Data Visualizations

- Dr. Theo SteiningerCo-Founder & CEO at Erium
- Host (not identified by name)Host of the Erium Podcast
Overview
In this episode of the Erium Podcast, the host and Dr. Theo Steininger discuss data visualization and effective presentations in the context of data science. The two explore why visualization is not merely a communication tool used at the end of an analysis, but should accompany the entire data science process. They also share concrete tips for compelling talks - from storytelling to body language and time management.
Summary
Why good presentations are indispensable in data science
Theo emphasizes that the greatest risk in presentations is that content is misunderstood by the audience - whether due to unfamiliar technical terms or differing levels of prior knowledge. Particularly dangerous is the situation where listeners are familiar with a term but understand something different by it, and therefore do not ask any follow-up questions. Language is a linear medium that quickly reaches its limits when dealing with complex relationships. A simple example illustrates this: the layout of a village can be explained in five seconds with a map - or in half an hour of verbal description.
Data visualization as a tool throughout the entire analysis process
Visualizations should not only be created at the end of a data science analysis, but should be used as a tool from the very beginning. Theo recommends getting a first impression of a new dataset through simple plots - for example, to identify obvious artifacts or outliers. If you receive 100 sensor readings, for instance, you can output 100 plots in a short loop and check at a glance whether something looks off. This exploratory visualization can be refined as needed, for example with specialized tools like Tableau.
From personal experience, Theo describes how during his physics studies he prepared every formula and concept visually - from wave packets to quantum mechanical phenomena. The result: an intuitive feel for mathematical relationships, which he refers to as being a 'brain plotter'.
Machine learning for dimensionality reduction and visualization
Theo explains that machine learning itself can be used as a visualization tool. Self-Organizing Maps (SOMs), for example, attempt to project high-dimensional datasets onto a two-dimensional submanifold in order to make neighborhood relationships between data points visible. A PCA (Principal Component Analysis) can also use the two strongest principal components to represent data in a hyperplane and potentially uncover interesting patterns. Decision trees likewise offer a highly interpretable visual representation of decision structures.
The potential for manipulation through visualizations
Visualizations can be designed to mislead, whether intentionally or unintentionally. A classic example is the truncation of axes in bar charts: if the y-axis does not start at zero and this is not clearly labeled, an actual difference of one percent can visually appear to be a huge gap. This phenomenon is well known from the media world - Theo and the host refer to political news graphics in which bars representing nearly identical percentage values were displayed at drastically different heights. Color choices can also be used for manipulation. Data scientists must be aware of these distortion possibilities - both to avoid them and to recognize them when interpreting other people's charts.
Principles of good data visualization
According to Theo, good data visualization does not follow a one-size-fits-all recipe, as it always depends on the specific use case. Nevertheless, there are clear guiding principles: every visualization should communicate exactly one message - analogous to the principle of 'one message per slide' in presentations. Relevant information must be clearly labeled and prominently placed; key insights do not belong in a corner of the chart. For those who want to go deeper, Theo recommends the book 'Visualization Analysis and Design' by Tamara Munzner, which covers both a systematic overview of visualization methods and the role of human perception in the decision-making process.
Three core elements of compelling presentations
Theo distills three central elements for good presentations from coaching experience and specialist literature. First: understanding the talk as a 'contribution rather than a performance' - the focus is on the value delivered to the audience, not on self-promotion. This includes knowing your target audience and consistently tailoring the content to their interests. Storytelling is a key tool here: a good story sticks in the memory, as illustrated by the example of 'Roger the Robot', who searches for chocolate and in doing so demonstrates reinforcement learning.
Second: feeling comfortable and using body language. Nervousness and uncertainty are immediately perceptible to the audience. Deliberate use of body language, a steady vocal tone, and practical preparation steps - such as entering the room 15 minutes early and checking the technology - help build confidence.
Third: respect for the audience and their time. Theo cites the rule of thumb of two minutes per slide: for a 30-minute talk, you should plan for around 15 slides. Most presenters, however, have two to three times that number of slides. Equally important is a constructive approach to audience questions: those who engage openly and positively with questions - even critical ones - rather than becoming defensive demonstrate genuine confidence.
