Die Abschlusspräsentationen der Open Data Apps 2017 fanden am Donnerstag, 1. Juni 2017 am Institut für Wirtschaftsinformatik statt. Insgesamt präsentierten 25 Studierende bzw. Studierenden-Teams aus Bachelor- und Master-Stufe unterschiedlicher Studienrichtungen ihre interaktiven Datenvisualisierungen, die sie während des Semesters entwickelt hatten.
Vortrag im Rahmen des Workshops "Anwendung von Clustering-Verfahren zur Verbesserung und Analyse von Katalogdaten" auf dem 5. Kongress Bibliothek und Information Deutschland vom 11. bis 14. März 2013 in Leipzig.
FMK2017 - Schnittstellen zu Fremdsystemen by Robert Rohrkemper-Verein FM Konferenz
Robert Rohrkemper zeigt in seinem Vortrag, wie man mit einem Open Source Treiber eine ODBC Verbindung aufbaut und maximale Geschwindigkeit mit ODBC erreicht.
Er wird die verschiedenen Lese- und Schreib-Operationen mit ODBC detailliert erläutern, um zu erklären was hinter den Kulissen passiert.
Er wird zeigen wie Änderungen in kongruenten Datenbanken auf global verteilten Serveren automatisiert ablaufen.
Im Vortrag wird die Benutzung von ODBC für strukturelle Änderungen in FileMaker Datenbanken aufgezeigt, sowie Datenvisualisierung in FileMaker im Vergleich zu externen Systemen wie R, Python, und Tableau.
Im Detail wird folgendes vorgestellt:
- Setup bei Schweiz Tourismus
- Problem Beschreibung: Ersatz bestehender IDs mit UUIDs
- Ziele und Motivation für die Benutzung einer neuen Technik
- Datenmanipulation mit R
- Wahl der Technik und deren Begründung: ODBC mit R
- Open Source ODBC Setup auf MacOS mit einem lokalen FileMaker Server
- Custom Code für Lesen und Schreiben mit ODBC und R
- Prüfen von Daten und deren Transformation mit R
- Beispiel aus der Praxis: UUIDs
- Weitere Anwendungen von ODBC
- Vor- und Nachteile von externen Systemen
- Zusammenhang mit früheren FMK Vorlesungen
Vortrag im Rahmen des Workshops "Anwendung von Clustering-Verfahren zur Verbesserung und Analyse von Katalogdaten" auf dem 5. Kongress Bibliothek und Information Deutschland vom 11. bis 14. März 2013 in Leipzig.
FMK2017 - Schnittstellen zu Fremdsystemen by Robert Rohrkemper-Verein FM Konferenz
Robert Rohrkemper zeigt in seinem Vortrag, wie man mit einem Open Source Treiber eine ODBC Verbindung aufbaut und maximale Geschwindigkeit mit ODBC erreicht.
Er wird die verschiedenen Lese- und Schreib-Operationen mit ODBC detailliert erläutern, um zu erklären was hinter den Kulissen passiert.
Er wird zeigen wie Änderungen in kongruenten Datenbanken auf global verteilten Serveren automatisiert ablaufen.
Im Vortrag wird die Benutzung von ODBC für strukturelle Änderungen in FileMaker Datenbanken aufgezeigt, sowie Datenvisualisierung in FileMaker im Vergleich zu externen Systemen wie R, Python, und Tableau.
Im Detail wird folgendes vorgestellt:
- Setup bei Schweiz Tourismus
- Problem Beschreibung: Ersatz bestehender IDs mit UUIDs
- Ziele und Motivation für die Benutzung einer neuen Technik
- Datenmanipulation mit R
- Wahl der Technik und deren Begründung: ODBC mit R
- Open Source ODBC Setup auf MacOS mit einem lokalen FileMaker Server
- Custom Code für Lesen und Schreiben mit ODBC und R
- Prüfen von Daten und deren Transformation mit R
- Beispiel aus der Praxis: UUIDs
- Weitere Anwendungen von ODBC
- Vor- und Nachteile von externen Systemen
- Zusammenhang mit früheren FMK Vorlesungen
Aufbau einer zentral managebaren IT-Struktur mit Einbindung lokaler Schulserv...Univention GmbH
Matthias Woede, Fachdienstleiter für IT-Services an den Schulen des Landkreis Kassels, berichtet über Motive, Herausforderungen und Maßnahmen bei der Entscheidung für die Einführung einer neuen pädagogischen Schulserverlösung mit UCS für das zentrale Management-Konzept.
Ziel des Projektes Data Cube des Umweltbundesamt ist es, eine nachhaltige Lösung zu etablieren, mit der die „Daten zur Umwelt“ importiert, gespeichert und der Öffentlichkeit als interaktive Tabellen und Diagramme angeboten werden können. Zur Datenhaltung wird die Open Source Lösung .StatSuite genutzt, welches unter anderem auch von der OECD genutzt wird. Der heterogene Datenbestand der Daten zur Umwelt wird mithilfe der FME Technologie in den sogenannten SDMX Standard überführt, den die .StatSuite Lösung nutzt.
Google Analytics Konferenz 2019_Vom Reporting zu Insights_Maike Duhr (lunapar...e-dialog GmbH
In komplexen Dashboards lassen sich Daten aus unterschiedlichen Quellen kombinieren und so schneller und einfacher Insights gewinnen. In dieser Session lernen Sie, was mit Googles Datastudio und Supermetrics alles möglich ist.
Arnold Kegebein gliedert seinen Vortrag in zwei Teile - eine grundlegende Einführung und einen praktischen Teil, wo er die Komplexität von Terminen und Wiederholterminen darstellt und Lösungen aufzeigt.
Im ersten Teil wird seines Vortrags wird er die Zeit-Datentypen in FileMaker (Datum, Zeit, Zeitstempel) vorstellen und wie man damit arbeitet und sucht. Er zeigt die in FileMaker eingebauten Zeit-Funktionen, das Formatieren und das Rechnen mit Zeiten, bis hin zu Millisekunden. Was FileMaker nicht selbst kann, wird er mit Custom Functions lösen.
Kegebein wird außerdem die Zeitberechnung anderer Systeme mit FileMaker vergleichen (Internet-Zeit, Unix-Zeit, Excel-Zeit, …)
Im zweiten Teil wird er einfache Termine und Wiederholtermine in FileMaker anlegen und der Frage nachgehen "Was macht Wiederholtermine so kompliziert?"
Er zeigt die Wiederholungsregeln (RRULE) und wie man mit Ausnahmen, Änderungen und Löschungen von Wiederholungen umgeht.
