Warum interaktive Dashboards oft verwirren und wie Sie sie für 3 Rollen nutzbar machen

Ein interaktives Dashboard kann technisch einwandfrei funktionieren und trotzdem kaum genutzt werden. Die Daten sind vorhanden, die Diagramme reagieren auf Filter, die Kennzahlen werden aktualisiert. Doch sobald die Geschäftsleitung nach einer Abweichung fragt, der Vertrieb seine offenen Positionen prüfen oder das Controlling eine Differenz erklären will, beginnt die Suche nach der richtigen Ansicht.

Das eigentliche Problem liegt häufig nicht in der Visualisierungssoftware, sondern in der fehlenden Verbindung zwischen Daten und Entscheidungen. Drei Rollen benötigen unterschiedliche Antworten: Die Geschäftsleitung will erkennen, ob Handlungsbedarf besteht. Operative Teams müssen wissen, welche Position sie bearbeiten sollen. Das Controlling muss Werte nachvollziehen und erklären können.

Ein nutzbares Dashboard beginnt deshalb mit Nutzerfragen, klar definierten Kennzahlen und überprüften Daten. Erst danach werden Diagramme, Tabellen und Filter ausgewählt. Die folgenden Methoden zeigen, wie BI-Teams diese Reihenfolge praktisch umsetzen, Widersprüche zwischen Quellsystemen auflösen und die tägliche Nutzung erleichtern können.

Warum zu viele Filter Ihr Dashboard unbrauchbar machen, obwohl es „flexibel“ ist

Viele Filter machen ein Dashboard nicht automatisch hilfreicher. Jede zusätzliche Auswahl verlangt von Nutzern, Datenbeziehungen, Zeiträume und mögliche Wechselwirkungen zu verstehen. Ohne diesen Kontext entstehen unterschiedliche Ergebnisse, die fälschlich als widersprüchlich wahrgenommen werden. Für ein Steuerungs-Dashboard sind deshalb wenige, klar begründete Filter meist zweckmässiger als maximale technische Freiheit.

Angenommen, ein Vertriebsdashboard erlaubt gleichzeitig die Auswahl von Auftragseingangsdatum, Rechnungsdatum, Region, Kundengruppe, Vertriebsteam und Auftragsstatus. Ein Mitarbeiter betrachtet offene Aufträge nach Auftragseingangsdatum. Eine Führungskraft wählt abgeschlossene Aufträge nach Rechnungsdatum. Beide sprechen anschliessend über «den Umsatz», obwohl ihre Einstellungen verschiedene Grundgesamtheiten erzeugen.

Das Problem ist nicht, dass einer der Filter technisch falsch arbeitet. Vielmehr fehlt eine gemeinsame Bedeutung der angezeigten Werte. Je mehr Auswahlmöglichkeiten ohne Erklärung zusammenwirken, desto schwieriger wird die Interpretation.

Unterscheiden Sie deshalb zwei Dashboard-Typen. Ein Explorations-Dashboard unterstützt Fachleute dabei, Hypothesen mit frei kombinierbaren Dimensionen zu prüfen. Ein Antwort-Dashboard zeigt vordefinierte Kennzahlen für wiederkehrende Entscheidungen. Es braucht vor allem klare Ausgangseinstellungen und nachvollziehbare Detailpfade.

Eine praktikable Reduktionsregel lautet: Ein Filter gehört auf die Hauptansicht, wenn er für eine mindestens wöchentlich wiederkehrende Nutzerfrage benötigt wird. Diese Frequenz ist eine vorgeschlagene Gestaltungsheuristik, kein wissenschaftlich bestätigter Grenzwert. Seltene oder spezielle Filter können in eine Analyseansicht ausgelagert werden.

Das entspricht dem Grundgedanken von Microsofts Empfehlungen zur Dashboard-Gestaltung: Die Übersicht soll sich an den Informationsbedürfnissen ihrer Zielgruppe orientieren, wichtige Informationen unmittelbar zeigen und Details in ergänzenden Berichten zugänglich machen.

Testen Sie die fertige Ansicht mit einem neuen Teammitglied. Geben Sie eine konkrete Kernfrage vor und beobachten Sie, ob innerhalb von zwei Minuten eine korrekte Antwort gefunden wird. Diese Zeitspanne ist ein interner Usability-Testwert, kein validierter Standard. Scheitert der Test, prüfen Sie zuerst Beschriftungen, Hierarchie und Standardfilter, bevor zusätzliche Schulungen geplant werden.