Key takeaways
- Visualizations should accompany the entire data science process - from exploratory data analysis to the presentation of results.
- Language is a linear medium; visualizations can often convey complex relationships in seconds, whereas words might require minutes or hours.
- Every visualization should carry exactly one clearly communicable message and be tailored to the specific problem at hand.
- Machine learning methods such as SOMs or PCA can themselves be used as visualization tools to make high-dimensional data tangible.
- Visualizations can be used in a deliberately manipulative way - for example through truncated axes or misleading color choices.
- The rule of thumb for presentations is: two minutes per slide - meaning a maximum of 15 slides, including the title slide, for a 30-minute talk.
- Storytelling is the most powerful means of anchoring technical content in the memory of an audience.
- Handling audience questions - including critical ones - with confidence is a reliable indicator of genuine presentation competence.
Conclusion
Data visualization is far more than the creation of attractive closing graphics: it is a continuous tool within the data science process and, at the same time, an independent communication discipline. Good visualizations and good presentations share the same underlying logic - a clear message, tailored to the audience, embedded in a coherent framework. Those who internalize these principles can convey complex insights not only accurately, but in a way that is truly understandable and memorable.
For data scientists and analysts
Visualizations should be used from the very start of every analysis - for quality checking, exploration, and ultimately for communication. Dimensionality reduction methods such as PCA or SOMs offer valuable ways to make high-dimensional data visible.
For everyone who presents regularly
The combination of storytelling, an appropriate number of slides (two minutes per slide), deliberate body language, and an open attitude toward audience questions makes the difference between a forgettable talk and a presentation that leaves a lasting impression.
Show full transcript
Speaker0: Jeder war schon mal bei einem beschissenen Vortrag. Mir ist es erst letztens wieder passiert. Real, beim ersten Vortrag waren 100 Leute da und beim nächsten Mal nur noch 10. Wie kann so was passieren? Und auf was sollte man unbedingt achten, wenn man einen guten Vortrag oder eine gute Präsentation halten möchte? Das erfahrt ihr jetzt in dieser neuen Ausgabe vom Ihrem Podcast. Und damit herzlich willkommen zu 1 weiteren Ausgabe von The Eriam Podcast. Bei mir sitzt heute der Theo. Servus, Jaggo. Und ich freue mich ganz besonders auf das heutige Thema, weil's auch eine meiner Herzensangelegenheiten ist. Es geht Präsentationen und vor allem Präsentationen im Bereich Data Science. Theo, vielleicht Eingangsfrage, was ist der beste Vortrag, den Du je gehört hast? Kannst Du uns das erzählen? Mhm.
Speaker1: Das war eine Präsentation zum Thema Reanforcement Learning, dessen Gast bei uns am Max Planck Institut für Astrophysik gehalten hat. Mhm. Und der kam mir deshalb in den Sinn, weil dieser Sprecher damals es geschafft hat, den perfekten Mix hinzukriegen zwischen fachlicher Tiefe. Also das waren natürlich Formeln auf den Folien und das Ganze gleichzeitig mit Storytelling zu untermalen. Und in 1 der vorherigen Folgen, man haste ja mit Maxime über Reinforcement Learning Genau, in der letzten Folge, richtig. Und das Beispiel war ja auch, man bekommt Schokolade für die oder im Sinne der Reward Funktion und das ist genau übrigens aus diesem Talk raus. Also das war die Geschichte, bei dem Roger the Robot versucht Schokolade zu erhalten und versucht eben die Welt zu verstehen und in ihr klarzukommen. Und das war einfach so cool, weil einfach diese Mischung da war. Zum Beispiel gab's eine formale Definition für die Hölle oder den Himmel, ja. Also die Hölle, ein Ort im Zustandsraum, von dem Du nicht mehr wegkommst, aber es auch keine Schokolade gibt. Das heißt, der Maxime hat einfach das verwendet, ohne zu zitieren oder eine Referenz anzugeben. Na ja, Du musst Du musst sehen, das Storytelling war so geil Ja. Einfach, dass es sich in unseren Gehirnen eingebrannt hat. Exakt, das vergisst Du nicht mehr. Genau und warum ist es denn so wichtig, gute Präsentationen
Speaker0: halten zu können? Vor allem als Data Scientist? Warum ist das ein Skill, der unabdingbar ist?