The Best Business Software in Town - Wie agiles Requirements Engineering die ...Christopher Schulz
Andreas Schlier hat ein Problem. Sein altes Excel-VBA-System tut es nicht mehr. Das einst so verlässliche Tool für die Auswertung von Fahrzeugproduktionsvorgängen ist in die Jahre gekommen. Das Datenvolumen steigt kontinuierlich. Die Fachbereiche möchten immer neue Funktionen. Und zu allem Überfluss verabschiedet sich der Software-Verantwortliche als einziger Wissensträger in die Altersteilzeit. Was soll Andreas Schlier tun?
Im Konferenzbeitrag unterstützt Christopher Schulz. Live, interaktiv und praxisnah. Er nimmt Andreas Schlier und die Teilnehmer mit auf einen Weg, von der initialen Software Vision bis zum konkreten Proof of Concept. Software Auswahl ist ein Entscheidungsprozess. Agiles Requirements Engineering beschleunigt das Vorgehen und sichert die langfristige Investition in ein Tool nachhaltig ab.
Alltägliche SEO-Analysen mit den SEO Tools for ExcelProjecter GmbH
Erstellung Wochenzahlen-Excel-Sheet
Festlegung der zu sammelnden Daten
Setup Wochenzahlen-Excel-Sheet
Erstellung der versch. Dateninputs
Bezug zum jeweiligen Dateninput herstellen
Formeln in Dateninputs anpassen
Entwicklung festhalten
Daten abrufen
http://www.projecter.de/
Nutzung der FME im Nationalen Berichtsdatenzentrum Wasser der BfGSafe Software
Die Bundesanstalt für Gewässerkunde betreibt im Auftrag der Wasserwirtschaftsverwaltungen des Bundes und der Länder die Internetplattform "WasserBLIcK" (https://www.wasserblick.net). Die Plattform hostet das "nationale Berichtsportal Wasser. Das Berichtsportal dient u.a. der Unterstützung der internationalen Berichtspflichten der Bundesrepublik Deutschland.
Mit Hilfe der Software FME ist ein vollautomatischer Datenimport und -export realisiert, der auch die Qualitätssicherung sowie weitere Verarbeitungsschritte umfasst.
Measurement-Based Quality Assessment of Requirements SpecificationJakob Mund
Requirements engineering is the process of discovering, analyzing and communicating the purpose of an envisioned software-intensive system. In this thesis, we propose an approach to assess the fitness of its documented results for down-stream development (e.g., testing) based on measuring their intrinsic properties. Our results suggest that measurement-based quality assessment is no silver bullet but can provide useful estimations of certain quality aspects under specific conditions.
Weitere ähnliche Inhalte
Ähnlich wie Präsentationen der Open Data Apps 2017
Aufbau einer zentral managebaren IT-Struktur mit Einbindung lokaler Schulserv...Univention GmbH
Matthias Woede, Fachdienstleiter für IT-Services an den Schulen des Landkreis Kassels, berichtet über Motive, Herausforderungen und Maßnahmen bei der Entscheidung für die Einführung einer neuen pädagogischen Schulserverlösung mit UCS für das zentrale Management-Konzept.
Ziel des Projektes Data Cube des Umweltbundesamt ist es, eine nachhaltige Lösung zu etablieren, mit der die „Daten zur Umwelt“ importiert, gespeichert und der Öffentlichkeit als interaktive Tabellen und Diagramme angeboten werden können. Zur Datenhaltung wird die Open Source Lösung .StatSuite genutzt, welches unter anderem auch von der OECD genutzt wird. Der heterogene Datenbestand der Daten zur Umwelt wird mithilfe der FME Technologie in den sogenannten SDMX Standard überführt, den die .StatSuite Lösung nutzt.
Google Analytics Konferenz 2019_Vom Reporting zu Insights_Maike Duhr (lunapar...e-dialog GmbH
In komplexen Dashboards lassen sich Daten aus unterschiedlichen Quellen kombinieren und so schneller und einfacher Insights gewinnen. In dieser Session lernen Sie, was mit Googles Datastudio und Supermetrics alles möglich ist.
Arnold Kegebein gliedert seinen Vortrag in zwei Teile - eine grundlegende Einführung und einen praktischen Teil, wo er die Komplexität von Terminen und Wiederholterminen darstellt und Lösungen aufzeigt.
Im ersten Teil wird seines Vortrags wird er die Zeit-Datentypen in FileMaker (Datum, Zeit, Zeitstempel) vorstellen und wie man damit arbeitet und sucht. Er zeigt die in FileMaker eingebauten Zeit-Funktionen, das Formatieren und das Rechnen mit Zeiten, bis hin zu Millisekunden. Was FileMaker nicht selbst kann, wird er mit Custom Functions lösen.
Kegebein wird außerdem die Zeitberechnung anderer Systeme mit FileMaker vergleichen (Internet-Zeit, Unix-Zeit, Excel-Zeit, …)
Im zweiten Teil wird er einfache Termine und Wiederholtermine in FileMaker anlegen und der Frage nachgehen "Was macht Wiederholtermine so kompliziert?"
Er zeigt die Wiederholungsregeln (RRULE) und wie man mit Ausnahmen, Änderungen und Löschungen von Wiederholungen umgeht.
The Best Business Software in Town - Wie agiles Requirements Engineering die ...Christopher Schulz
Andreas Schlier hat ein Problem. Sein altes Excel-VBA-System tut es nicht mehr. Das einst so verlässliche Tool für die Auswertung von Fahrzeugproduktionsvorgängen ist in die Jahre gekommen. Das Datenvolumen steigt kontinuierlich. Die Fachbereiche möchten immer neue Funktionen. Und zu allem Überfluss verabschiedet sich der Software-Verantwortliche als einziger Wissensträger in die Altersteilzeit. Was soll Andreas Schlier tun?
Im Konferenzbeitrag unterstützt Christopher Schulz. Live, interaktiv und praxisnah. Er nimmt Andreas Schlier und die Teilnehmer mit auf einen Weg, von der initialen Software Vision bis zum konkreten Proof of Concept. Software Auswahl ist ein Entscheidungsprozess. Agiles Requirements Engineering beschleunigt das Vorgehen und sichert die langfristige Investition in ein Tool nachhaltig ab.
