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

Das ERP meldet einen anderen Monatsumsatz als die Buchhaltung. Im CRM erscheinen zusätzliche Geschäftsabschlüsse, während der Webshop wiederum eigene Bestellwerte ausweist. Für Controlling und Operations entsteht damit ein Problem: Welche Zahl ist belastbar genug, um über Budgets, Personal oder Vertriebsaktivitäten zu entscheiden?

Verlässliche Datenanalysen beginnen nicht mit einem Dashboard, sondern mit der Klärung von Definitionen, Datenqualität und Entscheidungszweck. Vier widersprüchliche Quellen müssen nicht zwangsläufig fehlerhaft sein. Häufig beschreiben sie unterschiedliche geschäftliche Ereignisse, Zeitpunkte oder Bewertungsgrundlagen.

Für Schweizer Unternehmen kommen Besonderheiten wie die Mehrwertsteuer, mehrere Währungen und mögliche internationale Datenflüsse hinzu. Entscheidend ist deshalb eine nachvollziehbare Methode: Unterschiede erklären, relevante Daten prüfen, Kennzahlen verbindlich definieren und Ergebnisse mit konkreten Handlungsoptionen verbinden.

So wird aus einer Sammlung von Excel-Reports eine Analyse, die operative Entscheidungen unterstützt und deren Unsicherheiten sichtbar macht.

Warum zwei Reports unterschiedliche Umsätze zeigen und keiner recht hat?

Zwei Umsatzreports können voneinander abweichen, weil sie unterschiedliche Geschäftsvorgänge, Zeitpunkte oder Berechnungsregeln erfassen. Ein CRM zeigt beispielsweise gewonnene Verkaufschancen, ein Webshop Bestellungen und die Buchhaltung verbuchte Erlöse. Ohne gemeinsame Definition lässt sich deshalb nicht bestimmen, welcher Report die richtige Antwort auf eine konkrete Umsatzfrage liefert.

Betrachten Sie ein ausdrücklich hypothetisches Schweizer Handelsunternehmen mit vier Datenquellen. Im ERP werden Aufträge und Rechnungen verwaltet, das CRM dokumentiert Verkaufsabschlüsse, der Webshop registriert Bestellungen und die Buchhaltung verarbeitet die finanziellen Geschäftsvorfälle.

Zum Monatsende erscheinen vier unterschiedliche Umsatzsummen. Die Ursachen können fachlich begründet sein:

• Buchungszeitpunkte: Eine Bestellung geht im Januar ein, die Rechnung wird jedoch erst im Februar erstellt.
• Stornierungen: Der Webshop enthält eine zunächst abgeschlossene Bestellung, die später rückgängig gemacht wird.
• Rabatte: Das CRM speichert einen ursprünglich vereinbarten Auftragswert, während die Rechnung einen nachträglich gewährten Nachlass berücksichtigt.
• Mehrwertsteuer: Ein Bericht verwendet Bruttopreise inklusive MWST, ein anderer Nettobeträge.
• Währungen: Ein System führt Transaktionen in Euro, während ein anderes sie in Schweizer Franken umrechnet.

In der Schweiz ist zusätzlich zwischen den zulässigen MWST-Abrechnungsarten zu unterscheiden. Nach den Informationen des Schweizer KMU-Portals zur Mehrwertsteuer kann die steuerliche Abrechnung grundsätzlich auf vereinnahmten oder vereinbarten Entgelten beruhen. Daraus können unterschiedliche zeitliche Bezüge entstehen. Die MWST-Abrechnung darf allerdings nicht mit sämtlichen Regeln der buchhalterischen Umsatzrealisierung gleichgesetzt werden.

Umsatzabweichungen systematisch überleiten

Eine Umsatzüberleitung macht sichtbar, warum die Ergebnisse voneinander abweichen. Sie beginnt mit einem festgelegten Zeitraum, einer gemeinsamen Währung und einer präzisen Beschreibung der verglichenen Kennzahlen.

Die folgende Tabelle illustriert eine rein hypothetische Abstimmung zwischen Webshop und Buchhaltung. Die Beträge dienen ausschliesslich der Erklärung der Methode.

