Präsentationen der Open Data Apps 2017

Übung Open Data:
Luftqualitätsdaten der Schweiz,
Bundesamt für Umwelt (BAFU), Gruppe 1
Abschlusspräsentationen, 1. Juni 2017
Stefanie Meili
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern

FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team
> Stefanie Meili
— Hauptfach: BWL
— Semester: 8
— Bisherige Programmiererfahrung: keine
grossen Erfahrungen
— Email: sm.opendata@gmail.com

FS 2017
3
Aufgabenstellung
> Luftqualitätsdaten der Schweiz
> Datacoach: Hans-Ulrich Pestalozzi,
Bundesamt für Umwelt (BAFU)

FS 2017
4
Daten
> 22 Luftschadstoffe wurden an 215 Standorten in der
Schweiz über die Jahre 1984 – 2015 gemessen
> Enthält rund 70’000 Messeinträge
> Datenformat: Excel, csv, ods, json

FS 2017
5
Vorgehen
1.
Inspizieren der Rohdaten
2.
Rohdaten bearbeiten
3.
Daten visualisieren
4.
Beschreibung und Analyse der
Visualisierung

FS 2017
6
Rohdaten in Excel bearbeiten
> Filtern
> Für Visualisierung nicht brauchbare Spalten löschen
> Von Vertikal zu Horizontal umformatieren
> etc.

FS 2017
7
Daten visualisieren
> Mit JavaScript und D3.js

FS 2017
8
Visualisierung
http://sm13u001.opendata.iwi.unibe.ch/

FS 2017
9
Fazit
> Luftqualität hat sich verbessert in der Schweiz.
> Vieles gelernt:
— JavaScript, D3.js und Webseiten erstellen
> Das Projekt war zeitaufwändig, aber hat Spass
gemacht!

Übung Open Data:
Visualisierung Luftqualität Schweiz,
Gruppe 2
Rok Rucigaj und Alex Rieder
Universität Bern

FS 2017
2
Team
> Rok Ručigaj
— Hauptfach: BWL
— Nebenfach: -
— Semester: 2
— Bisherige Programmiererfahrung: wenig
— Email: rok_rucigaj@hotmail.com
> Alex Rieder
— Hauptfach: Wirtschaftsinformatik
— Nebenfach: -
— Semester: 3
— Bisherige Programmiererfahrung: mittel
— Email: alexrieder@hotmail.com

FS 2017
3
Aufgabenstellung
> Ausgangslage, Problemstellung:
Visualisierung Luftqualitätsdaten Schweiz,
Bisher nur statische Darstellung
> Hintergrund: Orientierung an App von
Hansjörg Stalder
> Zielsetzung: Aktuellste Daten durch Live-
Datenabfrage via SPARQL, ansprechende und
übersichtliche grafische Darstellung
> Datenquelle, Data Coach:
> Nationale Beobachtungsnetz für
Luftfremdstoffe (NABEL), Kantone, Gemeinden
> Hansueli Pestalozzi, Bundesamt für Umwelt
BAFU

FS 2017
4
Daten
> Datenvolumen:
> Ungefiltert ca. 68’434 Werte,
> Datenbank wird laufend erweitert…
> Datenformat:
> Download: json
> Abfrage: via SPARQL
> Datenstruktur:
> 215 Messstationen inkl. Koordinaten und
Typisierung (städtisch/vorstädtisch/ländlich)
und Belastungstyp
(Verkehr/Industrie/Hintergrund),
Schadstoffe (22), Jahr (seit 1984)

FS 2017
5
Vorgehen
> Datenbeschaffung: via SPARQL-Abfrage auf
Endpunkt http://lindas-data.ch/sparql
> Datenbereinigungen: mittels Filter in
SPARQL-Abfrage
> Datentransformation: mittels STR, SUBSTR,
IF in SPARQL
> Verwendete Technologien, Libraries etc.:
SPARQL, D3.js

FS 2017
6
Resultat
> Link: http://ar10m027.opendata.iwi.unibe.ch
> Visualisierungsart: Map & Barchart

FS 2017
7
Fazit
> Was haben wir gelernt? Neue Abfragesprache SPARQL,
Arbeit mit d3.js
> Was würden wir nächstes Mal anders machen? Bessere
Auseinandersetzung mit den Daten bis zum ersten Meeting
mit dem Datacoach
> Was bringt mir diese Übung? Selbstständige sowie
teamorientierte Projektarbeit
> Würde ich die Veranstaltung wieder besuchen? Ja

Übung Open Data: 
 
Linked Data Browser, Gruppe 3
Aliaksei Syrel
Forschungsstelle Digitale Nachhaltigkeit 
Institut für Wirtschaftsinformatik 
Universität Bern

FS 2017
2
Team
> Aliaksei Syrel
— Hauptfach: Informatik
— Nebenfach: Physik, Mathematik
— Semester: 6
— Email: alex@syrel.ch,
— Web: feenk.com
Portrait-Foto

FS 2017
3
Aufgabenstellung
> Ausgangslage, Problemstellung: 
geo.admin.ch stellt augewählte Geodaten 
als Linked Data zur Verfügung
> Hintergrund: 
60 bis 80 Prozent aller Entscheide, 
die Bürgerinnen und Bürger betreffen, 
sind mit Geoinformation verbunden
> Zielsetzung: 
Verbinden GeoDaten mit anderen LinkedDaten 
und diese auf einer Karte visualisieren
> Datenquelle, Data Coach: 
Pasquale Di Donato, David Oesch (Swisstopo) 
geo.admin.ch 
lindas-data.ch 
dbpedia.org
Grafik,
Screenshot
Grafik,
Screenshot

FS 2017
4
Daten
> Datenvolumen: Unbekannt/Unbegrenzt
> Datenformat: RDF Formate
> Datenstruktur: Linked Data
Grafik,
Screenshot
Grafik,
Screenshot

FS 2017
5
Vorgehen
> Datenbeschaffung: 
Sparql Abfrage auf Client-side über mehrere 
Linked Datenquellen (geo, Lindas, DBpedia) 
> Datenbereinigungen: 
In Browser mithilfe von JavaScript 
> Datentransformation: 
RDF(XML) => JSON => Visualisierung Dataset 
> Verwendete Technologien, Libraries:
— ECMAScript 6
— D3.js
— React.js
— Twitter Bootstrap
— Material Design Lite
— Rx.js
— Babel.js
— Webpack
Grafik,
Screenshot
Grafik,
Screenshot

FS 2017
6
Resultat
> Link: http://as12e083.sandbox.iwi.unibe.ch
> Visualisierungsart: 
Karte, BarChart (cool), DataTabellen
> Funktionalitäten: 
LinkedData Browser
> Neue Erkenntnisse: 
OpenData, LinkedData 
Sparql, ECMAScript 6,

FS 2017
7
Resultat
http://as12e083.sandbox.iwi.unibe.ch

FS 2017
8
Fazit
> Was haben wir gelernt?
> Was bringt mir diese Übung?

