--- title: "Datenanalyse und BI: Dashboard, KPIs, Reporting | cm-opti" url: https://cm-opti.com/wissensdatenbank/was-ist-datenanalyse-bi description: "Datenanalyse und Business Intelligence im Unternehmen: Dashboard, Auswahl der KPIs, Management-Reporting und Prognosen mit ML. Leitfaden mit Fallstudie." language: de --- # Datenanalyse und Business Intelligence: Dashboards, KPIs und automatisiertes Reporting Autor: [Karol Jurewicz](https://www.linkedin.com/in/karol-jurewicz) (Prozessoptimierung, Business Analyst und Product Owner) · Zuletzt aktualisiert: Oktober 2026 Jedes Unternehmen erzeugt jeden Tag Daten. Bestellungen, Rücksendungen, Durchlaufzeiten, Reklamationen, Kosten. Alles liegt in Tabellen und Systemen. Aber greift jemand in dem Moment darauf zu, in dem eine Entscheidung getroffen werden muss? Datenanalyse und Business Intelligence (BI) sind die Antwort auf dieses Problem: Rohzahlen in Informationen zu verwandeln, die alltägliche Entscheidungen unterstützen. Es geht nicht darum, ein Werkzeug zu kaufen, sondern darum, die Daten, die ohnehin entstehen, für dich arbeiten zu lassen. Im Folgenden erklären wir, was Datenanalyse ist, was BI ist, was ein Dashboard und ein KPI sind und wie Machine Learning die Analytik von der Frage „Was ist passiert?“ zur Frage „Was wird wahrscheinlich passieren?“ verschiebt. ## 1. Was ist Datenanalyse und wie unterscheidet sie sich von Business Intelligence? ⚡ In einem Satz Datenanalyse ist der Prozess, Rohdaten in nützliche Informationen zu verwandeln, und Business Intelligence (BI) umfasst die Werkzeuge und Methoden, die diese Informationen rechtzeitig zu den Entscheidungsträgern bringen. 💡 Einfach erklärt Stell dir ein Handelsunternehmen vor, das Produkte über mehrere europäische Märkte verkauft. Am Monatsende öffnet der Vertriebsleiter eine Tabelle mit Tausenden Zeilen: Bestellungen, Rücksendungen, Umsatz, Versandkosten. Die Daten sind da. Aber um die Frage „Welcher Markt bringt uns nach Abzug der Logistikkosten den höchsten Gewinn?“ zu beantworten, muss er die Daten filtern und kombinieren, Margen berechnen und Zeiträume vergleichen. Das dauert Stunden, und ob das Ergebnis stimmt, ist nie ganz sicher. Datenanalyse ist genau dieser Prozess: von Rohzahlen zur Antwort auf eine Geschäftsfrage. Er beginnt mit dem Sammeln von Daten (aus Vertriebs-, Lager- und Buchhaltungssystemen), führt über das Bereinigen (Entfernen von Duplikaten, Füllen von Lücken) und endet mit Schlussfolgerungen, idealerweise solchen, nach denen man handeln kann. Business Intelligence (BI) geht einen Schritt weiter. BI ist kein einzelnes Werkzeug, sondern ein Ansatz, bei dem die Datenanalyse systematisch organisiert wird: Daten aus verschiedenen Quellen werden an einem Ort gesammelt, verarbeitet und als Dashboards, Berichte und Warnungen präsentiert. Dank BI muss der Vertriebsleiter nicht jeden Monat von Hand eine Tabelle bauen. Er öffnet ein Dashboard und sieht die Antwort auf seine Frage, aktualisiert, aufgeschlüsselt nach Markt, Produkt und Zeitraum. Der Unterschied? Datenanalyse ist eine Tätigkeit: Man kann sie einmal, ad hoc, in einer Tabelle durchführen. BI ist ein System: Es organisiert die Analyse so, dass Antworten kontinuierlich verfügbar sind, ohne dieselbe Arbeit zu wiederholen. 🔧 Zum Vertiefen Der Begriff „Business Intelligence“ tauchte erstmals 1865 auf: Richard Millar Devens verwendete ihn, um einen Bankier zu beschreiben, der Marktinformationen schneller sammelte als seine Wettbewerber. Das moderne Verständnis von BI wurde von Howard Dresner von der Gartner Group geprägt, der BI 1989 als die Konzepte und Methoden definierte, die faktenbasierte Geschäftsentscheidungen unterstützen. In der Praxis umfasst BI mehrere Schichten: - **Datenquellen** - die operativen Systeme eines Unternehmens: ERP, CRM, Lagersysteme, E-Commerce, Tabellen. Daten können auch aus der automatischen Verarbeitung von Dokumenten stammen: Rechnungen, Verträge und Korrespondenz, die in strukturierte Daten verwandelt werden. Ohne die Integration dieser Quellen hat BI nichts, woraus es schöpfen kann. - **Speicherschicht** - ein Data Warehouse oder Data Lake, in dem Daten aus verschiedenen Systemen an einem Ort gesammelt und standardisiert