Speaker1: Ich denke vor allem aufgrund des Risikos, dass bei 'ner Präsentation Inhalte falsch rüberkommen. Okay. Die Gefahr hast Du immer, wenn Du einen Vortrag hältst, dass der Zuhörer einfach aufgrund 1 anderen Backgrounds, weil er vielleicht aus Versehen ein Fachwort benutzt, das dem Zuhörer nicht bekannt ist oder er vielleicht einfach was anderes drunter versteht. Das ist eigentlich noch gefährlicher. Ja. Weil er dann gar nicht auf die Idee kommt, eine Rückfrage zu halten. Und dann Das Konzept Flüsterpost quasi. Ja, richtig. Und und und dann ist es einfach wertvoll, Dinge zu visualisieren, denn Sprache ist, ich würd's mal so ausdrücken, ein lineares Medium. Mhm. Und 'n schönes Beispiel, das ich mir dazu überlegt hab, ist, wenn ich die erklären sollte, wie das Dorf aufgebaut ist, indem ich aufgewachsen bin. Ja. Dann könnte ich dir jetzt eine halbe Stunde lang erzählen, wie lang oder wie wie weit die einzelnen Häuser meiner Freunde von einander entfernt sind oder ich zeige dir einfach für 5 Sekunden eine Karte. Und es ist sofort einleuchtend,
Speaker0: wie das Dorf aufgebaut ist. Richtig. Gut und warum machen wir dann überhaupt diese Folge? Wenn ich einfach eine Zeichnung geben kann von allem möglichen, kann diese Aufgabe überhaupt schwer sein? Im vor allem im Bereich Data Science. Es ist doch nicht, kann doch nicht schwer sein, 'n Paragrafen zu machen, hat man doch in der Schule schon gezeichnet. Ich denke, die Schwierigkeit beim Thema Datenvisualisierung
Speaker1: oder vor allem auch Erkenntnisvisualisierung liegt darin, weil es kein Patentrezept gibt. Okay. Und Du dir für jeden einzelnen Case einzeln überlegen musst, wie kriege ich den jetzt am besten visualisiert. Mhm. Und dazu kommt noch, dass wir uns ja normalerweise in hochdimensionalen Räumen bewegen. Mhm. Das heißt, zusätzlich zu der ersten Schwierigkeit kommt noch die Schwierigkeit hinzu, dass ich die Daten oder diese Information immer runterkomprimieren muss Ja. Von 'nem n-dimensionalen Raum auf einen, wenn's 'n Ausdruck sein soll, einen zweidimensionalen Raum.
Speaker0: Oder man sagt, man stelle sich eine zehndimensionale Kugel vor. Ja, richtig, genau. Und verliert die Leute eher.
Speaker1: Und und vielleicht kannst Du noch mit 'nem Video arbeiten, dann dann bist 3 d, vielleicht noch eine Animation von dem Würfel, dann bist 4 d und dann arbeitest Du mit Farben, dann bist Du vielleicht bei 5 d, aber
Speaker0: die Fälle, auf die dieser Ansatz anwendbar ist, die sind superselten. Ja und auch einfach schwierig nachzuvollziehen und das ist nicht vielleicht nicht direkt einleuchtend. Gut, aber jetzt vielleicht schon direkt zu dem Thema, jetzt eingenommen man ist 'n Data Scientist und macht seine Analyse und wo ist denn da die Visualisierung denn angesiedelt? Macht man die dann einfach zum Schluss? Also läuft das so in meinem Kopf? Läuft das, sagt, hey, ich mach krieg den Datenbestand, mach da Preprocessing, mach meine Analyse oder mach meine Regression, wie auch immer und möchte das am Ende präsentieren und zeichne 'n paar hübsche Graphen. So oder wie wo macht der seine Visualisierung? Macht er die erst ganz zum Schluss?
