Month: July 2025

Nach der (sagen wir dreiviertel)erfolgreichen Lernphase möchte ich in den nächsten beiden Blogposts jetzt in die theoretische Welt der Daten und Statistiken eintauchen. Basis dafür ist das Buch “Show Me the Numbers”, das mir graziöserweise vom besten Majorleiter des Instituts (bitte Roman lass mich durch) zur Verfügung gestellt wurde. In diesem Blogpost soll es um die ersten drei Kapitel des Buches geben, in dem ein gewisses Basiswissen über Statistik vermittelt wird. Als jemand der seit Jahren mit Mathematiknachhilfe (und dort ganz zufälligerweise vor allem in Statistik) sein Geld verdient, waren die Basics für mich natürlich eher auffrischend gedacht. Gerade im zweiten Teil, der sich darum dreht, wann es überhaupt eigentlich Sinn mach Daten zu visualisieren statt sie einfach banal in einer Tabelle darzustellen, konnte ich aber noch gute Tipps mitnehmen. Hier eine kleine Zusammenfassung des gelernten.

Statistik für Dummies

Grundsätzlich sind Statistiken nichts anderes als quantitative Daten (also Zahlen), die irgendeinen Sinn machen, also irgendwie gedeutet werden können. Zum Beispiel können die Verkaufszahlen eines gewissen Produkts als dessen Erfolg oder Misserfolg gedeutet werden. Erhebt man Daten, egal ob wie ich in meiner Bachelorarbeit durch Umfrage, oder durch Recherche, so erhält man verschiedene Arten von Daten. Daten mit nominalem Bezug sind Wörter (daher der Name), also klassische Antworten wie Ja/Nein, oder das Geschlecht, oft aber auch Dinge wie Länder. Daten mit ordinalem Bezug sind Zahlen und können in einer logischen Abfolge geordnet werden, also zum Beispiel Einkommensdaten oder das Alter. Gruppiert man ordinale Daten erhält man Intervalle, so etwa beim Einkommen gang und gäbe.

Welche Art von Daten man vorliegen hat ist dabei wichtiger als man denkt. Ich zum Beispiel habe bei meiner Bachelorarbeit mit PSPP, einer Gratisversion von SPSS gearbeitet und alle meine statistischen Berechnungen wie Korrelationen und Signifikanzen dort berechnet. Weiss man nicht welchen Bezug die erhobenen Daten haben, kann man auch nicht mit ihnen rechnen.

Die wichtigsten statistischen Maße für den Durchschnitt sind der Mittelwert und der Median, für die Streuung vor allem die Standardabweichung, wobei die Standardabweichung eigentlich kaum ersetzbar ist und gerade mit Mittelwert und Median oft getrickst werden kann. Stichwort: Traue keiner Statistik die du nicht selbst gefälscht hast. Im Grunde gilt: Gibt es starke Ausreisser, nimm den Median, andernfalls den Mittelwert.

Wann nehme ich überhaupt eine Grafik

Während für mich eigentlich fast immer klar war, dass Daten visualisiert werden müssen, um sie (in meinem Fall dem Leser) leichter verständlich zu machen, muss ich sagen, dass mich Stephen Few hier ein bisschen in meiner Denke beeinflusst hat und es tatsächlich total Sinn machen kann Daten nicht zu visualisieren und einfach als Text, oder als Tabelle darzustellen. Hier sind dazu seine Grundsätze.

Habe ich aus all meiner Recherche nur einen einzigen Fakt, eine einzige Zahl oder einen einzigen Vergleichswert, den ich ausdrücken möchte, so mache ich das einfach als Fließtext, denn im Endeffekt wäre alles andere, das noch in einer Tabelle stünde, oder in einer Grafik eingezeichnet wäre Beiwerk.

Wenn die Darstellung dazu genutzt werden soll, um einzelne Werte genau nachzusehen oder zu vergleichen, oder mehrere Maßeinheiten in einer Darstellung vorkommen, so nehme ich eine Tabelle. Denn nur in der kann der Leser Werte genau ablesen und nur in der kann ich in mehreren Spalten verschiedene Maßeinheiten verwenden, ohne, dass es unübersichtlich wird.

Ist die Message die ich verbreiten will durch ein Muster oder einen Trend gegeben, oder möchte ich Beziehungen zwischen den Daten zeigen, dann nehme ich eine Grafik zur Hilfe, denn genau dafür ist sie da.