Alltägliche SEO-Analysen mit den SEO Tools for ExcelProjecter GmbH
Erstellung Wochenzahlen-Excel-Sheet
Festlegung der zu sammelnden Daten
Setup Wochenzahlen-Excel-Sheet
Erstellung der versch. Dateninputs
Bezug zum jeweiligen Dateninput herstellen
Formeln in Dateninputs anpassen
Entwicklung festhalten
Daten abrufen
http://www.projecter.de/
Nutzung der FME im Nationalen Berichtsdatenzentrum Wasser der BfGSafe Software
Die Bundesanstalt für Gewässerkunde betreibt im Auftrag der Wasserwirtschaftsverwaltungen des Bundes und der Länder die Internetplattform "WasserBLIcK" (https://www.wasserblick.net). Die Plattform hostet das "nationale Berichtsportal Wasser. Das Berichtsportal dient u.a. der Unterstützung der internationalen Berichtspflichten der Bundesrepublik Deutschland.
Mit Hilfe der Software FME ist ein vollautomatischer Datenimport und -export realisiert, der auch die Qualitätssicherung sowie weitere Verarbeitungsschritte umfasst.
Measurement-Based Quality Assessment of Requirements SpecificationJakob Mund
Requirements engineering is the process of discovering, analyzing and communicating the purpose of an envisioned software-intensive system. In this thesis, we propose an approach to assess the fitness of its documented results for down-stream development (e.g., testing) based on measuring their intrinsic properties. Our results suggest that measurement-based quality assessment is no silver bullet but can provide useful estimations of certain quality aspects under specific conditions.
Ähnlich wie Präsentationen der Open Data Apps 2017 (20)
Measurement-Based Quality Assessment of Requirements Specification
Präsentationen der Open Data Apps 2017
1. 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
2. FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team
> Stefanie Meili
— Hauptfach: BWL
— Semester: 8
— Bisherige Programmiererfahrung: keine
grossen Erfahrungen
— Email: sm.opendata@gmail.com
3. FS 2017
Übung Open Data > Abschlusspräsentationen
3
Aufgabenstellung
> Luftqualitätsdaten der Schweiz
> Datacoach: Hans-Ulrich Pestalozzi,
Bundesamt für Umwelt (BAFU)
4. FS 2017
Übung Open Data > Abschlusspräsentationen
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
5. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
1.
Inspizieren der Rohdaten
2.
Rohdaten bearbeiten
3.
Daten visualisieren
4.
Beschreibung und Analyse der
Visualisierung
6. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Rohdaten in Excel bearbeiten
> Filtern
> Für Visualisierung nicht brauchbare Spalten löschen
> Von Vertikal zu Horizontal umformatieren
> etc.
7. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Daten visualisieren
> Mit JavaScript und D3.js
8. FS 2017
Übung Open Data > Abschlusspräsentationen
8
Visualisierung
http://sm13u001.opendata.iwi.unibe.ch/
9. FS 2017
Übung Open Data > Abschlusspräsentationen
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!
10. Übung Open Data:
Visualisierung Luftqualität Schweiz,
Gruppe 2
Abschlusspräsentationen, 1. Juni 2017
Rok Rucigaj und Alex Rieder
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
11. FS 2017
Übung Open Data > Abschlusspräsentationen
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
12. FS 2017
Übung Open Data > Abschlusspräsentationen
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
13. FS 2017
Übung Open Data > Abschlusspräsentationen
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)
14. FS 2017
Übung Open Data > Abschlusspräsentationen
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
15. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Resultat
> Link: http://ar10m027.opendata.iwi.unibe.ch
> Visualisierungsart: Map & Barchart
16. FS 2017
Übung Open Data > Abschlusspräsentationen
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
17. Übung Open Data:
Linked Data Browser, Gruppe 3
Abschlusspräsentationen, 1. Juni 2017
Aliaksei Syrel
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
18. FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team
> Aliaksei Syrel
— Hauptfach: Informatik
— Nebenfach: Physik, Mathematik
— Semester: 6
— Email: alex@syrel.ch,
— Web: feenk.com
Portrait-Foto
19. FS 2017
Übung Open Data > Abschlusspräsentationen
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
20. FS 2017
Übung Open Data > Abschlusspräsentationen
4
Daten
> Datenvolumen: Unbekannt/Unbegrenzt
> Datenformat: RDF Formate
> Datenstruktur: Linked Data
Grafik,
Screenshot
Grafik,
Screenshot
21. FS 2017
Übung Open Data > Abschlusspräsentationen
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
23. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Resultat
http://as12e083.sandbox.iwi.unibe.ch
24. FS 2017
Übung Open Data > Abschlusspräsentationen
8
Fazit
> Was haben wir gelernt?
> Was bringt mir diese Übung?
25. Übung Open Data:
Filmwochenschau Such-App
Gruppe 04
Abschlusspräsentationen, 1. Juni 2017
LEO BENMENNI
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
26. FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team
> LEO BENMENNI
— Hauptfach: Master PMP
— Nebenfach: -
— Semester: 3
— Bisherige Programmiererfahrung: 0
— Email: leo.benmenni@students.unibe.ch
27. FS 2017
Übung Open Data > Abschlusspräsentationen
3
Aufgabenstellung
> Ausgangslage, Problemstellung:
— 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
> Datenquelle, Data Coach:
— Marco Majoleth
28. FS 2017
Übung Open Data > Abschlusspräsentationen
4
Daten
> Datenformat & Datenvolumen:
— Excel Daten mit 15‘646 Zählen
> Datenstruktur:
— Hierarchie Pfad, Stufe ID, Titel, Start, End,
Vater ID Hierarchie, Vater Signatur...
29. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
> Datenbeschaffung & Datenbereinigungen :
— Variablen gewällt :
– Titel, Start, End, Vater Signatur
(Hierarchie), Vater Titel (Hierarchie),
URL, Themen, Dauer, Dossier
> Verwendete Technologien :
— D3.js
30. FS 2017
Übung Open Data > Abschlusspräsentationen
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.
31. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Fazit
> Was haben wir gelernt?
> Was würde ich nächstes Mal anders
machen?
> Was bringt mir diese Übung?
> Würde ich die Veranstaltung wieder
besuchen?
32. Übung Open Data:
SBB Verspätungen, Gruppe 05
Abschlusspräsentationen, 1. Juni 2017
David Bösiger und Dominik Briner
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
33. FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team
> Dominik Briner
— Hauptfach: Informatik
— Nebenfach: Wirtschaftsinformatik
— Semester: 4
— Bisherige Programmiererfahrung: Einige
— Email: dominik.briner@students.unibe.ch
> David Bösiger
— Hauptfach: Informatik
— Nebenfach: Wirtschaftsinformatik
— Semester: 4
— Bisherige Programmiererfahrung: Einige
— Email: david.boesiger@students.unibe.ch
34. FS 2017
Übung Open Data > Abschlusspräsentationen
3
Aufgabenstellung
> Ausgangslage, Problemstellung:
— 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
36. FS 2017
Übung Open Data > Abschlusspräsentationen
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
37. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Resultat
> Link: http://db15f089.opendata.iwi.unibe.ch/
> Visualisierungsart: Piecharts auf Map
> Funktionalitäten: Filter und Suchoptionen
> Neue Erkenntnisse:
— 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)
38. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Fazit
> Was haben wir gelernt?