Speaker1: Also ich denke, es macht Sinn, die Visualisierung als Werkzeug mitzunehmen in der kompletten Arbeitskette, also in dem ganzen Prozess, Okay. Sich zum Beispiel auch eine 1. Idee oder einen ersten Eindruck von 'nem Datensatz zu verschaffen.
Speaker0: Okay, also auf in 'ner Art, sag ich mal, Preprocessing
Speaker1: oder zumindest, ein Gespür für den Datenbestand zu bekommen, Ja, genau. Was da überhaupt passiert. Genau, also nimm mal das Beispiel, Zeitreihe hier. Das 1., wenn ich jetzt hier mal eine Zeitreihe krieg, ich ich plat mir die auf, zu gucken, sind da irgendwie Artefakte in dem Datensatz drin? Okay. Oder ist der einfach vielleicht flat, ja? Oder Ja. Genau, nimm, Du Du bekommst die Werte von 100 Sensoren. Mhm. Dann machst Du einfach mit 'nem mit 'ner mit 'ner einfachen Vorschleife in in Python die 100 Plots haust Du die raus. Ja. Guckst einmal drüber, ob vielleicht in irgendeinem total offensichtlicher Käse ist, weil immer einfach die 0 drinsteht oder so. Okay. Also das ist schon mal 'n supereinfaches Werkzeug, das dir sehr viel bringt. Und das Ganze kannst Du beliebig sophisticaden Ja, klar. Und da gibt's ja die eigenen Tools dafür, die die zum Beispiel wie Tableau, also Tableau, das ja unter anderem mit abdeckt, dir zu ermöglichen, Datensatz anhand cooler und und und intuitiver Visualisierungen gut zu verstehen. Und wenn Du dann eine Erkenntnis produziert oder gewonnen hast, dann kannst Du die natürlich auch wieder mit 'ner Visualisierung verkaufen.
Speaker0: Okay, also auch ein Werkzeug im Prozess, im Data Science Prozess und nicht nur zur zum, wie sag ich mal, Übermitteln von der Information, die da mal am Ende rausgefunden hat. Auf jeden Fall und auch eine persönliche Geschichte. Also während meinem Physikstudium,
Speaker1: da war es so, dass ich mir alles geplottet habe. Okay. Also egal, ob das in der in den Mathevorlesungen war oder dann später in den Physikvorlesungen, auch Quantenmechanik, Feldtheorie wird's dann ein bisschen schwierig zu zu visualisieren. Ja. Aber wenn Du dir so was hernimmst wie, wie breitet sich ein Wellenpaket in einem optisch dichten Medium aus? Mhm. Ich hab mir das natürlich einmal ausgerechnet, das war die Hausaufgabe, aber darüber hinaus, ich hab mir das Ding visualisiert. Und das Coole ist, Du kriegst dann irgendwann so einen Gehirnplotter. Also ich muss mir
Speaker0: eine große Klasse an Formeln nur angucken und weiß dann schon grob, wie die aussieht. Dass man quasi die Animation dann in seinem Kopf macht, wenn man die Funktion irgendwie son bisschen sieht. Und das ist dann wieder das Thema Intuition. Ja, auf jeden Fall. Dann zum Thema Machine Learning, ja? Also so die meisten, sag ich mal, Funktionen, die etwas plotten, die ich kenne, sind eher so was wie, nimm einen Punkt, setz es in die Funktion ein und zeichne es dann in der Ebene rein. Benutzt man Machine Learning auch zum Visualisieren von Daten?