Fazit

Nicht immer macht eine Grafik Sinn. Statt stur alles in einen Pie-Chart zu klopfen und zu hoffen, dass man das schon checkt, sollte man sich genau diese Fragen am Anfang jeder Darstellung immer stellen um überhaupt herauszufinden was man machen soll. Und das ist auch für mich eine echt coole Erweiterung des Horizonts. Mein Lieblingszitat aus den Kapiteln ist übrigens “there is eloquence in simplicity” und ich glaub den lass ich mir tätowieren.

Quelle: Few, Stephen: Show me the numbers. Designing Tables and Graphs to Enlighten. Second Edition. Burlingame 2012.

In meinem Video-Projekt habe ich mich auf das spannende Experiment eingelassen, Künstliche Intelligenz und echte Aufnahmen miteinander zu kombinieren. Konkret habe ich diesmal eine Mischung aus KI-generiertem Footage und realem Drohnenmaterial kombiniert. Ziel war es herauszufinden, wie gut diese beiden Welten inzwischen miteinander verschmelzen können und wie sehr sie sich visuell und atmosphärisch noch voneinander unterscheiden.

Im Gegensatz zu meinen früheren Projekten (Blogpost 5), bei denen ich mit Bild-zu-Video-Tools gearbeitet habe, kam diesmal eine reine „Text zu Video“-Herangehensweise zum Einsatz. Verwendet habe ich dabei die KI-Tools Sora und Hailou.

Der Ansatz: KI-Text zu Video trifft echte Drohne

Die Idee war simpel, die Umsetzung jedoch – wie so oft – alles andere als einfach: Ich wollte ein Video erschaffen, das nahtlos zwischen echten Drohnenaufnahmen und KI-generierten Sequenzen wechselt. Dabei war es mir wichtig, das KI-Footage nicht als bloßes Füllmaterial zu verwenden, sondern bewusst Szenen zu kreieren, die thematisch und optisch zur echten Drohnenaufnahme passen.

Während ich beim letzten Mal noch auf eine Kombination aus Bildern und Prompts gesetzt habe, um die KI-Footage zu erzeugen, bestand die Herausforderung diesmal darin, ausschließlich mit Text-Prompts zu arbeiten. Das bedeutet, dass ich der KI sehr präzise Beschreibungen liefern musste, um die gewünschten Szenen zu erzeugen – ein Aspekt, der sich im Prozess als eine der größten Hürden herausstellen sollte.

Der steinige Weg zum finalen Video

Wie bei vielen KI-Projekten war auch hier der Weg zum finalen Ergebnis gepflastert mit unzähligen Fehlversuchen, Frustrationen und überraschenden Erkenntnissen. Die wohl größte Herausforderung lag darin, die richtige Balance zwischen Präzision und Offenheit in den Prompts zu finden.

Ein zu vager Prompt führte oft zu unbrauchbaren Ergebnissen, die nichts mit meiner Vorstellung zu tun hatten. Umgekehrt lieferte ein zu detaillierter Prompt zwar manchmal visuell beeindruckende Resultate, allerdings wirkte das Video dann oft künstlich und zu „glatt“, sodass es nicht mehr zum realen Drohnenmaterial passte.

Wo KI an ihre Grenzen stößt

Trotz der enormen Fortschritte in der KI-Videoerstellung bleiben gewisse Grenzen unübersehbar – gerade, wenn man echtes Footage danebenstellt. Besonders problematisch war in meinem Projekt der Bewegungsfluss:
Echte Drohnenaufnahmen haben eine organische, gleichmäßige Kameraführung, während KI-generierte Videos häufig zu ruckartigen oder „unrealistisch glatten“ Bewegungen tendieren.

Auch die Beleuchtung stellte sich als große Herausforderung heraus. Während Drohnenaufnahmen mit natürlichem Licht spielen, wirken KI-Videos oft „zu perfekt“ ausgeleuchtet oder haben unrealistische Lichtreflexe. Diese Unterschiede sorgen gerade beim direkten Schnitt zwischen den beiden Quellen für Brüche, die nur schwer zu kaschieren sind.

Hier die Best of Fails

KI-Video: Kunst, Experiment oder Täuschung?

Was mich an diesem Projekt besonders fasziniert hat: Die Übergänge zwischen KI und Realität sind mittlerweile stellenweise so subtil, dass selbst ich im Schnitt manchmal noch zweimal hinschauen musste. Dennoch bleibt ein kritischer Blick wichtig – und genau hier möchte ich im nächsten Schritt anknüpfen.

