Datenjournalismus hat sich in den letzten Jahren zu einem nützlichen Werkzeug für die Erstellung hochwertiger und relevanter Inhalte entwickelt. Nicht zuletzt, weil heute überall Daten entstehen – beim Einsatz von Maschinen und Sensoren, beim täglichen Einkauf, im Gesundheitswesen, in den sozialen Medien, in der Forschung. Wenn Journalist:innen diese Daten zu finden und nutzen wissen, dann eröffnen sich viele Chancen und spannende Geschichten. Dazu gehört auch der Open-Data-Ansatz, der den freien Zugang zu Datenbeständen und Datenbanken unterstützt und so den Qualitätsjournalismus fördert. Wie erfolgreicher Datenjournalismus funktioniert, welche Tools nicht fehlen dürfen und wie aus Daten und Fakten am Ende Storys werden, erfahrt ihr im folgenden Beitrag.
Inhalte dieser Seite
Was ist Datenjournalismus?
Daten gibt es überall und jedes Jahr auch immer mehr. Während es sich 2012 noch um ein Datenaufkommen von 6,5 Zettabyte handelte (ein Zettabyte entspricht einer Trilliarde Bytes), steuern wir laut einer Prognose von Statista im Jahr 2025 auf 181 Zettabyte an Datenmenge zu. Teilweise öffentlich zugänglich über Open-Data-Angebote – also über einen freien Zugang zu Datenbeständen und Datenbanken, und teilweise aufgrund guter Recherchen, schafft diese Masse an Daten die Grundlage für den Datenjournalismus und damit für neue Erkenntnisse und Geschichten.
Der Datenjournalismus beschäftigt sich also nicht nur mit der Recherche und der Sammlung von Daten, sondern ebenso mit einer Verarbeitung, Aufbereitung und Analyse, um aus den Daten Erkenntnisse publizieren zu können. Kern des Datenjournalismus ist es somit – häufig computergestützt – neue Informationen aus Daten zu generieren, neue Sinnzusammenhänge zu finden und diese transparent darzustellen. Dazu zählt auch die Visualisierung der Daten, häufig mit interaktivem, multimedialem Storytelling, was statische Infografiken des klassischen Journalismus übersteigt. Nicht selten sprechen Medienhäuser deswegen auch von „Computer Assisted Reporting“ (CAR) oder nutzen die englische Bezeichnung “Data Driven Journalism”.
Datenjournalismus und Data Driven Publishing: Was ist der Unterschied?
Auch wenn beide Bereiche „data-driven“ sind, also Daten getrieben, besteht zwischen Datenjournalismus (Data Driven Journalism) und datengestütztem Publizieren (Data Driven Publishing) ein großer Unterschied.
Data Driven Journalism
Neben dem Sammeln, Vergleichen und Analysieren von Quellen geht es im Datenjournalismus vor allem darum, aus komplexen und recherchierten Informationen transparente journalistische Geschichten zu entwickeln. Dazu verwenden Journalist:innen verschiedene Datenjournalismus-Tools, mit denen sie Datenquellen ermitteln, Muster und Trends identifizieren und diese in verständlicher und ansprechender Form präsentieren.
Data Driven Publishing
Data Driven Publishing hingegen bezieht sich auf den Einsatz von Daten, um Medienproduktionen und Publikationen zu optimieren. Daten über die crossmediale Reichweite sowie über das Nutzungsverhalten, Interessen und Präferenzen bilden die Grundlage, um Inhalte zu personalisieren oder mehr Relevanz zu schaffen, also Nachrichten und Informationen gezielt an das Publikum anzupassen oder Inhalte automatisiert zu empfehlen. Dafür setzen Medienhäuser Datenanalyse, Algorithmen und maschinelles Lernen bzw. Künstliche Intelligenz im Journalismus ein. Der Schwerpunkt liegt auf der Individualisierung von Inhalten und der Maximierung der Nutzerinteraktion, nicht auf der datenbasierten Berichterstattung per se.
Wie gehen Datenjournalist:innen vor?
Welche Tools haben sich im Datenjournalismus bewährt?
Neben der Beschaffung von Daten muss sich der datengestützte Journalismus außerdem technisches Wissen und Rechnerleistung zunutze machen. Wer sich ein wenig Zeit nimmt und sich mit den Programmen bekanntmacht, spart im Arbeitsalltag viel Zeit – etwas, das der abschließenden Erstellung der Story nur zugutekommt. Mit welchen Tools sollten sich Datenjournalist:innen genauer beschäftigen?