werden. Das Befüllen des Warehouse heißt ETL (Extract, Transform, Load): das Extrahieren von Daten aus den Quellen, das Transformieren (Bereinigen, Vereinheitlichen von Formaten) und das Laden in das Warehouse. - **Analyseschicht** - die Werkzeuge, die die Daten verarbeiten und Modelle, Aggregationen und Berechnungen erstellen. - **Präsentationsschicht** - Dashboards, Berichte und Warnungen, die Informationen an die Endnutzer liefern. BI ersetzt nicht das Denken. Es liefert Informationen, mit denen man Hypothesen schneller verifizieren, Trends früher erkennen und auf Probleme reagieren kann, bevor sie zur Krise werden. ## 2. Was ist ein Dashboard und wie wählt man KPIs? ⚡ In einem Satz Ein Dashboard ist eine Übersicht, die die wichtigsten Kennzahlen (KPIs) eines Unternehmens in einer einzigen Ansicht zeigt, sodass ein Entscheidungsträger den Stand der Dinge sehen kann, ohne fünf verschiedene Systeme zu öffnen. 💡 Einfach erklärt Zurück zum Handelsunternehmen mit mehreren Märkten. Der Vertriebsleiter braucht Antworten auf drei Fragen: Wie viel haben wir diesen Monat verkauft, welcher Markt geht zurück, und liegen wir im Plan? Ohne Dashboard muss er das Vertriebssystem öffnen, die Daten exportieren, eine Tabelle öffnen, Summen berechnen, mit dem Plan vergleichen. Mit einem Dashboard öffnet er einen einzigen Bildschirm und sieht alles: aktueller Umsatz vs. Plan, eine Aufschlüsselung nach Markt, der Monatstrend. Ein Dashboard ist keine Dekoration und keine Präsentation für den Vorstand. Es ist ein Arbeitswerkzeug, wie das Armaturenbrett in einem Auto. Der Fahrer muss nicht die Motorhaube öffnen, um die Motortemperatur zu prüfen. Ein Dashboard im Unternehmen funktioniert genauso: Es zeigt den Zustand der Prozesse laufend, ohne dass man jedem System einzeln „unter die Haube“ schauen muss. Aber ein Dashboard ist nur so gut wie die Kennzahlen darauf. Deshalb liegt der Schlüssel in den KPIs (Key Performance Indicators), nicht zwanzig auf einem einzigen Bildschirm, sondern drei bis fünf, ausgewählt passend zu den Fragen, die ein Entscheidungsträger tatsächlich beantwortet haben muss. Die Wahl der KPIs beginnt mit der Frage „welche Entscheidungen treffen wir und welche Informationen brauchen wir dafür?“, nicht mit dem, was zufällig in den Systemen liegt. Ist die termingerechte Lieferung entscheidend, messen wir OTD (On Time Delivery). Zählt die Kundenrentabilität, dann Marge und CLV (Customer Lifetime Value). Eine Kennzahl, die nicht zu einer konkreten Handlung führt, ist Dekoration, kein KPI (siehe [Was ist Prozessoptimierung?](https://cm-opti.com/wissensdatenbank/was-ist-prozessoptimierung) - der Abschnitt zu KPIs). 🔧 Zum Vertiefen Die BI-Literatur unterscheidet mehrere Dashboard-Typen: - **Operativ** - überwacht Prozesse in Echtzeit oder nahezu in Echtzeit. Beispiel: ein Lager-Dashboard, das aktuelle Bestände, laufende Bestellungen, Verzögerungen zeigt. Nutzer: der Operations Manager. - **Taktisch** - analysiert Trends über Wochen oder Monate. Beispiel: ein Vertriebs-Dashboard mit einem Vergleich gegen den Plan, Konversion, Umsatzstruktur. Nutzer: Abteilungs- oder Bereichsleitung. - **Strategisch** - verdichtete Kennzahlen für die Geschäftsführung. Beispiel: Rentabilität der Produktlinien, Marktanteil, Fortschritt gegenüber den Jahreszielen. Dashboard-Design ist eine eigene Disziplin. Die wichtigsten Prinzipien: - **Ein Dashboard, eine Frage** (oder einige eng verwandte). Ein Dashboard, das alles beantworten will, beantwortet nichts. - **Visuelle Hierarchie** - die wichtigste Kennzahl ist sofort sichtbar. Details sind bei Interaktion verfügbar (Drill-down). - **Kontext** - eine Zahl für sich allein, ohne Vergleich, ist wertlos. Sind 500.000 € Umsatz viel oder wenig? Das hängt vom Plan ab, vom Vormonat, vom gleichen Zeitraum ein Jahr zuvor. Ein Dashboard zeigt eine Kennzahl immer im Kontext: vs. Plan, vs. Vorperiode, vs. Ziel. - **Aktualisierungsfrequenz** - abgestimmt auf den Entscheidungstyp. Ein einmal täglich aktualisiertes operatives Dashboard verliert seinen Sinn, weil operative Entscheidungen laufend getroffen werden. Ein jede Minute aktualisiertes strategisches Dashboard erzeugt nur Rauschen. KPIs sind keine einmalige Wahl. Wenn sich