8. DataViz Meetup bei The Information Lab „Teaching Data Viz“

Datenvisualisierung beizubringen ist das eine – aber wie gelingt es, sie so zu vermitteln, dass Menschen sie im Arbeitsalltag wirklich nutzen? Genau dieser Frage haben wir uns beim 8. DataViz Meetup „Teaching Data Viz“ in unserem Hamburger Office gewidmet.

Am Donnerstag, 20. November 2025, kamen Data-Enthusiast:innen und Verantwortliche für Data Culture, Enablement, BI-Training und Data Literacy in den Räumen von The Information Lab Deutschland zusammen. Das Meetup, initiiert von Matthias Stahl (DER SPIEGEL) und Nina Koch (New Work SE), machte für das 8. DataViz MeetUp bei uns Station.

Der Fokus: Wie gestalten wir Data-Viz-Trainings, die über „schöne Dashboards“ hinausgehen und echten Impact im Unternehmen entfalten?

Von Trainingskonzepten bis Paneldiskussion

Teil 1: Einblicke in Trainingskonzepte & Lernpfade

Im ersten Teil der Veranstaltung gaben unsere Kolleginnen Katharina von Borstel und Nhung Le Einblicke in unsere Trainingskonzepte rund um Datenvisualisierung. Im Fokus standen unter anderem:

• Lernpfade, die über Zertifizierungen hinausgehen – weil Lernen nach dem Zertifikat erst beginnt.

• Die Verbindung von Daten & Visualisierung als Kern erfolgreicher Data-Viz-Trainings.

• Wie Trainings so gestaltet werden, dass sie konkrete Use Cases adressieren und den Transfer in den Arbeitsalltag ermöglichen.

• Data Visualization als dauerhaftes Skillset, statt einmaligem Schulungsformat.

Damit legten Katharina und Nhung die inhaltliche Basis für die anschließende Diskussion: Was macht ein Training wirklich nachhaltig?

Teil 2: Panel „Beyond the Bar Chart“

Im zweiten Teil des Abends vertiefte eine Paneldiskussion die Praxisperspektive:

„Beyond the Bar Chart: Is Data Viz Training a Relevant Skill, or Just a Nice-to-Have for Better Storytelling?“.

Auf der Bühne diskutierten Prof. Dr.-Ing. Christoph Kinkeldey von der HAW Hamburg, Florian Ziegler von Kühne+Nagel und Benjamin Schalk  von The Information Lab darüber, welche Rolle Data-Viz-Training heute tatsächlich spielt – und wo Organisationen damit in der Realität stehen.

Im Fokus standen Fragen wie:

• Welche Trainingsformate funktionieren in der Praxis wirklich – und welche bleiben an der Oberfläche?

• Wie gelingt der Transfer von „schönem Dashboard“ hin zu gelebter Datennutzung in den Fachbereichen?

• Welche Rolle spielen KI-Tools künftig beim Lernen und Visualisieren – als Unterstützung oder als zusätzliche Komplexität?

In vielen Beispielen aus Lehre, Praxis und Beratung zeigte sich, dass Datenvisualisierung ein zentraler Hebel für Kommunikation, Entscheidungsfindung und Zusammenarbeit zwischen Fachbereichen ist. Gut gestaltete Visualisierungen helfen Teams, dieselbe Datengrundlage zu sehen, schneller zu einem gemeinsamen Verständnis zu kommen und Entscheidungen nachvollziehbarer zu machen.

Gleichzeitig waren sich die Panelgäste einig: Ohne zielgruppenorientierte Trainings, klare Lernpfade und eine passende Data Culture bleibt das Potenzial von Tools wie Tableau, Power BI & Co. häufig ungenutzt.

How we teach DataViz: Das Skillset

Im ersten Teil des Meetups ging es darum, wie wir Lernprozesse so gestalten, dass sie nachhaltig wirken. Der Ansatz von Katharina von Borstel und Nhung Le richtet sich an der Leitfrage aus: Wann ist Lernen erfolgreich und was braucht es dafür in Data-Viz-Trainings?

