Highlight
Gemeinsam erfolgreich – unser valantic Team.
Lernen Sie die Menschen kennen, die mit Leidenschaft und Verantwortung bei valantic Großes bewegen.
Mehr über uns erfahren28. Oktober 2021
Die SUCCESS Regeln für ein gelungenes Reporting gliedern sich in die sieben Regelgruppen SAY, UNIFY, CONDENSE, CHECK, EXPRESS, SIMPLIFY und STRUCTURE.
In diesem Blogartikel geht es um die Regelgruppe CHECK.
Der/die Empfänger*in eines Berichtes erwartet, dass die präsentierten Daten korrekt und verständlich sind. Bei CHECK soll die visuelle Integrität gewährleistet werden, was bedeutet, dass man falsche Skalierungen, manipulierte Darstellungsformen und missverständliche Visualisierungen vermeidet.

Im vorliegenden Diagramm beginnt die Achse mit dem Wert 10. Achsen sollten jedoch ab dem Wert 0 starten, um eine missverständliche Interpretation zu vermeiden.

Wie man bei einem Vergleich der beiden Darstellungsweisen erkennen kann, wird die Botschaft durch den Achsenbeginn bei 10 klar verfälscht, da der Unterschied zwischen den beiden Datenreihen größer wirkt, als er tatsächlich ist. Daher ist das untere Diagramm zu bevorzugen.
Weiter sollten generell logarithmische Achsen nur dann verwendet werden, wenn dies inhaltlich sinnvoll ist. Dies kann zum Beispiel der Fall sein, wenn die Steigerung über mehrere Datenreihen mit unterschiedlicher Basis dargestellt werden soll. Dies ist etwa bei der Darstellung der Wertenwicklung von Aktien der Fall, sonst aber nur selten relevant.
Wenn ein Diagramm verschiedene Klassen von Elementen (z. B. Altersklassen) darstellt, sollten Klassengrößen gleicher Breite (z. B. zehn Jahre) verwendet werden. Andernfalls ist eine visuelle Vergleichbarkeit nicht möglich oder schwieriger.
Um die visuelle Vergleichbarkeit zu gewährleisten ist es essenziell, aussagekräftige Achsen zu verwenden und Aussagen nicht durch die Manipulation von Achsen zu übertreiben.
Abgeschnittene Visualisierungselemente machen eine visuelle Vergleichbarkeit schwierig, weswegen abgeschnittene Achsen in Grafiken mit stark abweichenden Werten vermieden werden sollten.

Bei Skalierungsproblemen können kreative Visualisierungselemente verwendet werden, um Extremwerte zu vergleichen, z.B. ermöglicht die Anzeige von Daten in zweidimensionalen oder dreidimensionalen Visualisierungselementen den Vergleich von Werten unterschiedlicher Größenordnungen.
Man kann Daten nur dann als Darstellung visualisieren, wenn die Größe der Elemente den zu Grunde liegenden Daten entspricht. Dies trifft ebenfalls auf das Volumen von Darstellungen zu, welches linear dargestellt werden sollte. Im linken Beispiel können die Zahlen visuell nur schwer aus der jeweiligen Darstellungsgröße abgeleitet werden. Im rechten Beispiel dagegen spiegeln sich die Zahlen exakt in der Größe der jeweiligen Säule wider.

Farbige Flächen sollten nicht für die Visualisierung von nicht gebietsbezogenen Zahlen wie beispielsweise regionaler Marktanteile oder Umsatzrendite verwendet werden. Stattdessen sollten Spalten oder Balken mit identischem Maßstab in Karten positioniert werden. Hierbei funktionieren auch Tortendiagramme gut, weil sie genau an einer Stelle (z.B. einer Stadt) platziert werden können.
Durch eine identische Skalierung wird visuelle Vergleichbarkeit ermöglicht. In den folgenden Diagrammen wurde ein unterschiedlicher Maßstab verwendet. Wie man sieht, ähneln sich die Diagramme, obwohl die Werte sehr weit auseinander liegen.