das Unternehmen verändert, verändern sich auch die Fragen, die es beantwortet haben muss, und mit ihnen die Kennzahlen. Eine regelmäßige Überprüfung der Dashboards (jedes Quartal, alle sechs Monate) erlaubt es, Kennzahlen zu entfernen, die niemand ansieht, und solche hinzuzufügen, die relevant geworden sind. ## 3. Automatisiertes Reporting: Vertriebsbericht, Management-Reporting, Produktion ⚡ In einem Satz Beim automatisierten Reporting richtet man den Abruf der Daten aus den Systemen, ihre Zusammenführung und die Berechnung der KPIs einmal ein; danach aktualisiert sich der Vertriebs-, Management- oder Produktionsbericht selbst, ohne dass jemand Zahlen von Hand kopiert. 💡 Einfach erklärt Ein von Hand erstellter Bericht entsteht jede Woche oder jeden Monat auf dieselbe Weise: Export aus dem ERP, Kopieren in eine Tabelle, Zusammenführen mit Werten aus einem zweiten System, Prüfen, Korrigieren. Das dauert Tage, jede manuelle Übertragung einer Zahl birgt das Risiko eines Fehlers, und das fertige Dokument beschreibt die Lage von vor einer Woche. Drei Berichte, bei denen sich der Einstieg in die Automatisierung lohnt: - **Vertriebsbericht** - Ergebnisse im Vergleich zum Plan nach Märkten, Kunden und Produkten, Marge, Trend. Quellen: ERP, CRM, Onlineshop. Täglich oder wöchentlich aktualisiert, ohne auf das Monatsende zu warten. - **Management-Reporting** - ein monatliches Paket für die Geschäftsführung: Umsatz, Kosten, Marge, Cashflow und einige operative KPIs. Jede Kennzahl braucht eine einzige, abgestimmte Definition. - **Produktionsreporting** - Planerfüllung, [Gesamtanlageneffektivität (OEE, Overall Equipment Effectiveness)](https://cm-opti.com/wissensdatenbank/produktionsoptimierung#oee), Ausschuss, Stillstände und Materialverbrauch. Die Daten stammen aus dem Fertigungsmanagementsystem (MES, Manufacturing Execution System), von den Maschinen oder aus Tabellen der Schichtleiter. In einem Unternehmen, in dem Karol Jurewicz ein solches Projekt geleitet hat, wurde der monatliche Bericht für die Geschäftsführung 2,5 Tage lang von Hand zusammengestellt. Seit die KPI-Definitionen vereinheitlicht und der Datenabruf automatisiert sind, ist er in 2 Stunden fertig ([mehr Details](https://cm-opti.com/projekte/reporting-automatisierung-bi)). So automatisierst du einen Bericht Schritt für Schritt: 1. **Stimme die Kennzahlen ab.** Für jeden KPI: Definition, Datenquelle, verantwortliche Person. Ohne diesen Schritt zementiert die Automatisierung den Streit darüber, „wessen Zahl die richtige ist“. 2. **Verbinde die Quellen.** Werkzeuge wie Power Query oder ein ETL-Prozess holen die Daten aus den Systemen; bei größerem Umfang landen sie in einem Data Warehouse. 3. **Baue den Bericht oder das Dashboard.** Power BI, Looker Studio oder eine gut durchdachte Tabelle. Die wichtigsten Zahlen oben, Details per Klick. 4. **Lege Zeitplan und Empfänger fest.** Wer bekommt was und wie oft? Den operativen Bericht täglich, den Management-Bericht einmal im Monat. 5. **Ergänze Kontrollen der Datenqualität.** Einfache Plausibilitätsprüfungen, etwa ob die Umsatzsumme im Bericht zu den Zahlen der Buchhaltung passt, fangen Fehler ab, bevor die Geschäftsführung sie sieht. 🔧 Zum Vertiefen Das Ziel ist eine einzige Quelle der Wahrheit (Single Source of Truth): Daten aus verschiedenen Systemen werden bereinigt und an einem Ort zusammengeführt, und alle Berichte nutzen dieselben abgestimmten Definitionen. In einem kleineren Unternehmen genügt dafür ein Datenmodell in Power BI, ein größeres braucht ein Data Warehouse, das über ETL-Prozesse befüllt wird. Kein Werkzeug rettet ein Dokument, das niemand liest, oder Kennzahlen ohne einheitliche Definition. Bevor du einen Bericht automatisierst, lege fest, welche Entscheidungen er unterstützen soll (vgl. [Was ist Geschäftsprozessautomatisierung?](https://cm-opti.com/wissensdatenbank/was-ist-prozessautomatisierung)). Der Zugriff sollte außerdem auf diejenigen beschränkt sein, die ihn brauchen, besonders wenn der Bericht personenbezogene Daten von Kunden oder Mitarbeitenden enthält. ## 4. Die drei Ebenen der Analytik - deskriptiv, diagnostisch, prädiktiv ⚡ In einem Satz Deskriptive Analytik sagt dir, was passiert ist, diagnostische Analytik erklärt warum, und prädiktive Analytik prognostiziert, was wahrscheinlich passieren wird. 