.png){kind=small}
Data Storytelling in der Praxis: Was 209 Jahre Rheindaten über gute Analysen zeigen
- Michael Tenner
- vor 2 Tagen
- 7 Min. Lesezeit
Im August 2026 ist der Rhein wieder in den Schlagzeilen. Historisch niedrige Pegelstände behindern die Schifffahrt, bei Kaub wurden zeitweise nur noch einstellige Zentimeterwerte gemeldet. Solche Rekorde erzeugen Aufmerksamkeit. Für eine belastbare Datenanalyse sind sie aber nur ein einzelner Punkt in einer sehr viel längeren Geschichte.
Genau diese Geschichte hat Michael Tenner von der Daten-WG untersucht. Die Grundlage seiner interaktiven Rhein-Story sind 76.397 Tageswerte aus 209 Jahren am Rhein bei Köln. Das Ergebnis ist zunächst irritierend: Betrachtet man nur das Jahresmittel, lässt sich über mehr als zwei Jahrhunderte praktisch kein langfristiger Trend nachweisen. Zerlegt man dieselben Daten jedoch nach Jahreszeiten, Verteilungen und Extremwerten, entsteht ein völlig anderes Bild.
Das ist nicht nur eine interessante Analyse des Rheins. Es ist ein sehr gutes Data Storytelling Beispiel dafür, warum gute Datenarbeit weit vor dem fertigen Diagramm beginnt.
Kurz gesagt: Ein aggregierter KPI kann fachlich korrekt sein und trotzdem eine relevante Veränderung verdecken. Gute Analysen prüfen deshalb nicht nur Mittelwerte, sondern auch Verteilungen, Teilgruppen, Zeitstrukturen und Extremwerte. Erst danach beginnt die eigentliche Aufgabe des Data Storytellings: die Erkenntnis so aufzubauen, dass andere sie verstehen und einordnen können.
Die interaktive Rhein-Story von Michael Tenner – direkt im Artikel. Scrolle durch die Analyse oder öffne sie bei Bedarf in einem separaten Tab.
209 Jahre Daten – und zunächst fast keine Veränderung
Der erste Blick auf die Daten ist unspektakulär. Werden die täglichen Abflusswerte zu Jahresmitteln verdichtet, schwanken sie seit 1816 um etwa 2.080 Kubikmeter pro Sekunde. Die langfristige Trendgerade liegt bei lediglich +9,6 m³/s pro Jahrhundert und ist statistisch nicht signifikant.
Die naheliegende Schlussfolgerung wäre: Es gibt keinen relevanten langfristigen Trend.
Genau hier beginnt die eigentliche Analyse. Denn eine Kennzahl beantwortet immer nur die Frage, für die sie konstruiert wurde. Ein Jahresmittel beantwortet die Frage, wie viel Wasser der Rhein über ein komplettes Jahr betrachtet durchschnittlich führt. Es beantwortet nicht automatisch die Frage, ob sich die Verteilung dieses Wassers innerhalb des Jahres verändert hat.
Das klingt trivial. Im Reporting-Alltag ist genau dieser Fehler trotzdem häufig. Ein Unternehmen kann einen nahezu stabilen Jahresumsatz melden, obwohl einzelne Produktgruppen stark wachsen und andere massiv verlieren. Eine durchschnittliche Lieferzeit kann unverändert bleiben, obwohl besonders kritische Lieferungen zunehmend verspätet eintreffen.
Die aggregierte Zahl ist deshalb nicht falsch. Sie kann nur eine andere Frage beantworten als die, die eigentlich relevant ist.
Data Storytelling beginnt nicht mit dem Diagramm
Data Storytelling wird häufig auf Visualisierung reduziert: Welche Diagramme verwenden wir? Welche Farben? Wie bauen wir eine Storyline auf? Das greift zu kurz.
Wie wir bereits bei Data Storytelling in Power BI argumentieren, entsteht eine gute Datenstory aus Daten, Kontext und einer klaren Botschaft. Vor der Kommunikation steht aber noch etwas anderes: die analytische Arbeit.