Speaker1: Wie Du nur auf diese Frage kommen? Ja, das ist ja schon Ja, nee, also das ist tatsächlich irgend 'n total cooler Punkt, wenn Du Machine Learning an sich für die Visualisierung benutzt. Mhm. Und 'n ziemlich cooles Ding, das das sind die, die Soms, die die Idee verfolgen, dass Du eine, okay, jetzt abstrakt, eine Untermannigfaltigkeit, eine zweidimensionale Untermannigfaltigkeit versuchst dann deinen Datensatz zu finden. Mhm. Also Du presst das Ding im Endeffekt auf eine in in eine Kartenform. Okay. Und das ist eine supercoole Art und Weise, wie Du 'n hochdimensionalen Datensatz, der vielleicht intrinsisch, idealerweise schon zweidimensional ist, Mhm. In 1 Ebene presst, sodass Du dann dir leicht angucken kannst, okay, was sind denn die Nachbarschaftsbeziehungen zwischen den einzelnen Datenpunkten in meinem Datensatz?
Speaker0: Das heißt, weiterhin unter meine ichfaltigkeiten, dein favorite mathematisches
Speaker1: Konzept. Es zieht sich auch in den Die sind die Data Science. Ja. Ja, aber man kann natürlich auch mit 'nem Decision Tree zum Beispiel wunderbar Dinge visualisieren. Also das ist wieder sehr eingängig, aber auch, also haben wir wieder Untermannigfaltigkeiten, da kannst Du auch eine PCA, die die stärksten 2 Hauptkomponenten nutzen und und quasi in der Hyperebene dann den Schnitt machen und alles in diese Hyperebene rein projizieren. Und einfach mal ausprobieren, ob man vielleicht was Interessantes sieht.
Speaker0: Okay, Pass auf, Pan. Die Möglichkeiten sind also mannigfaltig.
Speaker1: Ja, jetzt knetig, ja.
Speaker0: Alles klar. Vielleicht noch mal zu dem Schritt Data Visual Okay. Vielleicht noch mal zu dem Schritt Datenvisualisierung im Data Science Prozess. Wir hatten auch mal in den vergangenen Folgen zusammen mit dem Maxime über Data gesprochen. Insbesondere haben wir darüber gesprochen, was denn ein ist, ja. Jetzt kann ich mir gut vorstellen, dass man innerhalb seines Datenbestands sich am Ende die Visualisierung raussucht, die genau die Kurve zeigt, die man haben will, die genau den Cluster zeigt, den man haben will oder was auch immer. Ist das, sage ich, tritt kommt so was häufig vor, dass man speziell bei Visualisierungen sehr ist, weil man halt einfach nicht bloß random irgendwelche Punkte haben will, sondern einfach nicht was irgendwas irgendwas mit 'nem Muster?
Speaker1: Die Gefahr besteht auf jeden Fall, weil Du Okay, es gibt 2 Cases. Einmal Du suchst dir halt die Visualisierung raus, die dir grade am besten passt. Mhm. Und wenn Du eben Dinge in 2 Dimensionen runterpresst und damit in irgend 'ner Art und Weise projizierst Ja. Dann gibt's einfach auch eine hohe Kombinatorik, an was Du rein zufällig erzeugen kannst. Ja. Jetzt mal ja sehr gesprochen und dann kannst Du Visualisierung und das ist tatsächlich sehr bedenklich, auch zur Manipulation nutzen. Okay. Also denken wir mal an das Beispiel, Du hast 2 Dinge, die Du vergleichen möchtest. Das eine ist deins, das andere, das ist der Konkurrenz. Ja. Und Du möchtest hervorheben, dass deins viel viel toller ist. Ja. Und Du machst son son Wahlplot Ja. Balkendiagramm, genau und schneidest einfach die Achsen ab und und beschriftest das aber nicht ordentlich. Ja. Dann ist der echte Unterschied vielleicht bei einem Prozent. Ja. Du plottest die Konkurrenz mit einhundert und deins mit einhundert und 1 und dein Balken ist aber dreimal so lang, weil einfach die Achse abgeschnitten wurde. Ja. Da gibt's auch sehr viele irreführende
Speaker0: Statistiken, glaub ich, von von Nachrichtencentern aus den Staaten, während dem Obama als Präsident kandidiert hat, wo dann irgendwie der der Bar, das die der Balken für 76 Prozent so hoch war und dann der für 72 Prozent einfach ein Drittel der Höhe hatte. Ja, klar. Was natürlich völliger Quatsch ist, aber da merkt man natürlich auch wieder die Power von Visualisierungen, ne? Also dass man im ersten Moment gar nicht mal mehr auf die Zahlen achtet, sondern erst mal das Gefühl kriegt für, hey, der Balken ist viel höher als der kleine Balken, ja. Groß ist größer als klein. Genau und das Gleiche dann mit Farbgebung. Also Du kannst das Ganze
Speaker1: echt in vielen Art und Weisen manipulieren. Von daher muss man da wirklich immer ganz genau hingucken.