Übung Open Data:
Filmwochenschau Such-App
Gruppe 04
LEO BENMENNI
Universität Bern

FS 2017
2
Team
> LEO BENMENNI
— Hauptfach: Master PMP
— Nebenfach: -
— Semester: 3
— Bisherige Programmiererfahrung: 0
— Email: leo.benmenni@students.unibe.ch

FS 2017
3
Aufgabenstellung
— Schweizer Filmwochenschau
— Cinémathèque suisse, BAR und
memoriav.ch => Digitalisierungsprozess
— Anreizende Visualisierung Schweizer
Bundesarchivs Daten
> Hintergrund:
— neue Such-Methoden
— Gesamte Ausblick halten
> Zielsetzung :
— Zugang zu den Bundesarchivdaten
vereinfachen
— Marco Majoleth

FS 2017
4
Daten
> Datenformat & Datenvolumen:
— Excel Daten mit 15‘646 Zählen
> Datenstruktur:
— Hierarchie Pfad, Stufe ID, Titel, Start, End,
Vater ID Hierarchie, Vater Signatur...

FS 2017
5
Vorgehen
> Datenbeschaffung & Datenbereinigungen :
— Variablen gewällt :
– Titel, Start, End, Vater Signatur
(Hierarchie), Vater Titel (Hierarchie),
URL, Themen, Dauer, Dossier
> Verwendete Technologien :
— D3.js

FS 2017
6
Resultat
> Link: http://lb12y024.opendata.iwi.unibe.ch/
> Visualisierungsart:
— zoomable Sunburst
> Funktionalitäten:
— Such-App
> Neue Erkenntnisse:
— lebendige Erklärung des 20. Jahrhunderts in der
Schweiz.

FS 2017
7
Fazit
> Was würde ich nächstes Mal anders
machen?
> Würde ich die Veranstaltung wieder
besuchen?

Übung Open Data:
SBB Verspätungen, Gruppe 05
David Bösiger und Dominik Briner
Universität Bern

FS 2017
2
Team
> Dominik Briner
— Nebenfach: Wirtschaftsinformatik
— Semester: 4
— Bisherige Programmiererfahrung: Einige
— Email: dominik.briner@students.unibe.ch
> David Bösiger
— Nebenfach: Wirtschaftsinformatik
— Semester: 4
— Bisherige Programmiererfahrung: Einige
— Email: david.boesiger@students.unibe.ch

FS 2017
3
Aufgabenstellung
— Erstellen einer visuellen Repräsentation
von SBB Verspätungsdaten
> Hintergrund:
— Pünktlichkeit bei der SBB
> Zielsetzung:
— Ankunftsverspätungen in Bahnhöfen und
Regionen visualisieren
> Datenquelle:
— http://data.sbb.ch
> Data Coach:
> Rahel Ryf, Opentransportdata
— Christian Trachsel, SBB

FS 2017
4
Daten
> Datenvolumen: ~ 10 GB
> Datenformat: JSON
> Datenstruktur: JSON-Array

FS 2017
5
Vorgehen
> Datenbeschaffung: Download
> Datenbereinigungen: keine
> Datentransformation:
— Daten in Datenbank schreiben
— Mit PHP-Script aggregieren
> Verwendete Technologien:
> Verwendete Libraries:
— Jquery, Bootstrap, Typeahead, Leaflet,
Leaflet-markercluster, D3

FS 2017
6
Resultat
> Link: http://db15f089.opendata.iwi.unibe.ch/
> Visualisierungsart: Piecharts auf Map
> Funktionalitäten: Filter und Suchoptionen
— Verspätungen regional unterschiedlich
— Wo viele Züge ausfallen, sind auch viele verspätet
— Wenn Verspätung von 2 min. auf 1 min. gestellt wird, verdoppelt sich die
Anzahl der verspäteten Züge
— Daten sind eher unvollständig (Es sind auch nicht alle Bahnhöfe in den
Daten von der SBB)
— Daten sind unregelmässig (Messung vs. Schätzung)

FS 2017
7
Fazit
— Neue Technologien und Libraries
— Grosse Datenmengen sind eher schwierig
zu bearbeiten bzw. es braucht viel Zeit.
> Was würden wir nächstes Mal anders
machen?
— Uns früher mit der Datenmenge
auseinandersetzen
— Skills in Javascript etc.
> Würden wir die Veranstaltung wieder
besuchen?
— Ja

Übung Open Data:
Fehlermeldungen Ticketautomaten
Bernmobil, Gruppe 06
Jonas Schneuwly und Lisa Binkert
Universität Bern

FS 2017
2
Team
>  Lisa Binkert
—  Hauptfach: Sportwissenschaften
—  Nebenfach: BWL
—  Semester: 6
—  Bisherige Programmiererfahrung: ∅
—  Email: lisa.binkert@studentes.unibe.ch
>  Jonas Schneuwly
—  Hauptfach: BWL
—  Nebenfach: Philosophie
—  Semester: 4
—  Bisherige Programmiererfahrung: ∅
—  Email:
jonas.schneuwly@students.unibe.ch

FS 2017
3
Aufgabenstellung
>  Ausgangslage, Problemstellung:
- Was ist für UNS überhaupt möglich?
>  Zielsetzung:
- Es soll am Schluss funktionieren
- Es soll nach etwas ausschauen
>  Datenquelle, Data Coach:
- BernMobil
- Christian Loosli
Grafik,
Screenshot

FS 2017
4
Daten
>  Datenvolumen:
- 7111 Störungesmeldungen
(- Daten der Ticketverkäufe)
>  Datenformat:
- CSV
- XLS
>  Datenstruktur:
- Jeder Störung einzeln mit diversen
Eigenschaften
Grafik,
Screenshot

FS 2017
5
Vorgehen
>  Auswahl der Visualisierung:
- Suchen
- Probieren
>  Datenbereinigungen:
- Duplikate in Excel entfernen
>  Datentransformation:
- Eigenschaften zusammenfassen
- passende Datenstruktur schaffen
>  Verwendete Technologien, Libraries etc.:
- D3.js
- Div. Codes von Code-Libraries

FS 2017
6
Resultat
>  Link: http://js15f044.opendata.iwi.unibe.ch
>  Visualisierungsart:
- Sunburst
>  Funktionalitäten:
- Verstellbare Abhängigkeiten
>  Neue Erkenntnisse:
- Man sieht alle möglichen
Abhängigkeiten
Grafik,
Screenshot
Grafik,
Screenshot

FS 2017
7
Fazit
>  Was haben wir gelernt?
- Wie eine Webseite aufgebaut ist
- Daten Formatierung in Excel
>  Was würden wir nächstes Mal anders
machen?
- Schwierig. Jeder Fehlversuch
gehört zum Prozess
>  Was bringt mir diese Übung?
- Besseres Verständnis über
die Möglichkeiten der IT
>  Würde ich die Veranstaltung wieder
besuchen?
- Ja!

