Für die meisten Analyseteams sind Zuverlässigkeitsprobleme bei Dashboards kein Problem der Visualisierung, sondern der Datenvorbereitung. Wenn die Vorbereitungslogik manuell und inkonsistent von verschiedenen Data Analysts über unterschiedliche Zyklen hinweg angewendet wird, summieren sich die Unstimmigkeiten im Vorfeld und führen schließlich zu Zahlen, denen Stakeholder nicht vertrauen können. Daran ändert auch ein Wechsel der BI-Plattform nichts. In diesem Beitrag wird untersucht, an welchen Stellen die manuelle Datenvorbereitung scheitert, wann sich die Investition in Automatisierung lohnt und wie ein reproduzierbarer Workflow für die Datenvorbereitung in der Praxis aussieht.
Warum selbst gute Visualisierungstools unzuverlässige Ergebnisse erzeugen
Unternehmen mit gut ausgestatteten BI-Stacks, modernen Cloud-Plattformen, angesehenen Visualisierungs-Tools und qualifizierten Data Analysts erstellen dennoch Dashboards, die von Stakeholdern infrage gestellt oder still und leise nicht mehr verwendet werden. Nicht die Visualisierungs-Tools sind hierbei der entscheidende Faktor. Es ist der Datenvorbereitungsprozess.
Gartner identifiziert schlechte Datenqualität als Haupthindernis, das eine „Vertrauenslücke“ schafft, die die Einführung von Analytics verlangsamt und KI-Initiativen blockiert. Nicht die Wahl des Tools oder das Design des Dashboards sind ausschlaggebend. Es ist die Qualität der Daten selbst.
Vier Mechanismen erklären, wie die manuelle Vorbereitung dieses Problem verursacht.
1. Inkonsistente Logik über Zyklen hinweg
Wenn die Vorbereitung manuell, in Excel, in einzeln ausgeführten SQL-Abfragen oder in Ad-hoc-Skripten erfolgt, die für eine bestimmte Woche geschrieben werden, erändert sich die auf die Daten angewandte Logik jedes Mal geringfügig. Filter ändern sich. Datumsbereiche umfassen leicht unterschiedliche Zeiträume. Eine in der Quelle umbenannte Spalte wird in nachgelagerten Schritten nicht aktualisiert. Das Visualisierungs-Tool kann nicht erkennen, dass die Zahlen für September auf anderen Annahmen basieren als die Zahlen für August. Es stellt lediglich das dar, was es erhalten hat.
2. Quellfragmentierung ohne systematischen Abgleich
Daten, die über CRM-Exporte, ERP-Systeme, Flatfile- und Cloud-Plattformen verstreut sind, werden jedes Mal, wenn sie benötigt werden, unterschiedlich zusammengeführt. Jeder manuelle Abgleich ist eine neue Gelegenheit, eine Inkonsistenz einzuführen, die keine Visualisierungsebene erkennen oder korrigieren kann. Zwei Data Analysts, die „dieselben“ Vertriebsdaten aus denselben Systemen abrufen, definieren die Verknüpfung unterschiedlich, sofern diese Logik in ihren jeweiligen individuellen Arbeitsprozessen verankert ist.
3. Undokumentierte Geschäftslogik
Die analystenspezifische Interpretationsebene, die Ausnahmen, Abgleichsregeln und Beurteilungen darüber, was von einer Umsatzberechnung ausgeschlossen wird, lebt in den Köpfen der Menschen und wird nirgendwo in wiederverwendbarer Form erfasst. Verlässt eine erfahrene Analystin das Unternehmen, geht dieses Wissen verloren. Die Person, die ihr nachfolgt, übernimmt einen Workflow mit unerklärten Ausgaben und ohne Möglichkeit, zu überprüfen, ob die Zahlen stimmen.
4. Volumen, das die manuelle Kapazität überschreitet
Ein manueller Vorbereitungsprozess, den ein einzelner Analyst für einen Bericht bewältigt, stößt an seine Grenzen, sobald drei Analyst:innen zwölf Berichte nach unterschiedlichen Zeitplänen bearbeiten. Allein der Koordinationsaufwand führt zu Versionskonflikten. Genau diese Diskrepanzen bilden dann die Grundlage für die Zahlen, über die die Stakeholder im Meeting am Dienstag diskutieren.