Speaker0: Alles klar. Vielleicht noch mal son bisschen das Thema Datenvisualisierung abzurunden, Mhm. Kannst Du uns vielleicht da in die Hand geben, was muss denn eine gute Datenvisualisierung auf jeden Fall haben? Sagen wir jetzt mal, ich komm jetzt zu dir, will unbedingt meine Masterarbeit bei Erium schreiben und denk mir, hey, ich will präsentieren, was da meine mein Ansatz ist. Was für eine Datenvisualisierung, was für was für eine Datenvisualisierung soll ich dir zeigen?
Speaker1: Die, die zum Problem passt. Okay. Also das ist mal das eine, dass es, wie ich ganz zu Beginn schon schon meinte, die Antwort gibt, das ist die beste Art, Dinge zu visualisieren, sondern es kommt wirklich immer drauf an. Mhm. Und dann ist es nur wichtig, denk ich, dass man eine klare Message kommuniziert, also genauso wie bei 'ner Präsentation. Mhm. Eine Message pro Slide, genauso bei 'ner Visualisierung, die die diese Visualisierung sollte 1 ausdrücken. Mhm. Mhm. Und darauf zugeschnitten sein. Und das bedeutet dann, dass eben die richtigen Dinge beschriftet sind, dass Du nicht Dinge beschriftetst, die für das Problem völlig irrelevant sind. Mhm. Und dass der Schwerpunkt auch entsprechend gesetzt wird. Also zeige keinen Plot, bei der die relevante Information rechts oben im Eck versteckt ist.
Speaker0: Also quasi eine sozusagen eine take home Message, die an diese Grafik gekoppelt ist und sobald man diese Grafik denkt, denkt man auch sofort an diese Message. Ganz genau. Alles klar. Und vielleicht noch als Toolbox, ja. Was kannst Du denn den Hörern, den Complexitymasters noch mitgeben? Welche, wenn sie jetzt komplette Neulinge sind, was Datenvisalisierungen angeht, welche Art von Datenvisualisierung muss man auf jeden Fall aufm Kasten haben, ja? Also wir hatten jetzt geredet über über Barplots. Was gibt's denn da noch, was man auf jeden Fall im Werkzeugkasten haben sollte?
Speaker1: Es gibt im Wesentlichen das, was Excel einem bietet. Okay. Das sind so die 0 8 15 Tools und dann wird's schon sehr speziell. Also Okay. Genomvisualisierung gibt's immer ganz spezifische Arten Da würde ich empfehlen, dass man, wenn man sich schon spezialisiert hat auf ein Gebiet, dass man sich orientiert, wie macht man's üblicherweise oder wie machen das die Kollegen? Und wenn man 'n bissel high level einsteigen möchte, dann gibt's 'n gutes Buch, das packt das packen wir 'n bisschen in die Shownotes Das packt man in die Shownotes, ja. Von der Timaria Manzner, Visualisation Analysis and Design. Das gibt 'n echt coolen Überblick und die bringt da vor allem die Rolle des Menschen auch noch mal gut zum Ausdruck. Also wie der Visualisierungen wahrnimmt und wie man das dementsprechend anpassen sollte. Genau und und welche Rolle der im Entscheidungsprozess
Speaker0: spielt,
Speaker1: Entscheidungsprozess spielt, wie man die richtige, wie man sich der richtigen Visualisierung nähert, ja.