Bei der Rhein-Story war die entscheidende Frage deshalb nicht: Wie visualisieren wir 209 Jahre Daten möglichst beeindruckend? Sie lautete zunächst: Wo könnte sich eine Veränderung verstecken, wenn sie im Jahresmittel nicht sichtbar ist?
von Tagesdaten zu Jahreswerten
vom Mittelwert zur Verteilung
vom Gesamtjahr zu einzelnen Monaten
von durchschnittlichen Zuständen zu seltenen Ereignissen
von auffälligen Mustern zu statistischen Gegenproben
Das ist ein wichtiges Prinzip für BI-Projekte. Ein Dashboard sollte nicht der Ort sein, an dem die Analyse beginnt. Die relevanten Zusammenhänge müssen vorher verstanden werden.
Wenn gegenläufige Trends sich gegenseitig aufheben
Der vielleicht stärkste Befund der Rhein-Story zeigt sich erst bei der monatlichen Betrachtung.
Während der Gesamttrend bei rund −0,6 Prozent pro Jahrhundert liegt und statistisch nicht signifikant ist, entwickeln sich einzelne Monate deutlich unterschiedlich. Für Januar zeigt die Analyse einen Trend von +13,7 Prozent pro Jahrhundert, für August −9,5 Prozent und für September −9,3 Prozent. Der statistische Test auf unterschiedliche Monatstrends verwirft die Annahme eines einheitlichen Trends klar.
Das Wasser verschwindet also nicht einfach aus dem Rhein. Seine saisonale Verteilung verändert sich. Auch der Vergleich der Jahresgänge macht das sichtbar: Für 1991 bis 2025 liegt der mittlere Januarabfluss rund 620 m³/s über dem Vergleichszeitraum 1821 bis 1900. August und September liegen dagegen um rund 330 beziehungsweise 281 m³/s darunter.
Für Unternehmen ist genau dieses Muster hochrelevant. Ein Gesamtwert kann stabil aussehen, obwohl darunter strukturelle Verschiebungen stattfinden. Wer nur die oberste KPI-Ebene betrachtet, sieht dann ein ruhiges Geschäft. Wer segmentiert, erkennt möglicherweise frühzeitig ein Risiko.
Jede Aggregation braucht eine Gegenfrage: Welche unterschiedlichen Entwicklungen könnten sich in dieser Zahl gegenseitig aufheben?
Mittelwert und Verteilung erzählen zwei verschiedene Geschichten
Die nächste analytische Ebene betrifft die Verteilung. Die 76.397 Tageswerte des Rheins sind deutlich rechtsschief verteilt. Der Mittelwert liegt bei etwa 2.080 m³/s, der Median dagegen nur bei rund 1.840 m³/s. Seltene Hochwasser ziehen den Durchschnitt nach oben.
Auch das ist weit über den konkreten Datensatz hinaus relevant. Nehmen wir beispielsweise die Bearbeitungszeit eines Service-Teams. Liegt die durchschnittliche Bearbeitungszeit bei drei Tagen, klingt das zunächst eindeutig. Vielleicht werden aber 80 Prozent der Vorgänge innerhalb eines Tages erledigt und einige wenige Fälle benötigen mehrere Wochen.
Lieferzeiten
Warenkorbwerte
Kundenumsätze
Produktionsdurchlaufzeiten
Supportzeiten
Qualitätsabweichungen
Forderungslaufzeiten
Wer nur Mittelwerte berichtet, kann wichtige Veränderungen an den Rändern der Verteilung übersehen. Gutes Reporting fragt deshalb nicht nur: Wie hoch ist der Durchschnitt? Sondern auch: Wie verteilen sich die Werte – und verändert sich diese Verteilung?
Kleine Verschiebung, große Wirkung: Extremwerte sind wichtig
Besonders eindrücklich wird die Rhein-Analyse beim Blick auf den Spätsommer. Für August und September lag die Schwelle der trockensten fünf Prozent der Tage in der frühen Vergleichsperiode bei 1.090 m³/s. In den Jahren 1976 bis 2025 liegen rund 14 Prozent der Tage unter genau dieser früheren 5-Prozent-Schwelle.
Was früher statistisch ein seltener Zustand war, tritt damit fast dreimal so häufig auf.
