Der Line Chart (oder Liniendiagramm) ist einer der bekanntesten Diagrammtypen und ein Evergreen, wenn es darum geht, einen Verlauf über die Zeit darzustellen. In diesem Beitrag zeigen wir, in welchen Situationen der Chart Typ eingesetzt wird, wann man besser auf Alternativen zurückgreifen sollte und welche möglichen Erweiterungen es dazu gibt.
Von Punkten zu Linien
Ein Liniendiagramm stellt Datenpunkte in einer Visualisierung dar, die mit einer Linie verbunden sind. Ein solches Diagramm besteht aus zwei Achsen:
- X-Achse: Die horizontale Achse zeigt normalerweise die Variable der Zeit an, z.B. Tage, Wochen, Monate, Jahre, etc.
- Y-Achse: Die vertikale Achse zeigt die Variable eines nummerischen Werts an, die wiederum von der X-Achse abhängt. Ein Wert kann z.B. eine Anzahl oder ein monetärer Betrag sein.
Ein Datenpunkt hat also immer die Koordinaten x und y. Somit haben wir eine Visualisierung mit Minimum zwei Dimensionen. Durch die Verbindung der Punkte entstehen die Linien.
Nachfolgend ein Beispiel eines Liniendiagramms von der Seite des BAG (Quelle: BAG-Infoportal übertragbare Krankheiten), welches die Anzahl Fälle von FSME (Frühsommer-Meningo-Enzephalitis, eine durch infizierte Zecken übertragene Krankheit) der letzten Jahren zeigt.
Beide Abbildungen zeigen die gleichen Daten, einfach mit unterschiedlicher Zeit-Dimension: links wird die Anzahl über die Jahre pro Monat aufsummiert, rechts werden die Anzahl Fälle pro Jahr aufsummiert. Und hier kommen wir zu dem zentralen Punkt in der Datenvisualisierung: Welche Fragestellung möchte ich mit der Grafik beantworten? Interessiert mich, welche Monate die meisten FSME-Fälle aufweisen oder möchte ich zeigen, ob die Fälle über die Jahre zu- oder abgenommen haben?
Hinzufügen von Dimensionen
Eine weitere Anforderung könnte sein, dass der Verlauf über das Jahr (Monate in der X-Achse) über mehrere Jahre verglichen werden sollte. Das ist möglich, wenn man nicht nur eine Linie aufzeigt, sondern eine Linie pro Jahr. Somit bringt man eine weitere Dimension in den Chart.
Links sind drei Jahre ersichtlich (2022 bis 2024) und rechts die gleiche Grafik mit allen zehn Jahren. Nun sieht man schnell, was die Herausforderung bei weiteren Dimensionen ist: Die Lesbarkeit schwindet. Während in der ersten Grafik die drei Jahre gut verglichen werden können, muss man in der zweiten Grafik schon sehr genau schauen. Hier gibt es verschiedene Möglichkeiten, dem entgegenzuwirken und das hängt erneut davon ab, was wir genau kommunizieren möchten. Möchten wir das aktuelle Jahr im Vergleich der Vorjahre zeigen? Möchten wir wissen, welches das Jahr mit den höchsten Werten ist?
In vielen Fällen wollen wir den aktuellen Umstand im Vergleich zu früher zeigen. Hier können wir die Techniken von Data Storytelling nutzen und das aktuelle Jahr von den Vorjahren hervorheben, sofern nicht relevant ist, zu welchem Jahr die anderen Linien genau gehören. Man kann auch die drei letzten Jahre farblich hervorheben und die restlichen monoton halten. Auch hier ist es wichtig, dass die Grafik lesbar ist. Rechts ist eine weitere Möglichkeit, den Sachverhalt zu zeigen: Die Minimal- und Maximal-Werte der vergangenen Jahre werden als untere und obere Schwelle dargestellt. Die einzelnen Jahre sind irrelevant. Wichtig ist hier zu erkennen, ob sich das aktuelle Jahr innerhalb oder ausserhalb des Ranges der vergangenen Jahre befindet.
Darauf ist zu achten
Es gibt aber auch Situationen, bei denen wir zwar ein Line Chart erstellen könnten, aber es wenig Sinn macht. Die Zeit-Dimension stellt eine Kontinuität dar, die ideal für eine Linie ist. Sind die Daten nicht kontinuierlich oder haben keine natürliche Reihenfolge, dann sollte man stattdessen z.B. Bar Chart verwenden. Würde man diese Punkte mit einer Linie verbinden, würde es eine Verbindung suggerieren, die nicht vorhanden ist.
Eine weitere Einschränkung gibt es auch, wie wir oben gesehen haben, wenn zu viele Datenreihen angezeigt werden. Hier gibt es die Möglichkeit durch Hervorhebung einzelner Reihen ein Fokus zu setzen (Beispiel oben) oder mit Small Multiples zu arbeiten.
Small Multiples sind gerade für Mustererkennung eine geeignete Alternative. Wichtig ist hier, dass sowohl X- als auch Y-Achse die gleiche Skalierung aufweisen, damit ein Vergleich die richtigen Erkenntnisse liefert.
Eine andere Möglichkeit für Verteilung und Mustererkennung könnte ein Boxplot Diagramm sein. Hier erkennen wir anhand der Flächen, wie breit gestreut die Werte über die Jahre sind. Während im Januar und Dezember bei allen Jahren fast gleiche Werte vorhanden sind, unterscheiden sich die Anzahl Fälle im Juni und Juli am meisten. Wobei auch hier ein Unterschied festzustellen ist: Während im Juni die Anzahl Fälle sehr unterschiedlich sind, befinden sich im Juli die meisten Werte nahe beim Durchschnitt (gelber Punkt) mit wenigen Ausreisser nach unten und oben.
Ein Ausblick – Forecasts
Diagramme mit Verlauf sind ideal um mögliche Voraussagen zu schätzen. Die sogenannte Predictive Analytics zeigt auf, wie sich der Verlauf in Zukunft entwickeln wird, basierend auf den Vergangenheitsdaten. Hier helfen mathematische Modelle wie die Lineare Regression. Wichtig: Die Voraussagen sind immer nur so gut, wie die Daten der Vergangenheit. Sind zu wenig Datenpunkte oder schlechte Qualität vorhanden, ist das Ergebnis nicht verlässlich – auch wenn immer eine gewisse Ungewissheit bei solchen Aussagen mitspielt.
Die Grafik zeigt die Anzahl Fälle über die Jahre (Monatsintervalle) und hat nun eine Trendlinie eingeblendet die zwar nicht steil aber klar nach oben zeigt. Weiter zeigt die Grafik den potentiellen Verlauf in die Zukunft mit einem Grad an Unsicherheit.
Wie man sieht hat das Line Chart Potential. Es zeigt einerseits auf intuitive Art und Weise einen zeitlichen Sachverhalt an, andererseits bietet es gar die Möglichkeit künftige Verläufe vorauszusagen. Mehr zu verschiedenen Chart Typen findet man hier: Blog Beiträge zu Chart Typen