Speaker0: Alles klar. Dann zum Abschluss Theo. Vielleicht noch mal zurück zum Thema Präsentationen an sich. Da gehört ja noch mehr dazu als nur die hübsche Grafik, ja. Man sollte vielleicht manchmal nicht komplett verlobt zur Präsentation kommen. Was gehört dann noch dazu, ja? Vielleicht in Bezug aufs Auftreten, wie wie sollte man sich anstellen bei 'ner Präsentation an sich, ja? Also wenn's jetzt nicht unbedingt Data Science geht, sondern lass es Mathe, Physik oder sonst was sein? Was sollte man da auf jeden Fall beachten?
Speaker1: Mhm. Dazu gibt's also gleich mal vorne weg. Das ist 'n eigenes Feld für sich Ja. In dem auch üben tatsächlich einfach sehr, sehr wichtig ist. Aber ich möcht mir gern so die 3 Kernelemente raus oder oder zum Ausdruck bringen, die mir jetzt in unseren Coachings und aus den Büchern, die ich dazu gelesen hab, immer hängen geblieben sind oder die die die quasi immer wieder kehren. Ja. Und ein wichtiger Punkt ist nämlich, dass man, ich hab mal dieses dieses etwas hingy Ding gehört, die Formulierung, man man sollte einen Weckrag anstelle 1 Vortrags halten. Sehr gut. Was ja im Wesentlichen bedeutet, also man muss dem Zuhörer 'n Mehrwert bieten. Ja. Und dazu gehört, dass man sich vorher überlegt, wer hört mir denn zu? Okay, oftmals ist es schon implizit gegeben, wenn ich das an der Uni mach, dann ist das immer eine homogene Gruppe. Aber wenn ich eingeladen werde, einen Vortrag zu halten, dann muss ich mich da ganz spezifisch drauf vorbereiten, mich dann auf das einzuschränken, dass die Audience auch interessiert, Mhm. Das für das Publikum relevant ist. Und der Vortrag ist für das Publikum, nicht sich selbst zu profilieren, dass man da Genau, genau oder sich selbst eine Stoffsammlung für die Zukunft zu arbeiten. Ja, genau. Und und da war ein wichtiges Werkzeug, das ist das Thema Storytelling. Also wieder ganz als Beginn, Roger the Robot möchte Schokolade haben. Ja. Das bleibt den Leuten im Gedächtnis. Und ich kann mich heute noch an gute Vorträge aus der Vergangenheit erinnern, bei denen einfach gutes Storytelling und 'n roter Faden eingesetzt wurde. Der 2. Punkt, das ist das Thema Wohlfühlen. Mhm. Und also so würde ich das zusammenfassen, da fällt für mich jetzt mal alles drunter, Körperhaltung, dass man sich eine stabile Sprache angewöhnt, dass die Stimmlage hochrutscht, wenn man spricht. Denn Du merkst als Zuhörer sofort, wenn sich der Sprecher auf der Bühne oder bei der Präsentation ganz allgemein unwohl fühlt. Aber auch Unsicherheit sich bemerkbar macht. Richtig, genau. Und da kann man sich selbst auch manipulieren mit entsprechender Körpersprache, die man ganz bewusst nutzt. Und dann gibt's aber einfach auch son No Brainer, wie dass man sich 'n Raum eine Viertelstunde vorher anguckt, das haben wahrscheinlich die meisten schon mal gehört, aber das dann auch zu tun und zu sagen, ich komme 15 Minuten vorher, dann tun's doch wieder die wenigsten. Ja. Und das ist wirklich so supereasy, die Technik vorher zu checken, wenn's wenn's geht, Mhm. Ja? Das sind einfach so kleine Kniffe, wie man dieses Wohlfühlen verstärken kann. Und der 3. Punkt, der bezieht sich son bisschen auch auf den ersten, Betrag statt Vortrag. Das ist ganz Aber ganz generell, dass man Respekt vor seinem Publikum hat Ja. Und im Sinne dessen definitiv nicht überzieht, also dass mir