💡 Einfach erklärt Das Handelsunternehmen aus unserem Beispiel bemerkt auf seinem Dashboard, dass der Umsatz in einem seiner Märkte im Quartal um 18 % gesunken ist. Das ist deskriptive Analytik: Sie beantwortet die Frage „Was ist passiert?“. Der nächste Schritt: Warum ist er gesunken? Vielleicht hat ein Wettbewerber die Preise gesenkt. Vielleicht hat sich der Wechselkurs bewegt und die Produkte wurden teurer. Vielleicht hat ein Lieferant Lieferungen verzögert und die Kunden sind zur Konkurrenz gewechselt. Um das festzustellen, muss man Vertriebsdaten mit Daten zu Wettbewerberpreisen, Wechselkursen und Liefertreue verbinden. Das ist diagnostische Analytik: Sie sucht nach Ursachen. Die dritte Ebene: Was wird in der Zukunft passieren? Wenn der Trend beim aktuellen Wechselkurs und unverändertem Angebot anhält, wie hoch wird der Umsatz in drei Monaten sein? Lohnt es sich, den Bestand von Produkt X zu erhöhen, weil die Daten auf eine steigende Nachfrage hindeuten? Das ist prädiktive Analytik: Sie nutzt Machine Learning und statistische Methoden, um auf Basis von Mustern in historischen Daten zu prognostizieren. Die meisten Unternehmen bewegen sich auf der deskriptiven Ebene: Berichte, Zusammenfassungen, Aufschlüsselungen. Das hat bereits einen Wert, weil es Daten in Informationen verwandelt. Aber jede weitere Ebene eröffnet neue Möglichkeiten: nicht nur zu wissen, was passiert ist, sondern die Ursachen zu verstehen und zu reagieren, bevor sich das Problem vertieft. 🔧 Zum Vertiefen In der Geschäftspraxis bedeutet prädiktive Analytik am häufigsten: - **Nachfrageprognose (Demand Forecasting)** - wie viele Einheiten von Produkt X wird das Unternehmen im nächsten Monat, Quartal oder in der nächsten Saison verkaufen? ML-Modelle analysieren historische Verkaufsdaten, Saisonalität und Markttrends und erzeugen eine Prognose. Das Ergebnis: bessere Bestandsplanung, weniger Überschüsse und Engpässe. - **Kundenbewertung (Customer Scoring)** - welcher Kunde wird am wahrscheinlichsten abwandern (Churn Prediction)? Welcher hat das größte Kaufpotenzial? Modelle analysieren die Kaufhistorie, die Kontakthäufigkeit, die Zeit seit der letzten Transaktion. - **Preisoptimierung** - welcher Preis maximiert den Umsatz angesichts der Preiselastizität der Nachfrage? Prädiktive Analytik gibt keine Gewissheit, sondern Wahrscheinlichkeiten. Ein Nachfrageprognose-Modell sagt etwa: „Mit 80 % Wahrscheinlichkeit liegt der Verkauf von Produkt X im Juni zwischen 1.200 und 1.500 Einheiten.“ Das ist keine „Ja/Nein“-Antwort, sondern eine Spanne, mit der man eine bessere Entscheidung trifft als mit Intuition auf Basis der Erfahrung des Vorjahres. Die Bedingung: Daten. Prädiktive Analytik erfordert historische Daten: geordnet, konsistent und in ausreichender Menge. Misst ein Unternehmen die Liefertreue nicht, wird es kein Modell bauen, das Verzögerungen prognostiziert. Deshalb ist deskriptive Analytik keine „geringere“ Ebene, sondern das Fundament. Ohne verlässliche deskriptive Daten gibt es kein Material für Diagnostik und Prognosen. Das gilt für Unternehmen unabhängig von Markt, Branche und Größe. Es gibt auch eine vierte Ebene, präskriptive Analytik (prescriptive analytics), die nicht nur prognostiziert, sondern Handlungen empfiehlt. Beispiel: „Angesichts des aktuellen Nachfragetrends und der Logistikkosten beträgt der optimale Bestand von Produkt X im Zentrallager 800 Einheiten, und die Zuteilung zu Markt A sollte 55 % betragen.“ In der Praxis erfordert sie fortgeschrittene Optimierungsmodelle und wird von Unternehmen mit reifer Dateninfrastruktur genutzt. ## 5. Fallstudie: optimierte Warenverteilung bei einem B2C-Unternehmen ⚡ In einem Satz Ein Handelsunternehmen mit mehreren Märkten ersetzte die manuelle Bestandsplanung durch ein ML-Modell, das die Nachfrage prognostiziert und verschiedene Szenarien testet, bevor eine Entscheidung getroffen wird. 