Die immer gleiche Diskussion im Führungsteam

Das Dashboard existiert, ist implementiert und im internen Wiki verlinkt. Trotzdem beginnt das wöchentliche Führungskräftemeeting jedes Mal mit demselben Ritual: manueller Abgleich von Tabellenkalkulationszahlen, weil niemand sicher ist, ob die Dashboard-Zahlen stimmen. Ein anderes Team nennt für dieselbe Kennzahl einen anderen Wert. Das Datenteam verbringt zwei von fünf Arbeitstagen pro Woche damit, solche Abweichungen zu erklären – Zeit, die für ihre Behebung fehlt.

Das Problem liegt nicht in den Diagrammen, sondern im Datenmodell darunter. Geschäftslogik ist in unterschiedlichen Systemen unterschiedlich definiert, oder Transformationsregeln stecken in einzelnen Berichtsabfragen, wo eigentlich eine gemeinsame Schicht greifen sollte. So erzählt jedes Dashboard eine leicht andere Version derselben Geschichte.

Der Fehler liegt vor dem ersten Diagramm

In den meisten BI-Projekten werden Dashboards zuerst gebaut, die Bedeutung der Zahlen erst danach geklärt, etwa was als abgeschlossene Bestellung zählt, ab wann ein Kunde als aktiv gilt oder welche Umsatzkennzahl diejenige ist, die der Finanzvorstand abzeichnet. Solche Fragen brauchen eine organisatorische Antwort, festgeschrieben im Datenmodell, die für jeden Bericht gleichermaßen gilt.

Deshalb steht vor jeder Entwicklung ein Termin mit den zuständigen Fachbereichen, in dem wir verbindliche Definitionen vereinbaren. Diese landen anschließend in einer semantischen Schicht wie dbt Metrics oder LookML, sodass jedes Dashboard und jeder Bericht ebenso wie jede Ad-hoc-Abfrage auf dieselbe Quelle zugreift. Die Diskussion im Führungskräftemeeting verschiebt sich damit von der Frage, welche Zahl richtig ist, zu der Frage, was aus der Zahl folgt.

Drei Phasen bis zum verlässlichen Dashboard

Insgesamt sechs bis zwölf Wochen vergehen dabei vom ersten Termin bis dein Team eigenständig mit den Daten arbeitet, wobei jede Phase auf den Ergebnissen der vorherigen aufbaut.

Kennzahlen-Governance

Wir erarbeiten gemeinsam mit den jeweiligen Fachbereichsverantwortlichen verbindliche Definitionen für jede Kennzahl und hinterlegen sie dokumentiert in einer versionskontrollierten semantischen Schicht, die zusätzlich getestet und durchgesetzt wird. Wir planen dafür ein bis zwei Wochen ein.

Datenmodell und Implementierung

Dashboards und Reporting-Schichten entstehen auf dieser gemeinsamen semantischen Ebene, mit dokumentierter Transformationslogik und Qualitätsindikatoren. Diese Phase dauert drei bis sechs Wochen.

Befähigung und Erweiterung

Wir entwickeln zum Schluss Zugriffsebenen und gesteuerte Datenkataloge, bei Bedarf ergänzt um BI-Funktionen in deinen eigenen Kundenportalen, damit dein Team eigene Fragen beantworten kann und die fehleranfälligen Schattenberichte von früher ablöst. Wir rechnen dafür mit zwei bis vier Wochen.

Vier Dashboard-Typen für unterschiedliche Entscheidungen

Die passende Form richtet sich nach den Nutzern und den Entscheidungen, die sie damit treffen.

Operative Dashboards

Hochfrequente Ansichten für Teams, die schicht-, tages- oder stundenbasierte Entscheidungen treffen, etwa in Logistik, Fertigung oder im E-Commerce-Betrieb. Wir entwickeln sie exakt um die Entscheidungen herum, die damit getroffen werden müssen, und machen bestehende Behelfslösungen überflüssig. Dafür setzen wir unter anderem Grafana, Metabase und Apache Superset ein.

Executive- und strategisches Reporting

Rollenbasierte Dashboards für Führungskräfte und Vorstände laufen bei uns meist auf Tableau, Power BI oder Looker, abgestimmt auf OKR-Rahmenwerke und angebunden an das Data Warehouse. Darin fordern wir Führungskräfte mit gezielt gewählten Kennzahlen zum Handeln auf, ergänzt um zeilenbasierte Sicherheit und Audit-Trails für Finanz- und Personaldaten.