Die wichtigste Voraussetzung für wenige sinnvolle Filter ist allerdings Klarheit darüber, welche Fragen das Dashboard überhaupt beantworten soll.

Wie entwerfen Sie ein Dashboard nach 15 Nutzerfragen statt nach Datenquellen?

Ein nutzerzentriertes Dashboard entsteht, indem Sie zuerst die 15 wichtigsten Entscheidungsfragen sammeln und erst danach passende Datenquellen auswählen. Befragen Sie dazu Geschäftsleitung, operative Fachbereiche und Controlling getrennt. Ordnen Sie die Fragen nach Entscheidungshäufigkeit und geschäftlicher Bedeutung. Was die vorhandenen Daten nicht zuverlässig beantworten können, wird als Lücke dokumentiert.

Der häufige Gegenentwurf beginnt mit der Systemlandschaft: Das CRM liefert Verkaufspipelines, das ERP Auftragsdaten, die Finanzbuchhaltung Rechnungswerte und Excel zusätzliche Planungsinformationen. Das resultierende Dashboard erhält vier Datenbereiche, weil vier Quellen existieren. Nutzende müssen selbst herausfinden, wie diese Bereiche ihre eigentliche Frage beantworten.

Ein besserer Ausgangspunkt ist ein moderierter Fragenworkshop. Für ein beispielhaftes Schweizer Unternehmen können die drei Rollen jeweils fünf Fragen formulieren.

Diese 15 Fragen sind ein Gestaltungsbeispiel. Die optimale Anzahl ist unternehmensabhängig. Entscheidend ist, dass jede Frage einen erkennbaren Entscheidungszweck besitzt.

Bewerten Sie jede Frage anhand zweier Dimensionen: Wie häufig wird sie benötigt und wie gravierend wäre eine falsche oder verspätete Antwort? Fragen mit hoher Häufigkeit und hoher Entscheidungsrelevanz gehören auf die Startseite. Selten genutzte Detailfragen bleiben über Registerkarten oder Drillthrough erreichbar.

Prüfen Sie anschliessend für jede Frage, welche Kennzahl, welche Granularität, welcher Zeitraum und welches Quellsystem benötigt werden. Fehlen historische Statusinformationen, lässt sich beispielsweise der frühere Bestand offener Aufträge möglicherweise nicht zuverlässig rekonstruieren. Ein aktueller Bestand darf nicht stillschweigend als historische Entwicklung dargestellt werden.

Ist geklärt, welche Entscheidung unterstützt werden soll, lässt sich auch die Frage nach der passenden Darstellungsform wesentlich präziser beantworten.

Tabelle oder Chart: Was ist besser bei 20 Positionen und täglicher Kontrolle?

Bei einer täglichen Kontrolle von 20 einzelnen Positionen ist meist eine sortierbare Tabelle geeigneter als ein Diagramm. Sie zeigt Identifikatoren, Verantwortliche, Sollwerte und Abweichungen gleichzeitig und unterstützt konkrete Bearbeitungsschritte. Ein Chart ist dagegen stärker, wenn das Ziel darin besteht, Entwicklungen, Verteilungen oder Ausreisser auf einen Blick zu erkennen.

Stellen Sie sich eine operative Finanzabteilung vor, die täglich 20 offene Kostenpositionen kontrolliert. Für jede Position müssen Status, aktueller Wert, Abweichung und zuständige Person sichtbar sein. Ein Balkendiagramm kann zwar zeigen, welche Positionen besonders stark abweichen. Es beantwortet aber nicht zwangsläufig, wer den jeweiligen Fall bearbeiten soll.

Bei zahlreichen Kategorien werden zudem Achsenbeschriftungen enger, Positionen schwieriger identifizierbar und Vergleiche aufwendig. Ein Liniendiagramm wäre für eine reine Liste unabhängiger Positionen besonders problematisch, wenn die verbindende Linie eine zeitliche oder kontinuierliche Entwicklung nahelegt, die gar nicht existiert.

Eine Entscheidungsmatrix hilft, die Darstellungsform konsequent nach der Aufgabe auszuwählen.