Wenn Ihr Team in jedem Berichtszyklus dieselben Datenverknüpfungen neu erstellt oder wenn die Zahlen im Dashboard je nach der Person variieren, die die Datenvorbereitung durchgeführt hat, sollten Sie jeden Schritt dieses Prozesses skizzieren, bevor Sie neue Tools in Betracht ziehen. Zählen Sie, wie viele Schritte manuell, undokumentiert oder personenabhängig sind. Diese Übung offenbart meist, wo die Schwachstellen liegen.
Wo manuelle Datenaufbereitung scheitert: Drei Muster, die Data Analysts kennen
Die vier oben genannten Mechanismen führen zu drei erkennbaren operativen Mustern. Die meisten Analyseverantwortlichen haben mindestens eines davon schon selbst erlebt.
1. Der Neuaufbau am Montagmorgen
Eine Analystin. Ein wöchentlicher Bericht. Drei Quelldateien. Jeden Montag öffnet sie die Dateien, führt Transformationen durch, aktualisiert die Verknüpfungen und kopiert das Ergebnis in das Visualisierungstool. Drei bis vier Stunden. Ist sie abwesend, verspätet sich der Bericht oder wird von jemandem erstellt, der die Logik etwas anders anwendet. Ein häufiges Szenario: Die Vertretung rechnet konzerninterne Transaktionen in den Umsatz ein, während die reguläre Analystin diese stets herausfiltert. Das Dashboard zeigt die Version an, die in der betreffenden Woche erstellt wurde.
Bei zunehmendem Umfang verschärft sich das Problem. Fünf Analyst:innen, fünfzig Berichte, gestaffelte Zeitpläne. Der Koordinationsaufwand führt zu Versionskonflikten, die keine Visualisierungsebene erfassen kann.
2. Der Vertrauensverlust der Stakeholder
Zwei Führungskräfte sitzen in derselben Besprechung und sehen sich einen Bericht an, von dem sie glauben, dass er derselbe ist. Beide Zahlen stammen aus denselben zugrunde liegenden Daten, wurden jedoch über leicht unterschiedliche Vorbereitungsprozesse generiert. Das Visualisierungs-Tool ist identisch. Die Vorbereitung hingegen nicht.
Sobald Stakeholder das Vertrauen in die Zahlen eines Dashboards verlieren, nutzen sie diese nicht mehr als Entscheidungsgrundlage. Sie fordern Ad-hoc-Exporte an. Sie erstellen ihre eigenen Tabellenkalkulationen. Die Investition in Visualisierungstools wird damit faktisch umgangen. McKinsey hat diese Lücke zwischen Unternehmen, die sich selbst als datengesteuert bezeichnen, und solchen, die tatsächlich Vertrauen in ihre Ergebnisse haben dokumentiert. Analytics-Expert:innen sehen in wiederholbaren und wiederverwendbaren Workflows immer wieder die Grundlage dafür, dieses Vertrauen wiederherzustellen, nicht in besseren Dashboards.
3. Das Hindernis auf dem Weg zur KI-Reife
Unternehmen, die Prognosemodelle und KI-gestützte Analysen entwickeln, stoßen auf eine zuvor unterschätzte Voraussetzung: Die Daten, mit denen diese Systeme gespeist werden, müssen präzise und konsistent sein sowie einer klaren Governance unterliegen. KI-fähige Daten werden zur neuen Grundlage für die Wettbewerbsfähigkeit von Analysen. Die meisten manuellen Vorbereitungsprozesse können diese Qualität nicht zuverlässig gewährleisten. Wenn die Vorbereitung fehleranfällig und undokumentiert ist, kann KI das Problem nicht beheben. Sie skaliert es vielmehr.
Der vollständige Leitfaden zur Vorbereitung KI-fähiger Daten erläutert, worauf Unternehmen achten müssen, bevor sie Daten in KI-Systeme einspeisen, und warum genau die Phase der Datenvorbereitung darüber entscheidet, ob die notwendige KI-Reife erreicht oder verpasst wird.
