Observable

Dieser Testbericht zu Observable Notebooks befasst sich mit den Einsatzbereichen der Plattform, ihren wichtigsten Funktionen, den Preisen von Observable, dem Vergleich der Notebooks mit dem Observable Framework, ihren Stärken und Schwächen sowie den Tools, mit denen sie verglichen werden kann. Observable wurde 2016 von Mike Bostock, dem Schöpfer von D3, gegründet und 2018 öffentlich eingeführt. Heute umfasst es eine ganze Produktfamilie: die webbasierten „Observable Notebooks“ zur Datenauswertung mit Code, das Open-Source-„Observable Framework“ zur Erstellung von Datenanwendungen und Dashboards, „Observable Canvases“ für die kollaborative Analyse mit SQL und KI sowie Open-Source-Bibliotheken wie „Observable Plot“ und „D3“. Laut Observable wurden auf der Plattform bereits mehr als 1.200.000 Notebooks erstellt und bearbeitet.

Wofür wird Observable verwendet?

Observable wird für Datenanalysen und Datenvisualisierungen eingesetzt, die über die Funktionen eines herkömmlichen Diagramm-Generators hinausgehen. Notebooks vereinen Text, Code und Live-Ausgabe in einem Dokument, wodurch sie sich ideal für explorative Analysen und Data Storytelling eignen. Typische Projekte sind die explorative Analyse eines neuen Datensatzes, interaktive Visualisierungen für Journalismus und Forschung, interne Dashboards und Berichte, Prototypen einer Visualisierung vor der Integration in ein Produkt sowie die Vermittlung von Datenvisualisierung anhand von Live-Beispielen.

Datenwissenschaftler und Analysten nutzen Notebooks, um Daten zu laden, SQL-Datenbanken abzufragen und Observable-Plot-Diagramme Schritt für Schritt auszuprobieren. Entwickler und Datenteams nutzen das Observable Framework, um diese Arbeit in schnelle Daten-Apps und Berichte umzusetzen, die in Git gespeichert werden. Produktmanager und Geschäftsteams nutzen Canvases, um gemeinsam Daten zu erkunden, ohne Code schreiben zu müssen. Der rote Faden ist das Web: Alles läuft im Browser, und jede Visualisierung kann als Link geteilt, in eine andere Website eingebettet oder als statische Website veröffentlicht werden.

Wichtigste Funktionen

• Reaktive Notebooks: Code-Blöcke in Observable JavaScript, Markdown, HTML und SQL. Wenn sich ein Wert ändert, wird jede davon abhängige Zelle aktualisiert, sodass Eingaben, Filter und Diagramme ohne zusätzlichen Code synchron bleiben.
• Observable Plot und D3: Observable Plot ist eine kompakte Diagrammbibliothek für die explorative Datenvisualisierung; D3 ist die Low-Level-Bibliothek, die vielen benutzerdefinierten interaktiven Grafiken zugrunde liegt. Beide sind Open Source und wurden vom Observable-Team entwickelt.
• Datenverbindungen: SQL-Zellen und eine Datentabellenzelle fragen Datenbanken und Data Warehouses aus privaten Notebooks ab, ebenso wie Dateianhänge, Cloud-Dateien und Web-APIs. Ein selbst gehosteter Datenbank-Proxy deckt Datenbanken in einem privaten Netzwerk ab (Observable-Dokumentation).
• Zusammenarbeit: Bearbeitung durch mehrere Benutzer, Kommentare, Forking, Vorschläge, Versionshistorie sowie öffentliche oder private Notizbücher mit Zugriffskontrolle.
• AI Assist: Ein KI-Assistent in Notizbüchern, der Code und Diagramme entwirft; eingeführt im Jahr 2023.
• Observable Framework: Ein Open-Source-Generator für statische Websites für Datenanwendungen, Dashboards und Berichte (siehe unten).
• Observable Canvases: Eine 2025 eingeführte kollaborative Daten-Arbeitsfläche, auf der Teams Daten per Point-and-Click, SQL oder KI erkunden und die Ergebnisse zu interaktiven Visualisierungen verfeinern können (Observable Canvases).
• Notebooks 2.0: Eine Technologievorschau mit dem „Notebook Kit“, einem offenen Dateiformat und einem Befehlszeilentool zum Erstellen statischer Websites aus Notebooks, sowie dem „Observable Desktop“, einem Notebook-Editor für macOS 15+ auf Apple Silicon (Notebooks 2.0).