Geplant ist eine Umfrage, in der ich meinen Zuschauer:innen einzelne das Video zeige und sie raten lasse: „Ist das KI oder echt?“ Ziel dabei ist es, herauszufinden, wie gut Menschen solche Mischungen inzwischen erkennen können und gleichzeitig ein Bewusstsein für den Einfluss von KI auf Bewegtbild zu schaffen.

Fazit

Das Experiment hat mir erneut gezeigt, wie mächtig und faszinierend KI-Tools heute bereits sind aber auch, wie viel Feingefühl und Geduld notwendig sind, um wirklich überzeugende Ergebnisse zu erzielen. Ich habe unzählige Fehlversuche produziert, bevor ich am Ende ein Video in den Händen hielt, das ich guten Gewissens für dieses Projekt verwenden kann.  Der spannendste Teil kommt allerdings jetzt: Die Reaktionen meiner Zuschauer:innen. Mehr dazu im nächsten Blogpost!

HIER DAS FINALE PROJEKT!

Ungefähr sechs Tutorialstunden später (jeder weiß wie viele echte Stunden das sind, ist irgendwie so wie mit Hundejahren…) bin ich irgendwie erleichtert, andererseits aber auch echt unbefriedigt. Erleichtert deshalb, weil all die Methoden, die er verwendet hat um Bar Charts, Pie Charts usw zu bauen, eigentlich nichts Neues für mich waren (also heyy, ich kann was). Leider hätte ich mir aber gerade in Sachen Excel-Integration noch mehr gewünscht, weshalb sich meine Reise wohl irgendwann nochmal verlängern wird, aber dazu später mehr. Zuerst möchte ich kurz die gezeigten Grundprinzipien auflisten.

Bar Charts

Um Balkendiagramme zu erstellen hat er das Rad wirklich nicht neu erfunden. Mithilfe von “Show Grids” hat er einfach genaue Rechtecke gezeichnet und diese dann einfach mit scale auf der y-Achse wachsen lassen. Statt seinen ewigen overshoot und undershoot keyframes, die das ganze etwas dynamischer aussehen lassen sollen, habe ich beim Nachbauen einfach den Kleaner von Duik Angela verwendet. Im Grunde hat das alles super funktioniert und schaut auch echt cool aus, genau ist aber etwas anderes. Klar kann man mithilfe des scales, der ja in Prozent angegeben ist, Prozentzahlen genau abbilden, hat man aber z.B. totale Zahlen, muss man die anhand der Skala in Prozentwerte umrechnen, was jetzt nicht unfassbar schwer ist, aber halt einfach extrem aufwändig und unnötig. Klar kann man sich mit der Zeit einfach gewisse Presets bauen und diese dann etwa für die Achsen immer wieder verwenden, man kommt aber eigentlich kaum drum rum jeden Balken einzeln zu konfigurieren. Seine Lösung um mit Excel-Sheets zu arbeiten, war in Illustrator mit der Diagrammfunktion ein genau solches zu erstellen, und das dann in After Effects zu transferieren. Mal ganz abgesehen davon, dass auch das ein immenser Aufwand ist, weil man dann jedes einzelne Objekt ungruppieren und für den Export auf eine eigene Layer legen muss, damit man es in AE dann einzeln animieren kann, befriedigt mich auch dieser Workflow in der Schnelligkeit und Praktikabilität irgendwo zwischen kaum und gar nicht. Und diese Erkenntnis ist es eigentlich auch die sich durch alle weiteren Arten von Diagrammen zieht.

Line Graphs

Für Linien Diagramme hat er einfach die altbekannte trim paths Funktion genutzt.

Pie Charts

Und für Pie Charts einfach kreisförmige Shape-Layer mit dem “Clock-Wipe”-Effekt.

Fazit

Wie auf die Bar Charts trifft aber auf alle Arten zu, dass der Workflow nicht direkt mit dem Excel-Sheet oder CSV funktioniert sondern bei Hand. Für kleine nette Kreise, die sich in Youtube-Videos einmal schnell überschlagen mag das genug sein, für echte Datenvisualisierungen, die man im Qualitätsjournalismus verwenden möchte, ist das aber zu wenig. Deshalb werde ich wohl nicht drum herum kommen mich im 3. Semester noch einmal genauer damit auseinander zu setzen. Für diese Blog-Post-Serie bin ich aber erst einmal zufrieden mit den erworbenen Fähigkeiten, weil auch damit glaube ich schon viel geht. Deshalb konzentriere ich mich in den nächsten beiden Blogposts noch einmal kurz auf die Theorie und teile dann im letzten mein Abschlussprojekt mit euch, bei dem ich eine ehemalige Geschichte von mir im Nachhinein visualisieren werde.