In einem realen Unternehmen sind solche Anpassungen anhand einzelner Transaktionen nachzuweisen. Insbesondere darf eine vereinfachte Überleitung keine unterschiedlichen Buchungsperioden, Teilrechnungen oder zusätzlichen Erlösarten überdecken.

Die Referenzquelle richtet sich nach der Entscheidung. Für verbuchte Umsätze kann die Buchhaltung massgeblich sein. Für Auftragseingänge ist dagegen häufig das ERP oder der Webshop geeignet, für die Vertriebspipeline das CRM.

Bleibt eine Differenz ungeklärt, gehört sie in ein Abstimmungsprotokoll mit Betrag, Ursache beziehungsweise offenem Prüfpunkt, verantwortlicher Fachperson und möglicher Entscheidungswirkung. Eine wesentliche Abweichung sollte vor einer folgenreichen Entscheidung geklärt oder ausdrücklich als Unsicherheit berücksichtigt werden.

Erst wenn die fachlich begründeten Differenzen von tatsächlichen Datenfehlern getrennt sind, lässt sich entscheiden, welche Datensätze für die weitere Analyse geeignet sind.

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

Prüfen Sie Daten vor dem Dashboard-Aufbau auf Vollständigkeit, Eindeutigkeit, gültige Formate, plausible Werte und systemübergreifende Konsistenz. Zwölf konkrete Tests machen Fehler sichtbar und zeigen, welche Kennzahlen betroffen sind. Entscheidend ist nicht eine möglichst hohe pauschale Qualitätsbewertung, sondern ob die Daten für die geplante operative Entscheidung ausreichend zuverlässig sind.

Ein vollständig ausgefüllter Datensatz ist nicht automatisch korrekt. Eine Kundennummer kann formal gültig sein, aber dem falschen Kunden zugeordnet werden. Ebenso kann ein Umsatzwert innerhalb eines plausiblen Bereichs liegen und trotzdem in der falschen Berichtsperiode erscheinen.

Der Government Data Quality Framework der britischen Regierung unterscheidet sechs zentrale Qualitätsdimensionen: Vollständigkeit, Eindeutigkeit, Konsistenz, Aktualität, Validität und Genauigkeit. Die folgenden zwölf Tests sind eine praxisorientierte Umsetzung dieser Grundsätze, kein offiziell vorgeschriebener Prüfkatalog.

Die Prüfliste verbindet jedes Fehlersignal mit einer möglichen Korrektur.

Einige Tests erfolgen innerhalb der einzelnen Datenquelle. Andere sind erst beim Abgleich zwischen ERP, CRM, Webshop und Buchhaltung sinnvoll. Beispielsweise kann jede CRM-Kundennummer für sich eindeutig sein, obwohl die Zuordnung zum ERP durch unterschiedliche Nummerierungssysteme fehlerhaft ausfällt.

Die Priorisierung richtet sich nach den Konsequenzen. Fehlt bei einem Vertriebsreport die Kundensegmentzuordnung, kann eine Segmententscheidung unzuverlässig werden. Fehlende optionale Telefonnummern können für dieselbe Analyse dagegen unerheblich sein.

Ein wiederholbarer Prüfprozess hält zu jedem Test den Prüfzeitpunkt, die betroffenen Datensätze, das Ergebnis, die Fehlerursache, die verantwortliche Person und den Behebungsstatus fest.

Für die Freigabe gelten zweckbezogene Regeln: Unkritische, dokumentierte Einschränkungen dürfen im Dashboard sichtbar bleiben. Eine Kennzahl mit wesentlichen, ungeklärten Fehlern wird dagegen bis zur Korrektur gesperrt oder ausdrücklich als nicht entscheidungsfähig gekennzeichnet.

Mit dokumentierter Datenqualität lässt sich anschliessend beurteilen, welche technische Lösung die Analyse zuverlässig und mit vertretbarem Betriebsaufwand bereitstellen kann.

Excel Power Query oder BI-Tool: Was ist sinnvoll bei 50.000 Zeilen pro Monat?

Bei 50.000 Zeilen pro Monat kann Excel mit Power Query durchaus geeignet sein. Entscheidend sind jedoch nicht allein die Zeilenzahlen, sondern Datenmodell, Transformationsaufwand, Aktualisierung, historische Daten und Zahl der Anwender. Eine zentrale BI-Lösung wird vor allem dann interessant, wenn Kennzahlen organisationsweit einheitlich berechnet und Zugriffsrechte systematisch verwaltet werden müssen.