Für die operative Kontrolle empfiehlt sich eine Hybridansicht: eine Tabelle mit sortierbaren Spalten, farblich markierten Abweichungen und optionalen Sparklines. Farben sollten nicht das einzige Statussignal sein. Ergänzende Werte, Texte oder Symbole verbessern die Verständlichkeit.

Die Geschäftsleitung braucht möglicherweise nur die aggregierten grössten positiven und negativen Abweichungen. Die operative Rolle benötigt dagegen alle 20 Positionen einschliesslich Bearbeitungsstatus. Das gleiche Datenmodell kann beide Darstellungen unterstützen, ohne die Bedürfnisse der Rollen zu vermischen.

Auch das passendste Diagramm kann allerdings zu falschen Schlussfolgerungen führen, wenn Skalierung und Zeitlogik seine Aussage verzerren.

Der Visualisierungsfehler, der Trends „erfindet“, obwohl die Daten stabil sind

Ein Diagramm kann eine scheinbar dramatische Entwicklung zeigen, obwohl sich die zugrunde liegenden Werte nur gering verändern. Besonders riskant sind stark verkürzte Y-Achsen, nicht gekennzeichnete Glättungen und unpassend kombinierte Skalen. Solche Darstellungen erzeugen nicht automatisch falsche Daten, können aber die wahrgenommene Bedeutung einer Schwankung deutlich verzerren.

Ein hypothetisches Beispiel: Eine Kennzahl bewegt sich über mehrere Perioden zwischen 98 und 102 Einheiten. Beginnt die Y-Achse bei 97 statt bei null, erscheinen kleine Veränderungen grafisch sehr gross. Die absolute Spannweite beträgt vier Einheiten, gemessen an einem typischen Niveau von rund 100 Einheiten. Dieser Kontext ist für die Interpretation entscheidend.

Eine abgeschnittene Achse ist bei Liniendiagrammen nicht grundsätzlich unzulässig: Sie kann kleine Veränderungen sichtbar machen. Bei Balkendiagrammen ist eine verkürzte Grundlinie besonders heikel, weil die Balkenlänge unmittelbar als Grössenvergleich verstanden wird. Wichtig sind die erkennbare Skalierung, der Zahlenkontext und eine zur Fragestellung passende Darstellung.

Kontrollieren Sie vor einer Trendaussage deshalb drei Dinge:

1. Achse: Welchen Bereich deckt die Y-Achse ab, und wie verändert eine andere Skalierung den optischen Eindruck?
2. Werte: Wie gross ist die absolute Schwankungsbreite im Verhältnis zum üblichen Kennzahlenniveau?
3. Zeitlogik: Werden identische Perioden, Messzeitpunkte und Aggregationsregeln miteinander verglichen?

Eine weitere Fehlerquelle sind geglättete Linien. Ein gleitender Durchschnitt kann kurzfristige Schwankungen reduzieren und längerfristige Muster besser sichtbar machen. Er kann aber Wendepunkte zeitlich verzögert darstellen. Kennzeichnen Sie Glättungsmethode und Berechnungsfenster und ermöglichen Sie bei entscheidungsrelevanten Kennzahlen den Wechsel zu den ursprünglichen Periodenwerten.

Auch die Verbindung von Stichtagswerten mit kumulierten Daten ist problematisch. Ein täglicher Auftragsbestand ist eine Momentaufnahme. Ein seit Jahresbeginn aufaddierter Umsatz ist eine kumulierte Grösse. Beide können steigen, ohne dass daraus dieselbe wirtschaftliche Entwicklung folgt.

Bei zwei Y-Achsen können unabhängig gewählte Skalen zudem den Eindruck erzeugen, zwei Kennzahlen bewegten sich parallel. Eine visuelle Übereinstimmung ist jedoch kein Nachweis einer statistischen Beziehung. Ob ein Trend tatsächlich vorliegt, lässt sich allein anhand der Kurvenform nicht zuverlässig beurteilen.

Wenn Visualisierungen fachlich korrekt sind, bleibt die technische Herausforderung: Auch komplexe Datenmodelle müssen im Arbeitsalltag ausreichend schnell reagieren.

Welche 4 Massnahmen machen Dashboards spürbar schneller bei grossen Datenmengen?

Vier Massnahmen verbessern die Leistung datenintensiver Dashboards: häufig benötigte Ergebnisse vorberechnen, nur erforderliche Daten laden, Datenmodelle und Abfragen optimieren sowie Engpässe gezielt messen. Welche Massnahme den grössten Nutzen bringt, hängt von Datenvolumen, Aktualitätsanforderungen, technischen Abhängigkeiten und dem typischen Nutzungsverhalten ab.

