Mit KI ein Dashboard auf Knopfdruck: Und mit sauberem Datenfundament auch eines, dem man vertraut

Keine neue Herausforderung

Excel hat das Analysieren und Zusammenstellen von Zahlen für alle zugänglich gemacht. Mit der Zeit gab es dann aber nicht mehr eine Auswertung zum Umsatz, sondern plötzlich viele. Jede Person hat etwas anders interpretiert und kam so zu einem leicht anderen Ergebnis. Das lag nicht daran, dass jemand etwas falsch gemacht hat. Jede Datei brachte einfach ihre eigene Logik und Interpretation mit.

Die Antwort darauf war nicht «weniger Excel». Die Antwort war ein gemeinsames Fundament: Data Warehouses, ETL-Prozesse, klare Kennzahlendefinitionen und schlussendlich Berichte, denen man vertrauen kann. Excel als Auswertungstool blieb bestehen, aber es rechnete plötzlich mit derselben Zahlenbasis.

Heute kann ich ein Dashboard mit nur wenigen Prompts durch eine KI erstellen lassen, z.B. mit Claude Dashboards. Das eröffnet neue Möglichkeiten in der Erstellung von Auswertungen. Und damit wir dabei nicht in die alte Excel-Welt zurückfallen, einfach mit schöneren Dashboards, können wir auf bewährtes Wissen zurückgreifen: Die Lösung ist dieselbe wie bei den klassischen BI-Tools.

Abbildung 1: Dashboard erstellt mit einem Prompt durch Claude (Quelle: claude.com)

Was die KI nicht wissen kann

KI ist sehr gut darin, Daten zu lesen, Muster zu erkennen und visuell ansprechend darzustellen. Dabei trifft die KI beim Lesen der Daten eigene Interpretationen. Geben wir dem Modell beispielsweise eine Tabelle mit Kundenrechnungen, wird die KI versuchen zu interpretieren, welches Datumsfeld das massgebende ist für die Berechnung des Umsatzes. Die Faustregel ist einfach: Je sauberer die Tabellen strukturiert und beschriftet sind, desto besser wird das Ergebnis. Geben wir der KI hingegen kryptisch oder uneindeutig beschriftete Daten, oder generell Datensets von ungenügender Qualität, kann es schnell zu Fehlinterpretationen kommen.

Aber selbst bei sauber strukturierten Daten kennt die KI die Eigenheiten einer Firma und deren Business-Definitionen erstmal nicht. Wie genau ist der Umsatz definiert? Welche Bestellungen wurden storniert und dürfen nicht berücksichtigt werden? Zählt ein Auftrag ab Bestellung oder ab Rechnung? Wie werden Rechnungen in Fremdwährung umgerechnet?

Diese Fragen beantwortet keine KI von selbst. Die Antworten stecken in Köpfen, in Absprachen und im besten Fall in sauber gepflegten Kennzahlendefinitionen. Unser Blogbeitrag zum Thema Kennzahlendefinition als zentrales Arbeitsinstrument.

Das Datenfundament als Voraussetzung für vertrauenswürdige Auswertungen

Richtig wertvoll wird ein KI-Dashboard dann, wenn wir darauf vertrauen können, dass die KI

1. mit sauberen Daten versorgt wird und
2. die richtigen Definitionen anwendet.

Punkt (1) bedeutet konkret Folgendes: Bevor Daten im Dashboard dargestellt werden, müssen sie aus verschiedenen Systemen zusammengeführt, bereinigt und oft historisiert werden. Das ERP spricht eine andere Sprache als das CRM, Stammdaten ändern sich und oftmals sind wichtige Daten überhaupt nicht in Systemen vorhanden (z.B. Budgetdaten). Auch das Management der Datenqualität ist ein wichtiges Thema. Dieses Zusammenführen von Daten nennt man ETL (Extract, Transform, Load).

Ziel des ETL-Prozesses ist also das Erstellen und die regelmässige Aktualisierung von sauber strukturierten und insbesondere beschrifteten Datentabellen. Diese werden auf der Datenplattform in einem Lakehouse gespeichert und zur Verwendung bereitgestellt.

Diese Arbeit ist unspektakulär, aber sie zahlt sich aus. Ist sie einmal sauber aufgebaut, profitiert jedes Dashboard davon, egal ob es von Hand oder von einer KI erstellt wird. Ausserdem bleibt sie nachvollziehbar und wiederholbar und muss nicht bei jeder Anfrage neu erfunden werden. Diskussionen darüber, welches Dashboard nun die richtige Umsatzzahl zeigt, sind so erledigt.

Ein Regelbuch als gemeinsame Sprache für Mensch und KI

Ein sauberes Datenfundament sorgt dafür, dass Dashboards und KI-Anwendungen mit verlässlichen Daten arbeiten. Es beantwortet jedoch noch nicht, wie diese Daten aus fachlicher Sicht zu verstehen und auszuwerten sind. Genau diese Business-Definitionen entscheiden jedoch darüber, ob ein Report tatsächlich aussagekräftig ist:

• Welche Aufträge gehören zu welchem Kunden und zu welcher Branche gehört dieser?
• Wird der «Umsatz» in der Buchhaltung mit oder ohne Stornierungen ausgewiesen?
• Was genau ist ein «aktiver» Kunde im Vertrieb?