Die Zahl von 50.000 Datensätzen ist ein Beispielszenario und keine technische Grenze für Power Query. Die technischen Spezifikationen von Power Query in Excel bei Microsoft unterscheiden ausdrücklich zwischen den Grenzen des Excel-Arbeitsblatts und der Power-Query-Verarbeitung.

Ein Arbeitsblatt kann maximal 1.048.576 Zeilen aufnehmen. Daraus folgt weder, dass Power Query grundsätzlich nur diese Datenmenge verarbeiten kann, noch dass jede Arbeitsmappe mit weniger Zeilen performant arbeitet. Arbeitsspeicher, Excel-Version, Abfragegestaltung und Transformationen beeinflussen die tatsächliche Leistungsfähigkeit.

Bei 50.000 Zeilen pro Monat entstehen rechnerisch 600.000 Zeilen in zwölf Monaten. Wenn ERP, CRM, Webshop und Buchhaltung zusätzliche Transaktions- und Stammdaten liefern, kann die Datenmenge deutlich anders ausfallen. Wichtig sind deshalb die tatsächlichen Beziehungen und Verarbeitungsschritte.

Ein belastbarer Werkzeugvergleich benötigt einen Praxistest. Dazu werden alle vier Quellen mit repräsentativen Daten verbunden, relevante historische Zeiträume einbezogen und typische Transformationen ausgeführt.

Der Test sollte nicht nur die Ladezeit messen. Auch fehlgeschlagene Aktualisierungen, geänderte Quelldateien und unterschiedliche Benutzerzugriffe müssen berücksichtigt werden. Besonders aussagekräftig ist die Frage, ob zwei Anwender bei identischen Parametern denselben KPI reproduzieren können.

Ein sinnvoller Ausbau beginnt mit einem klar abgegrenzten Anwendungsfall. Die geprüfte Abstimmungslogik kann zunächst in Power Query entwickelt und später, falls erforderlich, in eine zentral verwaltete Architektur übernommen werden. Ein solcher Übergang erfordert allerdings eine erneute Prüfung der Berechnungsergebnisse.

Für Unternehmen in der Schweiz spielt ausserdem der Datenschutz eine Rolle. Bei CRM- oder Personaldaten sind insbesondere Zugriffsberechtigungen, Speicherorte und mögliche internationale Datenbekanntgaben zu prüfen.

Die Hinweise des EDÖB zur Bekanntgabe von Personendaten ins Ausland erläutern die Voraussetzungen für solche Übermittlungen, beispielsweise im Zusammenhang mit angemessenem Datenschutz oder geeigneten Garantien. Daraus ergibt sich keine allgemeine Verpflichtung, sämtliche BI-Daten ausschliesslich in der Schweiz zu hosten. Vertragliche und branchenspezifische Anforderungen können dennoch zusätzliche Vorgaben enthalten.

Selbst eine technisch zuverlässige Plattform verhindert allerdings keine falschen Entscheidungen, wenn aus statistischen Zusammenhängen unbegründete Ursachen abgeleitet werden.

Der Analysefehler, der aus Korrelation eine falsche Massnahme macht

Eine Korrelation zeigt, dass sich zwei Grössen gemeinsam verändern. Sie beweist nicht, dass die eine Veränderung die andere verursacht. Steigen Marketingausgaben und Umsätze gleichzeitig, können Saison, Preise oder bestehende Kundenbeziehungen beide Entwicklungen beeinflussen. Wer daraufhin das Marketingbudget erhöht, ohne alternative Erklärungen zu prüfen, riskiert eine unwirksame Massnahme.

In einem hypothetischen Unternehmen steigen die Marketingausgaben während eines Quartals. Gleichzeitig zeigt der Webshop mehr Bestellungen und die Buchhaltung höhere Erlöse. Die naheliegende Interpretation lautet, dass zusätzliche Werbung den Umsatz gesteigert habe.