Die folgenden Ansätze betreffen unterschiedliche Ebenen der Architektur und sollten nicht undifferenziert umgesetzt werden.

1. Aggregation vorberechnen. Materialisierte Sichten, Aggregationstabellen oder Cube-Schichten können wiederkehrende Summen bereits vor der Dashboard-Abfrage bereitstellen. Das reduziert Berechnungsarbeit zur Laufzeit. Der Kompromiss: Vorberechnete Werte werden nur im vereinbarten Aktualisierungsrhythmus erneuert. Bei Echtzeitanforderungen muss dieser Zielkonflikt bewusst gelöst werden.
2. Nur benötigte Daten anzeigen. Begrenzen Sie Zeiträume sinnvoll und laden Sie Detaildaten erst bei Bedarf. Ein voreingestellter Zeitraum von 30 Tagen kann für eine tägliche Kontrolle passen, ist aber kein allgemeiner Optimalwert. Paging und Lazy Loading eignen sich abhängig von Werkzeug und Datenarchitektur für umfangreiche Listen. Top-N-Ansichten und separate Detailseiten helfen, die sichtbare Datenmenge zu reduzieren.
3. Datenmodell und Abfragen straffen. Konsistente Faktengranularität, geeignete Beziehungen und ein übersichtliches semantisches Modell erleichtern effiziente Abfragen. In relationalen Quellsystemen können Indizes auf tatsächlich verwendete Filter- und Verknüpfungsfelder helfen. In spaltenorientierten oder In-Memory-Modellen gelten teilweise andere Optimierungsmechanismen. Unnötige Dimensionen und berechnungsintensive Visualisierungen sollten kritisch geprüft werden.
4. Leistung rollenbezogen messen. Ermitteln Sie, welche Seiten und Abfragen häufig langsam reagieren. Unterscheiden Sie Ladezeit, Interaktionszeit und Aktualisierungsverzögerung. Priorisieren Sie die Engpässe der am häufigsten benötigten Arbeitsabläufe, statt zunächst selten genutzte Spezialanalysen zu optimieren.

Der Microsoft-Leitfaden zur Power-BI-Optimierung beschreibt Leistungsverbesserungen auf mehreren Ebenen: Datenquelle, Datenmodell, Visualisierung und technische Umgebung. Er empfiehlt unter anderem begrenzte Datenmengen pro Visualisierung und die Analyse tatsächlicher Engpässe.

Definieren Sie für jede Rolle eigene Akzeptanzkriterien. Bei einer täglichen operativen Kontrolle kann eine schnelle Reaktion auf Sortierung und Filter besonders wichtig sein. Für eine aufwendige historische Analyse kann eine längere Wartezeit tolerierbar sein. Ein allgemeingültiger Sekundenwert lässt sich daraus nicht ableiten.

Vergleichen Sie vor und nach einer Optimierung dieselben Fragen, Filter, Datenbestände und technischen Bedingungen. Erst eine reproduzierbare Messung zeigt, ob eine Verbesserung im tatsächlichen Arbeitsablauf erreicht wurde.

Geschwindigkeit allein schafft jedoch kein Vertrauen: Wenn verschiedene Abteilungen dieselbe Kennzahl unterschiedlich berechnen, verbreitet das schnellere Dashboard lediglich widersprüchliche Antworten effizienter.

Wie definieren Sie 12 Kern-KPIs so, dass jeder sie gleich berechnet?

Definieren Sie zwölf Kern-KPIs in einem gemeinsamen Kennzahlenkatalog mit verbindlicher Berechnungslogik. Jede Kennzahl benötigt eine fachliche Definition, eine Formel, eindeutige Quellsysteme, Filter- und Zeitregeln sowie eine verantwortliche Person. So verwenden Geschäftsleitung, Fachbereiche und Controlling dieselbe Bedeutung, auch wenn ihre Dashboards unterschiedliche Ausschnitte zeigen.

Zwölf ist dabei eine bewusst begrenzte Auswahl für die gemeinsame Unternehmenssteuerung, keine wissenschaftlich nachgewiesene optimale Anzahl. Ein Unternehmen kann mehr oder weniger Kennzahlen benötigen. Entscheidend ist, dass die zentrale Übersicht nicht sämtliche analytischen Detailkennzahlen enthalten muss.