Warum ein Wechsel der Visualisierungs-Tools das Problem nicht löst
Wenn Dashboards unzuverlässige Ergebnisse liefern, ist die Evaluierung des Visualisierungs-Tools eine naheliegende erste Reaktion. Schließlich sind diese Tools der sichtbare Schwachpunkt. Doch auch das neue Tool erhält dieselben manuell aufbereiteten Daten. Die Visualisierungsebene aufzurüsten, um ein Problem bei der Datenvorbereitung zu beheben, ist so, als würde man den Drucker austauschen, um Fehler im Dokument zu korrigieren.
Viele Analyseteams kennen diesen Zyklus: neue BI-Plattform, anfängliche Begeisterung, innerhalb weniger Monate treten dieselben Probleme mit der Datenqualität wieder auf, gefolgt von einer erneuten Evaluierung. Jeder Zyklus kostet Zeit, Budget und Training. Die eigentliche Ursache des Problems wird damit nicht behoben.
Forrester stuft die automatisierte Datenvorbereitung als eine Marktkategorie ein, die zunehmend an Reife gewinnt – eben weil die Lösung struktureller und nicht kosmetischer Natur ist. Wenn Datenvorbereitung automatisiert, gesteuert und wiederholbar ist, kann die Visualisierungsebene ihre eigentliche Aufgabe erfüllen: die Realität in jedem Zyklus präzise und konsistent abbilden.
Wann Automatisierung die richtige Lösung ist und wann nicht
Automatisierte Datenvorbereitungs-Workflows lösen das oben beschriebene Problem. Sie lösen nicht jedes Datenproblem, und es wäre ein Fehler, sie als universelle Antwort zu betrachten. Bevor man eine Plattform evaluiert, sollte man sich daher zunächst darüber im Klaren sein, in welcher Situation man sich befindet.
Manuelle Datenaufbereitung ist geeignet, wenn:
- Das Dataset klein und stabil ist: keine Schemaänderungen, keine neuen Quellen, geringe Berichtsfrequenz
- Die Vorbereitungslogik wirklich einfach ist und von verschiedenen Data Analysts einheitlich angewendet wird
- Der Bericht nur wenige Male im Jahr erstellt wird und nicht für Stakeholder bestimmt ist
Automatisierung lohnt sich, wenn:
- Dieselbe Vorbereitungslogik wiederkehrend ausgeführt und von verschiedenen Data Analysts angewendet wird
- Daten aus mehreren Quellen stammen, die sich unabhängig voneinander ändern: Schemaaktualisierung, neue Felder, umbenannte Spalten
- Stakeholder Entscheidungen auf Basis der Ergebnisse treffen und begonnen haben, die Zahlen zu hinterfragen
- Die bzw. der für den Vorbereitungsprozess verantwortliche Data Analyst einen „Single Point of Failure“ (kritischen Engpass) darstellt
- KI- oder ML-Initiativen von der durch diese Vorbereitung erzeugten Datenqualität abhängen
Was ist mit Python, dbt oder einer von einem Data Engineer gepflegten Pipeline?
Dies sind legitime Alternativen und in einigen Unternehmen die richtigen. Eine Python- oder dbt-basierte Pipeline ist in der Regel dann sinnvoll, wenn die Transformationslogik komplex genug ist, um eine Versionskontrolle auf Codeebene zu erfordern, wenn das Engineering-Team sie aktiv pflegt und wenn die Data Analysts, die sie ausführen, mit einer Code-First-Umgebung vertraut sind. Der Kompromiss liegt in der Verantwortung: Tritt ein Fehler auf oder muss die Geschäftslogik angepasst werden, liegt die Aufgabe wieder bei der Person, die den Code ursprünglich geschrieben hat.
No-Code- oder Low-Code-Lösungen für die Analytics Automation bieten sich vor allem dann an, wenn die Data Analysts, die für die Geschäftslogik verantwortlich sind, auch den Workflow selbst steuern sollen; wenn also die Transformationsregeln von den Personen gelesen und geändert werden können, die am nächsten an den Daten arbeiten, und nicht von einem separaten Engineering-Team. Das ist das Szenario, das in diesem Beitrag beschrieben wird, und es ist das Szenario, in dem sich der Zyklus des Tool-Wechsels häufig wiederholt.
Was einen gut konzipierten Workflow zur Datenvorbereitung auszeichnet
Wenn ein Datenvorbereitungs-Workflow so aufgebaut ist, dass er reproduzierbar und kontrolliert abläuft, werden die oben genannten Fehlerquellen nicht einzeln, sondern strukturell behoben.