Übung Open Data:
Bahnhofbewertung via Verspätungsdaten,
Gruppe Hess
Lino Hess und Mario Hess
Universität Bern

FS 2017
2
Team
> Lino Hess
— Hauptfach: BWL
— Nebenfach: Informatik
— Semester: 6
— Email: lino.hess@students.unibe.ch
> Mario Hess
— Nebenfach: VWL & Wirtschaftsinformatik
— Semester: 6
— Bisherige Programmiererfahrung: 6 Sem
— Email: mario.hess@students.unibe.ch

FS 2017
3
Aufgabenstellung
— Verwertung Daten zu aussagefähigem
Konzept
> Hintergrund:
— Erhebung Verspätungsdaten SBB
> Zielsetzung:
— App zur Bewertung der versch. Bahnhöfe
— SBB-Verspätungsdaten
— Christian Trachsel und Rahel Ryf

FS 2017
4
Daten
> Datenvolumen:
— 10.057 GB
> Datenformat:
— JSON.
> Datenstruktur:
— Geo-JSON.

FS 2017
5
Vorgehen
> Datenbeschaffung:
— Via SBB-Open-Data-Portal
> Datenbereinigungen:
— Unvollständige Einträge
— Berechnung Mittelwert der Verspätungen
— Aggregation auf Bahnhöfe
— D3.js
— Leaflet
— Mapbox
— MarkerCluster

FS 2017
6
Resultat
> Link:
.http://mh14w037.opendata.iwi.unibe.ch/
— Clustering
— Visualisierung durch Farbaufteilung
— Funktionstüchtig ohne Einschränkungen
— Fast alle Bahnhöfe sind effizient
— Erfüllen SBB Verspätungsvorgaben

FS 2017
7
Fazit
— Umgang mit grossen Daten
machen?
— Mehr Features wie z.B.
– Streckenbewertung
– Vergleich Soll- / Ist-Werte
– Live Updates und versch. Perioden
— Hoffentlich 6 ECTS
besuchen?
— Mario: Ja
— Lino. Ja aber regelmässiger

Übung Open Data:
Verspätungsmonitoring Bhf Bern,
Gruppe 08
Benedikt Hitz-Gamper
Universität Bern

FS 2017
2
Team
> Benedikt Hitz-Gamper
— Hauptfach: Physik
— Nebenfach: Math, Info, BWL
— Semester: 10+
— Bisherige Programmiererfahrung: Zu
Zeiten von Netscape Navigator auf den
Geschmack gekommen, danach eher
seltener
— Email: benedikt.hitz@iwi.unibe.ch

FS 2017
3
Aufgabenstellung
— Open-Data-Plattform öV Schweiz mit Live-Daten
seit Dezember 16
> Zielsetzung:
— Die Leistungsfähigkeit unseres öV aufzeigen
> Data Coach:
— Rahel Ryf und Christian Trachsel von der SBB

FS 2017
4
Daten
> Datenvolumen: Live-Daten
> Datenformat: XML von API
> Datenstruktur: tief verschachtelt
> Datenqualität: je länger je besser
<ResultId>ID-DEC0F212-5D06-4FC3-B44C-029AD4EF1417</ResultId>
<StopEvent>
<ThisCall>
<CallAtStop>
<StopPointRef>8507000</StopPointRef>
<StopPointName>
<Text>Bern</Text>
<Language>DE</Language>
</StopPointName>
<PlannedBay>
<Text>8</Text>
</PlannedBay>
<ServiceArrival>
<TimetabledTime>2017-01-01T08:14:00Z</TimetabledTime>
</ServiceArrival>
<StopSeqNumber>11</StopSeqNumber>
</CallAtStop>
</ThisCall>
<Service>
<OperatingDayRef>2017-01-01</OperatingDayRef>
<JourneyRef>odp:06001::H:j17:15131:15131</JourneyRef>
<LineRef>odp:06001::H</LineRef>
<DirectionRef>outward</DirectionRef>
<Mode>
<PtMode>urbanRail</PtMode>
<RailSubmode>suburbanRailway</RailSubmode>
<Name>
<Text>S-Bahn</Text>
</Name>
</Mode>
<PublishedLineName>
<Text>1</Text>
</PublishedLineName>

FS 2017
5
Vorgehen
> Datenbeschaffung: einfach
> Datenbereinigungen: kaum nötig
> Datentransformation: von XML API Daten
zu D3.js kompatiblen Daten
— D3.js
— jQuery
— Bootstrap

FS 2017
6
Resultat
> Link: http://bh03u062.sandbox.iwi.unibe.ch
> Visualisierungsart: Bubble-Stream
> Funktionalitäten: Live-Modus, Replay-
Modus, div. Filter
> Bestätigte Erkenntnisse:
— öV Schweiz ist tatsächlich super

FS 2017
7
Fazit
— nicht alles, was schön aussieht
bringt auch etwas…
> Was würden wir nächstes Mal
anders machen?
— Bedürfnisabklärung vor
Arbeitsstart
— Hoffentlich dereinst einen Job
bei den SBB
> Würde ich die Veranstaltung
wieder besuchen?
— Jederzeit

FS 2017
1
Übung Open Data:
Verspätungen der SBB, Gruppe 9
MATHIAS ZUBER und PATRICK ROTEN
Universität Bern

FS 2017
2
Team
> MATHIAS ZUBER
— Hauptfach: Betriebswirtschaftslehre
— Semester: 8
— Bisherige Programmiererfahrung: Wenig
— E-Mail: mathias_144@hotmail.com
> PATRICK ROTEN
— Hauptfach: Betriebswirtschaftslehre
— Semester: 10
— Bisherige Programmiererfahrung: Wenig
— E-Mail: patrick.roten91@bluewin.ch

FS 2017
3
Aufgabenstellung
> Bahnhofspünktlichkeit / Zugspünktlichkeit
> Hintergrund:
> Wie ist die Pünktlichkeit der Züge an einer
bestimmten Haltestelle?
> Zielsetzung:
> Visualisierung der Bahnhofs- oder
Zugpünktlichkeit für Endkunden
> A) eines einzelnen Tages
> B) einer Reihe von Tagen
> Data Coach:
> Rahel Ryf

FS 2017
4
Daten
> Datenvolumen:
> IST: aktuell etwa 10 Millionen Zeilen
> Datenformat:
> Excel / CSV
> Datenstruktur:
> Sehr strukturierte Daten
> Direkt Filter setzen
> Livedatenbank

FS 2017
5
Vorgehen
> Datenbeschaffung:
> Ist-Daten-History
> Ideensammlung
> Treffen mit Rahel Ryf
> Datenbereinigungen Filtern:
> Bahnhof
> Zugarten
> Ankunftsverspätungen mehr als 3 Minuten
> Löschen von vielen Spalten
> Datentransformation
> D3.js / DC.js / HTML / CSS / Bootstrap

FS 2017
6
Resultat (I/II)
> Crossfilter (Balkendiagramme etc.)

FS 2017
7
Resultat (II/II)
> Filter, Filter, Filter
> Tooltip

FS 2017
8
Fazit (I/II)
> Gute Datenqualität als Basis wichtig
> Visualisierung muss zum Datensatz passen
> Passende Versionen aus D3.js Bibliothek
> Teamarbeit
> HTML / CSS / Bootstrap / JavaScript / D3.js / DC.js
> Schwierigkeiten
> Fokussierten uns jeweils zu lange auf Ideen
> Programmierkenntnisse

FS 2017
9
Fazit (II/II)
> Was würden wir nächstes Mal anders machen?
> Detailliertere Datenanalyse zu Beginn
> Erstellen einer Testvisualisierung in PowerPoint
> Wirtschaftsinformatiker sollte Programmierkenntnisse haben
> Visualisierungen werden auch in Zukunft nützlich sein →
Problemanalyse
> Würde ich die Veranstaltung wieder besuchen?
> Auf jeden Fall!