Diese Interpretation ist zunächst nur eine Hypothese. Vielleicht bestand bereits eine saisonal höhere Nachfrage. Möglicherweise wurden Verkaufspreise angepasst oder mehrere Grosskunden hatten ihre Bestellungen unabhängig von den Kampagnen geplant.

Hinzu kommt ein besonders kritischer Punkt: Die zugrunde liegenden Daten stammen aus verschiedenen Systemen. Das CRM enthält Marketingkontakte, der Webshop registriert Bestellungen und die Buchhaltung verbucht Erlöse. Werden diese Ereignisse mit unterschiedlichen Zeiträumen oder uneindeutigen Kundenkennungen verknüpft, kann bereits die Datenzusammenführung eine scheinbar starke Beziehung erzeugen.

Von einer Beobachtung zu einer überprüfbaren Ursache

Ein methodisch sauberer Prüfprozess beginnt mit der zeitlichen Reihenfolge. Eine vermutete Ursache muss dem betrachteten Ergebnis vorausgehen. Danach werden mögliche Störfaktoren wie Saison, Preisänderungen, Kundensegmente oder Vertriebskanäle identifiziert.

Im nächsten Schritt sollten vergleichbare Kundengruppen oder Zeiträume betrachtet werden. Dabei sind Unterschiede in der Ausgangssituation zu berücksichtigen. Ein Vergleich zwischen besonders kaufaktiven Bestandskunden und bisher inaktiven Interessenten erlaubt beispielsweise keinen einfachen Rückschluss auf die Wirkung einer Marketingkampagne.

Die Ergebnisse sollten ausserdem gegenüber alternativen Datenverknüpfungen geprüft werden. Verändert sich der geschätzte Zusammenhang erheblich, sobald Dubletten bereinigt oder Bestellungen anders zugeordnet werden, ist die Schlussfolgerung entsprechend unsicher.

Vor einer kostspieligen Budgetentscheidung bietet sich ein begrenzter Praxistest an. Er benötigt einen vorab bestimmten Erfolgsindikator, eine geeignete Vergleichsgrundlage, einen festgelegten Zeitraum und ein Abbruchkriterium. Wenn eine kontrollierte Untersuchung nicht möglich ist, sollte die Entscheidung die verbleibende Unsicherheit ausdrücklich berücksichtigen.

Die Stärke eines statistischen Zusammenhangs ersetzt keine kausale Prüfung. Ein hoher Korrelationswert ist keine ausreichende Grundlage, um zusätzliche Ausgaben oder operative Eingriffe automatisch zu rechtfertigen.

Erst wenn die Grenzen einer Analyse klar sind, kann sie systematisch mit den tatsächlich verfügbaren Handlungsoptionen verbunden werden.

Welche 5 Fragen machen Datenanalysen entscheidungsreif statt «nice to know»?

Eine Datenanalyse wird entscheidungsreif, wenn sie fünf Fragen beantwortet: Welche Entscheidung steht an, welche Optionen bestehen, welche Kennzahl unterscheidet diese Optionen, wie verlässlich sind die Daten und welche Handlung folgt aus dem Ergebnis? Diese Struktur verhindert, dass Berichte lediglich Entwicklungen beschreiben, ohne eine konkrete operative Entscheidung zu unterstützen.

Ein Umsatzrückgang um einen bestimmten Betrag ist zunächst eine Beobachtung. Die Information erklärt weder die Ursache noch, ob eine Budgetkürzung, zusätzliche Vertriebsaktivität oder zunächst eine Buchungsprüfung erforderlich ist.

Die folgenden fünf Fragen schaffen den notwendigen Entscheidungsbezug.

1. Welche Entscheidung steht an? Beispielsweise, ob ein Unternehmen sein Vertriebsbudget für das nächste Quartal erhöhen, reduzieren oder unverändert lassen soll. Die Entscheidung benötigt einen Verantwortlichen und einen Termin.
2. Welche Handlungsoptionen bestehen? Möglich wären zusätzliche Betreuung bestehender Kunden, verstärkte Neukundengewinnung oder der Verzicht auf eine sofortige Änderung. Ohne Alternativen bleibt die Analyse unverbindlich.
3. Welche Kennzahl unterscheidet zwischen den Optionen? Je nach Fragestellung können Auftragseingang, Bruttomarge, Abschlussquote oder Stornoquote aussagekräftiger sein als der reine Gesamtumsatz.
4. Wie belastbar ist die Datengrundlage? Hier werden Quellenkonflikte, fehlende Daten, uneindeutige Zuordnungen und offene Annahmen beurteilt. Eine wesentliche Unsicherheit kann eine zusätzliche Prüfung rechtfertigen.
5. Welche Handlung folgt aus welchem Ergebnis? Vorab festgelegte Entscheidungsregeln verhindern, dass Ergebnisse nachträglich passend interpretiert werden. Die tatsächliche Wirkung wird später anhand definierter Kennzahlen überprüft.