— 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
> Was bringt mir diese Übung?
— Skills in Javascript etc.
> Würden wir die Veranstaltung wieder
besuchen?
— Ja
39. Übung Open Data:
Fehlermeldungen Ticketautomaten
Bernmobil, Gruppe 06
Abschlusspräsentationen, 1. Juni 2017
Jonas Schneuwly und Lisa Binkert
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
40. FS 2017
Übung Open Data > Abschlusspräsentationen
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
41. FS 2017
Übung Open Data > Abschlusspräsentationen
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
42. FS 2017
Übung Open Data > Abschlusspräsentationen
4
Daten
> Datenvolumen:
- 7111 Störungesmeldungen
(- Daten der Ticketverkäufe)
> Datenformat:
- CSV
- XLS
> Datenstruktur:
- Jeder Störung einzeln mit diversen
Eigenschaften
Grafik,
Screenshot
43. FS 2017
Übung Open Data > Abschlusspräsentationen
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
44. FS 2017
Übung Open Data > Abschlusspräsentationen
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
45. FS 2017
Übung Open Data > Abschlusspräsentationen
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!
46. Übung Open Data:
Bahnhofbewertung via Verspätungsdaten,
Gruppe Hess
Abschlusspräsentationen, 1. Juni 2017
Lino Hess und Mario Hess
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
50. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
> Datenbeschaffung:
— Via SBB-Open-Data-Portal
> Datenbereinigungen:
— Unvollständige Einträge
> Datentransformation:
— Berechnung Mittelwert der Verspätungen
— Aggregation auf Bahnhöfe
> Verwendete Technologien, Libraries etc.:
— D3.js
— Leaflet
— Mapbox
— MarkerCluster
51. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Resultat
> Link:
.http://mh14w037.opendata.iwi.unibe.ch/
> Visualisierungsart:
— Clustering
— Visualisierung durch Farbaufteilung
> Funktionalitäten:
— Funktionstüchtig ohne Einschränkungen
> Neue Erkenntnisse:
— Fast alle Bahnhöfe sind effizient
— Erfüllen SBB Verspätungsvorgaben
52. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Fazit
> Was haben wir gelernt?
— Umgang mit grossen Daten
> Was würden wir nächstes Mal anders
machen?
— Mehr Features wie z.B.
– Streckenbewertung
– Vergleich Soll- / Ist-Werte
– Live Updates und versch. Perioden
> Was bringt mir diese Übung?
— Hoffentlich 6 ECTS
> Würde ich die Veranstaltung wieder
besuchen?
— Mario: Ja
— Lino. Ja aber regelmässiger
53. Übung Open Data:
Verspätungsmonitoring Bhf Bern,
Gruppe 08
Abschlusspräsentationen, 1. Juni 2017
Benedikt Hitz-Gamper
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
54. FS 2017
Übung Open Data > Abschlusspräsentationen
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
55. FS 2017
Übung Open Data > Abschlusspräsentationen
3
Aufgabenstellung
> Ausgangslage, Problemstellung:
— 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
56. FS 2017
Übung Open Data > Abschlusspräsentationen
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>
<Language>DE</Language>
</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>
<Language>DE</Language>
</Name>
</Mode>
<PublishedLineName>
<Text>1</Text>
<Language>DE</Language>
</PublishedLineName>
57. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
> Datenbeschaffung: einfach
> Datenbereinigungen: kaum nötig
> Datentransformation: von XML API Daten
zu D3.js kompatiblen Daten
> Verwendete Technologien, Libraries etc.:
— D3.js
— jQuery
— Bootstrap
58. FS 2017
Übung Open Data > Abschlusspräsentationen
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
59. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Fazit
> Was haben wir gelernt?
— nicht alles, was schön aussieht
bringt auch etwas…
> Was würden wir nächstes Mal
anders machen?
— Bedürfnisabklärung vor
Arbeitsstart
> Was bringt mir diese Übung?
— Hoffentlich dereinst einen Job
bei den SBB
> Würde ich die Veranstaltung
wieder besuchen?
— Jederzeit
60. FS 2017
Übung Open Data > Abschlusspräsentationen
1
Übung Open Data:
Verspätungen der SBB, Gruppe 9
Abschlusspräsentationen, 1. Juni 2017
MATHIAS ZUBER und PATRICK ROTEN
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
61. FS 2017
Übung Open Data > Abschlusspräsentationen
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
62. FS 2017
Übung Open Data > Abschlusspräsentationen
3
Aufgabenstellung
> Ausgangslage, Problemstellung:
> 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
63. FS 2017
Übung Open Data > Abschlusspräsentationen
4
Daten
> Datenvolumen:
> IST: aktuell etwa 10 Millionen Zeilen
> Datenformat:
> Excel / CSV
> Datenstruktur:
> Sehr strukturierte Daten
> Direkt Filter setzen
> Livedatenbank
64. FS 2017
Übung Open Data > Abschlusspräsentationen
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
> Verwendete Technologien, Libraries etc.:
> D3.js / DC.js / HTML / CSS / Bootstrap
65. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Resultat (I/II)
> Visualisierungsart:
> Crossfilter (Balkendiagramme etc.)
66. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Resultat (II/II)
> Funktionalitäten:
> Filter, Filter, Filter
> Tooltip
67. FS 2017
Übung Open Data > Abschlusspräsentationen
8
Fazit (I/II)
> Was haben wir gelernt?
> 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
68. FS 2017
Übung Open Data > Abschlusspräsentationen
9
Fazit (II/II)
> Was würden wir nächstes Mal anders machen?
> Detailliertere Datenanalyse zu Beginn
> Erstellen einer Testvisualisierung in PowerPoint
> Was bringt mir diese Übung?
> Wirtschaftsinformatiker sollte Programmierkenntnisse haben
> Visualisierungen werden auch in Zukunft nützlich sein →
Problemanalyse
> Würde ich die Veranstaltung wieder besuchen?
> Auf jeden Fall!