FS 2017
10
Resultat
> Link: http://mz13y047.opendata.iwi.unibe.ch

Übung Open Data:
Publikationsdaten des Schweizerischen
Nationalfonds (SNF), Gruppe 10
Matthias Busset und Jonas Schwery
Universität Bern

FS 2017
2
Team
> Matthias Busset
— Hauptfach: Betriebswirtschaftslehre mit
Vertiefung Wirtschaftsinformatik
— Semester: 10
— Bisherige Programmiererfahrung: XML
— Email: matthias.busset@students.unibe.ch
> Jonas Schwery
— Hauptfach: Volkswirtschaftslehre
— Nebenfach: Betriebswirtschaftslehre
— Semester: 6
— Bisherige Programmiererfahrung:
HTML/CSS
— Email: jonas.schwery@students.unibe.ch

FS 2017
3
Aufgabenstellung
Publikationsdaten vom
Forschungsschwerpunkt «RNA &
Disease»
> Zielsetzung: Visualisierung eines
Netzwerks
> Datenquelle, Data Coach: François Delavy
vom Schweizerischen Nationalfonds

FS 2017
4
Daten
> Datenvolumen: 78.2 KB, Datenformat: CSV

FS 2017
5
Vorgehen
> Datenbeschaffung: USB Stick von
François
— unnütze Spalten und fehlende Werte
entfernen
— Daten neu geformt (parsing), um
Struktur des Netzwerks nachzubilden
— CSV zu JSON
— D3.js, Javascript, jQuery, HTML, CSS, Bootstrap

FS 2017
6
Resultat
> Link:
http://mb11m211.opendata.iwi.unibe.ch
> Visualisierungsart: Netzwerk
> Funktionalitäten: Entwicklung des
Netzwerks über die Zeit anhand der Jahre
(Buttons), Mouseover, Tooltip, d3.drag,
responsive
> Neue Erkenntnisse: Kollaborationen durch
Co-Publikationen, 3 wichtige
Forschungsstellen, Entwicklung über die
Zeit

FS 2017
7
Fazit
— Grundlagen der Webprogrammierung, d3.js
— Vorgehensweise bei einer Visualisierung
— Programmier-Coaches schneller fragen
— Anwendung, nicht nur Theorie
> Würden wir die Veranstaltung wieder
besuchen?
— Ja, viel Aufwand aber grosser Lerneffekt!

Übung Open Data:
visualvote.ch, Gruppe 11
Julien Diep
Universität Bern

FS 2017
2
Team Alleine
> Julien Diep
— Hauptfach: Betriebswirtschaft
— Nebenfach: Nachhaltige Entwicklung
— Semester: 7
— Email: julien.diep@hotmail.com

FS 2017
3
Aufgabenstellung
> Abstimmungsdaten auf eine neue Art visualisieren
> Zahlen, die üblicherweise nicht beleuchtet werden?
— Einfluss einzelner Wahlbezirke
— Nichtwähleranteil vs. Stimmbeteiligung

FS 2017
4
Aufgabenstellung
> Sankey-Diagramm!

FS 2017
5
Aufgabenstellung
> Thomas Lo Russo, Statistisches Amt Kanton Zürich

FS 2017
6
Daten
> OGD-Portal (opendata.swiss)
— csv-Datei
> Abstimmungsarchiv Kanton ZH
— www.wahlen-abstimmungen.zh.ch
> JSON-Webservice
— www.web.statistik.zh.ch/…

FS 2017
7
Vorgehen
> Datenbeschaffung
> Datenbereinigungen
> Datentransformation

FS 2017
8
Vorgehen
— D3.js
— Bootstrap
— jQuery

FS 2017
9
Resultat
> Link:
— jd12c877.opendata.iwi.unibe.ch
— www.visualvote.ch
— Sankey-Diagramm
— Suchfunktion
— Verschiebbare Nodes
— Responsive Design

FS 2017
10
Fazit
> Was habe ich gelernt?
— Viel..
> Was würde ich nächstes Mal anders
machen?
— Vorgehen besser planen
— Grundkenntnisse in Webdesign,
Datenvisualisierung
besuchen?
— Ja!

Übung Open Data:
VoteCloud, Gruppe 12
Sven Kellenberger
Universität Bern

FS 2017
2
Team
> Sven Kellenberger
— Nebenfach: BWL
— Semester: 4
— Bisherige Programmiererfahrung: viel
— Email: sven.kellenberger@students.unibe.ch

FS 2017
3
Daten
> Abstimmungsdaten des Kantons Zürich von
1831 bis 2016
> 2000 Datensätze
> Zusätzliche Datei mit detaillierten Ergebnissen
> Daten sind nicht thematisch kategorisiert
-> Wordcloud
> Code für Cloud vorhanden aber nicht für
Wortauswahl

FS 2017
4
Vorgehen
> Daten zu JSON
> Algorithmus entwickeln
> Optimieren (Laufzeit)
> Features und Design hinzufügen
> Frameworks:
— D3.js
— jQuery
— Materialize
— …

FS 2017
5
Resultat
> Link: http://sk14i077.opendata.iwi.unibe.ch

FS 2017
6
Fazit
> Spannende Entwicklung
> Neue Frameworks kennengelernt
> Vermeintlich kleine Details machen auch viel Arbeit

Übung Open Data:
Gymnasiale Abschlüsse der Jahre 2013 bis
2016 an den öffentlichen Mittelschulen ZH
Leandra Kellerhals
Universität Bern

FS 2017
2
Team
> Leandra Kellerhals
Hauptfach: MSc Betriebswirtschaftslehre
Semester: 5
Bisherige Programmiererfahrung: Keine
Email: leandra.kellerhals@students.unibe.ch
> Bildungsdirektion Kanton Zürich
Datacoach: Tobias Schalit
Abteilung Bildungsplanung
Email: tobias.schalit@bi.zh.ch

FS 2017
3
Aufgabenstellung
— Rund 14‘000 Lernende
— 241 unterschiedliche Gemeinden
— 8 Bezirke
— 23 Mittelschulen
> Daten:
— Verteilung der Lernenden nach
– Profil, Bezirk, Mittelschule, Geschlecht, Nationalität
— Entwicklung über die Zeit (15 Jahre)
— Verknüpfung mit weiteren öffentlich zugänglichen Daten
(Bevölkerungs-, Bezirks-, Geo-Daten)

FS 2017
4
Daten
> Datenvolumen:
— 60’000 Lernende,
— 12’000 Abschlüsse,
— Umgesetzt knapp 7000 Abschlüsse (3 Jahre)
> Datenformat:
— .xlsx
— .csv
> Datenstruktur:
— ein Schüler pro Zeile
— Komprimierung 3 oder 1-3 Schüler pro Zeile
— Ausprägungen pro Spalte