Entscheidungsreife am Beispiel eines Umsatzrückgangs

Angenommen, ein Unternehmen beobachtet einen rückläufigen Monatsumsatz. Die Buchhaltung zeigt geringere verbuchte Erlöse, während das ERP einen weitgehend stabilen Auftragseingang meldet.

Eine oberflächliche Analyse könnte daraus eine sinkende Nachfrage ableiten. Die zusätzliche Betrachtung von Rechnungszeitpunkten, Auftragsstatus und Stornierungen eröffnet jedoch mehrere plausible Erklärungen.

Ist der Auftragseingang stabil und konzentriert sich die Differenz auf noch nicht fakturierte Leistungen, wäre eine sofortige Reduktion des Vertriebsbudgets möglicherweise unangebracht. Zeigen dagegen mehrere abgestimmte Indikatoren einen tatsächlichen Nachfragerückgang, kann eine Anpassung der Vertriebsaktivitäten sinnvoll sein.

Eine Entscheidungsvorlage sollte daher Optionen, erwartete Auswirkungen, Annahmen, Datenunsicherheiten und mögliche Kosten einer Fehlentscheidung gegenüberstellen.

Ob zusätzliche Datenklärung wirtschaftlich sinnvoll ist, hängt davon ab, ob ihr erwarteter Nutzen die Verzögerung und den Prüfaufwand rechtfertigt. Bei schwer reversiblen oder kostspieligen Massnahmen ist die Anforderung an die Belastbarkeit typischerweise höher.

Die fünf Fragen gehören in einen wiederkehrenden Ablauf: vor der Analyse die Entscheidung definieren, während der Analyse die Aussagekraft prüfen und nach der Umsetzung die Wirkung kontrollieren.

Damit dieser Ansatz im Alltag funktioniert, muss auch das Dashboard entlang der Entscheidungsfragen gestaltet werden und nicht entlang der vorhandenen Systemlandschaft.

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

Ein entscheidungsorientiertes Dashboard beginnt mit den Fragen seiner Nutzer, nicht mit den Tabellen aus ERP, CRM, Webshop und Buchhaltung. Erfassen Sie zunächst konkrete Entscheidungssituationen und ordnen Sie ihnen passende Kennzahlen, Aktualisierungsintervalle und Detailansichten zu. Fünfzehn exemplarische Fragen können einen Workshop strukturieren, sind aber keine allgemeingültige Zielzahl.

Ein verbreitetes Gestaltungsproblem besteht darin, jedem Quellsystem eine eigene Dashboard-Seite zu widmen. Dadurch sehen Nutzer zwar zahlreiche Berichte, müssen Widersprüche jedoch selbst erklären und Informationen manuell miteinander verbinden.

Stattdessen sollten Geschäftsleitung, Vertrieb, Finanzen und Operations ihre wichtigsten Entscheidungsfragen gemeinsam formulieren.

Diese Fragen werden nach Entscheidungssituation, erforderlicher Aktualität und Detaillierungsgrad gruppiert. Die Geschäftsleitung benötigt möglicherweise eine verdichtete Monatsübersicht, während Operations für bestimmte Prozesse aktuelle Transaktionsdaten braucht.

Jede Dashboard-Ansicht sollte eine zentrale Frage beantworten und von einer Auffälligkeit zur Ursache führen. Beispielsweise beginnt eine Untersuchung beim rückläufigen Umsatztrend, vertieft sich auf betroffene Kundensegmente und endet bei den zugrunde liegenden Bestellungen und Buchungen.