Preise für Observable

Die Notebook-Tarife auf der Observable-Preisseite, Stand 30. August 2026, lauten wie folgt:

• Notebook Free: 0 $. Öffentliche und private Notebooks, AI Assist, Zugriff auf Datenbanken, Cloud-Dateien und Web-API-Endpunkte, Versionskontrolle sowie Community-Support über das Forum.
• Notebook Pro: 22 $ pro Monat pro Editor. Bietet zusätzlich die gemeinsame Code-Bearbeitung, geplante Notebook-Ausführungen, Workspace-Viewer, Gastzugriff auf Notebook-Ebene und entfernt das Observable-Wasserzeichen bei eingebetteten Notebooks.
• Viewer: jeweils 10 US-Dollar pro Monat im Pro-Tarif für Nutzer, die Notebooks nur anzeigen und mit ihnen interagieren.
• Enterprise: auf Anfrage erhältlich; die Dokumentation zum Arbeitsbereich beschreibt benutzerdefiniertes SSO und Audit-Protokolle.

Das Observable Framework, das Notebook Kit, Observable Plot und D3 sind kostenlos und Open Source unter der ISC-Lizenz. Canvases sind auf der Preisseite für Notebooks nicht aufgeführt; erkundigen Sie sich beim Vertrieb nach dem aktuellen Preis. Observable bietet auf derselben Seite auch Rabatte für gemeinnützige Organisationen und Lehrkräfte an.

Eine mögliche Kostenüberraschung ist die Frage, wer als „Seat“ zählt. Pro wird pro Editor abgerechnet, und für Betrachter fallen zusätzliche Kosten an, sodass sich die Kosten für die Freigabe privater Dashboards für ein großes Publikum summieren können. Bei Framework-Websites entfallen die Seat-Kosten, wenn Sie diese selbst hosten, da die Ausgabe aus einfachen statischen Dateien besteht.

Observable-Notebooks vs. Observable Framework

Notebooks dienen der Erkundung: Man öffnet ein neues Notebook im Browser, lädt Daten und durchläuft schrittweise jede Observable-Plot-Visualisierung, während Mitwirkende gleichzeitig Bearbeitungen vornehmen. Observable Framework dient der Bereitstellung: Man schreibt Markdown-Dateien mit reaktivem JavaScript, und Framework kompiliert diese zu einer statischen Website mit sofortigem Seitenladebetrieb (Observable Framework).

Die Kernidee von Framework sind Datenlader. Ein Datenlader ist ein Skript in einer beliebigen Sprache wie SQL, Python, R oder Node.js, das zur Erstellungszeit ausgeführt wird und einen statischen Snapshot der Daten in eine Datei schreibt. Das Dashboard lädt dann diese Datei, anstatt bei jedem Besuch die Datenbank abzufragen. Da ein Projekt lediglich aus Dateien in einem Ordner besteht, fügt es sich nahtlos in die normale Softwareentwicklung ein: Sie können Ihren eigenen Editor, Git, Unit-Tests und CI/CD verwenden und das Ergebnis beliebig hosten oder auf Observable bereitstellen. Es enthält Themen, Raster und JS-Bibliotheken, darunter Observable Plot, D3, DuckDB, Vega-Lite, Mapbox GL JS, Leaflet und Mermaid. Die neueste Version auf GitHub ist 1.13.4 vom März 2026.