FS 2017
5
Vorgehen
> Datenbeschaffung:
— zur Verfügung gestellt von Tobias Schalit
— reger Austausch
— Anpassung der Spalten auf Snippet (Zahl,
Character)
— Limitierung des Datenvolumens durch
Snippet
— brackets
— html
— css
— bootstrap
— D3.js

FS 2017
6
Resultat
> Link:
http://lk12z011.opendata.iwi.unibe.ch/
— Bubble Chart
— Sortierung der Abschlüsse nach
Kriterien: 5 Buttons
— Tooltip
— Journal auf zweiter Seite
— Menu (navbar)

FS 2017
7
Fazit – ausführlich im Journal
— Programmierungstools anzuwenden
— Webpage erstellen braucht Zeit
— Snippet frame’t Darstellung und Aussage
— Open Data: Start nicht von scratch!
— Durch Visualisierung: vereinfachter Zugang
zu komplexen Daten
> Was würde ich nächstes Mal anders machen?
— Programming Coach früher fragen
— Umgang mit Websprache, Webtools
— Verständnis für Programmierer

Übung Open Data:
Übersicht der Gymnasien des Kanton
Zürich, Gruppe 14
CAROLE STEINER und JASMIN SERT
Universität Bern

FS 2017
2
Team
> CAROLE STEINER
— Hauptfach: BWL
— Nebenfach: Nachhaltige Entwicklung
— Semester: 6
— Email: carole.steiner@students.unibe.ch
> JASMIN SERT
— Hauptfach: BWL
— Semester: 4
— Email: jasmin.sert@students.unibe.ch

FS 2017
3
Aufgabenstellung
— Daten der Bildungsdirektion Kanton Zürich
> Hintergrund:
— Fehlender Überblick der Gymnasien
> Zielsetzung:
— Hilfestellung für angehende Gymnasiasten
— Tobias Schalit, Bildungsdirektion Kanton
Zürich

FS 2017
4
Daten
> Datenvolumen:
— 140 KB
> Datenformat:
— CSV
> Datenstruktur:
— Liste

FS 2017
5
Vorgehen
> Datenbeschaffung:
— Zur Verfügung gestellt von Tobias Schalit
(via E-Mail)
— Bearbeitung Excel
— Hierarchische Datenstruktur
— CSV zu JSON
— D3.js
— JSON Converter
— Mike Bostock‘s Blocks

FS 2017
6
Resultat
> Link: http://js14v046.opendata.iwi.unibe.ch
— Zoomable Circle Packing
— Interaktives Zoomen
— Time Slider
— Schwierigkeiten sich überlappende Daten
darzustellen

FS 2017
7
Fazit
— Einführung Programmieren in Brackets
— Grosse Vielfalt an
Visualierungsmöglichkeiten
(Auswahlschwierigkeiten)
machen?
— Früheres Hilfesuchen bei Unklarheiten
— Erste Erfahrungen mit Programmierung
und Visualisierung
besuchen?
— Ja, aber...

Übung Open Data:
Visualisierung – Abstimmungsresultate
des Grossen Rates Kt. Bern, Gruppe 15
Victor Bankoul und Michael Hundius
Universität Bern

FS 2017
2
Team
> Victor Bankoul
— Hauptfach: Eastern European Studies
— Nebenfach: BWL
— Semester: 8, BA
— E-Mail: victor.bankoul@students.unibe.ch
> Michael Hundius
— Hauptfach: Sozialanthropologie
— Nebenfach: Politikwissenschaften
— Semester: 8, BA
— E-Mail: karl.hundius@students.unibe.ch

FS 2017
3
Aufgabenstellung
Visualisierung von Vorstössen im Grossen
Rat Kanton Bern
> Hintergrund:
politisches Interesse
> Zielsetzung:
Politik für jedermann ersichtlich machen
Patrick Trees,
Generalsekretär des Grossen Rates
Kanton Bern
Quelle: http://www.politische-bildung-brandenburg.de
Quelle: http://www.bernerlandbote.ch/

FS 2017
4
Daten
> Datenvolumen:
160 Mitglieder, 5 Vorstösse
insgesamt: rund 4000 Datensätze
> Datenformat:
erst xml, dann pdf,
anschliessend csv
> Datenaufbau:
ID, Name, Vorname, Partei, Fraktion,
Geschlecht, Jahrgang, Wahlkreis,
Sprache, Position X & Y, Resultate

FS 2017
5
Vorgehen
> Datenbeschaffung:
Webseite GR
Direkt über Patrick Trees
Manuelles abtippen der pdf-Files in Excel-
Tabelle  einlesen der csv durch d3.js
> Verwendete Technologien:
— HTML5, CSS3, Javascript wie
– D3.js
– jQuery
Quelle: https://egghead.io
Quelle: : http://www.gr.be.ch

FS 2017
6
Resultat
> Link: http://vb13q096.opendata.iwi.unibe.ch
Kreise, welche die Farbe je nach
Abstimmungsergebnis verändern
Filterung nach Fraktion, Sprache,
Geschlecht und Wahlkreis
inkl. Anzahl Stimmen
erstmalige Visualisierung der Ergebnisse

FS 2017
7
Fazit
Programmieren kann sehr frustrierend sein bei
fehlendem Erfolg/Ergebnis
machen?
früher Hilfe holen
Erfahrung in der Programmierung/
Horizonterweiterung
besuchen?
Ja, unter anderen Bedingungen
Quelle: http://mint.studieren-mit-meerwert.de
Quelle: http://www.gr.be.ch

Übung Open Data:
Vorstösse im Grossen Rat des Kt. Bern,
Gruppe 16
Thomas Eichenberger und Samuel Wüthrich
Universität Bern

FS 2017
2
Team
> Thomas Eichenberger
— Hauptfach: BWL
— Nebenfach: Wirtschaftsrecht
— Semester: 4
— Email:
thomas.eichenberger@students.unibe.ch
> Samuel Wüthrich
— Hauptfach: BWL
— Nebenfach: VWL
— Semester: 6
— Email:
samuel.wuethrich@students.unibe.ch

FS 2017
3
Aufgabenstellung
> Motionen und Postulate aus dem Grossen
Rat des Kantons Bern im Jahr 2016
> Wie ändert sich das Verhalten der
PolitikerInnen in verschiedenen
Wahlkreisen?
> Zielsetzung: Analyse der Vorstösse aus
den Wahlkreisen betreffend Partei,
Direktionen und Geschlecht.
> Datenquelle: Beschlussprotokolle 2016
> Data Coach: Patrick Trees,
Generalsekretär Grosser Rat Bern

FS 2017
4
Daten
> Datenvolumen: 57 Beschlussprotokolle
und 168 Vorstösse
> Datenformat: Ursprünglich Word, wurde
ausgewertet und in JSON-File erfasst
> Geodaten: Wurden als GeoJSON vom
Geoportal des Kantons Bern
heruntergeladen

FS 2017
5
Vorgehen
> Datenbeschaffung: Patrick Trees
> Datenbereinigungen: Excel
> Datentransformation: manuell in JSON
erfasst, weil wir bestimmte Struktur
brauchten
— D3.js
— C3.js