Ungeklärte Datenkonflikte dürfen auf dieser Strecke nicht verschwinden. Jede zentrale Kennzahl benötigt einen erkennbaren Datenstand und eine zugängliche Definition. Bei wesentlichen Einschränkungen sollte eine Warnung erläutern, welche Aussage derzeit nicht belastbar ist.

Der abschliessende Akzeptanztest erfolgt mit realistischen Entscheidungssituationen. Repräsentative Nutzer sollen die gesuchte Information finden, eine Entscheidung begründen und den nächsten Handlungsschritt benennen können.

Diagramme, die keine relevante Entscheidungsfrage unterstützen, werden entfernt oder überarbeitet. Auch eine optisch überzeugende Darstellung ist entbehrlich, wenn sie keinen nachvollziehbaren Erkenntnisbeitrag leistet.

Die Voraussetzung dafür sind jedoch verbindliche KPI-Definitionen. Ohne sie können auch nutzerfreundliche Ansichten widersprüchliche Ergebnisse liefern.

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

Definieren Sie jede zentrale Kennzahl mit einer eindeutigen Formel, festen Filtern, einem Zeitbezug, einer Datenquelle und einer fachlich verantwortlichen Person. Ein gemeinsames KPI-Verzeichnis stellt sicher, dass Vertrieb, Finanzen und Operations dieselben Berechnungsregeln verwenden. Zwölf Kennzahlen bilden dafür ein mögliches Beispiel; ihre tatsächliche Auswahl muss den betrieblichen Entscheidungen folgen.

Ein KPI ist erst dann zuverlässig vergleichbar, wenn seine Bedeutung so genau dokumentiert wurde, dass verschiedene Personen ihn unabhängig voneinander reproduzieren können.

Die folgende Auswahl zeigt zwölf mögliche Kern-KPIs für ein Handels- oder Dienstleistungsunternehmen. Die Formeln sind bewusst als beispielhafte Definitionen zu verstehen und müssen an das jeweilige Geschäftsmodell angepasst werden.

Besondere Aufmerksamkeit verdienen die Bezugsgrössen. Bei der Conversion Rate ergeben Bestellungen pro Besuch einen anderen Wert als kaufende Kunden pro eindeutigem Besucher. Beide Perspektiven können sinnvoll sein, beschreiben jedoch unterschiedliche Sachverhalte.

Der verbindliche Steckbrief jeder Kennzahl

Ein vollständiger KPI-Steckbrief dokumentiert die geschäftliche Bedeutung, die Formel, Zähler und Nenner, Filter, Zeitraum, Einheit, Rundungsregeln, Datenquelle, Aktualisierungsrhythmus und fachliche Verantwortung.

Hinzu kommen die zugelassenen Statuswerte und Regeln für Sonderfälle. Bei der Stornoquote muss beispielsweise geklärt werden, ob Teilstornierungen berücksichtigt werden und ob die Zuordnung nach ursprünglichem Bestelldatum oder Stornierungsdatum erfolgt.

Systemübergreifende Kennzahlen benötigen zudem ein gemeinsames Datenmodell. Kunden-, Produkt- und Zeitdimensionen müssen aufeinander abgestimmt und eindeutige Verknüpfungsschlüssel festgelegt werden.

Eine Bestellung darf nicht mehrfach gezählt werden, nur weil derselbe Kunde mit mehreren CRM-Kontakten verknüpft ist. Die Detailstufe der Berechnung muss deshalb vor der technischen Zusammenführung eindeutig feststehen.

Die Abnahme einer KPI-Definition erfolgt gemeinsam durch Fachbereich und Datenverantwortliche. Geeignete Referenzfälle umfassen Stornierungen, Teilrechnungen, nachträgliche Änderungen und unterschiedliche Währungen.

Wird eine Berechnungsregel geändert, sollte dies versioniert und hinsichtlich historischer Vergleiche dokumentiert werden. Andernfalls kann eine Definitionsänderung fälschlich als operative Leistungsänderung erscheinen.

Damit diese Definitionen dauerhaft gelten, benötigt das Unternehmen nicht nur ein Datenmodell, sondern auch klare fachliche Entscheidungsrechte und Zuständigkeiten.

