst eingesetzt werden

 

Themen: Digital Marketing, Data und Analytics, Artikel

Theresa Glöde

Geschrieben von Theresa Glöde

Theresa Glöde ist Marketing Managerin Content & Social Media bei AVADO Learning GmbH, Experte für virtuelles Lernen rund um die Digitale Transformation. Auf dem Squared Online & AVADO Learning Blog schreibt sie unter anderem über digitale Marketing Trends, Digital Leadership und New Work.