1. FACHKONFERENZ NETZWERK RECHERCHE 2012
WACHT AUF,
WENN IHR JOURNALISTEN SEID.
AUFBAU VON TRAINING FÜR
DATENJOURNALISMUS +
STRATEGIEN FÜR REDAKTIONEN

2. FACHKONFERENZ NETZWERK RECHERCHE 2012
WACHT AUF,
WENN IHR JOURNALISTEN SEID.
AUFBAU VON TRAINING FÜR
DATENJOURNALISMUS +
STRATEGIEN FÜR REDAKTIONEN
MIRKO LORENZ, HAMBURG, 25. MÄRZ 2012

3. @MIRKOLORENZ
JOURNALIST / INFORMATIONSARCHITEKT / TRAINER

4. INHALT
- WAS BISHER GESCHAH
- TRAININGSKONZEPTE
- BARRIEREN & PERSPEKTIVEN

5. ARBEITSZIEL:
AUFBAU EINES STRUKTURIERTEN
TRAININGSANGEBOTS FÜR
DATA-DRIVEN JOURNALISM

6. WAS BISHER GESCHAH...

7. Einer der ersten Artikel über „data-driven reporting“

8. Einer der ersten Artikel über „data-driven reporting“

9. Einer der ersten Artikel über „data-driven reporting“
„data-driven reporting should become second nature to journalists“

10. TRAININGSANGEBOTE AUFBAUEN - SCHRITTE BISHER
2009: ERSTE IDEEN FÜR #DDJ SYLLABUS
2010: WARTEN AUF FINANZIERUNGSZUSAGE #FAIL
DDJ ROUNDTABLE IN AMSTERDAM
2011: ABZV: UNTERSTÜTZUNG FÜR PROJEKT #WIN
ERSTE SEMINARE (WOCHE/TAGE)
2012: DATAWRAPPER LAUNCH (TOOL FÜR VISUALISIERUNG)
UNCONFERENCE SXSW MIT NPR, TEXAS TRIBUNE
COMING UP:
DATASTORY: WEBSITE MIT TUTORIALS
AUFBAU VON DATEN TEAMS
DATEN ALS FINANZIERUNGSQUELLE FÜR MEDIEN

11. #DDJ TRAINING:
WAS SOLLTEN
JOURNALISTEN
KÖNNEN?

12. Stark vereinfacht: Die Transformation von Daten in
relevante Beiträge.
DEF:
DATA-DRIVEN JOURNALISM
= WORKFLOW
Mirko Lorenz, 2010 (CC-BY)

13. NOT NEW, BUT DIFFERENT:
CAR* ---> DDJ:
VERÄNDERUNG: VOM SPEZIALISTEN-WISSEN WENIGER
ZUM RÜSTZEUG/WERKZEUGKASTEN FÜR (FAST) ALLE
JOURNALISTEN
* CAR = COMPUTER-ASSISTED REPORTING, TRACING BACK 1969.
SEE: PHILIPP MEYERS: PRECISION JOURNALISM