FS 2017
6
Resultat
> Link:
http://te15v009.opendata.iwi.unibe.ch
> Visualisierungsart: Karte mit zusätzlichem
Balkendiagramm
> Funktionalitäten: Analyse der Daten aus
den Wahlkreisen nach Parteien,
Direktionen und Geschlecht
> Neue Erkenntnisse: Diverse, z.B.
verhältnismässig viele Vorstösse pro Kopf
aus Berner Jura

FS 2017
7
Fazit
> Sehr anspruchsvoll ohne
Programmiererfahrung
> Oft der Verzweiflung nahe
> Früher Hilfe holen und auch mehr Zeit
einrechnen

Übung Open Data:
Visualisierung von erneuerbaren Energien,
Gruppe 17
Jan Dietrich
Universität Bern

FS 2017
2
Team
> Jan Dietrich
— Hauptfach: Wirtschaftsinformatik
— Semester: 12
— Bisherige Programmiererfahrung: 4 Jahre
— Email: jan.dietrich@tecpose.com

FS 2017
3
Aufgabenstellung
Mit der Energiestrategie 2050 werden die
erneuerbaren Energien immer wichtiger. Doch
wieviel wird bereits erneuerbar produziert?
Eine Visualisierung soll aufklären
> Zielsetzung:
> Überblick über die Kapazität der
erneuerbaren Energien
> Datenquelle:
http://open-power-system-data.org/

FS 2017
4
Daten
> Datenvolumen:
ca 12 Datensätze mit bis zu 1778457
Einträgen
> Datenformat: CSV, JSON
> Datenstruktur: diverse

FS 2017
5
Vorgehen
> Datenbeschaffung:
> Download von CSV und JSON Files
> Bei zu grossen Datensätzen mussten nicht
gebrauchte Properties gelöscht werden.
— D3.js
— React
— Redux
— Bulma (HTML, CSS)

FS 2017
6
Resultat
> Link: http://jdietrich.sandbox.iwi.unibe.ch
− Balkendiagramm
− Karte
− Zwischen mehreren Datensätzen hin und her
wechseln
− Deutschland und Dänemark haben einen hohen
Anteil des Energiebedarfs durch erneuerbare
Energien gedeckt

FS 2017
7
Fazit
− Viele Daten ≠ gute Daten
− Detail macht viel Aufwand
− Libreoffice Impress ≠ Microsoft PowerPoint
− Konsistenter Datensatz
− Viel gelernt über CSS transform
− Ja

Übung Open Data:
Auslastung der Bernmobil-
Ticketautomaten im Wankdorfquartier
und des Guisanplatzes, Gruppe 18
DANILO BIGOVIC und DELIA MEYER
Universität Bern

FS 2017
2
Team
> Danilo Bigovic
— Hauptfach: BWL
— Semester: 11
— Email: danilo.bigovic@students.unibe.ch
> Delia Meyer
— Hauptfach: BWL
— Semester: 11
— Email: delia_meyer@students.unibe.ch

FS 2017
3
Aufgabenstellung
— Verkaufszahlen von drei Automaten
visualisieren
> Hintergrund:
— Frequenz der Tramlinie 9
— Attraktivität des Raumes Wankdorf/
BERNEXPO
> Zielsetzung:
— Auslastung der Ticketautomaten in
Zusammenhang mit Events der
BERNEXPO bringen
— Bernmobil, Christian Loosli

FS 2017
4
Daten
> Datenvolumen:
— 159 csv-Dateien, 412 Kilobyte
> Datenformat:
— csv-Dateien
> Datenstruktur:
— Fahrscheinart
— Fahrscheinname
— Einstieg
— Ausstieg
— Anzahl

FS 2017
5
Vorgehen
> Datenbeschaffung:
— Datencoach
— In java script
— In java script
— D3.js
— Bootstrap

FS 2017
6
Resultat
> Link:
http://db11n635.opendata.iwi.unibe.ch/
— Barcharts
— Station, Woche und Skalierung wählen
— Anzahl verkaufter Tickets sind besonders
bei Guisanplatz Expo höher, wenn eine
Veranstaltung auf dem Expo-Gelände
stattfindet

FS 2017
7
Fazit
— Java script zu programmieren
— Möglichkeiten von d3-Visualisierungen
machen?
— Daten aufbereiten vor Visualisierung
— Java script besser lernen
— Verständnis von Programmiersprachen und
Quantifizieren von Aufwand
besuchen?
— Ja

Übung Open Data:
Topografische Darstellung der
Ticketverkäufe von Bernmobil, Gruppe 19
Martin Stadelmann und Kevin Meichtry
Universität Bern

FS 2017
2
Team
> MARTIN STADELMANN
— Hauptfach: BWL
— Nebenfach: -
— Semester: 10
— Bisherige Programmiererfahrung: vorhanden
— Email:
martin.stadelmann@students.unibe.ch
> KEVIN MEICHTRY
— Hauptfach: BWL
— Nebenfach: -
— Semester: 8
— Email: kevin.meichtry@students.unibe.ch

FS 2017
3
Aufgabenstellung
> Ausgangslage:
— Daten der Ticketverkäufe der Bernmobil
visualisieren
> Hintergrund:
— Ticketverkäufe der Bernmobil aus 2015
— Drei Haltestellen:
– Bern, Guisanplatz
– Bern, Wankdorfplatz
– Bern, Wankdorfcenter
> Zielsetzung:
— Schöne, funktionierende Visualisierung der
Ticketverkäufe auf einer Schweizer Karte
— Bernmobil, Christian Loosli

FS 2017
4
Daten
> Datenvolumen:
— 3* 53 Dateien zu jeweiligen
Kalenderwochenverkäufen 2015
> Datenformat:
— Excel-Dateien
> Datenstruktur:
— Anzahl Tickets, Art der Tickets,
Ticketname, Einstiegsnummer (DIDOK),
Ausstiegsnummer (DIDOK)
> Weiteres:
— Ausserdem Daten zu Störungen der
Ticketautomaten (keinen Einfluss auf
unsere Visualisierung)

FS 2017
5
Vorgehen
> Datenbeschaffung:
— Über USB-Stick von Christian Loosli
— Unwichtige Spalten weggelassen
(Fahrscheinart, Fahrscheinname)
— Komprimierung in ein einziges CSV-File
— Umwandlung DIDOK Nummern in BFS-
Nummern
— D3.js
— Dc.js
— Crossfilter.js
— Topojson.js
— JQuery

FS 2017
6
Resultat
> Link:
— http://km13m063.sandbox.iwi.unibe.ch/
— Karte mit Schweizer Gemeinden
— Liniendiagramm, Donutdiagramm und
Balkendiagramm
— Animierte Einfärbung der Gemeinden
— Individuelle Filtermöglichkeit nach
Gemeinde, Kanton, Verkaufsautomat und
Kalenderwoche
— Automatische Abspielfunktion
— Story zur Visualisierung

FS 2017
7
Fazit
— Programmieren von Applikationen
— Analyse der Datenqualität
— Früher beginnen
— Konzept erstellen
— Neue Einsicht in die Welt des Programmierens
— Andere Einstellung zu Open Data
— Definitiv