Die Logik wird einmalig erfasst und konsequent ausgeführt.
Die Transformationsregeln, Quellverknüpfungen und die Geschäftslogik, die bestimmt, was als Umsatz gilt, befinden sich alle im Workflow, nicht im Kopf eines Analysten oder in einer Excel-Datei. Jeder Zyklus führt dieselbe Logik aus. Ist eine Anpassung erforderlich, erfolgt diese bewusst und dokumentiert. Das Visualisierungs-Tool erhält konsistente Eingaben, da der Vorbereitungsprozess nicht mehr variiert.
Der Workflow ist direkt mit den Quellsystemen verbunden und erkennt Änderungen an den vorgelagerten Datenquellen, bevor diese das Dashboard verfälschen.
Anstelle manueller Exporte aus CRM, ERP und Cloud Warehouse ruft der Workflow nativ jede Quelle ab. Integrierte Datenprofilierung deckt bereits in der Vorbereitungsphase Qualitätsprobleme auf – etwa Spitzen bei Nullwerten, Datentyp-Konflikte, Verschiebungen in der Werteverteilung oder umbenannte Spalten. Solche Fehler werden abgefangen, bevor der Workflow die Ergebnisse an die Visualisierungsebene übergibt. Der Unterschied in der Praxis: Ein manueller Prozess scheitert oft unbemerkt (ein Zahlenwert im Diagramm ändert sich, ohne dass die Ursache klar ist), während ein kontrollierter Workflow einen deutlichen Fehler meldet (der Workflow versagt z.B. am Montagmorgen um 6 Uhr; der Analyst behebt die Änderung am Quellschema, noch bevor das Dashboard aktualisiert wird und die Stakeholder etwas davon bemerken).
Der Prozess ist auditierbar, dokumentiert und verfügt über eine Qualitätskontrolle.
Da der Workflow überprüfbar ist, ist die Interpretationsebene, die zuvor oft nur im Prozess einer einzelnen Person existierte, jetzt für das gesamte Team sichtbar. Eine neue Analystin kann den Workflow öffnen und genau sehen, welche Logik angewendet, welche Quellen verknüpft, welche Felder zur Qualitätsbewertung profiliert und welche Schwellenwerte festgelegt wurden. Dies ist die Grundlage, die Visualisierungsergebnisse vertrauenswürdig und nicht nur plausibel macht. Keine abstrakte Governance, sondern ein spezifischer, überprüfbarer Datensatz, der zeigt, wie jede Zahl erstellt wurde.
Der Workflow wird planmäßig und ohne manuelle Eingriffe ausgeführt.
Berichte werden pünktlich erstellt, unabhängig davon, wer im Büro ist. Die Häufigkeit kann erhöht werden, von wöchentlich auf täglich oder monatlich auf on demand, ohne zusätzlichen manuellen Arbeitsaufwand. Der Stakeholder, der früher auf den Data Analyst warten musste, öffnet das Dashboard und findet jedes Mal aktuelle Daten vor, die auf derselben Logik basieren.
In der Praxis: Das People-Analytics-Team von Kingfisher
Kingfisher, ein internationaler Baumarktbetreiber mit über 80.000 Beschäftigten, sah sich mit diesem Problem in großem Maßstab konfrontiert. Das People-Analytics-Team führte globale Personaldaten aus verschiedensten Systemen und Regionen zusammen – Daten, die zuvor von unterschiedlichen Teams manuell extrahiert und abgeglichen worden waren, wobei dieser Prozess jeden Monat rund zwei Wochen in Anspruch nahm.
Durch die Erstellung automatisierter Alteryx Workflows für die Anbindung der Datenquellen, die Datentransformation und die Konsolidierung konnte das Team diesen zweiwöchigen monatlichen Prozess auf zwei Tage verkürzen. Die Dashboards, mit denen Führungskräfte Fluktuation, Personalbestand und Personalleistung verfolgten, wurden nun nach einem verlässlichen Zeitplan mit konsistenten und validierten Daten gespeist. Sie spiegelten nicht mehr nur das Ergebnis der jeweils letzten manuellen Zusammenführung wider. Das Team spart dadurch monatlich 170 Arbeitsstunden ein.
