Ein Affinity Diagram ist eine visuelle Methode der Datenanalyse, die sich besonders für qualitative Daten eignet (vgl. COURAGE und BAXTER 2005, S. 714). Ähnliche Ergebnisse oder Konzepte werden gruppiert, um Themen oder Trends in den Daten zu identifizieren.
>> Zurück zur Methodenübersicht
Ziele
Ziel ist es, große Mengen an Informationen, Daten oder Ideen zu strukturieren und zu organisieren, um Muster, Zusammenhänge und Themen zu erkennen. Durch die Bildung von thematischen Clustern entsteht eine visuelle Übersicht, so dass wiederkehrende Themen oder Probleme besser erkannt und komplexe Probleme und Informationen besser verstanden werden können (vgl. MIRO, 2019).
Fragestellung
○ Welche wiederkehrenden Themen oder Probleme lassen sich erkennen?
○ Welche Themenschwerpunkte entstehen aus den Forschungsergebnissen?
○ Welche Zusammenhänge werden sichtbar?
Beschreibung zur Umsetzung
Das Affinity Diagram wird zur Auswertung von qualitativen Forschungsdaten zum Beispiel aus Interviews, Workshops und Beobachtungen genutzt. In einer ersten Phase werten die Akteurinnen ihre Forschungsergebnisse im Hinblick auf sogenannte Key Points aus und schreiben diese auf Karten. Key Points können Themen, Beispiele oder Zitate aus den Forschungsdaten sein oder aber auch Fragen und Ideen zur Forschung. Die Karten mit den Key Points werden von den Akteurinnen auf einem gemeinsamen Board gesammelt, um ähnliche Ideen und verwandte Konzepte zu Clustern gruppieren zu können. Für jedes Cluster wird eine Überschrift formuliert. Im Rahmen eines „Walks“ durch die Cluster werden die Titel und Verbindungen diskutiert und Änderungen und Ergänzungen vorgenommen. Die Ergebnisse helfen weitere Entscheidungen und Entwicklungen im Hinblick auf die zugrundeliegende Fragestellung zu formulieren. Die Methode funktioniert digital als auch analog.
| Vorteile | Nachteile |
| ○ Strukturiert große Datenmengen. ○ Muster lassen sich einfacher erkennen. ○ Kreatives Denken wird gefördert. ○ Entscheidungsfindung basiert auf Ergebnissen. | ○ Das Clustern ist zeitlich aufwändig. ○ Sehr großen Datenmengen können unübersichtlich werden. ○ Die Clusterung der Ideen ist oft subjektiv. ○ Die Moderation ist wichtig, damit alle Beteiligten eingebunden werden und die Diskussion produktiv bleibt (vgl. MIRO, 2019). |
Practices
Im Rahmen eines Projekts zu digitalen Anwendungen in Bibliotheken wurden qualitative Daten mittels unterschiedlicher Methoden erhoben. Die wichtigsten Informationen aus den gesammelten Daten (Tagebuch, Screenshots, Interviews) wurden in kurzen Sätzen zusammengefasst, um sie in einem vergleichbaren Format präsentieren zu können. Auf diese Weise ließen sich die Informationen der Daten mit Hilfe von Affinitätsdiagrammen für die weitere Analyse verdichten. Die Akteurinnen diskutierten die Informationen, identifizierten mögliche Cluster und begannen damit, diese Themen durch Aufhängen der verdichteten Aussagen an einer Wand zu visualisieren. Den verschiedenen Clustern wurde mit Hilfe von farbigen Post-it-Zetteln Titel zugeordnet. In dieser Phase wurden einige Informationen in andere Cluster verschoben oder es wurden ganz neue Cluster gebildet. Die Akteurinnen ergänzten die Informationen in Textform um die von den Nutzerinnen zur Verfügung gestellten Screenshots und andere visuelle Materialien. Diese wurden ebenfalls den Clustern an der Wand zugeordnet. Die Affinitätsanalyse ergab eine Reihe von Themen, die für die Nutzerinnen bei der Arbeit mit digitalen Anwendungen von Bedeutung sind (vgl. SNOW et al., 2008).
Quellen
- MIRO, 2019. What Is An Affinity Diagram And How Do You Use It? MiroBlog [online]. 19 September 2019. [Zugriff am: 11 August 2024]. Verfügbar unter: https://miro.com/blog/create-affinity-diagrams/
- SNOW, Kellie et al., 2008. Considering the User Perspective. Research into Usage and Communication of Digital Information. D-Lib Magazine 14 (5/6). ISSN 1082-9873 Verfügbar unter: https://www.dlib.org/dlib/may08/ross/05ross.html
- COURAGE, Catherine and BAXTER, Kathy, 2005. Understanding your users : a practical guide to user requirements ; methods, tools, and techniques. Amsterdam [u.a.]: Elsevier/Morgan Kaufmann