Self-Service-Analysen bestehen aus gesteuerten Datenkatalogen und Zugriffsebenen, mit denen Fachanwender eigene Fragen beantworten. Dieselbe semantische Schicht sorgt dafür, dass jede Self-Service-Abfrage auf denselben Definitionen beruht wie das Executive-Dashboard und exakt dieselben Zahlen liefert. Ein Projekt für procelo GmbH zeigt, wie zuverlässig das in der Praxis funktioniert: Fachanwender fragen dort Unternehmensdaten in normaler Sprache ab, und der zugrunde liegende Prototyp erreichte in einem achtwöchigen Engagement eine SQL-Abfragegenauigkeit von über 80 Prozent über komplexe ERP-Schemata hinweg.

Eingebettete Analysen integrieren BI direkt in SaaS-Produkte und Kundenportale, gesteuert über dieselbe semantische Schicht wie der Rest der Systemlandschaft. So sehen deine Kunden Daten, die denselben Qualitätskontrollen unterliegen wie das interne Reporting.

Data Governance gehört von Anfang an in die Architektur

Dashboards mit Finanz-, Personal- oder Betriebsdaten brauchen Zugriffskontrollen, die über die bloße Weitergabe eines Links hinausgehen. Rollenbasierte Zugriffsrechte und zeilenbasierte Sicherheit entwickeln wir deshalb direkt in die Reporting-Schicht, Audit-Trails inklusive, als festen Bestandteil des Entwurfs. Der Dashboard-Zugriff unterliegt in regulierten Umgebungen denselben Datenrichtlinien wie das zugrunde liegende Data Warehouse. Die Detailtiefe des Zugriffs und die Tiefe des Audit-Trails legen wir architektonisch fest, lange bevor eine Konfigurationsoption überhaupt zur Debatte steht.

Ein Schweizer Anbieter digitaler Kreditlösungen unter vollständiger FINMA-Aufsicht, mit mehr als 500 institutionellen Kunden aus dem Finanzsektor, zeigt, was das in der Praxis bedeutet: Compliance floss von Beginn an in den Architekturentwurf ein. Die neu entworfene Architektur bestand innerhalb von acht Wochen die unabhängige Sicherheits- und Compliance-Prüfung einer der Big Four bereits bei der ersten Einreichung.

Vier Projekte aus vier Branchen

Die folgenden Fallbeispiele zeigen, was ein gemeinsames Datenmodell in Zahlen bewirkt – von der Fertigung bis zum Einzelhandel.

• Senior Aerospace (Thailand): Ein maßgeschneidertes operatives Dashboard, integriert in das ERP-System Infor Syteline, ersetzte die Tabellenkalkulations-Behelfslösungen der Fertigungslinien vollständig. Linienmanager und Supply-Chain-Team sehen seitdem Produktionsstatus und Effizienzkennzahlen je Linie live, dazu den Ausstoß in Echtzeit; die operative Effizienz stieg von 55 auf 95 Prozent.
• Größte Kaffeehauskette Vietnams, 928 Filialen: Mit einer zentralen Reporting-Schicht auf konsolidiertem Data Warehouse verschaffen wir Marketing- und Betriebsteams Echtzeit-Transparenz über alle Filialen. Entscheidungen, für die zuvor eine Woche Datenaufbereitung nötig war, fallen jetzt am selben Tag; der Umsatz stieg innerhalb von drei Monaten um 12 Prozent.
• HomeToGo, weltweit größter Marktplatz für Ferienunterkünfte: Über 15 Millionen Angebote und mehr als 100 Partner-API-Integrationen laufen in 25 Ländern auf einer Data-Engineering-Grundlage mit 99,99 Prozent Verfügbarkeit bei mehr als 50 täglichen Deployments – in diesem Maßstab läuft das gesamte operative Geschäft über diese Dateninfrastruktur.
• Größte Handelsgenossenschaft Europas außerhalb des Lebensmittelbereichs, rund 10.000 Verkaufsstellen: Erst sechs Monate Systemverständnis, dann gezielte Änderungen. Ergebnis: 50 Prozent weniger Abweichungen bei Preisen und Beständen zwischen den Systemen und erstmals eine vollständige Dokumentation der Architektur.

Ergänzend zu dem, was ein Dashboard ohnehin zeigt, macht KI sichtbar, was sich gerade verändert: Wir entwickeln für Anomalieerkennung, vorausschauende Kennzahlen oder Abfragen in natürlicher Sprache auf deiner bestehenden BI-Infrastruktur solche Funktionen auf derselben gesteuerten Datenebene, mehr dazu in unserem separaten Angebot zu KI-Strategie und Bereitschaft.