Für einen ersten KPI-Katalog könnte ein Unternehmen beispielsweise folgende Grössen prüfen. Es handelt sich um eine illustrative Auswahl, deren Eignung und Berechnung intern festgelegt werden müssen.

Ein besonders häufiges Konfliktfeld ist der Umsatz. Das Vertriebsteam kann abgeschlossene Aufträge aus dem CRM betrachten, während die Finanzbuchhaltung verbuchte Erlöse abzüglich definierter Korrekturen ausweist. Selbst bei identisch beschrifteten Kennzahlen entstehen unterschiedliche Ergebnisse, weil die zugrunde liegenden Geschäftsvorfälle nicht identisch abgegrenzt sind.

Ein Rechenblatt für die Kennzahl «Umsatz» muss deshalb festhalten, welche Geschäftsvorfälle zählen, wie Stornos behandelt werden, welche Gesellschaften einbezogen sind und welchem Zeitraum die Erlöse zugeordnet werden. Die Formel allein reicht nicht aus.

Auch die technische Modellierung beeinflusst die Vergleichbarkeit. Microsofts Dokumentation zur Sternschema-Modellierung erläutert die Trennung von Fakten und Dimensionen sowie die Bedeutung einer konsistenten Granularität. Unterschiedliche Datumsbezüge wie Bestell-, Versand- und Lieferdatum können unterschiedliche fachliche Auswertungen ermöglichen.

Hinterlegen Sie die freigegebenen KPI-Definitionen zentral und verwenden Sie sie möglichst in einer gemeinsamen semantischen Schicht. Vergeben Sie Versionsnummern und protokollieren Sie Änderungen. Eine jährliche Gesamtprüfung ist ein praktikabler Governance-Rhythmus; bei Änderungen an Quellsystemen, Buchungsregeln oder Geschäftsprozessen ist zusätzlich eine anlassbezogene Prüfung erforderlich.

Bevor dieser Katalog zuverlässig genutzt werden kann, müssen allerdings die Datensätze geprüft werden, aus denen seine Kennzahlen berechnet werden.

Wie prüfen Sie Datenqualität mit 12 Tests, bevor Sie Dashboards bauen?

Prüfen Sie vor dem Dashboard-Aufbau nicht nur, ob Daten technisch verfügbar sind, sondern ob sie für die vorgesehenen Entscheidungen geeignet sind. Zwölf gezielte Tests können Vollständigkeit, Eindeutigkeit, Beziehungen, Aktualität und Plausibilität abdecken. Fehler sollten nach ihrem Einfluss auf zentrale Kennzahlen bewertet und die Prüfungen anschliessend im laufenden Betrieb automatisiert wiederholt werden.

Die folgende Prüfliste ist ein praxisorientierter Vorschlag. Sie stellt keine standardisierte Norm mit zwölf vorgeschriebenen Tests dar. Welche Regeln notwendig sind, hängt von Datenmodell, Quellsystemen und den zuvor definierten Nutzerfragen ab.

Technische Frameworks können einen Teil dieser Prüfungen automatisieren. Die dbt-Dokumentation zu automatisierten Datenqualitätstests beschreibt vier generische Tests: unique, not_null, accepted_values und relationships. Damit lassen sich unter anderem eindeutige Schlüssel, Pflichtwerte, erlaubte Ausprägungen und referenzielle Beziehungen kontrollieren.

Diese vier Mechanismen decken jedoch nicht automatisch alle fachlichen Anforderungen ab. Eine Rechnung kann beispielsweise formal gültig und eindeutig sein, aber dem falschen Geschäftsjahr zugeordnet werden. Für solche Fälle sind zusätzliche Geschäftsregeln und Abstimmungen erforderlich.

Bewerten Sie jeden Befund nach seiner Wirkung. Ein fehlender Beschreibungstext in einer selten genutzten Detailansicht kann unter Umständen toleriert werden. Doppelt gezählte Rechnungspositionen, die den zentralen Umsatzwert verändern, müssen dagegen vor der Veröffentlichung dieser Kennzahl geklärt werden.