💡 Einfach erklärt Ein Unternehmen, das Produkte über viele europäische Märkte verkauft, hatte ein Problem, das jeder kennt, der Bestände in großem Maßstab verwaltet: Wie viel bestellen, wohin liefern und wann? Manuelle Planung - auf Basis von Tabellen, der Erfahrung der Planer und der Bestellhistorie - funktionierte, solange die Größenordnung klein war. Als sich die Märkte vervielfachten, als die Saisonalität in jedem von ihnen anders aussah, als die Lager- und Logistikkosten zu steigen begannen, konnte die manuelle Planung nicht mehr mithalten. Zu viele Variablen, zu wenig Zeit, zu viel Fehlerrisiko. Die Lösung kombinierte drei Elemente: - **Ein prädiktives ML-Modell** - prognostizierte die Nachfrage für konkrete Produkte und Märkte unter Berücksichtigung von Saisonalität, Trends und historischen Daten. - **Stochastische Optimierung** - ein Algorithmus, der nicht nach einem einzigen „idealen“ Plan sucht, sondern die Unsicherheit berücksichtigt: was, wenn die Nachfrage höher ist als die Prognose? Was, wenn ein Lieferant eine Lieferung verzögert? Das Ergebnis ist ein Plan, der das Risiko bei akzeptablen Kosten minimiert. - **Szenariosimulation** - bevor eine Entscheidung getroffen wird, testet das System Varianten: was passiert, wenn wir den Bestand um 20 % erhöhen? Was, wenn wir die Zahl der Lager reduzieren? Das ermöglicht es, die Konsequenzen einer Entscheidung zu beurteilen, bevor sie getroffen wird. Der Effekt: Die Bestandsplanung wechselte von manueller, auf Intuition beruhender Arbeit zu einem systematischen, datengetriebenen Ansatz, mit einer messbaren Verbesserung der Prognosegenauigkeit und einer Reduktion der Kosten, die mit Überschuss oder Mangel an Waren verbunden sind. > „Bevor wir mit dem Bau eines Modells beginnen, stelle ich immer dieselbe Frage: Welche Daten habt ihr und in welchem Zustand sind sie? Denn selbst der beste Algorithmus zieht keinen Wert aus Daten, die unvollständig, inkonsistent oder über fünf Tabellen verstreut sind. In diesem Projekt gingen die ersten Wochen nicht in die Modellierung, sondern in das Ordnen der Daten: das Vereinheitlichen von Formaten, das Füllen von Lücken, das Verbinden von Quellen. Erst dann begann das Modell, Prognosen zu produzieren, denen man vertrauen konnte.“ > > - Michael Jan Rogocki, KI-Lösungsarchitektur, cm-opti 🔧 Zum Vertiefen Das Projekt brachte drei technische Bereiche zusammen: - **Datenanalyse und BI** (dieser Artikel) - Vertriebsdaten, Logistikkosten und Bestände als Quelle für die Prognose. - **Machine Learning** (siehe [Was ist KI?](https://cm-opti.com/wissensdatenbank/was-ist-kuenstliche-intelligenz)) - ein prädiktives Modell, das Muster in historischen Daten identifiziert und Prognosen erzeugt. - **Prozessoptimierung** (siehe [Was ist Prozessoptimierung?](https://cm-opti.com/wissensdatenbank/was-ist-prozessoptimierung)) - das Ergebnis der Analyse mündet in eine operative Veränderung (bessere Bestandsplanung). Stochastische Optimierung unterscheidet sich von gewöhnlicher Optimierung dadurch, dass sie die Zufälligkeit und Unsicherheit der Eingabedaten berücksichtigt. Klassische Optimierung nimmt an, dass die Daten sicher sind (Nachfrage = 1.000 Einheiten). In der stochastischen Optimierung ist die Nachfrage eine Zufallsvariable mit einer Wahrscheinlichkeitsverteilung (Nachfrage = 900-1.100 mit einem Median von 1.000). Das Ergebnis ist kein einzelner Punkt, sondern eine Strategie, die Schwankungen standhält. Szenarioanalyse ist eine Technik, bei der das Modell wiederholt unter verschiedenen Annahmen ausgeführt wird, um die Spanne möglicher Ergebnisse zu beurteilen. Bei der Warenverteilung heißt das: Was passiert mit den Kosten, wenn die Nachfrage in Markt A um 15 % steigt, während die Nachfrage in Markt B um 10 % fällt? Das Ergebnis ist keine einzelne Antwort, sondern eine Karte von Risiken und Chancen. ## 6. CRISP-DM - wie man ein Analyseprojekt Schritt für Schritt durchführt ⚡ In einem Satz CRISP-DM ist eine sechsphasige Methodik für Analyse- und Data-Mining-Projekte, die mit dem Verständnis des Geschäftsproblems beginnt, nicht mit den Daten oder den Werkzeugen. 💡 Einfach erklärt Unternehmen, die sich für ein Analyseprojekt entscheiden, sei es der Bau eines Dashboards oder eines Nachfrageprognose-Modells, beginnen oft mit der Frage „Welches Werkzeug sollen wir kaufen?