Die Tools zur Visualisierung haben sich nicht verändert. Verändert hat sich, welche Daten vorgelagert in sie einflossen.
Der oben beschriebene Workflow – von der Anbindung der Datenquellen über die Profilierung und die einmalige Definition der Logik bis hin zur geplanten Ausführung – lässt sich von Analytics-Teams in Alteryx One ohne Programmierung umsetzen. Wenn Sie gerade prüfen, wie sich dies auf Ihre eigenen Berichtsprozesse übertragen lässt, finden Sie im Leitfaden zur KI-fähigen Datenvorbereitung detaillierte Informationen zu den entsprechenden Gestaltungsprinzipien.
Was gesteuerte Datenvorbereitung möglich macht: Conversational Analytics
Statische Dashboards beantworten genau die Frage, für die sie ursprünglich erstellt wurden. Möchte ein Stakeholder nach dem Öffnen des Dashboards eine weiterführende Frage stellen – etwa „Warum ist der Umsatz im Südosten gesunken?“ oder „Wie schneidet dieser Wert im Vergleich zum Vorjahreszeitraum ab?“ –, so kann das Diagramm darauf nicht reagieren. Die Frage geht als neue Anfrage an den Data Analyst zurück und der Zyklus beginnt von vorne.
Diese Einschränkung führt zu einem grundlegenden Wandel in der Art und Weise, wie Unternehmen die Nutzung von Analysen betrachten. Fachanwender:innen erwarten zunehmend, Daten im Dialog abfragen zu können: Sie möchten Fragen in natürlicher Sprache stellen und kontextbezogene Antworten erhalten, ganz ähnlich wie bei Tools wie Google Gemini. Das Dashboard als starre, vorab generierte Darstellung weicht dynamischen Benutzeroberflächen, die auf die tatsächlich gestellte Frage reagieren, anstatt nur auf jene, die bei der Erstellung des Berichts antizipiert wurde.
Die Vorbereitungsebene ist der Schlüssel, um diesen Wandel praktikabel statt riskant zu gestalten. KI-Modelle, die Daten direkt abfragen, ohne eine geregelte Vorbereitungsebene darunter, liefern selbstbewusste Antworten, die auf inkonsistenten Eingaben basieren. Sie übernehmen alle in diesem Beitrag beschriebenen Probleme: die undokumentierte Verknüpfungslogik, die inkonsistenten Felddefinitionen, die nie erfasste Schemaabweichung. Die KI weiß nicht, dass die Umsatzzahl zurückgegebene Bestellungen ausschließt, da diese Regel in einem Excel-Prozess eines Analysten implementiert war. Sie fragt die vorhandenen Daten ab und liefert eine Antwort.
Unternehmen, die erfolgreich auf Conversational Analytics (dialogbasierte Analyse) umsteigen, haben zuerst die Vorbereitungsebene aufgebaut. Wenn Daten korrekt, konsistent strukturiert und verwaltet sind, wenn die Geschäftslogik im Workflow kodiert ist und nicht manuell in jedem Zyklus angewendet wird, hat eine KI-Schnittstelle eine zuverlässige Grundlage, mit dem sie arbeiten kann. Alteryx One unterstützt dies direkt: Von Unternehmen zugelassene LLMs, einschließlich Google Gemini, können nativ mit Alteryx Workflows verbunden werden, sodass die KI-Ebene mit Daten arbeitet, die bereits profiliert, umgewandelt und validiert wurden, und nicht mit Rohdaten, die noch nicht bearbeitet wurden.
Die Reihenfolge ist wichtig. Zuerst eine geregelte Vorbereitung. Darauf aufbauend Conversational Analytics. Nur so wird die vom Unternehmen geforderte dynamische Analyseerfahrung zu etwas, das die IT absegnen und dem Data Analysts vertrauen können.
Die interne Argumentation: Was IT und die Finanzabteilung benötigen
Für die meisten Analytics-Verantwortlichen liegt die größte Herausforderung bei dieser Evaluierung nicht im Verständnis des Problems, sondern in der internen Argumentation. Das Gespräch mit IT, Informationssicherheit und Finanzabteilung erfordert jeweils unterschiedliche Nachweise.