14. WIE KÖNNTE EIN CURRICULUM AUSSEHEN?
Essential skills
I would like to see some sort of survey course that encompasses both theoretical and practical skills. This may seem a tall order, but I think it’s doable.
I believe every journalism student in this era should be exposed to:
1 Basic math – be able to complete this test from UNC’s Phil Meyer
2 Understanding when to use absolute numbers or percents, know why per capita values are important and how to calculate them
3 Learning what kind of data sets are available, esp. from govt
4 The fact that unstructured text can be broken down into components to create numbers
5 The fact that Web scraping exists – even if they don’t know how, they can probably find someone who can
6 The fact that Access and SQL exists, what each of those can do that Excel can’t, or why they make life easier
7
8
How to add numbers and text together in a spreadsheet program Text
Examples of computer-assisted reporting-based stories and data-driven applications
Advanced:
I would suggest a multi-course sequence for those who truly want to specialize in this field:
1 One course focused on the above, but knowing how to actually do it, not just be aware it exists. Use tools like OutWit Hub to simplify
scraping process. There are ways to do programming-like tasks without actually knowing programming. This would include understanding APIs
and how to use them. Also start talking about all tools that exist, and the best way to start doing self-teaching. Where do you find good tutorials/
blogs, how do you find the discipline? Because in reality, even a full data sequence isn’t going to teach you everything you need to know, but will
help you figure out what you need to know, and how to get up to speed quickly and accurately with new tools as they emerge.
2 One course that is mainly focused on meeting stories with deadlines, both daily and long-term and integrating these concepts into
them. Data shouldn’t operate in a bubble. In the Medill program, this could be an additional requirement for those in the downtown newsroom.
This could replace “alternative story forms” or maybe even one of the video requirements.
3 One advanced course that moves into introduction to programming and data-driven apps. I would recommend Python, and then a
transition to Django. (Yes, Aron Pilhofer, Ruby and Rails would also be fine.) I say Python because it made the most sense to me, and you could
also use the excellent Head First Programming book as a key reference point. While it uses Python, what it’s really teaching is programming, and
once you understand that structure, changing languages or frameworks will become simpler.
http://michelleminkoff.com/2010/03/24/bringing-data-journalism-into-curricula/

15. „This may seem a tall order, but I think it’s
doable. I believe every journalism student in this
Text
era should be exposed to this“.
- Michelle Minkoff
http://michelleminkoff.com/2010/03/24/bringing-data-journalism-into-curricula/

16. #DDJ
3 STUFEN
(1) DATEN ALS BASIS FÜR BERICHTE
(2) INTERAKTIVE SPECIALS
(3) DATEN-APPS/BIG DATA

17. ERSTE STUFE:
BRINGING DATA INTO STORY
(AUS DATEN GESCHICHTEN MACHEN)

18. (1) DATEN ALS BASIS FÜR BERICHTE
ALWAYS ASK: COMPARED TO WHAT?

19. Edward Tufte: To be truthful and revealing, data graphics must bear on the question at the heart of quantitative thinking:
“Compared to what?, from: The Visual Display of Quantitative Information

20. Die beste/hilfreichste/einfachste Frage zum Start:
Compared to what?
Edward Tufte: To be truthful and revealing, data graphics must bear on the question at the heart of quantitative thinking:
“Compared to what?, from: The Visual Display of Quantitative Information

21. KLARER VORTEIL: EIN LÄNGERES GEDÄCHTNIS HABEN
Einfache Grafik,
deutlich mehr Klarheit.
Mit einfachen Balken wird hier der
Unterschied zwischen Prognosen/
Versprechen und der Realität verdeutlicht.
Mit solchen leicht nutzbaren Mitteln
können Journalisten Fakten sichtbar
machen, die alle anderen längst aus dem
Blick verloren haben...
Quelle: New York Times

22. MANCHMAL MUSS MAN (NUR) DIE ZAHLEN SAMMELN
http://www.heise.de/newsticker/meldung/Umsatzsteigerung-und-Gewinnrueckgang-bei-Amazon-1285944.html

23. MANCHMAL MUSS MAN (NUR) DIE ZAHLEN SAMMELN
http://www.heise.de/newsticker/meldung/Umsatzsteigerung-und-Gewinnrueckgang-bei-Amazon-1285944.html

24. (2) INTERAKTIVE SPECIALS
Quote:
Data-driven interactives are windows into
reality created by scraping real information,
not versions of the truth created by ideology.
They're the stories of thousands of people, read from the footprints left
behind in the digital ether, told in ways that can only now be divulged
with the tools of software and computers.
David Johnson: „Data-Driven Investigative Journalism: No Laughing Matter“, PBS Mediashift, 29.02.2012