Warum BI-Systeme scheitern, wenn niemand eine KPI eindeutig definiert

Ein BI-System kann technisch einwandfrei funktionieren und trotzdem im Unternehmen scheitern, wenn zentrale Kennzahlen nicht eindeutig definiert sind. Unterschiedliche Fachbereiche verwenden dann widersprüchliche Zahlen, stellen die Berichte infrage und entwickeln eigene Auswertungen. Das Problem liegt nicht zwingend in der Software, sondern in fehlenden fachlichen Vereinbarungen und Verantwortlichkeiten.

Ein typisches Beispiel ist der Begriff Umsatz. Der Vertrieb versteht darunter möglicherweise den Wert gewonnener Aufträge. Die Finanzabteilung betrachtet verbuchte Erlöse. Die Geschäftsleitung erwartet eine Kennzahl, die als Grundlage für die Unternehmensplanung geeignet ist.

Keine dieser Perspektiven muss grundsätzlich falsch sein. Problematisch wird es, wenn alle drei Berichte lediglich «Umsatz» heissen und ohne Erklärung unterschiedliche Beträge zeigen.

Die Folge sind wiederkehrende Abstimmungssitzungen, eigene Excel-Dateien und ein schleichender Vertrauensverlust. Anstatt gemeinsam über Massnahmen zu entscheiden, diskutieren Teams darüber, welche Zahlen sie verwenden sollen.

Fachliche Verantwortung von technischer Umsetzung trennen

Ein belastbares Steuerungsmodell unterscheidet mehrere Aufgaben.

• Fachliche KPI-Verantwortung: Eine entscheidungsbefugte Person definiert Bedeutung, Anwendungszweck und zulässige Varianten der Kennzahl.
• Technische Verantwortung: Das Datenteam setzt die freigegebene Definition um und dokumentiert die Berechnungslogik.
• Datenqualitätsverantwortung: Zuständige Personen überwachen Datenfehler, Ursachen und Korrekturprozesse.
• Fachliche Freigabe: Berechtigte Vertreter überprüfen die Ergebnisse anhand nachvollziehbarer Referenzfälle.

Bei widersprüchlichen Anforderungen entscheidet nicht allein die IT, welche fachliche Perspektive gelten soll. Stattdessen wird der Konflikt dem zuständigen Fachverantwortlichen oder einem definierten Entscheidungsgremium vorgelegt. Die Entscheidung wird dokumentiert und den betroffenen Nutzern mitgeteilt.

Eine gemeinsame KPI-Definition bedeutet dabei nicht, sämtliche Varianten zu verbieten. Auftragseingang, fakturierter Betrag und verbuchter Umsatz sind beispielsweise eigenständige, legitime Kennzahlen. Entscheidend ist ihre klare Bezeichnung und die Möglichkeit, wesentliche Differenzen zu erklären.

Den Nutzen des BI-Systems an Entscheidungen messen

Die tatsächliche Wirkung eines BI-Systems lässt sich nicht allein an Anmeldezahlen, Dashboard-Aufrufen oder erzeugten Reports beurteilen.

Aussagekräftiger ist, ob Teams gemeinsame KPI-Definitionen verwenden, ob ungeklärte Abweichungen systematisch abnehmen und ob beschlossene Massnahmen anhand vorher festgelegter Ergebnisse kontrolliert werden.

Auch wiederkehrende Definitionskonflikte sind wertvolle Hinweise auf Schwächen in Datenprozessen oder Verantwortlichkeiten. Sie sollten dokumentiert und zur gezielten Verbesserung genutzt werden.

Damit entsteht ein kontinuierlicher Kreislauf: Kennzahlen definieren, Daten prüfen, Entscheidungen treffen, Ergebnisse messen und die zugrunde liegenden Prozesse bei Bedarf verbessern.

Als nächster praktischer Schritt bietet sich ein begrenzter Pilot mit einer konkreten operativen Entscheidung an: eine wesentliche Kennzahl auswählen, ihre Definition und vier Datenquellen abstimmen, die Datenqualität prüfen und anschliessend dokumentieren, welche Handlung aus dem Ergebnis abgeleitet wurde. Der Erfolg zeigt sich nicht an der Anzahl der visualisierten Daten, sondern daran, ob die Entscheidung nachvollziehbarer und ihre Wirkung überprüfbar wird.