Bei den untersuchten Niedrigwasser-Schwellen wird der Effekt noch deutlicher. Das frühere 5-Jahres-Ereignis tritt in der jüngeren Periode ungefähr 1,9-mal so häufig auf. Bei noch selteneren historischen Schwellen steigt der Faktor weiter. Die Aussagen für sehr seltene Ereignisse sind aufgrund kleiner Fallzahlen jedoch deutlich unsicherer; belastbarer ist der Bereich der 5- bis 50-jährigen Schwellen.
Für Management Reporting bedeutet das: Nicht nur Durchschnittswerte verdienen Aufmerksamkeit. Gerade seltene Abweichungen können hohe wirtschaftliche Auswirkungen haben. Ein Produktionsprozess kann im Mittel stabil laufen und trotzdem häufiger kritische Ausschläge produzieren.
Gute Visualisierung führt durch die Analyse
Die Rhein-Story zeigt noch ein zweites wichtiges Prinzip: Nicht jede Erkenntnis muss gleichzeitig sichtbar sein. Michael hat die Analyse als Scrollytelling aufgebaut. Die Geschichte entwickelt sich über mehrere Akte – vom zunächst chaotischen Datenbild über Jahresmittel und Verteilungen bis zu saisonalen Veränderungen und Extremwerten.
Bei einem klassischen Dashboard Design in Power BI gilt zwar ein anderes Nutzungsmuster als bei einer linearen Data Story: Nutzer sollen häufig selbst explorieren können. Das Grundprinzip bleibt trotzdem ähnlich.
Priorisierung schlägt Vollständigkeit.
Die wichtigste Information braucht visuelles Gewicht. Detailinformationen folgen dort, wo sie für die nächste Frage benötigt werden. Interaktion darf vertiefen, sollte aber nicht erst die zentrale Aussage retten.
Ebene | Leitfrage |
|---|---|
Überblick | Was verändert sich? |
Vergleich | Gegenüber welchem Zeitraum oder Ziel? |
Segmentierung | Wo genau entsteht die Veränderung? |
Verteilung | Betrifft sie alle Fälle oder bestimmte Bereiche? |
Ursache | Welche Faktoren hängen damit zusammen? |
Konsequenz | Welche Entscheidung oder Handlung folgt daraus? |
Eine Zahl wird erst wertvoll, wenn ihre Konsequenz sichtbar wird
Data Storytelling endet nicht bei der statistischen Feststellung. „August −9,5 Prozent pro Jahrhundert“ ist analytisch interessant. Für sich allein ist die Zahl aber noch keine Entscheidungshilfe.
Relevant wird sie durch ihren Kontext: Niedrigwasser beeinflusst Schifffahrt, Logistik, Industrie und weitere Nutzer des Rheins. Im August 2026 wurden die Auswirkungen erneut sehr konkret – mit stark eingeschränkten Transportkapazitäten und steigenden Transportkosten.
„Ausschussquote: 4,7 Prozent“ ist eine Kennzahl. „Die Ausschussquote liegt 1,2 Prozentpunkte über Plan und verursacht im aktuellen Produktionsvolumen rund 180.000 Euro zusätzliche Kosten pro Quartal“ ist eine Information, mit der entschieden werden kann.
Was sehen wir? Warum ist es relevant? Welche Konsequenz könnte daraus entstehen?
Gute Analysen zeigen auch, was sie nicht wissen
Ein besonders starker Teil der Rhein-Story ist deshalb nicht eines der Diagramme. Es ist der Abschnitt „Was diese Daten nicht sagen“.
Köln ist nicht Deutschland.
Pegelstand und Abfluss sind unterschiedliche Größen.
Alpine Speicher beeinflussen die saisonale Verteilung ebenfalls.
Klima- und Speichereffekte lassen sich mit einem einzelnen Pegel nicht sauber trennen.
Historische Messreihen enthalten größere Unsicherheiten als moderne Daten.
Das schwächt die Analyse nicht. Es macht sie glaubwürdiger. Gute BI erzeugt Vertrauen nicht durch den Eindruck absoluter Sicherheit. Sie erzeugt Vertrauen durch Nachvollziehbarkeit.