- Tabellenkalkulationssoftware wie Excel oder Google Sheets, um eigene Datensätze zu erstellen
- Tools wie der Google Public Data Explorer oder Ourworldindata, um Daten zu finden
- Datenbereinigungstools wie OpenRefine (früher Google Refine) oder Trifacta Wrangler
- Datenanalyse-Software wie R, Exploratory oder Pandas
- Datenvisualisierungstools wie Tableau Public, Datawrapper aber auch Google Charts. Tipp: Auf NAPA Cards: Narrative Patterns for Data Stories finden sich Beispiele für visuelles Storytelling
- Web-Scraping-Tools wie BeautifulSoup oder Scrapy helfen Datenjournalisten dabei, Daten von Websites zu extrahieren
- Mapping-Tools wie StoryMap, QGIS oder ArcGIS, um Karten zu erstellen
Chancen des Datenjournalismus
Nur wer imstande ist, Berichterstattung, Design und Programmierung zu vereinen, gelangt effektiv an neue Informationen und kann diese zielgruppengerecht in eine Story verpacken. Dann ergeben sich einige Vorteile:
- Qualität und Tiefe der Berichterstattung verbessern
- Faktenbasierten Journalismus fördern
- Öffentlichkeit besser informieren und durch gutes Storytelling Informationen besser vermitteln
- Auch komplexe Themen einfacher darstellen und Zusammenhänge aufzeigen
- Investigativ neue Erkenntnisse und strukturelle Probleme aufdecken
- Zusammenarbeit und Transparenz fördern
- Die Open Data Bewegung unterstützen
Herausforderungen im Datenjournalismus
Aber um die Chancen wahrzunehmen, müssen gleichzeitig auch einige Herausforderungen im Datenjournalismus bewältigt werden.
- Zeit: Wie bei jeder guten Recherche ist auch die Datenbeschaffung und -analyse immer zeitaufwendig. Zwar unterstützen viele Tools die Arbeit, jedoch müssen die passenden Daten zuerst gefunden werden. Und: Nicht jeder Datensatz führt zu einer Story.
- Ressourcen und Workflows: Um von der Datenquelle zur nutzwertigen Geschichten zu gelangen, muss sich häufig ein ganzes Team finden für Recherche und Kalkulation, für den Text, für das digitale Storytelling, die Redaktion etc.
- Know-how: In vielen Redaktionen müssen die passenden Stellen noch geschaffen oder noch besetzt werden – von Analysten bis hin zu Designern. Viele Redaktionen bauen Data Units auf.
- Datenschutz: Schutz der Daten und ihre Anonymisierung sind auch im Datenjournalismus essenziell.
- Flut an Informationen: Datenjournalist:innen müssen in der Lage sein, die Unmengen an Informationen zu bewältigen, Trends zu beobachten und wichtige Zusammenhänge zu erkennen, um sinnvolle Storys zu entwickeln.
Tool-Tipp für die Informationsflut: Newsmind Stories unterstützt Redaktionen KI-gestützt bei der Recherche und beim Monitoring, indem es eingehende Meldungen in Echtzeit beobachtet und nach Relevanz filtert.
Im Einsatz: Beispiele für Datenjournalismus
Die Beispiele zeigen: Der Datenjournalismus hat in den letzten Jahren an Beliebtheit gewonnen und gilt zunehmend als optimaler Ansatz, Qualitätsjournalismus zu gewährleisten, indem er auf Daten und Fakten beruht. Durch den Zugang zu einer enormen Menge an Daten und den Einsatz von spezialisierten Datenjournalismus-Tools sind Datenjournalist:innen immer besser in der Lage, neue Informationen und Zusammenhänge effizient herauszuarbeiten und diese transparent darzustellen.
Im Einsatz: Beispiele für Datenjournalismus
Die Beispiele zeigen: Der Datenjournalismus hat in den letzten Jahren an Beliebtheit gewonnen und gilt zunehmend als optimaler Ansatz, Qualitätsjournalismus zu gewährleisten, indem er auf Daten und Fakten beruht. Durch den Zugang zu einer enormen Menge an Daten und den Einsatz von spezialisierten Datenjournalismus-Tools sind Datenjournalist:innen immer besser in der Lage, neue Informationen und Zusammenhänge effizient herauszuarbeiten und diese transparent darzustellen.
Weitere interessante Artikel, die du nicht verpassen solltest