“. CRISP-DM (Cross-Industry Standard Process for Data Mining) kehrt diese Reihenfolge um: zuerst das Problem, dann die Daten prüfen, dann die Lösung bauen. Die sechs Phasen: - **Geschäftsverständnis (Business Understanding)** - welches Problem versuchen wir zu lösen? Welche Entscheidung soll die Analyse unterstützen? Ohne diese Phase baut man leicht ein Dashboard, das gut aussieht, aber keine Frage beantwortet, die bei Entscheidungen tatsächlich auftaucht. - **Datenverständnis (Data Understanding)** - welche Daten haben wir? Wo sind sie gespeichert? In welchem Zustand sind sie (Vollständigkeit, Qualität, Format)? - **Datenaufbereitung (Data Preparation)** - Bereinigung, Zusammenführen von Quellen, Füllen von Lücken, Standardisierung. In der Praxis verbraucht diese Phase den weitaus größten Teil der Zeit eines Analyseprojekts. - **Modellierung (Modeling)** - der Bau eines Modells (statistisch, ML oder eine einfache Aggregation), das die Geschäftsfrage beantwortet. - **Bewertung (Evaluation)** - beantwortet das Modell die Frage, die wir zu Beginn gestellt haben? Ist das Ergebnis glaubwürdig? Versteht der Entscheidungsträger die Ergebnisse und vertraut er ihnen? - **Einführung (Deployment)** - der Start im Produktivbetrieb: ein Dashboard, ein automatisierter Bericht, ein mit aktuellen Daten gespeistes Modell. Dieser Ansatz ist nicht linear: Nach der Modellierungsphase kann man zu den Daten zurückkehren (weil sich herausstellte, dass eine wichtige Variable fehlte), nach der Bewertung zurück zum Geschäftsverständnis (weil die Frage schlecht formuliert war). CRISP-DM ist zyklisch: Eine eingeführte Lösung erzeugt neue Fragen, die den nächsten Zyklus anstoßen. 🔧 Zum Vertiefen CRISP-DM wurde 1996 entwickelt und 1999 als offener Standard veröffentlicht, das Ergebnis der Zusammenarbeit eines Konsortiums von Unternehmen (darunter NCR/Teradata, Daimler und OHRA) im Rahmen des europäischen ESPRIT-Programms. Obwohl es offiziell nicht über Version 1.0 hinaus aktualisiert wurde, bleibt es die am weitesten verbreitete Methodik für Data-Mining- und Analyseprojekte. In der Praxis schützt CRISP-DM vor zwei Situationen, die regelmäßig mit verschwendeter Zeit und verschwendetem Geld enden: - Ein Unternehmen kauft ein Werkzeug und sucht dann nach etwas, das es darauf anzeigen kann. Das Ergebnis: eine teure BI-Plattform mit leuchtenden Diagrammen, die niemand nutzt, weil sie nicht die Fragen beantworten, die im Management tatsächlich auftauchen. CRISP-DM erzwingt die umgekehrte Reihenfolge: zuerst die Geschäftsfrage, dann die Daten, dann das Werkzeug. - Eine Analyse wird erstellt, schafft es aber nie in die tägliche Arbeit. Ein Analyst bereitet ein Modell oder einen Bericht vor, präsentiert die Ergebnisse, und damit ist Schluss. Niemand handelt nach den Schlussfolgerungen, weil niemand geplant hat, wie und von wem sie genutzt werden. CRISP-DM erfordert, die Einführung von Anfang an zu planen, damit das Ergebnis der Analyse dorthin gelangt, wo Entscheidungen getroffen werden. Für ein Unternehmen, das gerade erst mit Analytik beginnt, lässt sich CRISP-DM auf drei Fragen reduzieren: Welche Entscheidung wollen wir mit Daten unterstützen? Existieren diese Daten im Unternehmen? Wer wird das Ergebnis nutzen, und wie? ## 7. Womit beginnt man die Datenanalyse im Unternehmen? ⚡ In einem Satz Beginne mit einer Geschäftsentscheidung, die heute auf Intuition beruht, und prüfe, ob die Daten, die du bereits hast, sie unterstützen können. 💡 Einfach erklärt Datenanalyse erfordert für den Anfang keine BI-Plattform, kein Data Warehouse und kein Team von Analysten. Sie braucht eine Entscheidung, eine Frage und Daten, die das Unternehmen höchstwahrscheinlich bereits hat. **Schritt 1 - Wähl eine Entscheidung.** Welche Entscheidung kostet dich am meisten Zeit, Stress oder Geld? Wie viel Bestand bestellen? Welche Kunden priorisieren? Lohnt sich eine Marketingkampagne? Eine Entscheidung, nicht zehn. **Schritt 2 - Prüfe, ob du die Daten hast.** Um diese Entscheidung zu treffen, brauchst du Informationen. Existieren diese Informationen irgendwo im Unternehmen: im Vertriebssystem, in Tabellen, in E-Mails? Wenn ja, hast du einen Ausgangspunkt. Wenn nicht, beginne mit dem Messen: Wähl eine Kennzahl und beginne, sie aufzuzeichnen. **Schritt 3 - Bau die erste Ansicht.