69. FS 2017
Übung Open Data > Abschlusspräsentationen
10
Resultat
> Link: http://mz13y047.opendata.iwi.unibe.ch
70. Übung Open Data:
Publikationsdaten des Schweizerischen
Nationalfonds (SNF), Gruppe 10
Abschlusspräsentationen, 1. Juni 2017
Matthias Busset und Jonas Schwery
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
71. FS 2017
Übung Open Data > Abschlusspräsentationen
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
72. FS 2017
Übung Open Data > Abschlusspräsentationen
3
Aufgabenstellung
> Ausgangslage, Problemstellung:
Publikationsdaten vom
Forschungsschwerpunkt «RNA &
Disease»
> Zielsetzung: Visualisierung eines
Netzwerks
> Datenquelle, Data Coach: François Delavy
vom Schweizerischen Nationalfonds
73. FS 2017
Übung Open Data > Abschlusspräsentationen
4
Daten
> Datenvolumen: 78.2 KB, Datenformat: CSV
74. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
> Datenbeschaffung: USB Stick von
François
> Datenbereinigungen:
— unnütze Spalten und fehlende Werte
entfernen
> Datentransformation:
— Daten neu geformt (parsing), um
Struktur des Netzwerks nachzubilden
— CSV zu JSON
> Verwendete Technologien, Libraries:
— D3.js, Javascript, jQuery, HTML, CSS, Bootstrap
75. FS 2017
Übung Open Data > Abschlusspräsentationen
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
76. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Fazit
> Was haben wir gelernt?
— Grundlagen der Webprogrammierung, d3.js
— Vorgehensweise bei einer Visualisierung
> Was würden wir nächstes Mal anders machen?
— Programmier-Coaches schneller fragen
> Was bringt mir diese Übung?
— Anwendung, nicht nur Theorie
> Würden wir die Veranstaltung wieder
besuchen?
— Ja, viel Aufwand aber grosser Lerneffekt!
77. Übung Open Data:
visualvote.ch, Gruppe 11
Abschlusspräsentationen, 1. Juni 2017
Julien Diep
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
78. FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team Alleine
> Julien Diep
— Hauptfach: Betriebswirtschaft
— Nebenfach: Nachhaltige Entwicklung
— Semester: 7
— Bisherige Programmiererfahrung: wenig
— Email: julien.diep@hotmail.com
79. FS 2017
Übung Open Data > Abschlusspräsentationen
3
Aufgabenstellung
> Abstimmungsdaten auf eine neue Art visualisieren
> Zahlen, die üblicherweise nicht beleuchtet werden?
— Einfluss einzelner Wahlbezirke
— Nichtwähleranteil vs. Stimmbeteiligung
80. FS 2017
Übung Open Data > Abschlusspräsentationen
4
Aufgabenstellung
> Sankey-Diagramm!
81. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Aufgabenstellung
> Datenquelle, Data Coach:
> Thomas Lo Russo, Statistisches Amt Kanton Zürich
82. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Daten
> OGD-Portal (opendata.swiss)
— csv-Datei
> Abstimmungsarchiv Kanton ZH
— www.wahlen-abstimmungen.zh.ch
> JSON-Webservice
— www.web.statistik.zh.ch/…
83. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Vorgehen
> Datenbeschaffung
> Datenbereinigungen
> Datentransformation
86. FS 2017
Übung Open Data > Abschlusspräsentationen
10
Fazit
> Was habe ich gelernt?
— Viel..
> Was würde ich nächstes Mal anders
machen?
— Vorgehen besser planen
> Was bringt mir diese Übung?
— Grundkenntnisse in Webdesign,
Datenvisualisierung
> Würde ich die Veranstaltung wieder
besuchen?
— Ja!
87. Übung Open Data:
VoteCloud, Gruppe 12
Abschlusspräsentationen, 1. Juni 2017
Sven Kellenberger
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
88. FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team
> Sven Kellenberger
— Hauptfach: Informatik
— Nebenfach: BWL
— Semester: 4
— Bisherige Programmiererfahrung: viel
— Email: sven.kellenberger@students.unibe.ch
89. FS 2017
Übung Open Data > Abschlusspräsentationen
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
90. FS 2017
Übung Open Data > Abschlusspräsentationen
4
Vorgehen
> Daten zu JSON
> Algorithmus entwickeln
> Optimieren (Laufzeit)
> Features und Design hinzufügen
> Frameworks:
— D3.js
— jQuery
— Materialize
— …
91. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Resultat
> Link: http://sk14i077.opendata.iwi.unibe.ch
92. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Fazit
> Spannende Entwicklung
> Neue Frameworks kennengelernt
> Vermeintlich kleine Details machen auch viel Arbeit
93. Übung Open Data:
Gymnasiale Abschlüsse der Jahre 2013 bis
2016 an den öffentlichen Mittelschulen ZH
Abschlusspräsentationen, 1. Juni 2017
Leandra Kellerhals
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
94. FS 2017
Übung Open Data > Abschlusspräsentationen
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
95. FS 2017
Übung Open Data > Abschlusspräsentationen
3
Aufgabenstellung
> Ausgangslage, Problemstellung:
— 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)
96. FS 2017
Übung Open Data > Abschlusspräsentationen
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
97. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
> Datenbeschaffung:
— zur Verfügung gestellt von Tobias Schalit
— reger Austausch
— Anpassung der Spalten auf Snippet (Zahl,
Character)
— Limitierung des Datenvolumens durch
Snippet
> Verwendete Technologien, Libraries etc.:
— brackets
— html
— css
— bootstrap
— D3.js
98. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Resultat
> Link:
http://lk12z011.opendata.iwi.unibe.ch/
> Visualisierungsart:
— Bubble Chart
> Funktionalitäten:
— Sortierung der Abschlüsse nach
Kriterien: 5 Buttons
— Tooltip
— Journal auf zweiter Seite
— Menu (navbar)
99. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Fazit – ausführlich im Journal
> Was habe ich gelernt?
— 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
> Was bringt mir diese Übung?
— Umgang mit Websprache, Webtools
— Verständnis für Programmierer
100. Übung Open Data:
Übersicht der Gymnasien des Kanton
Zürich, Gruppe 14
Abschlusspräsentationen, 1. Juni 2017
CAROLE STEINER und JASMIN SERT
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
101. FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team
> CAROLE STEINER
— Hauptfach: BWL
— Nebenfach: Nachhaltige Entwicklung
— Semester: 6
— Bisherige Programmiererfahrung: keine
— Email: carole.steiner@students.unibe.ch
> JASMIN SERT
— Hauptfach: BWL
— Nebenfach: Informatik
— Semester: 4
— Bisherige Programmiererfahrung: keine
— Email: jasmin.sert@students.unibe.ch
102. FS 2017
Übung Open Data > Abschlusspräsentationen
3
Aufgabenstellung
> Ausgangslage, Problemstellung:
— Daten der Bildungsdirektion Kanton Zürich
> Hintergrund:
— Fehlender Überblick der Gymnasien
> Zielsetzung:
— Hilfestellung für angehende Gymnasiasten
> Datenquelle, Data Coach:
— Tobias Schalit, Bildungsdirektion Kanton
Zürich
103. FS 2017
Übung Open Data > Abschlusspräsentationen
4
Daten
> Datenvolumen:
— 140 KB
> Datenformat:
— CSV
> Datenstruktur:
— Liste
104. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
> Datenbeschaffung:
— Zur Verfügung gestellt von Tobias Schalit
(via E-Mail)
> Datenbereinigungen:
— Bearbeitung Excel
— Hierarchische Datenstruktur
> Datentransformation:
— CSV zu JSON
> Verwendete Technologien, Libraries etc.:
— D3.js
— JSON Converter
— Mike Bostock‘s Blocks
105. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Resultat
> Link: http://js14v046.opendata.iwi.unibe.ch
> Visualisierungsart:
— Zoomable Circle Packing
> Funktionalitäten:
— Interaktives Zoomen
— Time Slider
> Neue Erkenntnisse:
— Schwierigkeiten sich überlappende Daten
darzustellen
106. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Fazit
> Was haben wir gelernt?