Notebook Kit wendet denselben dateibasierten Ansatz auf Notebooks an. Es speichert ein Notebook in einem offenen, menschenlesbaren Format, sodass ein Notebook im Browser, in Observable Desktop oder in einem Code-Editor bearbeitet und als statische Website veröffentlicht werden kann.

Observable Plot und D3 für die Datenvisualisierung

Die meisten Diagramme auf Observable werden mit Observable Plot erstellt, der Open-Source-Visualisierungsbibliothek, die das Team 2021 veröffentlicht hat. Plot folgt einer schichtbasierten Grafikgrammatik: Man übergibt einen Datensatz und eine Liste von Markierungen wie Punkte, Linien, Balken oder Zellen, und Observable Plot wählt sinnvolle Skalen, Achsen und Legenden aus, sodass das Standarddiagramm bereits aussagekräftig ist. Ein Streudiagramm oder ein facettiertes Balkendiagramm erfordert nur wenige Zeilen Code, und die Plot-Dokumentation enthält für jede Markierung ein Beispiel. Für vollständig benutzerdefinierte interaktive Grafiken bietet D3 eine detaillierte Kontrolle über die Darstellung jedes Elements. Beide funktionieren auch außerhalb von Observable in reinem JavaScript, sodass ein in einem Notebook prototypisiertes Diagramm ohne Neuprogrammierung in eine Frontend-Anwendung übernommen werden kann. Integrierte Eingabeelemente wie Schieberegler, Dropdown-Menüs, Suchfelder und Tabellen verbinden Benutzersteuerelemente über reaktive Variablen mit den Diagrammen.

Observable-Notebooks vs. Jupyter-Notebooks

Datenwissenschaftler, die mit Jupyter-Notebooks vertraut sind, werden den größten Unterschied in der Ausführung der Zellen feststellen. In Jupyter werden Python-Zellen in der Reihenfolge ausgeführt, in der man sie aufruft, was zu veralteten Zuständen führen kann. In Observable wird der Code in der Reihenfolge der Abhängigkeiten ausgeführt, ähnlich wie in einer Tabellenkalkulation, sodass eine Änderung alles aktualisiert, was davon abhängt. Observable läuft im Browser und nutzt JavaScript, während Jupyter Python auf einem Server ausführt, wodurch sich Jupyter besser für rechenintensive Aufgaben und maschinelles Lernen eignet. Sehr große Datensätze können in Observable auch an die Leistungsgrenzen des Browsers stoßen; Datenlader lösen dieses Problem, indem sie Python- oder SQL-Abfragen bereits bei der Erstellung ausführen und nur das Ergebnis an den Browser senden. Viele Teams nutzen beides: Python für die Analyse, Observable für die gemeinsame Nutzung interaktiver Ergebnisse.

Erste Schritte mit Observable

Erstellen Sie ein kostenloses Konto und ein neues Notebook oder forken Sie eines der öffentlichen Notebooks aus der Galerie und passen Sie es an. Fügen Sie eine Datendatei hinzu oder stellen Sie eine Verbindung zu einer Datenbank her, schreiben Sie eine SQL-Zelle oder eine JavaScript-Zelle und fügen Sie mit „Observable Plot“ in wenigen Zeilen ein Diagramm hinzu. Lernen Sie zunächst Observable JavaScript kennen: Es handelt sich um Standard-JavaScript mit reaktiven Zellen, wobei die Auswertungsreihenfolge jedoch den Abhängigkeiten folgt und nicht der Reihenfolge auf der Seite. Für ein Dashboard, das in einer Codebasis integriert werden soll, führen Sie npx @observablehq/framework@latest create und befolgen Sie das Einführungs-Tutorial zum Framework.

Wo Observable glänzt – und wo es Schwächen zeigt

Stärken:

• Erstklassige interaktive Grafiken und benutzerdefinierte Visualisierungen vom Team hinter D3.
• Reaktive Notebooks beschleunigen die Erkundung und halten Eingaben und Diagramme synchron.
• Framework, Plot und Notebook Kit sind Open Source und erzeugen statische Websites, die Sie überall hosten können.
• Eine umfangreiche öffentliche Galerie mit Notebooks zum Lernen und Forken, mit starker Unterstützung durch die Community.