Übung Open Data:
Auswertung der Daten mehrerer
Ticketautomaten von Bernmobil,
Gruppe 20
Raoul Grossenbacher und Raphael Bodenmann
Universität Bern

FS 2017
2
Team
> Raoul Grossenbacher
— Nebenfach: Physik, Mathematik,
Wirtschaftsinformatik
— Semester: 8
— Bisherige Programmiererfahrung: >0
— Email: ralle23091993@gmail.com
> Raphael Bodenmann
— Hauptfach: BWL
— Nebenfach: BWL/ Geo
— Semester: 4
— Email: raphael.bodenmann@bluewin.ch

FS 2017
3
Aufgabenstellung
Darstellung der Ticketarten in Relation zu
Woche und Haltestelle
> Hintergrund: Viele Daten, einzelne
Buchungen.
> Zielsetzung: Interaktive Darstellung, mit
Auswahl für Woche/Station
> Data Coach: Christian Loosli,

FS 2017
4
Daten
> Datenvolumen: ca. 12‘000 Datensätze
> Datenformat: Pro Kalenderwoche als CSV,
> Datenstruktur: Pro Kauf eine Zeile

FS 2017
5
Vorgehen
> Datenbereinigungen: Ersetzen Umlaute
> Datentransformation: Zusammenfügen
aller Datensätze zu einem TSV
— D3.js
> Probleme: Lesbare Darstellung, saubere
Transformationen

FS 2017
6
Resultat
> Link:
http://rg13d037.opendata.iwi.unibe.ch/
— Sortable Bar Chart
> Funktionalitäten: Sortieren der Balken
nach Grösse oder Alphabet

FS 2017
7
Fazit
machen?
besuchen?

Übung Open Data:
Störungsmeldungen von Bernmobil
Ticketautomaten, Gruppe 21
ANNA ROTH und PIYUSH RAUCH
Universität Bern

FS 2017
2
Team
> Anna Roth
— Hauptfach: Business Administration
— Schwerpunkt: Wirtschaftsinformatik
— Master-Semester: 2
— Bisherige Programmiererfahrung: Keine
— Email: anna.r@students.unibe.ch
> Piyush Rauch
— Hauptfach: Business Administration
— Schwerpunkt: Wirtschaftsinformatik
— Master-Semester: 2
— Bisherige Programmiererfahrung: Keine
— Email: piyush.rauch@students.unibe.ch

FS 2017
3
Aufgabenstellung
Bernmobil Ticketautomaten haben
Fehlermeldungen, so auch im Jahr 2015
> Hintergrund: Es gibt verschiedene
Störungsmeldungen bei verschiedenen
Automaten
> Zielsetzung: Fehlermeldungen in
übersichtlichen Grafiken visualisieren
> Datenquelle, Data Coach: Bernmobil,
Christian Loosli
© Bernmobil

FS 2017
4
Daten
> Datenvolumen: Zwei CSV-Dateien,
zusammen etwa 400 kb klein
> Datenformat: CSV-Dateien
> Datenstruktur: siehe Screenshot
rechts&unten

FS 2017
5
Vorgehen
> Datenbeschaffung:
— Die Datenbeschaffung erfolgte durch
Kontaktaufnahme mit unserem Data
Coach, der uns die Daten per USB-Stick
überreichte
— Die Dateien mussten nicht bereinigt
werden, da sie schon im CSV-Format
waren
— D3.js
— C3.js
— Bootstrap
— Lodash.js

FS 2017
6
Resultat
> Link:
— http://pr09q578.opendata.iwi.unibe.ch
— Donut Chart und Line Chart
— Donut Chart: Anzahl Störungsmeldungen
prozentual nach Fehlerart im Jahr 2015
— Line Chart: Fehleranzahl nach Automaten
im wöchentlichen Verlauf des Jahres 2015
— Vor allem drei Fehlerarten dominant
— Herbst- und Winterwochen fehleranfälliger

FS 2017
7
Fazit
— Website erstellen
— Verschiedene Arten, Grafiken zu
visualisieren
— JavaScript
machen?
— Bessere Kommunikation mit
Gruppenpartner
— Erster Einblick in Programmiersprachen
besuchen?
— Ja – mit besseren Vorkenntnissen

Übung Open Data:
smartvote Partei-Positionen, Gruppe 24
BOJAN STOJKOVIC und LIA STEINER
Universität Bern

FS 2017
2
Team
>  BOJAN STOJKOVIC
—  Vertiefung: Wirtschaftsinformatik
—  Semester: 13.
—  Bisherige Programmiererfahrung: gering
—  Email: boajn.stojkovic@students.unibe.ch
>  LIA STEINER
—  Vertiefung: Wirtschaftsinformatik
—  Semester: 10.
—  Bisherige Programmiererfahrung: gering
—  Email: lia.steiner@students.unibe.ch
Portrait-Foto
Portrait-Foto

FS 2017
3
Aufgabenstellung
>  Ausgangslage, Problemstellung:
—  Durchführung Kandidierenden-Befragung vor
Wahlen durch smartvote
—  Antworten werden pro Kandidierende erfasst
à  Keine Aussage zu Position gesamter Parteien
>  Hintergrund:
—  smartvote ist Online-Wahlhilfe der Schweiz
—  Befragung Kandidierende Stadtrat Bern 2016
>  Zielsetzung:
Visualisierung von Partei-Positionen
>  Datenquelle, Data Coach:
smartvote, Michael Erne

FS 2017
4
Daten
>  Datenvolumen:
—  Kandidierende: 2.75 MB
—  Fragen: 62 KB
—  Parteien: 63 KB
>  Datenformat: JSON
>  Datenstruktur am Beispiel Fragen:
Variable Beschreibung
ID_question ID der Frage
question Fragetext
category ID des Politikbereichs dem die Frage zugeordnet ist
type Fragetyp (Standard oder Budget)
rapide Gehört die Frage zur rapide-Fragebogenversion
cleavage_1 bis _8 Zuteilung der Frage zu den acht smartspider-Achsen
info Info-Text der Frage
pro Pro-Argumente zur Frage
contra Contra-Argumente zur Frage

FS 2017
5
Vorgehen
>  Datenbeschaffung:
via smartvote Data Coach (Michael Erne)
>  Datenbereinigungen:
—  JSON-Files übernommen
—  keine manuelle Bereinigung
>  Datentransformation:
—  Transformation läuft per Script
—  zusätzliche JSON-Files können reingeladen
werden
>  Verwendete Technologien, Libraries etc.:
D3.js, C9, Bootstrap, PACE, jQuery, HTML,
CSS, JavaScript
Grafik,
Screenshot
Grafik,
Screenshot

FS 2017
6
Resultat
>  Link:
http://bs11z095.sandbox.iwi.unibe.ch
>  Visualisierungsart: D3 Scatterplot
>  Funktionalitäten:
—  Mouseover-Effekte
—  Loading Bar
—  Tooltips
>  Neue Erkenntnisse:
Unterschiede nicht nur auf Partei-Ebenen,
sondern auch bei Alter und Geschlecht

FS 2017
7
Fazit
>  Lessons learned:
—  JSON ist nicht so simpel, wie es aussieht
—  passende Snippets erleichtern die Arbeit
>  Verbesserungen für ein nächstes Mal:
—  sehr früh beginnen (wie empfohlen)
—  von Beginn mit den richtigen Daten ausprobieren
>  Was uns die Übung bringt:
—  erster Einblick in Datenvisualisierung
—  Daten-Zusammenhänge sichtbar machen und
daraus neue Erkenntnisse gewinnen
>  Fazit Veranstaltung:
lohnt sich, ABER viel Wille nötig J

FS 2017
8
VIELEN DANK FÜR IHRE
AUFMERKSAMKEIT!