— Einführung Programmieren in Brackets
— Grosse Vielfalt an
Visualierungsmöglichkeiten
(Auswahlschwierigkeiten)
> Was würden wir nächstes Mal anders
machen?
— Früheres Hilfesuchen bei Unklarheiten
> Was bringt mir diese Übung?
— Erste Erfahrungen mit Programmierung
und Visualisierung
> Würde ich die Veranstaltung wieder
besuchen?
— Ja, aber...
107. Übung Open Data:
Visualisierung – Abstimmungsresultate
des Grossen Rates Kt. Bern, Gruppe 15
Abschlusspräsentationen, 1. Juni 2017
Victor Bankoul und Michael Hundius
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
108. FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team
> Victor Bankoul
— Hauptfach: Eastern European Studies
— Nebenfach: BWL
— Semester: 8, BA
— Bisherige Programmiererfahrung: wenig
— E-Mail: victor.bankoul@students.unibe.ch
> Michael Hundius
— Hauptfach: Sozialanthropologie
— Nebenfach: Politikwissenschaften
— Semester: 8, BA
— Bisherige Programmiererfahrung: wenig
— E-Mail: karl.hundius@students.unibe.ch
109. FS 2017
Übung Open Data > Abschlusspräsentationen
3
Aufgabenstellung
> Ausgangslage, Problemstellung:
Visualisierung von Vorstössen im Grossen
Rat Kanton Bern
> Hintergrund:
politisches Interesse
> Zielsetzung:
Politik für jedermann ersichtlich machen
> Datenquelle, Data Coach:
Patrick Trees,
Generalsekretär des Grossen Rates
Kanton Bern
Quelle: http://www.politische-bildung-brandenburg.de
Quelle: http://www.bernerlandbote.ch/
110. FS 2017
Übung Open Data > Abschlusspräsentationen
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
111. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
> Datenbeschaffung:
Webseite GR
Direkt über Patrick Trees
> Datenbereinigungen:
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
112. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Resultat
> Link: http://vb13q096.opendata.iwi.unibe.ch
> Visualisierungsart:
Kreise, welche die Farbe je nach
Abstimmungsergebnis verändern
> Funktionalitäten:
Filterung nach Fraktion, Sprache,
Geschlecht und Wahlkreis
inkl. Anzahl Stimmen
> Neue Erkenntnisse:
erstmalige Visualisierung der Ergebnisse
113. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Fazit
> Was haben wir gelernt?
Programmieren kann sehr frustrierend sein bei
fehlendem Erfolg/Ergebnis
> Was würden wir nächstes Mal anders
machen?
früher Hilfe holen
> Was bringt mir diese Übung?
Erfahrung in der Programmierung/
Horizonterweiterung
> Würde ich die Veranstaltung wieder
besuchen?
Ja, unter anderen Bedingungen
Quelle: http://mint.studieren-mit-meerwert.de
Quelle: http://www.gr.be.ch
114. Übung Open Data:
Vorstösse im Grossen Rat des Kt. Bern,
Gruppe 16
Abschlusspräsentationen, 1. Juni 2017
Thomas Eichenberger und Samuel Wüthrich
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
115. FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team
> Thomas Eichenberger
— Hauptfach: BWL
— Nebenfach: Wirtschaftsrecht
— Semester: 4
— Bisherige Programmiererfahrung: keine
— Email:
thomas.eichenberger@students.unibe.ch
> Samuel Wüthrich
— Hauptfach: BWL
— Nebenfach: VWL
— Semester: 6
— Bisherige Programmiererfahrung: keine
— Email:
samuel.wuethrich@students.unibe.ch
116. FS 2017
Übung Open Data > Abschlusspräsentationen
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
117. FS 2017
Übung Open Data > Abschlusspräsentationen
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
118. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
> Datenbeschaffung: Patrick Trees
> Datenbereinigungen: Excel
> Datentransformation: manuell in JSON
erfasst, weil wir bestimmte Struktur
brauchten
> Verwendete Technologien, Libraries etc.:
— D3.js
— C3.js
119. FS 2017
Übung Open Data > Abschlusspräsentationen
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
120. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Fazit
> Sehr anspruchsvoll ohne
Programmiererfahrung
> Oft der Verzweiflung nahe
> Früher Hilfe holen und auch mehr Zeit
einrechnen
121. Übung Open Data:
Visualisierung von erneuerbaren Energien,
Gruppe 17
Abschlusspräsentationen, 1. Juni 2017
Jan Dietrich
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
122. FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team
> Jan Dietrich
— Hauptfach: Wirtschaftsinformatik
— Semester: 12
— Bisherige Programmiererfahrung: 4 Jahre
— Email: jan.dietrich@tecpose.com
123. FS 2017
Übung Open Data > Abschlusspräsentationen
3
Aufgabenstellung
> Ausgangslage, Problemstellung:
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/
124. FS 2017
Übung Open Data > Abschlusspräsentationen
4
Daten
> Datenvolumen:
ca 12 Datensätze mit bis zu 1778457
Einträgen
> Datenformat: CSV, JSON
> Datenstruktur: diverse
125. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
> Datenbeschaffung:
> Download von CSV und JSON Files
> Datenbereinigungen:
> Bei zu grossen Datensätzen mussten nicht
gebrauchte Properties gelöscht werden.
> Verwendete Technologien, Libraries etc.:
— D3.js
— React
— Redux
— Bulma (HTML, CSS)
126. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Resultat
> Link: http://jdietrich.sandbox.iwi.unibe.ch
> Visualisierungsart:
− Balkendiagramm
− Karte
> Funktionalitäten:
− Zwischen mehreren Datensätzen hin und her
wechseln
> Neue Erkenntnisse:
− Deutschland und Dänemark haben einen hohen
Anteil des Energiebedarfs durch erneuerbare
Energien gedeckt
127. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Fazit
> Was habe ich gelernt?
