LearningKit Data Visualization Mastery — Excel, Python, BI-Tools

Daten sind nur dann wertvoll, wenn sie verstanden werden. Datenvisualisierung ist die Brücke zwischen Rohdaten und Geschäftsentscheidung. Dieser LearningKit vermittelt sowohl die Theorie (Visualisierungs-Prinzipien, Chart-Auswahl) als auch die Praxis mit den wichtigsten Tools. Block Visualisierungs-Theorie: warum visualisieren (kognitive Wahrnehmung — Menschen verarbeiten Bilder 60.000x schneller als Text), Storytelling with Data (Cole Knaflic — der Standard-Klassiker), Visualisierungs-Prinzipien (clutter reduzieren, Highlight wichtiger Daten, Kontext geben, klare Hierarchie), Anti-Patterns (3D-Pies, abgeschnittene Achsen, schreiende Farben, Tortendiagramme mit 10+ Slices, Spaghetti-Linien-Charts). Block Chart-Typen und ihre Anwendung: Balken-Charts für Vergleiche (Achtung Reihenfolge: meist sortiert, nicht alphabetisch), Linien-Charts für Trends über Zeit, Streudiagramme für Korrelationen, Heatmaps für Matrix-Daten, Boxplots für Verteilungen, Sankey-Diagramme für Flow-Daten, Sunburst/Treemaps für hierarchische Daten, Choropleth-Karten für geografische Daten. Block Excel-Visualisierung: Standard-Charts effektiv nutzen, Pivot-Charts mit Datenmodell für interaktive Dashboards, Sparklines für In-Cell-Charts, bedingte Formatierung mit Datenbalken/Symbol-Sets/Skalen, Forms-Steuerelemente für interaktive Filter, Power Pivot mit DAX für komplexe Aggregationen, Power Query für ETL aus mehreren Quellen. Block Python — Matplotlib: pyplot-Interface (einfach) vs. Objekt-orientiertes (mehr Kontrolle), Plot-Typen (line, scatter, bar, hist, box, violin, pie), Subplots mit plt.subplots, Achsen-Konfiguration, Styles (ggplot, seaborn-Style), Export (PNG, PDF, SVG). Block Python — Seaborn: statistische Visualisierung, hochpegelige Funktionen (relplot, catplot, displot, lmplot), Pair Plots für explorative Analyse, Heatmaps mit Korrelations-Matrizen, FacetGrid für komplexe Layouts. Block Python — Plotly: interaktive Charts für Web, Plotly Express als High-Level-API, Plotly Graph Objects für volle Kontrolle, Dash für interaktive Web-Apps in Python (Alternative zu Tableau/Power BI für Python-Affine). Block Python — Bokeh: alternative zu Plotly mit ähnlichen Features, JavaScript-basierte Interaktivität, Streaming-Daten-Support. Block QlikView und Qlik Sense: Associative Data Model (alle Daten miteinander verknüpft, statt Star-Schema), Dimensionen und Measures, Set Analysis für komplexe Aggregationen, Master Items für Wiederverwendung. Block Tableau (oft als Ergänzung): VizQL als Drag-and-Drop-Interface, Calculations und Parameters, Stories für Präsentationen. Block Dashboard-Design: Top-Down-Layout (KPIs oben, Details unten), Mobile-First-Design, Performance-Optimierung (zu viele Visuals → langsam), Accessibility (Farbenblindheit berücksichtigen — kein reines Rot/Grün-Kontrast).