Nachteile:

• JavaScript ist die Hauptsprache in Notebooks; Python und R laufen nur in Datenladern zur Erstellungszeit.
• Kein Business-Intelligence-Tool mit Drag-and-Drop-Funktion; das Erstellen eines Diagramms erfordert immer noch das Schreiben von Code.
• Die private Freigabe in der Pro-Version wird pro Editor abgerechnet, zuzüglich einer Gebühr pro Betrachter, und kostenlose Nutzer erhalten nur Support im Forum.
• Mehrere Produkte (Notebooks, Notebooks 2.0, Framework, Canvases) mit unterschiedlichen Arbeitsabläufen können anfangs verwirrend sein.

Wie Observable im Vergleich abschneidet

• Datawrapper: Point-and-Click-Diagramme und -Karten zur Veröffentlichung, ganz ohne Code.
• Power BI: Microsofts Business-Intelligence-Suite für Dashboards mit Unternehmensdaten.
• Retool und Appsmith: Interne Tools mit Formularen und Tabellen statt benutzerdefinierter Visualisierung.
• Dataiku: eine End-to-End-Data-Science-Plattform für Teams, die mit Python und visuellen Rezepten arbeiten.
• Mapbox und CARTO Builder: „Map-First“-Plattformen für Standortdaten.
• Google Sheets und Rows: Tabellenkalkulationen mit integrierten Diagrammen für schnelle Analysen.

Python-orientierte Notebooks wie Jupyter, Hex, Deepnote und Marimo sind die besten Alternativen für Teams, die hauptsächlich mit Python und SQL arbeiten.

Lohnt sich Observable?

Observable lohnt sich, wenn Sie maßgeschneiderte, interaktive Datenvisualisierungen benötigen und mit etwas JavaScript vertraut sind. Der kostenlose Tarif umfasst öffentliche und private Notebooks mit Datenbankzugriff, und das Open-Source-Framework ist kostenlos für die Erstellung schneller Dashboards, die Sie selbst hosten. Es eignet sich weniger für Teams, die ein No-Code-BI-Tool suchen, ausschließlich in Python arbeiten oder private Dashboards mit vielen Betrachtern bei knappem Budget teilen müssen. Wenn du Hilfe beim Erstellen von Dashboards oder Daten-Apps mit Observable benötigst, können die Low-Code-Agenturen und Entwickler auf LowCodeDevs diese Aufgabe übernehmen.

Quellen

• Preise von Observable: „Notebook Free“ und „Pro“, Preis pro Betrachter (Stand: 30. August 2026).
• Über Observable: Gründung, Meilensteine und Nutzahlen.
• Dokumentation zum Observable-Framework: Static-Site-Generator, Datenlader und Bibliotheken.
• Notebooks 2.0 Technology Preview: Notebook Kit und Observable Desktop.
• Observable Canvases: die kollaborative Daten-Canvas.
• Anbindung an Datenbanken: Datenbank-Clients und der selbst gehostete Proxy.
• observablehq/framework auf GitHub: ISC-Lizenz und Releases.
• Interessante Ideen im Observable Framework, Simon Willison: Datenlader und der Umstieg auf Open-Source-Tools.
• Observable Plot, data.europa.eu: Die Diagrammbibliothek in der Praxis.
• Observable, datasciencenotebook.org: Funktionsübersicht; der Hinweis „kein Selbsthosting“ gilt für die gehostete Notebook-Plattform, nicht für Framework- oder Notebook-Kit-Websites.
• Alternativen zu Observable, Livedocs: Liste von Alternativen (verfasst von einem Mitbewerber; die Behauptung, dass Observable keine SQL- und Python-Unterstützung biete, steht im Widerspruch zu den SQL-Zellen und Python-Datenladern von Observable).