die Zeit des Publikums wertschätzt. Ja. Und da gibt's sone Daumenregel und die die kennen scheinbar nur sehr wenige. Also ab jetzt wisst ihr sie, nämlich bei 'nem normalen Vortrag, der nicht krass geübt oder einstudiert, also wo man wirklich jedes Wort auswendig lernt und das noch mal ganz anderen Regeln folgt, da ist meinem normalen Vortrag, rechnet mit 2 Minuten pro Slide. Das heißt, wenn ihr eine halbe Stunde referiert, dann sind es nur 15 Folien inklusive Deckblatt, weil man Ja. Stellt sich auch vor und es geht ein bissel was bei der Anmoderation drauf. Ja. Und das ist heftig, weil üblicherweise hat man die doppelte bis dreifache Folienmenge. Und ein zweiter Punkt, der mir auch oft auffällt, vor allem wenn die Leute in Stress, in 'ner Stresssituation sich befinden, ist, es kommt eine Frage, die einfach vielleicht aus Interesse gestellt ist, aber egal, warum sie gestellt ist. Also selbst wenn dir jemand 'n Bein stellen möchte mit 'ner Frage, Ja. Dass dann in eine Abwehrhaltung gegangen wird. Aber Okay. Es ist eine Also mir fällt es positiv auf, wenn ein Sprecher eine, sei es noch so aggressive oder noch so vielleicht aufn ersten Blick dumm erscheinende Frage, positiv aufgreift, der versucht, was Positives abzugewinnen und versucht, Parallelen dazu herzustellen. Mhm. Dann konstruktiv drauf einzugehen. Daran erkennst Du, ob jemand wirklich sich wohlfühlt und in seinem Thema auch fit ist oder ob er noch einfach mehr Übung braucht. Ja, also quasi sich nicht angegriffen fühlen
Speaker0: mit von der von Fragen, die aus dem Publikum kommen. Richtig. Sondern mehr einfach positiv darauf eingehen. Genau, indem er sich auch als Persönlichkeit
Speaker1: nicht mit der Präsentation zu 100 Prozent identifiziert. Also wenn Du jetzt in meiner Präsentation sagen würdest, hey, Du hast da irgendwie 'n Vorzeichenfehler auf Slides 5, dann würde ich grundsätzlich erst mal mich quasi auf deine Seite stellen und okay, jetzt lass uns gemeinsam diese Slides checken. Ja. Ja, das ist so die Geisteshaltung, dass man einfach in sich ruhend seine Persönlichkeit da nicht irgendwie verstellt, sondern einfach den Vortrag als ja, als als als resiliente Persönlichkeit rüberbringt.
Speaker0: Alles klar, na das klingt doch super. Dann für die von euch, die selber noch mal bisschen Datenvisualisierung üben möchten, haben wir wieder etwas in die Shownotes gepackt und zwar eine Jupiter Notebook Datei, in der wir mal einen Datenbestand anschauen und versuchen, uns innerhalb diesem zurechtzufinden mithilfe von Datenvisualisierung und mal zu verstehen, was da denn genau abgeht. Ansonsten würde ich gerne noch mal zum Abschluss die Buchempfehlung noch mal hören, weil ich glaube, es ist ganz gut, wenn die am Abschluss noch mal erwähnt wird.
Speaker1: Das ist Tamara Manzner.
Speaker0: Genau, Manzner mit MUNZNER. In den Shownotes. Es ist es ist in den Shownotes, genau. Dann ansonsten sage ich noch mal danke an dich Theo. Toll, dass Du dabei warst und bis zum nächsten Mal. Master the Complexity. Damit wir weiterhin für euch Complexitymasters hochwertigen Content produzieren und erstklassige Gäste einladen können, brauchen wir eure Unterstützung. Lasst uns auf Apple Podcasts eine 5 Sterne Bewertung da und drückt am besten direkt den Follow Button, uns zu supporten und keine Folge mehr zu verpassen. Bis zum nächsten Mal.