Die Analyse großer Datenmengen ist in vielen Anwendungsgebieten eine wichtige Aufgabe. Dazu zählen zum einen die Biologie, Pharmazie und Verkehrsplanung als auch Sozial- und Wirtschaftswissenschaften, um nur einige Beispiele zu nennen. Diese Gebiete sind auf eine effektive und schnelle Analyse angewiesen, um zeitnah Entscheidungen treffen zu können. In dieser Arbeit präsentieren wir neue Techniken, die diese flexibel integrierten Kombinationen mit enger Einbeziehung des Nutzers in den analytischen Prozess für zwei ausgewählten Datentypen unterstützen. Für die visuelle Analyse gerichteter, gewichteter Graphen wurden auf den Datentyp und ausgewählte Nutzungsszenarien spezialisierte Techniken entwickelt. Der Beitrag beinhaltet: 1. Verbesserung der Analyse der Beziehung zwischen Graphknoten. Durch die interaktive Integration graphalgoritmischer Analyse- und Visualisierungsmethoden wird eine einfache und effektive Untersuchung der Zusammenhänge gewährleistet. 2. Erweiterung der visuellen, interaktiven Analyse von Graphmotiven, die vordefinierte und interaktiv durch den Benutzer definierte Strukturen untersucht. Auf Basis dieser Motivdaten kann eine hierarchische Aggregation der Daten erfolgen, um verschiedene Abstraktionsebenen zu erzeugen. Weiterhin wird die Motivanalyse zur Auswertung struktureller Graphänderungen (z.B. benutzerdefinierte "was-wäre-wenn-Szenarien) eingeführt. 3. Für Analyse und Vergleich mehrerer Graphen mit einem Schwerpunkt auf der Untersuchung vieler zusammenhängender Graphkomponenten , wird durch eine Technik unterstützt, die die Graphen nach ihrer Ähnlichkeit gruppiert. Eine interaktive, visuelle Analyse bietet einen Überblick des Datenraums. Auf dem Gebiet der visuellen Analyse zweidimensionaler, zeitabhängiger Daten umfasst unser Beitrag die Entwicklung von Techniken zur Kombination von animations- oder trajektorenbasierter Visualisierung mit interaktiver feature-basierter Analyse. In unserer Arbeit stellen wir folgende Beiträge zur visuellen Analyse zweidimensionaler, zeitabhängiger Daten vor: 1. Wirkung von Attributen der Datenanimation auf die menschliche Wahrnehmung haben wir im Rahmen einer Benutzerstudie untersucht. Dadurch konnten wir zum besseren Verständnis und zur Definition von Leitlinien in diesem Zusammenhang beitragen. 2. Um ein signifikantes Verhalten der Punkte und der Gruppen der Punkte über die Zeit feststellen zu können, haben wir eine Reihe von wichtigen Objekteigenschaften definiert, um deren Entwicklung über die Zeit beobachten zu können. Die Auswertung dieser Eigenschaften erlaubt es, interessante Datenänderungen zu identifizieren und detailliert visuell zu explorieren. 3. Des Weiteren haben wir eine interaktive Technik zum visuellen Clustering von Trajektorien vorgestellt. Wir verwendeten zum Clustern der Daten ein neuronales Netz in Form einer Selbst-Organisierenden Karte (SOM) und unterstützen Benutzerkontrolle des Clusteringprozesses. Als Grundlage für die Entwicklung der neuen visuellen Analyseansätze, dienen die Methoden von Visual Analytics und der damit verbundenen Forschungsbereiche. Wir erweitern dabei die Klassifikation der Informationvisualisierungs- und Interaktionstechniken, die in Visual Analytics verwendet werden. Die entwickelten Techniken können in verschiedenen Anwendungsbereichen wie z.B. Finanzen und Wirtschaft, Geographie, Sozialwissenschaften, Biologie, Transport oder Meteorologie angewandt werden. Wir demonstrieren unsere neuen Verfahren an zwei praxisrelevanten Datensätzen aus dem Bereich der Finanzanalyse. Zum Einen, handelt es sich um die Analyse von Beteiligungsstrukturen und zum Anderen, um die Auswertung von zeitabhängigen Risiko-Rendite-Daten.