− Viele Daten ≠ gute Daten
− Detail macht viel Aufwand
− Libreoffice Impress ≠ Microsoft PowerPoint
> Was würden wir nächstes Mal anders machen?
− Konsistenter Datensatz
> Was bringt mir diese Übung?
− Viel gelernt über CSS transform
> Würde ich die Veranstaltung wieder besuchen?
− Ja
128. Übung Open Data:
Auslastung der Bernmobil-
Ticketautomaten im Wankdorfquartier
und des Guisanplatzes, Gruppe 18
Abschlusspräsentationen, 1. Juni 2017
DANILO BIGOVIC und DELIA MEYER
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
129. FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team
> Danilo Bigovic
— Hauptfach: BWL
— Semester: 11
— Bisherige Programmiererfahrung: keine
— Email: danilo.bigovic@students.unibe.ch
> Delia Meyer
— Hauptfach: BWL
— Semester: 11
— Bisherige Programmiererfahrung: keine
— Email: delia_meyer@students.unibe.ch
130. FS 2017
Übung Open Data > Abschlusspräsentationen
3
Aufgabenstellung
> Ausgangslage, Problemstellung:
— 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
> Datenquelle, Data Coach:
— Bernmobil, Christian Loosli
132. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
> Datenbeschaffung:
— Datencoach
> Datenbereinigungen:
— In java script
> Datentransformation:
— In java script
> Verwendete Technologien, Libraries etc.:
— D3.js
— Bootstrap
133. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Resultat
> Link:
http://db11n635.opendata.iwi.unibe.ch/
> Visualisierungsart:
— Barcharts
> Funktionalitäten:
— Station, Woche und Skalierung wählen
> Neue Erkenntnisse:
— Anzahl verkaufter Tickets sind besonders
bei Guisanplatz Expo höher, wenn eine
Veranstaltung auf dem Expo-Gelände
stattfindet
134. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Fazit
> Was haben wir gelernt?
— Java script zu programmieren
— Möglichkeiten von d3-Visualisierungen
> Was würden wir nächstes Mal anders
machen?
— Daten aufbereiten vor Visualisierung
— Java script besser lernen
> Was bringt mir diese Übung?
— Verständnis von Programmiersprachen und
Quantifizieren von Aufwand
> Würde ich die Veranstaltung wieder
besuchen?
— Ja
135. Übung Open Data:
Topografische Darstellung der
Ticketverkäufe von Bernmobil, Gruppe 19
Abschlusspräsentationen, 1. Juni 2017
Martin Stadelmann und Kevin Meichtry
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
136. FS 2017
Übung Open Data > Abschlusspräsentationen
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
— Bisherige Programmiererfahrung: keine
— Email: kevin.meichtry@students.unibe.ch
137. FS 2017
Übung Open Data > Abschlusspräsentationen
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
> Datenquelle, Data Coach:
— Bernmobil, Christian Loosli
138. FS 2017
Übung Open Data > Abschlusspräsentationen
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)
139. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
> Datenbeschaffung:
— Über USB-Stick von Christian Loosli
> Datenbereinigungen:
— Unwichtige Spalten weggelassen
(Fahrscheinart, Fahrscheinname)
— Komprimierung in ein einziges CSV-File
> Datentransformation:
— Umwandlung DIDOK Nummern in BFS-
Nummern
> Verwendete Technologien, Libraries etc.:
— D3.js
— Dc.js
— Crossfilter.js
— Topojson.js
— JQuery
140. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Resultat
> Link:
— http://km13m063.sandbox.iwi.unibe.ch/
> Visualisierungsart:
— Karte mit Schweizer Gemeinden
— Liniendiagramm, Donutdiagramm und
Balkendiagramm
> Funktionalitäten:
— Animierte Einfärbung der Gemeinden
— Individuelle Filtermöglichkeit nach
Gemeinde, Kanton, Verkaufsautomat und
Kalenderwoche
— Automatische Abspielfunktion
> Neue Erkenntnisse:
— Story zur Visualisierung
141. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Fazit
> Was haben wir gelernt?
— Programmieren von Applikationen
— Analyse der Datenqualität
> Was würden wir nächstes Mal anders machen?
— Früher beginnen
— Konzept erstellen
> Was bringt mir diese Übung?
— Neue Einsicht in die Welt des Programmierens
— Andere Einstellung zu Open Data
> Würde ich die Veranstaltung wieder besuchen?
— Definitiv
142. Übung Open Data:
Auswertung der Daten mehrerer
Ticketautomaten von Bernmobil,
Gruppe 20
Abschlusspräsentationen, 1. Juni 2017
Raoul Grossenbacher und Raphael Bodenmann
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
144. FS 2017
Übung Open Data > Abschlusspräsentationen
3
Aufgabenstellung
> Ausgangslage, Problemstellung:
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,
145. FS 2017
Übung Open Data > Abschlusspräsentationen
4
Daten
> Datenvolumen: ca. 12‘000 Datensätze
> Datenformat: Pro Kalenderwoche als CSV,
> Datenstruktur: Pro Kauf eine Zeile
146. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
> Datenbereinigungen: Ersetzen Umlaute
> Datentransformation: Zusammenfügen
aller Datensätze zu einem TSV
> Verwendete Technologien, Libraries:
— D3.js
> Probleme: Lesbare Darstellung, saubere
Transformationen
147. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Resultat
> Link:
http://rg13d037.opendata.iwi.unibe.ch/
> Visualisierungsart:
— Sortable Bar Chart
> Funktionalitäten: Sortieren der Balken
nach Grösse oder Alphabet
148. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Fazit
> Was haben wir gelernt?
> Was würden wir nächstes Mal anders
machen?
> Was bringt mir diese Übung?
> Würde ich die Veranstaltung wieder
besuchen?