25. ZWEITE STUFE:
DATEN SPECIALS
KONTEXT, FOKUS UND AHA-ERLEBNIS
FÜR DEN BETRACHTER

26. DATEN SPECIALS: AUSGEWÄHLTE BEISPIELE (VERLINKT)

27. DATEN ALS BASIS EINES VIDEOS
„NEVER COMING HOME“
Quelle: http://mediastorm.com//publication/never-coming-home

28. http://projects.flowingdata.com/timeuse/

29. DRITTE STUFE:
DATEN APPS/BIG DATA
- DIE WELT ALS DATENSTROM,
VERSTÄNDLICH ÜBERSETZT

30. Go to: guardian.co.uk home Go
Search: Entire site Search
News Sport Comment Culture Business Money Life & style Travel Environment TV Video Community Blogs Jobs
Investigate your MP's expenses: Home
Join us in digging through the documents of MPs' expenses to identify individual claims, or
documents that you think merit further investigation. You can work through your own MP's
expenses, or just hit the button below to start reviewing. (Update, Fri pm: we now have a
virtually complete set of expenses documents so you should be able to find your MP's)
Already created an account? Log in here.
We have 458,832 pages of documents. 27,241 of you have reviewed Investigate your own MP's documents
221,837 of them. Only 236,995 to go... Enter your postcode:
Find your MP
Or search by MP name or constituency:
Please read our privacy policy to find out how we use your data. You must also read
Start reviewing our terms of service. By reviewing pages, you are agreeing that you have read the
terms of service, and that you agree to them.
Search
Most line items added (last 48 hrs)
Thanks everyone for your valiant efforts so far. all time
You're amply justifying our hope that many hands can make light work of the thousands of anon-27236 5 line items
documents released by Parliament in relation to MPs’ expenses. We, and others - perhaps
mdouble8 3 line items
you? - are still using these tools to review each document, decide whether it contains
interesting information, and extract the key facts. emsilly 2 line items
Some pages will be covering letters, or claim forms for office stationery. But somewhere in
here is the receipt for a duck island. And who knows what else may turn up. If you find Most pages reviewed (last 48 hrs)
something which you think needs further attention, simply hit the button marked “investigate all time
this!” and we’ll take a closer look.
dmelda 22 votes
How to get involved:
anon-27236 17 votes

31. UNDER CONSTRUCTION:
WIE WEIT SIND DIE
TRAININGSKONZEPTE?

32. Bausteine für das Training
Seminare Datawrapper Datastory Syllabus
ABZV.de Datawrapper.de Tutorial-Sammlung (in Arbeit) Trainingskonzept (in Arbeit)
Trainingsvarianten Text
Ein Tag
Zwei Tage
Zwei Tage Interne (eigene) Erprobung und Experimente Ein Tag
Eine Woche
Kontinuierlich, in kleinen, praxisorientierten Schritten

33. Bausteine für das Training
Seminare
+ Datawrapper
+ Datastory
+ Syllabus
ABZV.de Datawrapper.de Tutorial-Sammlung (in Arbeit) Trainingskonzept (in Arbeit)
Trainingsvarianten Text
Ein Tag
Zwei Tage
Zwei Tage Interne (eigene) Erprobung und Experimente Ein Tag
Eine Woche
Kontinuierlich, in kleinen, praxisorientierten Schritten

34. Bausteine für das Training
Seminare
+ Datawrapper
+ Datastory
+ Syllabus
ABZV.de Datawrapper.de Tutorial-Sammlung (in Arbeit) Trainingskonzept (in Arbeit)
Trainingsvarianten Text
Ein Tag
Zwei Tage
Zwei Tage Interne (eigene) Erprobung und Experimente Ein Tag
Eine Woche
Kontinuierlich, in kleinen, praxisorientierten Schritten

35. Bausteine für das Training
Seminare
+ Datawrapper
+ Datastory
+ Syllabus
ABZV.de Datawrapper.de Tutorial-Sammlung (in Arbeit) Trainingskonzept (in Arbeit)
Trainingsvarianten Text
Ein Tag
Zwei Tage
Zwei Tage Interne (eigene) Erprobung und Experimente Ein Tag
Eine Woche
Kontinuierlich, in kleinen, praxisorientierten Schritten