IT und Informationssicherheit
Die Fragen, die die IT-Abteilung stellen wird, beziehen sich auf Zugriffskontrollen, Datenverschlüsselung, Identitätsverbund und Compliance-Zertifizierungen. Alteryx veröffentlicht diese in seinem Trust Center, einschließlich herunterladbarer ISO 27001- und SOC 2 Typ II-Zertifikate, eines SIG Lite-Fragebogens und der Richtlinie zur Informationssicherheit. Rollenbasierte Zugriffskontrollen, Audit-Protokollierung, SAML/OAuth-Authentifizierung und die Offenlegung der Datenherkunft gegenüber externen Governance-Plattformen wie Collibra und Atlan sind dort dokumentiert. Bringen Sie diese Informationen in die Gespräche ein, anstatt die IT zu bitten, sich auf Ihre Aussage zu verlassen.
Finanzwesen und Beschaffung
Die Frage, die die Finanzabteilung stellen wird, ist, ob die Zeit- und Kosteneinsparungen real und quantifizierbar sind. Die Kingfisher-Zahlen – 170 eingesparte Vollzeitstunden pro Monat und eine von zwei Wochen auf zwei Tage verkürzte monatliche Konsolidierung – verdeutlichen die Kosten für einen voll ausgelasteten Data Analyst. Das ROI-Datenblatt von Alteryx deckt Zeiteinsparungen, Kostensenkungen und geschäftliche Auswirkungen mit Kundenbelegen in einem Format ab, das Finanzteams anspricht.
Der eigene Vorgesetzte des Analytics-Verantwortlichen
Intern argumentiert die Führungsebene in der Regel mit Risiken und Zuverlässigkeit, nicht mit Funktionen. Die Argumentation ist einfach: Jeder Bericht, der in einem manuellen, personenabhängigen Prozess ausgeführt wird, stellt einen „Single Point of Failure“ dar. Fällt die zuständige Person aus, ist der Bericht verspätet oder fehlerhaft. Verlässt sie das Unternehmen, geht auch die Logik verloren. Durch die Automatisierung der Vorbereitungsebene wird dieses Risiko strukturell beseitigt. Der lückenlose Prüfpfad macht dies nachweisbar, nicht nur behauptet.
Erste Schritte: Was Sie vor dem Erstellen Ihres nächsten Dashboards tun sollten
Der Einstiegspunkt ist keine Plattformentscheidung. Sondern eine Diagnose.
- Erstellen Sie eine vollständige Übersicht über den Vorbereitungsprozess eines Berichts. Wählen Sie den wichtigsten wiederkehrenden Bericht aus. Notieren Sie jeden Schritt zwischen den Quelldaten und der Visualisierungsausgabe. Zählen Sie, wie viele Schritte manuell, undokumentiert oder personenabhängig sind.
- Identifizieren Sie, wo die Logik zwischen den Zyklen variiert. Wo hängt sie davon ab, dass eine Person etwas weiß, das nicht niedergeschrieben ist? Wo könnte ein neuer Analyst eine andere Zahl erzeugen, indem er eine plausbile, aber andere Annahme anwendet? Das sind die Schwachstellen.
- Erstellen Sie einen automatisierten Workflow für diesen Bericht. Wählen Sie den Bericht mit dem höchsten Risiko und dem meisten manuellen Aufwand aus. Automatisieren Sie zuerst dessen Vorbereitungslogik. Der Nutzen ist sofort sichtbar. Er wird zur Vorlage für den nächsten Bericht.
Für Analyseteams, die Workflows ohne Programmierung oder Entwicklerunterstützung erstellen möchten, bietet Alteryx One die ideale Umgebung. Es verbindet sich direkt mit Quellsystemen, prüft die Datenqualität bereits in der Vorbereitungsphase, plant die Ausführung und dokumentiert die Logik, sodass jeder nachfolgende Analyst die Bedeutung jedes einzelnen Schrittes nachvollziehen kann. Wenn Sie prüfen, ob Alteryx One das Richtige für Sie ist, können Sie es mit einer kostenlosen Testversion anhand Ihrer eigenen Daten und Ihres eigenen Prozesses testen. Die Karte, die Sie in Schritt 1 erstellt haben, ist eine vorgefertigte Spezifikation für den ersten Workflow.