Übung Open Data:
Fragenvisualisierung der Wahlen in den
Berner Stadtrat, Gruppe 23
Matthieu Pfenninger und Sandro Andermatt
Universität Bern

FS 2017
2
Team
> Matthieu Pfenninger
— Bachelorstudent BWL
— Semester: 6
— Email: matthieu.pfenninger@students.unibe.ch
> Sandro Andermatt
— Masterstudent BWL
— Vertiefung: Wirtschaftsinformatik
— Semester: 8
— Email: sandro.andermatt@students.unibe.ch

FS 2017
3
Aufgabenstellung
Ausgangslage, Problemstellung:
▪ Fragebogen von smartvote
▪ 59 Fragen mit Antwortmöglichkeiten von Ja bis
Nein.
▪ Daten in JSON-Format
Hintergrund:
▪ smartvote - Schweizer Online Wahlhilfe
▪ Wahlen in den Berner Stadtrat 2016
Zielsetzung:
▪ Generelle Aussagen über Parteien-Meinung
▪ Smartvote, Michael Erne und Daniel Schwarz

FS 2017
4
Daten
Datenvolumen:
▪ 59 Fragen
▪ 510 Kandidierende
▪ 148321 Zeilen, 3 MB
Datenformat: JSON
Datenstruktur:
▪ gut gepflegt, keine grossen Anpassungen
nötig
▪ Namen und Adressen mussten entfernt
werden

FS 2017
5
Vorgehen
Datenbeschaffung: über smartvote (Data Coach)
Datenbereinigungen: JSON-File übernommen und anonymisiert
Datentransformation: Transformation über Java Script
Verwendete Technologien, Libraries etc.:
— D3.js
— Mike Bostock Snippet
— JavaScript, Jquery, Bootstrap, HTML, CSS

FS 2017
6
Versionen

FS 2017
7
Resultat
«Neue» Erkenntnisse:
▪ Unterschiede von Parteienmeinungen
▪ Unterschiede bei Geschlecht, keine deutlichen bei Alter
▪ Gewählte Parteien einstimmige Meinungen ausser bei Bürgerlichen (SVP, FDP, BDP)
▪ Mehr Antworten  eher im Stadtrat
▪ Wenige Einzelgänger
Link: http://mp14f042.opendata.iwi.unibe.ch
Visualisierungsart: Bar Charts
Funktionalitäten:
▪ Sortieren nach Sitze im Stadtrat, Ja/Nein, etc.
▪ Selektion nach Alter, Geschlecht, gewählt
▪ Tooltips

FS 2017
8
Was haben wir gelernt?
▪ unterschiedliche Snippets versuchen
▪ Website programmieren (Bootstrap, etc.)
▪ Übung hilft
Was würden wir nächstes Mal anders machen?
▪ früher Feedback einholen
▪ kein Zeitverlust durch zwei Visualisierungsarten
Was bringt mir diese Übung?
▪ Erfahrung im Programmieren
▪ Daten gewinnbringend zu visualisieren
Würde ich die Veranstaltung wieder besuchen?
▪ Ja, auch wenn sehr aufwändig
Fazit

Übung Open Data:
Hydrologischer Atlas der Schweiz
Alain Bühlmann
Universität Bern

FS 2017
2
Team
> VORNAME NAME
— Geograf
— Semester: Abgeschlossen
— Bisherige Programmiererfahrung: R
— Email: alain.buehlmann.@bluewin.ch

FS 2017
3
Aufgabenstellung
> Visualisierung der Karten des
hydrologischen Atlasses
> Bisher nur analog oder mittels Programm
verfügbar
> Datenquelle: Hydrologischer Atlas

FS 2017
4
Daten
> Daten:
— Karten als Shapefiles
— Karten als Raster
— Excel/csv - Tabellen

FS 2017
5
Vorgehen
> Datenbereinigung in R
— .geojson / .topojson
— .json Datenbank
— leaflet.js
— bootstrap.js
— D3.js

FS 2017
6
Resultat
> Link: noch nicht online
> Darstellung mehrerer Layers
— Raster, Polygon, Linie, Punkt
> Layerspezifische Funktionalitäten
> Neue Erkenntnisse: Leaflet Rocks ;)

Übung Open Data:
Asyldaten der EU, Gruppe 26
Simon Sax
Universität Bern

FS 2017
2
Team
Simon Sax:
- Hauptfach: BWL
- 10. Semester
- Bisher nur rudimentäre HTML/CSS
Kenntnisse aus der OMAV Übung
- Email: Simon_sax@students.unibe.ch

FS 2017
3
Aufgabenstellung
Ausgangslage:
- Flüchtlingskrise war ständig in
den Medien
- Diskussion von politischen
Meinungen geprägt
à Fakten statt Meinungen
Zielsetzung:
- Zahlen neutral aufbereiten und
visualisieren
Datenquelle:
- Die Daten stammen von Eurostat
(statistisches Amt der EU)
Quelle: zeit.de

FS 2017
4
Daten
Datenvolumen:
- Länder-Koordinaten (komplexes JSON)
- Asylanträge der Länder 883 Zeilen
- Bevölkerung der Länder 865 Zeilen
Datenformat:
- JSON Format (Länder)
- CSV (Asyl- & Bevölkerungsdaten)

FS 2017
5
Vorgehen
Datenbeschaffung:
- Eurostat & Github
Datenbereinigung/Transformation:
- Siehe dazu später
Verwendete Technologien:
- D3
- Javascript
- HTML / CSS / Bootstrap

FS 2017
6
Resultat
Link:
- OpenData App - Asylzahlen der EU
Visualisierungsart /Funktionalitäten:
- Interaktive Map (slider, mouseover)
- Liniendiagramm
- Webseite
Erkenntnisse:
- Die EU (insb. Deutschland) sind durch
die Krise stark gefordert
- Für die Schweiz ist die Situation ähnlich
wie 1998/1999

FS 2017
7
Fazit
Was habe ich gelernt
- Programmieren ist aufwändig, kann
aber auch sehr Spass machen
Was würde ich anders machen:
- Siehe dazu später
Was bringt mir die Übung:
- Durch die Übung habe ich mich für das
Programmieren begeistern können.
- à daher würde ich die Veranstaltung
wieder besuchen und weiterempfehlen
Quelle: huffingtonpost.com

Präsentationen der Open Data Apps 2017

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Ähnlich wie Präsentationen der Open Data Apps 2017

Ähnlich wie Präsentationen der Open Data Apps 2017 (20)

Präsentationen der Open Data Apps 2017