Hierbei wird jedoch auch ersichtlich, dass die Verwendung identischer Skalen in mehreren Diagrammen schwierig ist, wenn sich die Werte in den Diagrammen sehr stark voneinander unterscheiden. Das Diagramm mit den verhältnismäßig geringen Werten kann dann schlecht präsentiert werden.
Eine gute Lösung besteht darin, die Diagrammgröße an die angegebenen Daten anzupassen, oder dass man den unterschiedlichen Maßstab klar erkennbar macht, z.B. durch Skalierungsindikatoren. Dazu gehören Skalierungslinien und Skalierungsbereiche, die die gleiche numerische Höhe in allen Diagrammen anzeigen. Sie sorgen für einen erkennbaren Vergleich zwischen mehreren Diagrammen derselben Einheit mit verschiedenen Maßstäben.
IBCS schlägt hierfür folgendes Design vor:

Bestimmte Werte, die im Vergleich zu anderen Werten sehr groß sind, werden als Ausreißer bezeichnet. Bei mehr oder weniger unwichtigen Ausreißern sollten deswegen Ausreißer-Indikatoren verwendet werden.
Lupen ermöglichen das Zoomen auf einen Teil eines Diagramms mit einer größeren Skala. Hierbei sollte ein geeignetes Visualisierungselement verwendet werden, um den Teil des Diagramms zu markieren, der vergrößert werden soll. Anschließend wird der Teil mit einem zweiten Diagramm verknüpft, das diesen in einem vergrößerten Maßstab anzeigt.

Mit der Regelgruppe CHECK soll die visuelle Integrität sichergestellt werden. Demnach sollten Maßeinheiten, Skalierungen korrekt verwendet und missverständliche Darstellungen vermieden werden.
Im Verlauf der weiteren Blog Reihe werden weitere Regelgruppen vorgestellt und die Grafiken dementsprechend optimiert.
Wenn Sie Ihr Reporting ebenfalls nach den Gesichtspunkten des IBCS® optimieren möchten oder andere Fragen zu den Themen Reporting und Berichtswesen haben, wenden Sie sich gerne an uns.
Customer Experience 9. Juli 2026
Customer Centricity im Manufacturing: Wie Hersteller steigende Kundenerwartungen erfüllen
Kundenorientierung ist auch im B2B-Umfeld unverzichtbar, um langfristige Beziehungen aufzubauen. Doch wie gelingt echte Kundenzentrierung und wie wird der ROI messbar? Praxistipps und ein reales Projektbeispiel zeigen, wie Fertigungsunternehmen Customer Centricity als Wachstums- und Wettbewerbsvorteil nutzen.
Customer Centricity im Manufacturing: Wie Hersteller steigende Kundenerwartungen erfüllen
Künstliche Intelligenz 25. Juni 2026
KI-Potenziale in der Fertigung: Welche Use Cases laufen bereits – und was rechnet sich?
In der Fertigungsindustrie zählt KI schon heute zu den wichtigsten Technologien. Doch zwischen Ambition und produktivem Einsatz mit messbarem Outcome klafft eine deutliche Lücke. Wo lohnt sich KI in der Fertigungsindustrie 2026 und welche Use Cases machen die Potenziale schon heute greifbar?
KI-Potenziale in der Fertigung: Welche Use Cases laufen bereits – und was rechnet sich?
Künstliche Intelligenz 24. Juni 2026
Model Context Protocol: MCP als Infrastruktur für KI-Integration
Model Context Protocol, kurz MCP, taucht zunehmend in strategischen KI-Diskussionen auf. Der offene Standard bietet einen effizienten Weg, KI-Assistenten mit CRM, ERP und internen Systemen zu verbinden. Dieser Beitrag ordnet ein, warum MCP für Entscheider relevant ist, welche geschäftlichen Chancen entstehen und wo Vorsicht geboten ist.
Model Context Protocol: MCP als Infrastruktur für KI-IntegrationNichts verpassen.
Blogartikel abonnieren.