Unsere Trainings setzen bei drei zentralen Kompetenzbereichen an, um ein vollständiges DataViz Skillset aufzubauen:

1. Data Literacy

Data Literacy ist die Grundlage; ohne sie bleibt jede Visualisierung auf der Oberfläche. Dazu gehören:

• Datenverständnis & Kontextualisierung: Teilnehmende lernen, Kennzahlen einzuordnen: Woher kommen die Daten? Was bedeuten sie im Fachkontext? Welche Limitationen gibt es?

• Datenmanagement & -aufbereitung: Dazu zählen Schritte wie Filtern, Aggregieren, Bereinigen oder das Zusammenführen von Datenquellen.

• Analytisches Verständnis: Es geht darum, grundlegende Analysekonzepte zu verstehen: Zeitreihen, Vergleiche, Segmentierungen, Ausreißer – und wie diese sich sinnvoll visualisieren lassen.

Ziel: Teilnehmende sollen nicht nur Charts bauen, sondern die dahinterstehenden Daten wirklich verstehen.

2. Design & Visualisierungs-Skills

Auf dieser Basis kommen die klassischen Data-Viz-Fähigkeiten ins Spiel:

• Wahl des passenden Visualisierungstyps: Wann eignet sich ein Balkendiagramm, wann eine Heatmap, wann eine Karte? Und wann ist eine Tabelle tatsächlich die beste Lösung?

• Verständnis für Wahrnehmung: Arbeit mit Gestaltungsgesetzen, präattentiven Merkmalen (Farbe, Form) und visuellen Hierarchien.

• Übersetzung in Tableau-Design: Teilnehmende lernen, diese Prinzipien konkret in Tableau umzusetzen: Farbpaletten, Layout, Tooltip-Design, konsistente Achsenskalierung und mehr.

Das Ziel: Visualisierungen, die klar, lesbar und fokussiert sind und nicht nur „optisch beeindruckend“.

3. Kommunikation & Storytelling

Datenvisualisierung entfaltet ihren Wert erst dann, wenn sie verstanden und genutzt wird. Kommunikation ist deshalb ein eigenständiger Kompetenzbereich:

• Anpassung an Zielgruppen: Visualisierungen auf die Bedürfnisse von Management oder Controlling ausrichten.

• Storytelling mit Daten: Aufbau einer sinnvollen Dramaturgie und Reihenfolge der Visuals.

• Klarheit in Sprache und Gestaltung: Gute Titel, Beschriftungen, Annotationen und eine Visualsprache, die ohne lange Erklärungen funktioniert.v

Dazu gehören gute Titel und Beschriftungen, verständliche Annotationen und eine Visualsprache, die ohne lange Erklärungen funktioniert.
Ziel: Aus einem Set an Charts wird eine kohärente Geschichte, die Entscheidungen unterstützt.

Praktische Tipps aus der Data School

Wie sich dieses Skillset in der Praxis bemerkbar macht, zeigt sich besonders deutlich in der Arbeit unserer Data School Coaches. Sie begleiten Teilnehmende vom ersten Dashboard bis zu komplexeren Analysen und sehen täglich, wo Datenvisualisierung im Alltag wirklich wirkt.
Zum Abschluss der Präsentation haben die Data School Coaches aus TIL UK ihre Tipps für Data Viz in Tableau geteilt. Ein Auszug daraus:

If you want to improve your data visualization skills, try helping somebody else out. If you can explain something to someone well, it means you’re on the right track. And I also think you should never stop learning. If you learn new stuff, you can help other people out more and they can then spread the word.
• Robbin Vernooij, Data School Coach, TIL UK

Use color intentionally in your data viz. Stick to two to three colors so that you can intentionally guide your users to the most important parts of your analysis.
• Jenny Martin, Data School Coach, TIL UK

KONTAKT AUFNEHMEN