Halten Sie für jeden Test Verantwortliche, Prüfintervall, erlaubte Abweichung, Fehlerbehandlung und betroffene KPIs fest. Ein bestandener technischer Test beweist nicht automatisch die fachliche Richtigkeit. Deshalb sollten automatisierte Prüfungen mit inhaltlichen Kontrollrechnungen und einer dokumentierten Freigabe kombiniert werden.

Besonders wichtig wird diese Qualitätssicherung, wenn mehrere Quellsysteme unterschiedliche Ergebnisse für scheinbar identische Geschäftsgrössen liefern.

Wie nutzen Sie Datenanalysen, wenn Ihre Daten aus 4 Quellen widersprüchlich sind?

Wenn ERP, CRM, Finanzbuchhaltung und Excel unterschiedliche Werte liefern, sollten Sie diese zunächst fachlich abgleichen statt mitteln oder willkürlich eine Zahl auswählen. Legen Sie pro Kennzahl fest, welche Quelle für welche Frage massgeblich ist. Dokumentieren Sie Unterschiede in Definition, Zeitbezug und Granularität und kennzeichnen Sie ungeklärte Abweichungen im Dashboard.

Ein typisches Szenario: Das CRM zeigt den Wert gewonnener Verkaufschancen. Das ERP enthält bestätigte Aufträge. Die Finanzbuchhaltung dokumentiert verbuchte Erlöse. Eine Excel-Datei führt den aktuellen Forecast. Alle vier Systeme können denselben Kunden oder Auftrag betreffen, messen aber nicht zwingend denselben wirtschaftlichen Sachverhalt.

Wer die Werte ohne fachliche Harmonisierung nebeneinanderstellt, erzeugt einen Scheinwiderspruch. Auftragseingang, Umsatz und Cashflow sind unterschiedliche Grössen. Eine eingegangene Bestellung muss nicht gleichzeitig fakturiert und bezahlt sein.

Die Abstimmung beginnt mit einer eindeutigen Definition der Geschäftsfrage. Für die Frage «Wie hoch ist der bestätigte Auftragsbestand zum Stichtag?» kann das ERP als Leitquelle festgelegt werden. Für «Wie hoch ist der verbuchte Umsatz der Berichtsperiode?» kann die Finanzbuchhaltung massgeblich sein. Diese Zuordnungen sind Beispiele, keine allgemeingültigen Regeln.

Danach werden die Quellen anhand der gleichen fachlichen Abgrenzung verglichen. Prüfen Sie zuerst Gesellschaft, Währung, Zeitraum, Datumsfeld, Status und Ein- oder Ausschluss von Stornos. Anschliessend kann auf die geeignete Detailebene abgestimmt werden, etwa auf einzelne Aufträge oder Rechnungspositionen.

Führen Sie ein Abstimmungsprotokoll mit Ausgangswerten, verglichenen Filtern, festgestellter Differenz, vermuteter oder bestätigter Ursache, verantwortlicher Person und Bearbeitungsstatus. Eine offene Differenz sollte als ungeklärt ausgewiesen werden, solange keine belastbare Erklärung vorliegt.

Vermeiden Sie insbesondere, die Werte verschiedener Systeme einfach zu mitteln. Ein Durchschnitt aus Auftragseingang und gebuchtem Umsatz besitzt ohne fachlich begründete Definition keinen eigenständigen Aussagewert.

Für die Geschäftsleitung muss nicht jede technische Einzelheit auf der Startseite erscheinen. Entscheidend sind eine eindeutige KPI-Bezeichnung, der gültige Zeitraum, die verantwortliche Quelle und ein erkennbarer Hinweis auf Einschränkungen der Datenqualität. Das Controlling benötigt zusätzlich Zugriff auf die Abstimmungsdetails.

Wenn eine Kennzahl aufgrund offener Datenprobleme nicht verlässlich berechnet werden kann, ist eine klare Kennzeichnung wie «derzeit nicht belastbar» sachgerechter als ein scheinbar präziser Ersatzwert. So bleibt das Dashboard auch bei unvollständigen Daten ein brauchbares Instrument für informierte Entscheidungen.

Beginnen Sie mit einer tatsächlich anstehenden Entscheidung aus Ihrem Unternehmen. Formulieren Sie die Frage gemeinsam mit der zuständigen Fachrolle, legen Sie Kennzahl und Leitquelle fest und prüfen Sie das Ergebnis an konkreten Datensätzen. Erst wenn diese Antwort nachvollziehbar ist, sollte sie dauerhaft in das Dashboard übernommen werden.