149. Übung Open Data:
Störungsmeldungen von Bernmobil
Ticketautomaten, Gruppe 21
Abschlusspräsentationen, 1. Juni 2017
ANNA ROTH und PIYUSH RAUCH
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
150. FS 2017
Übung Open Data > Abschlusspräsentationen
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
152. FS 2017
Übung Open Data > Abschlusspräsentationen
4
Daten
> Datenvolumen: Zwei CSV-Dateien,
zusammen etwa 400 kb klein
> Datenformat: CSV-Dateien
> Datenstruktur: siehe Screenshot
rechts&unten
153. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
> Datenbeschaffung:
— Die Datenbeschaffung erfolgte durch
Kontaktaufnahme mit unserem Data
Coach, der uns die Daten per USB-Stick
überreichte
> Datenbereinigungen:
— Die Dateien mussten nicht bereinigt
werden, da sie schon im CSV-Format
waren
> Verwendete Technologien, Libraries etc.:
— D3.js
— C3.js
— Bootstrap
— Lodash.js
154. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Resultat
> Link:
— http://pr09q578.opendata.iwi.unibe.ch
> Visualisierungsart:
— Donut Chart und Line Chart
> Funktionalitäten:
— Donut Chart: Anzahl Störungsmeldungen
prozentual nach Fehlerart im Jahr 2015
— Line Chart: Fehleranzahl nach Automaten
im wöchentlichen Verlauf des Jahres 2015
> Neue Erkenntnisse:
— Vor allem drei Fehlerarten dominant
— Herbst- und Winterwochen fehleranfälliger
155. FS 2017
Übung Open Data > Abschlusspräsentationen
7
Fazit
> Was haben wir gelernt?
— Website erstellen
— Verschiedene Arten, Grafiken zu
visualisieren
— JavaScript
> Was würden wir nächstes Mal anders
machen?
— Bessere Kommunikation mit
Gruppenpartner
> Was bringt mir diese Übung?
— Erster Einblick in Programmiersprachen
> Würde ich die Veranstaltung wieder
besuchen?
— Ja – mit besseren Vorkenntnissen
156. Übung Open Data:
smartvote Partei-Positionen, Gruppe 24
Abschlusspräsentationen, 1. Juni 2017
BOJAN STOJKOVIC und LIA STEINER
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
157. FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team
> BOJAN STOJKOVIC
— Hauptfach: BWL
— Vertiefung: Wirtschaftsinformatik
— Semester: 13.
— Bisherige Programmiererfahrung: gering
— Email: boajn.stojkovic@students.unibe.ch
> LIA STEINER
— Hauptfach: BWL
— Vertiefung: Wirtschaftsinformatik
— Semester: 10.
— Bisherige Programmiererfahrung: gering
— Email: lia.steiner@students.unibe.ch
Portrait-Foto
Portrait-Foto
158. FS 2017
Übung Open Data > Abschlusspräsentationen
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
159. FS 2017
Übung Open Data > Abschlusspräsentationen
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
160. FS 2017
Übung Open Data > Abschlusspräsentationen
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
161. FS 2017
Übung Open Data > Abschlusspräsentationen
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
162. FS 2017
Übung Open Data > Abschlusspräsentationen
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
163. FS 2017
Übung Open Data > Abschlusspräsentationen
8
VIELEN DANK FÜR IHRE
AUFMERKSAMKEIT!
164. Übung Open Data:
Fragenvisualisierung der Wahlen in den
Berner Stadtrat, Gruppe 23
Abschlusspräsentationen, 1. Juni 2017
Matthieu Pfenninger und Sandro Andermatt
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
165. FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team
> Matthieu Pfenninger
— Bachelorstudent BWL
— Nebenfach: Informatik
— Semester: 6
— Bisherige Programmiererfahrung: wenig
— Email: matthieu.pfenninger@students.unibe.ch
> Sandro Andermatt
— Masterstudent BWL
— Vertiefung: Wirtschaftsinformatik
— Semester: 8
— Bisherige Programmiererfahrung: wenig
— Email: sandro.andermatt@students.unibe.ch
166. FS 2017
Übung Open Data > Abschlusspräsentationen
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
> Datenquelle, Data Coach:
▪ Smartvote, Michael Erne und Daniel Schwarz
167. FS 2017
Übung Open Data > Abschlusspräsentationen
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
168. FS 2017
Übung Open Data > Abschlusspräsentationen
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
170. FS 2017
Übung Open Data > Abschlusspräsentationen
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
171. FS 2017
Übung Open Data > Abschlusspräsentationen
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
172. Übung Open Data:
Hydrologischer Atlas der Schweiz
Abschlusspräsentationen, 1. Juni 2017
Alain Bühlmann
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
173. FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team
> VORNAME NAME
— Geograf
— Semester: Abgeschlossen
— Bisherige Programmiererfahrung: R
— Email: alain.buehlmann.@bluewin.ch
174. FS 2017
Übung Open Data > Abschlusspräsentationen
3
Aufgabenstellung
> Visualisierung der Karten des
hydrologischen Atlasses
> Bisher nur analog oder mittels Programm
verfügbar
> Datenquelle: Hydrologischer Atlas
175. FS 2017
Übung Open Data > Abschlusspräsentationen
4
Daten
> Daten:
— Karten als Shapefiles
— Karten als Raster
— Excel/csv - Tabellen
176. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
> Datenbereinigung in R
— .geojson / .topojson
— .json Datenbank
> Verwendete Technologien, Libraries etc.:
— leaflet.js
— bootstrap.js
— D3.js
177. FS 2017
Übung Open Data > Abschlusspräsentationen
6
Resultat
> Link: noch nicht online
> Darstellung mehrerer Layers
— Raster, Polygon, Linie, Punkt
> Layerspezifische Funktionalitäten
> Neue Erkenntnisse: Leaflet Rocks ;)
178. Übung Open Data:
Asyldaten der EU, Gruppe 26
Abschlusspräsentationen, 1. Juni 2017
Simon Sax
Forschungsstelle Digitale Nachhaltigkeit
Institut für Wirtschaftsinformatik
Universität Bern
179. FS 2017
Übung Open Data > Abschlusspräsentationen
2
Team
Simon Sax:
- Hauptfach: BWL
- 10. Semester
- Bisher nur rudimentäre HTML/CSS
Kenntnisse aus der OMAV Übung
- Email: Simon_sax@students.unibe.ch
180. FS 2017
Übung Open Data > Abschlusspräsentationen
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
181. FS 2017
Übung Open Data > Abschlusspräsentationen
4
Daten
Datenvolumen:
- Länder-Koordinaten (komplexes JSON)
- Asylanträge der Länder 883 Zeilen
- Bevölkerung der Länder 865 Zeilen
Datenformat:
- JSON Format (Länder)
- CSV (Asyl- & Bevölkerungsdaten)
182. FS 2017
Übung Open Data > Abschlusspräsentationen
5
Vorgehen
Datenbeschaffung:
- Eurostat & Github
Datenbereinigung/Transformation:
- Siehe dazu später
Verwendete Technologien:
- D3
- Javascript
- HTML / CSS / Bootstrap
183. FS 2017
Übung Open Data > Abschlusspräsentationen
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
184. FS 2017
Übung Open Data > Abschlusspräsentationen
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