36. Datenjournalismus Praxistraining
Gelb = Teilnehmer arbeiten aktiv eigenem Projekt
ABZV (Bonn), 5.-9. September 2011
Zeit Mo Di Mi Do Fr
EINSTIEG & PLANUNG FINDEN & FILTERN VISUALISIERUNG VISUALISIERUNG PUBLIZIEREN
Daten visualisieren
09:00 Vorstellung und Datenquellen Zwischenstand: Einbindung in CMS/Blogs
(Linda Rath-Wiggins/Cosmin
Wochenübersicht (Wilfried Runde) Ideen der Teilnehmer Erfolgsmessung
Cabulea
Präsentation: Wochenprojekt:
10:00 Datensätze suchen Grundformen Wochenprojekt
Datenjournalismus Abschluss
Data Scraping
Wochenprojekt:
11:00 Ideen und Erwartungen? (Linda Rath-Wiggins/Cosmin Spezielle Formen Wochenprojekt
Abschluss
Cabulea)
12:00 Pause Pause Pause Pause Pause
Vortrag:
Präsentation: Zahlen visualisieren - Wochenprojekt:
13:00 Data Scraping Wochenprojekt
Von den Daten zur Story typische Fehler vermeiden Abschluss
Analyse: Wie haben die das Analyse: Wie haben die das
14:00 Daten visualisieren Ergebnisse präsentieren
gemacht? gemacht?
Workshop mit Gregor Aisch: Ausblick/
Wochenprojekt: Daten visualisieren
15:00 Daten filtern Daten visualisieren Formate für Datenjournalismus
Erstes Storyboard
Abschlussdiskussion
Wochenprojekt: Wochenprojekt:
16:00
Erstes Storyboard Daten filtern Storyboard verfeinern
17:00 Feedback/Tagesgespräch Feedback/Tagesgespräch Feedback/Tagesgespräch

37. Gregor Aisch bei seinem Vortrag im ABZV Datenjournalismus Seminar, 09/2011 - http://vis4.net/blog/

38. http://www.datawrapper.de

39. DATAWRAPPER: VISUALISIERUNG UND
VERÖFFENTLICHUNG VEREINFACHEN
1. DATENQUELLEN KENNEN
2. DATEN BEREINIGEN
3. DATEN VISUALISIEREN UND EINBETTEN
http://www.datawrapper.de

40. Bild ist mit
Datawrapper in der Praxis:
Artikel verlinkt.
Ruhr Nachrichten
Dortmund
http://
www.ruhrnachrichten.de/
lokales/dortmund/Erstmals-
wird-in-Dortmund-weniger-
gegen-Hartz-IV-
geklagt;art930,1565639

41. Datawrapper in der Praxis: Bild ist mit
Volontäre an der Akademie Artikel verlinkt.
für Publizistik erklären den
Hamburger Stadtteil Hohe
Luft.
http://akademievolos.de/
wpmu/
februar12/2012/03/02/reich-
und-kinderarm-der-
durchschnitts-hohelufter/

42. Vorbild für Datastory.de (Tutorials für Datenjournalismus)
http://multimedia.journalism.berkeley.edu/tutorials/

44. DRITTE STUFE:
DATEN-APPS
„MEDIA COMPANIES AS TRUSTED DATA HUBS“

45. Mieten oder kaufen? Individuelle Antworten, ohne dass im Hintergrund persönliche Daten
gesammelt und verkauft werden.

48. WIE WEITER?

49. SCHRITT FÜR SCHRITTVeränderung der Redaktion von untn, nicht vo oben
Start here! --->

50. SCHRITT FÜR SCHRITTVeränderung der Redaktion von untn, nicht vo oben
Start here! ---> 1. AKTIVITÄTEN Erste Schritte, Experimente,
Erfahrung

51. SCHRITT FÜR SCHRITTVeränderung der Redaktion von untn, nicht vo oben
2. ABLÄUFE
„Data aware“ eine
Geschichte nach der
anderen.
Start here! ---> 1. AKTIVITÄTEN Erste Schritte, Experimente,
Erfahrung