** Nicht gleich ein Dashboard. Vielleicht genügt ein einzelnes Diagramm in einer Tabelle, das Umsatz gegen Kosten stellt und den Trend zeigt. Wenn diese eine Ansicht ändert, wie du eine Entscheidung triffst, hast du den Beweis, dass Datenanalyse in deinem Unternehmen funktioniert. Das ist das Fundament, um etwas Größeres zu bauen. **Schritt 4 - Integriere die Quellen.** Sobald die erste Ansicht funktioniert, gewinnt sie an Wert, wenn du sie mit Daten aus anderen Systemen speist. Vertrieb + Logistikkosten + Liefertreue → ein vollständigeres Bild. Hier kommen [Systemintegration](https://cm-opti.com/wissensdatenbank/was-ist-systemintegration) und BI-Werkzeuge ins Spiel, die das Dashboard automatisch mit Daten versorgen. Daten können aus verschiedenen Quellen stammen, einschließlich [Computer Vision](https://cm-opti.com/wissensdatenbank/was-ist-computer-vision) -Systemen (Defekthäufigkeit, Defekttypen) oder automatisierten Prozessen (Durchlaufzeiten, die Zahl der bearbeiteten Fälle). **Schritt 5 - Erwäge Prognosen.** Sobald die historischen Daten geordnet sind und die Dashboards deskriptive und diagnostische Fragen beantworten, ist das Unternehmen bereit für prädiktive Analytik. Ein ML-Modell, das die Nachfrage prognostiziert, Kundenbewertung, Preisoptimierung - jedes davon erfordert Daten, die das Unternehmen in dieser Phase bereits hat. > In der Arbeit mit Unternehmen in Polen und Deutschland sehen wir, dass die Daten meist bereits in ihren Systemen existieren. Was fehlt, ist die Verbindung zwischen ihnen und den alltäglichen Entscheidungen. Unsere Aufgabe ist es, diese Verbindung zu entwerfen: die Kennzahl zu wählen, die Ansicht zu bauen und sicherzustellen, dass der Entscheidungsträger tatsächlich danach greift, jeden Tag, nicht einmal pro Quartal. > > - Die Perspektive von cm-opti 🔧 Zum Vertiefen In größerem Maßstab lohnt es sich, BI-Plattformen zu erwägen, die das Erstellen von Dashboards vereinfachen und die Datenversorgung automatisieren. Der Markt bietet sowohl Cloud- als auch Open-Source-Lösungen. Die Wahl des Werkzeugs sollte vom Umfang der Daten, der bestehenden IT-Infrastruktur und den Fähigkeiten des Teams abhängen, nicht von der Popularität des Werkzeugs. Für Unternehmen in der Europäischen Union, besonders in Polen und Deutschland, ist es wichtig, wo die Analysedaten gespeichert werden. Cloud-Plattformen bieten Flexibilität und Skalierbarkeit, erfordern aber die Prüfung der DSGVO-Konformität: Serverstandort, Verträge zur Auftragsverarbeitung (AVV) mit den Anbietern, Zugriffskontrolle. Für sensible Daten (personenbezogene Daten von Kunden, Finanzdaten) können On-Premise-Lösungen oder eine Private Cloud eine Alternative sein (siehe [Was ist RAG und ein KI-Agent?](https://cm-opti.com/wissensdatenbank/was-ist-rag-ki-agent) - der Abschnitt zur Sicherheit). Datenanalyse ist eine Fähigkeit, kein einmaliges Projekt. Ein Unternehmen, das ein Dashboard einmal baut und nie aktualisiert, fällt schnell auf intuitionsbasierte Entscheidungen zurück. Deshalb lohnt es sich, von Anfang an zu planen: Wer wird für die Pflege und Weiterentwicklung der Dashboards verantwortlich sein? Wer prüft, ob die Kennzahlen aktuell und relevant sind? Wer entscheidet über neue Analysen? In der Praxis funktioniert es am besten, eine Person zu bestimmen, die für die „Datenkultur“ im Unternehmen verantwortlich ist, auch wenn das nicht ihre einzige Aufgabe ist. ## Häufig gestellte Fragen (FAQ) ### Wie automatisiert man einen Vertriebsbericht? Zuerst werden die Definitionen der Kennzahlen abgestimmt (z. B. was als Umsatz und Marge zählt), dann die Datenquellen aus ERP und CRM mit einem Werkzeug wie Power Query oder einem ETL-Prozess verbunden, der Bericht oder das Dashboard gebaut und ein Aktualisierungsplan festgelegt. Ein einfacher Abgleich mit der Buchhaltung fängt Fehler ab, bevor der Bericht bei den Empfängern ankommt. ### Was ist Datenanalyse einfach erklärt? Ein Prozess, in dem du die Rohzahlen aus deinen Unternehmenssystemen in Informationen verwandelst, mit denen du eine bessere Entscheidung treffen kannst. Statt zu raten, prüfst du. ### Was ist der Unterschied zwischen Datenanalyse und Business Intelligence? Datenanalyse ist eine Tätigkeit: Du kannst sie einmal in einer Tabelle