Präsentationen der Open Data Apps 2017

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

FS 2017
4
Aufgabenstellung
> Sankey-Diagramm!

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

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

FS 2017
7
Vorgehen
> Datenbeschaffung
> Datenbereinigungen
> Datentransformation

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

FS 2017
7
Fazit
machen?
besuchen?

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

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

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

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

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

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

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

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

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

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

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

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

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

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

FS 2017
8
VIELEN DANK FÜR IHRE
AUFMERKSAMKEIT!

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

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

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

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

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

FS 2017
6
Versionen

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Präsentationen der Open Data Apps 2017

Weitere ähnliche Inhalte

Ähnlich wie Präsentationen der Open Data Apps 2017 (11)

Präsentationen der Open Data Apps 2017