52. SCHRITT FÜR SCHRITTVeränderung der Redaktion von untn, nicht vo oben
3. STRATEGIE
Verbessern,
vertiefen,
verankern.
2. ABLÄUFE
„Data aware“ eine
Geschichte nach der
anderen.
Start here! ---> 1. AKTIVITÄTEN Erste Schritte, Experimente,
Erfahrung

53. SCHRITT FÜR SCHRITTVeränderung der Redaktion von untn, nicht vo oben
4. ORGANISATION Veränderung
in den Redaktionen
3. STRATEGIE
Verbessern,
vertiefen,
verankern.
2. ABLÄUFE
„Data aware“ eine
Geschichte nach der
anderen.
Start here! ---> 1. AKTIVITÄTEN Erste Schritte, Experimente,
Erfahrung

54. Journalists,
where do you
add value?

55. WARUM IST DATEN-JOURNALISMUS MEHR ALS EIN HYPE?
BEISPIEL: KLEINE UND GROSSE BETRÜGEREIEN....
http://www.versicherungen-tipps24.de/
http://www.ratgeberzentrale.de/steuern-und-finanzen/
versicherungswesen-aktuelle-nachrichten/aktuelle-
falschberatung.html
nachrichten-ueber-versicherungen-allgemein/werden-die-
verbraucherzentralen-zum-wettbewerber-der-
finanzberater.html

56. Situation heute
Print Web Blogs* iPad Mobil
* Blogs in rot, weil die meisten Medien
nicht begriffen haben, was das ist.

57. Ökonomie guter Formate verstehen

58. Perspektive: Arbeitschwerpunkt verlagern
Print Web
Aktuelle Realität bei den
meisten
Tageszeitungen:
Print im Fokus
dann „Copy & Paste“

59. Ökonomie guter Formate verstehen

60. Daten als Basis für alle Publikationsformen
Datenbank Web Print
Übersicht Eher Qualität als
Artikel Artikel
Crime Karte Hintergrund Quantität, warum
Daten Statistik
nicht?
Analyse
Audio
Foto
Video
Chancen: Tiefe
Glaubwürdigkeit
Kompetenz
Relevanz

61. PERSPEKTIVEN UND NÄCHSTE SCHRITTE
FÜR DATA-DRIVEN JOURNALISM:
- AUFBAU VON DATEN TEAMS
- AUFBAU EINER TOOL-BIBLIOTHEK

62. NÄCHSTER SCHRITT:
AUFBAU VON DATEN-TEAMS
VORREITER:
NEW YORK TIMES
GUARDIAN
TEXAS TRIBUNE
TREIBER USA: PRÄSIDENTSCHAFTSWAHL

66. „IN OUR NEWSROOM EVERYONE IS DATA-AWARE“
REDAKTEURIN DER TEXAS TRIBUNE BEI DER #DDJ UNCONFERENCE IN AUSTIN, TEXAS (2012)
HTTP://WWW.TEXASTRIBUNE.ORG/

67. DATEN-SPEZIALISTEN,
HÄNDERINGEND GESUCHT...

68. „ES IST KEIN TOOL-PROBLEM,
SONDERN EIN MENSCHEN-PROBLEM“
- ARON PILHOFER, NEW YORK TIMES

69. http://www.datenjournalist.de/aron-pilhofer-medien-sind-nicht-datengetrieben/

70. GANZ ZULETZT:
KANN MAN DAMIT
(IRGENDWANN)
GELD VERDIENEN?

72. Kernthese:
From attention to trust
Medienmarken als vertrauenswürdige Datenbanken.

73. WIE WEITER?
LERNEN WOLLEN (JOURNALISTEN)
LERNEN LASSEN (VERLAGE)

74. THANK YOU!
EIN DANK AN DIE LEUTE, DIE DEN BERUF WEITER ENTWICKELN.
Brian Storm Simon Rogers Walter Mossberg Rafat Ali Gregor Aisch
Aron Pilhofer Jeff Jarvis Nicolas Kayser-Bril Michelle Minkoff Geoff McGhee
Marco Maas Lorenz Matzat Tracy Boyer Paul Bradshaw Amanda Cox

75. Danke.
#ddj
@mirkolorenz
http://www.mirkolorenz.com