durchführen. BI ist ein System, das diese Tätigkeit dauerhaft organisiert: Es sammelt Daten aus verschiedenen Quellen, verarbeitet sie und präsentiert sie in laufend verfügbaren Dashboards. ### Was ist ein Dashboard und braucht jedes Unternehmen eines? Ein Dashboard ist eine Übersicht, die die wichtigsten Kennzahlen eines Unternehmens in einer einzigen Ansicht zeigt. Jedes Unternehmen, in dem jemand regelmäßig Daten aus mehreren Quellen sammelt, um eine Entscheidung zu treffen, braucht eines, weil das Dashboard genau diese Arbeit automatisiert. ### Was kostet eine BI-Einführung? Das hängt vom Umfang ab. Das erste Dashboard lässt sich selbst in einer Tabelle bauen, ohne zusätzliche Kosten. Eine BI-Plattform für ein Team von etwa einem Dutzend Personen kostet zwischen zehn und hundert Euro pro Nutzer und Monat. Ein Data Warehouse und prädiktive Modelle aufzubauen, dauert Wochen bis Monate. Die entscheidende Frage lautet nicht „Was kostet das Werkzeug?“, sondern „Was kostet es, ohne Informationen zu entscheiden?“. ### Kann Datenanalyse Erfahrung und Intuition ersetzen? Nein, und das soll sie auch nicht. Daten unterstützen Entscheidungen, sie treffen sie nicht für dich. Ein erfahrener Manager mit Zugang zu verlässlichen Daten trifft bessere Entscheidungen als derselbe Manager ohne Daten oder als ein Algorithmus allein ohne Geschäftskontext. ### Braucht ein Unternehmen Machine Learning für die Datenanalyse? Nicht sofort, aber mit der Zeit kann es einen Vorsprung verschaffen. Die meisten Unternehmen ziehen den größten Wert aus gut konzipierter deskriptiver und diagnostischer Analytik: Dashboards, KPIs, Vergleiche gegen den Plan. ML (Prognose, Scoring, Optimierung) ergibt Sinn, sobald die historischen Daten geordnet sind und das Unternehmen eine konkrete prädiktive Frage hat, die es beantwortet haben will. ### Was ist CRISP-DM und gilt es auch für kleine Projekte? CRISP-DM ist eine sechsphasige Methodik zur Durchführung von Analyseprojekten: vom Verständnis des Geschäftsproblems über die Datenaufbereitung bis zur Einführung. Sie funktioniert unabhängig vom Umfang: sowohl für den Bau eines einfachen Dashboards als auch für ein fortgeschrittenes prädiktives Modell. Möchtest du wissen, welche Daten in deinem Unternehmen mehr für dich leisten könnten? Lass uns sprechen. Wir helfen dir, die Frage herauszuarbeiten, die Kennzahlen zu wählen und dein erstes Dashboard zu entwerfen. [Kontakt aufnehmen](https://cm-opti.com/de_index#kontakt) ## Verwandte Artikel in der cm-opti-Wissensdatenbank - [Was ist Künstliche Intelligenz?](https://cm-opti.com/wissensdatenbank/was-ist-kuenstliche-intelligenz) - [Was ist Prozessoptimierung?](https://cm-opti.com/wissensdatenbank/was-ist-prozessoptimierung) - [Prozessmapping](https://cm-opti.com/wissensdatenbank/prozessmapping) - [Produktionsoptimierung](https://cm-opti.com/wissensdatenbank/produktionsoptimierung) - [Was ist Automatisierung?](https://cm-opti.com/wissensdatenbank/was-ist-prozessautomatisierung) - [Was sind OCR und NLP? So liest KI Dokumente](https://cm-opti.com/wissensdatenbank/was-ist-ocr-nlp) - [Was ist RAG und ein KI-Agent?](https://cm-opti.com/wissensdatenbank/was-ist-rag-ki-agent) - [Was ist Computer Vision?](https://cm-opti.com/wissensdatenbank/was-ist-computer-vision) - [Was ist Systemintegration?](https://cm-opti.com/wissensdatenbank/was-ist-systemintegration) ## In diesem Artikel erklärte Begriffe → [Glossar](https://cm-opti.com/wissensdatenbank/glossar) Datenanalyse, Business Intelligence (BI), Dashboard, KPI, ROI, Data Warehouse, ETL, deskriptive Analytik, diagnostische Analytik, prädiktive Analytik, CRISP-DM, Demand Forecasting, Churn Prediction, stochastische Optimierung, Machine Learning ## Quellen und Referenzen - Der Begriff „Business Intelligence“ - Richard Millar Devens, 1865. Moderne Definition: Howard Dresner, Gartner Group, 1989. - CRISP-DM - Cross-Industry Standard Process for Data Mining, veröffentlicht 1999, Konsortium von NCR/Teradata, Daimler, OHRA. [← Vorheriger Artikel Systemintegration](https://cm-opti.com/wissensdatenbank/was-ist-systemintegration) [Nächster Artikel → Externe Firma oder eigenes KI-Team](https://cm-opti.com/wissensdatenbank/externe-firma-oder-eigenes-ki-team)