Genau dieses Wissen ist in vielen Unternehmen nur implizit in den Köpfen der Mitarbeitenden vorhanden. Für eine KI ist es deshalb nicht zugänglich. Der sogenannte «Semantic Layer» schliesst diese Lücke: Er hält Business-Definitionen und Zusammenhänge wie in einem gemeinsamen Regelbuch fest, sodass Menschen und KI dieselben Daten nach denselben Regeln interpretieren.

Abbildung 3: Typischer Aufbau einer modernen Datenarchitektur (Quelle: DataVision)

Greift eine KI auf diesen Semantic Layer statt direkt auf rohe Tabellen oder Datenexporte zu, arbeitet sie mit den konkreten Definitionen und Zusammenhängen des Unternehmens. So sprechen auch KI-generierte Dashboards dieselbe Sprache wie der etablierte Monatsreport. Gleichzeitig berücksichtigt die KI die zentral definierten Berechtigungen und zeigt nur jene Daten an, auf die die jeweilige Person zugreifen darf. Mehr dazu in unserem Blogbeitrag zum Thema Rollen und Berechtigungen.

Während KI-Anbieter daran arbeiten, Dashboards auf Knopfdruck zu erstellen, entwickeln die grossen Datenplattformen ihre Semantic Layer weiter, um KI-Anwendungen mit dem notwendigen fachlichen Kontext auszustatten. Microsoft investiert bei seiner Datenplattform Fabric beispielsweise intensiv darin, Geschäftslogik einmal zentral zu definieren und anschliessend überall verfügbar zu machen: in klassischen Reports, in Excel und zunehmend auch für KI-Anwendungen.

Die Investition in ein gutes Datenmodell wird durch KI also nicht überflüssig. Im Gegenteil: Sie wird noch wertvoller.

Operative Einbettung nicht vergessen

Wenn wir mit KI ein Dashboard generieren, auf Basis von sauberen Daten, und dieses Dashboard einen Nutzen bringt, wollen wir es operativ im Unternehmen einbetten. Dies bringt einige technische und organisatorische Anforderungen mit sich, die frühzeitig adressiert werden müssen:

• Einbettung des Dashboards z.B. in ein Webportal
• Einrichtung einer regelmässigen Datenaktualisierung, sodass das Dashboard mit frischen Daten versorgt wird. Hierbei muss die Verbindung zwischen Dashboard und Datenquelle(n) sicher authentifiziert werden
• Freigabe des Dashboards an bestimmte Nutzer und die Pflege dieser Berechtigungen
• Monitoring der Datenaktualisierung und regelmässige Validierung der Auswertungsergebnisse
• Definition von Verantwortlichkeiten für den regelmässigen Betrieb und die Richtigkeit der Auswertungen

Unspektakulär, aber wichtig: Datensicherheit und Governance

Einen Punkt sollten wir dabei nicht vergessen: Wenn wir Daten an ein KI-Tool geben, verlassen sie oft das eigene Haus. Viele Anbieter verarbeiten Daten auf Servern im Ausland, häufig in den USA. Es ist in der Verantwortung der Geschäftsleitung, die Rahmenbedingungen für die Nutzung von KI-Modellen vorzugeben. Welche KI-Chats sind erlaubt und welche nicht? Weiterhin steigen die Risiken, wenn Mitarbeitende Daten umfangreich auf ihren lokalen PC herunterladen, um damit ein Dashboard erstellen zu lassen.

Auch hier hilft eine solide Datenplattform mit einer sauber implementierten Governance. Sie gibt die Kontrolle darüber, welche Daten in welcher Form an welches KI-Tool gehen. Ein ausgewähltes KI-Modell, welches die firmenspezifischen Anforderungen an Datensicherheit erfüllt, erhält zum Beispiel nur eingeschränkten Zugriff auf ausgewählte Tabellen wie Verkaufs- und Produktdaten, während sensible Bereiche wie Lohndaten ausgeschlossen werden. Oder es arbeitet mit aggregierten Kennzahlen statt mit vollständigen Rohdaten. Mehr dazu in einem nächsten Blogbeitrag.

Mit gutem Gewissen auf Führungsebene entscheiden

Business-Intelligence-Tools sind dazu da, die Entscheidungsfindung zu unterstützen. Oftmals sind es wichtige Führungsinstrumente und sie verdienen damit ein hohes Level an Sorgfalt bei der Implementierung und Anwendung. Wer auf Führungsebene Entscheidungen trifft auf Basis von KI-generierten Dashboards, ohne validiertes und strukturiertes Datenfundament und einen definierten semantischen Layer, handelt potenziell unverantwortlich.

Unser Fazit: Grundlagenarbeit hat sich nie mehr ausgezahlt als jetzt

KI-Dashboards sind eine echte Chance. Auswertungen können schneller erstellt werden und die KI kann potenzielle Muster in den Daten besser erkennen. Auch ist die KI stark in der Ideengenerierung für neue, hilfreiche Auswertungen.

Damit daraus aber nicht einhundert Wahrheiten werden, sondern eine, braucht es das, was schon in der Excel-Zeit den Unterschied gemacht hat: ein sauberes Datenfundament und gemeinsame Definitionen. Unser Blogbeitrag zum Thema, woher die meisten Datenprobleme kommen.

Unsere Empfehlung: KI-Dashboards ausprobieren, neue Auswertungsideen entdecken und parallel das Fundament stärken, das diese Ideen trägt. Wer dieses Fundament pflegt, holt aus jedem neuen Tool am meisten heraus. Heute aus der KI, morgen aus dem, was danach kommt.

Titelbild: Foto von Camilo Rueda Lopez auf Unsplash