Was Power-BI-Teams aus dem Rhein-Beispiel ableiten können
Rhein-Story | Übertragung auf Business Intelligence |
|---|---|
Jahresmittel zeigt kaum Veränderung | Gesamt-KPI kann gegenläufige Entwicklungen verdecken |
Monate getrennt analysieren | Regionen, Produkte, Kunden oder Prozesse segmentieren |
Mittelwert mit Median vergleichen | Verteilungen statt nur Durchschnittswerte prüfen |
Niedrigwasser-Schwellen analysieren | Risiken und kritische Ausreißer untersuchen |
historische und aktuelle Perioden vergleichen | Vergleichsperioden fachlich begründen |
Unsicherheiten offenlegen | Datenqualität und KPI-Grenzen dokumentieren |
Erkenntnisse schrittweise erzählen | Reports nach Informationshierarchie aufbauen |
1. Starte mit einer fachlichen Frage. Nicht: Welche Visualisierung wollen wir bauen? Sondern: Welche Entscheidung soll besser werden?
2. Prüfe die offensichtlichste Kennzahl. Sie liefert Orientierung, aber noch nicht zwingend die Antwort.
3. Zerlege die Aggregation. Zeit, Region, Produkt, Kunde, Prozess, Kanal oder andere fachlich relevante Dimensionen können gegenläufige Muster sichtbar machen.
4. Untersuche die Verteilung. Median, Quantile, Ausreißer und Schwellenwerte können eine völlig andere Perspektive liefern als ein Durchschnitt.
5. Suche aktiv nach Gegenbelegen. Eine gute Analyse versucht nicht, die eigene These zu bestätigen. Sie versucht auch, sie zu widerlegen.
6. Kommuniziere Erkenntnis und Grenze gemeinsam. Eine Aussage wird nicht schwächer, weil ihre Voraussetzungen sichtbar sind.
Was Michael Tenner bei der Rhein-Story anders gemacht hat
Der interessanteste Teil des Projekts ist deshalb nicht, dass 76.397 Werte visualisiert wurden. Es ist die Reihenfolge der Entscheidungen.
Die Analyse startet mit einer einfachen Behauptung: Vielleicht hat sich über 209 Jahre kaum etwas verändert. Diese These wird nicht sofort verworfen, weil sie unbequem wirkt. Sie wird weiter geprüft. Danach folgt die Verteilung. Dann die saisonale Struktur. Dann die getrennte Trendanalyse der Monate. Anschließend werden die Ränder der Verteilung und seltene Ereignisse untersucht. Am Ende kommen Gegenprobe, methodische Einschränkungen und reproduzierbare Berechnungen hinzu.
Frage → Analyse → Gegenprobe → Erkenntnis → Visualisierung → Einordnung. Nicht umgekehrt.
Fazit: Gute Data Stories entstehen durch bessere Fragen
76.397 Datenpunkte sind beeindruckend. Sie sind aber nicht der Grund, warum die Rhein-Story funktioniert. Der entscheidende Punkt ist die analytische Neugier hinter den Daten.
Der Jahresmittelwert sagt zunächst: kaum Veränderung. Statt diese Antwort einfach zu akzeptieren oder sie aus dramaturgischen Gründen zu ignorieren, geht die Analyse eine Ebene tiefer. Dort werden gegenläufige saisonale Entwicklungen sichtbar. Noch eine Ebene tiefer zeigt sich, wie stark eine relativ kleine Verschiebung der Verteilung seltene Niedrigwasser beeinflussen kann.
Eine Kennzahl ist keine Antwort auf alle Fragen.
Gute Analysen wissen, welche Frage eine Zahl beantwortet – und welche nicht. Gute Visualisierungen machen diese Erkenntnis verständlich. Und gutes Data Storytelling verbindet beides so, dass aus Daten nicht nur ein Report, sondern eine belastbare Diskussion entsteht.
Der nächste sinnvolle Schritt
Wenn eure Power-BI-Reports viele Daten zeigen, die entscheidende Botschaft aber schwer erkennbar bleibt, können wir genau dort ansetzen. Im Power BI Coaching arbeiten wir an realen Reports, Kennzahlen und Analysefragen – vom Datenmodell bis zur verständlichen Kommunikation.
Wenn die fachliche Logik stimmt, sorgen Power BI Visual Standards dafür, dass zentrale Aussagen, Abweichungen und Prioritäten über Reports hinweg konsistent und schneller erfassbar werden.
