Datenanalyse & Reporting

Was lösen wir mit KI-Datenanalyse?

In den meisten Unternehmen fehlen die Daten nicht, sie sind verstreut. Die Verkäufe liegen im Shop-Backend, die Kundendaten im CRM, das Besucherverhalten in Google Analytics und der Lagerbestand in einer Excel-Datei, und niemand sieht sie in derselben Tabelle. Unsere Datenanalyse beginnt damit, diese Zersplitterung zu beheben: Wir führen die Quellen über automatische Abläufe zusammen, bauen verlässliche Dashboards und setzen KI auf diese saubere Datenbasis, um zu deuten und vorherzusagen.

Das Ziel ist nicht, mehr Grafiken zu erzeugen, sondern Muster sichtbar zu machen, die ein Unternehmen allein schwer erkennt: welche Kunden kurz davor sind, abzuspringen, bei welchem Produkt sich die Nachfrage verändert, welche Filiale sich ungewöhnlich verhält. Dafür müssen die Daten zuerst von selbst fließen, dann verlässlich sein und erst zuletzt gedeutet werden.

Zeit, die mit dem Zusammentragen von Zahlen vergeht

• Der größte Teil der Zeit, die ein Team für das Reporting aufwendet, geht ins Zusammentragen der Zahlen, nur ein kleiner Teil in die Deutung.
• Wenn der Bericht fertig ist, sind die Daten veraltet, und ein Problem fällt erst Wochen später auf.
• Kleine Fehler in von Hand zusammengeführten Tabellen fließen unbemerkt in Entscheidungen ein.
• Für Zusammenhänge zwischen Zahlen, etwa die Wirkung von Lagerausfällen auf den Verkauf, hat niemand Zeit.

Beispielfragen nach Branche

Datenanalyse hilft am meisten bei Fragen, die sich ein Unternehmen jeden Tag stellt, aber nur schätzend beantworten kann. Einige Beispiele aus verschiedenen Branchen:

• E-Commerce: Welche Produkte werden zusammen gekauft, welche Kunden gehen verloren, bevor sie ein zweites Mal bestellen?
• Café- und Restaurantketten: Welche Produkte werden nach Filiale zu welchen Zeiten verkauft, passt die Personalplanung zur Nachfrage?
• Produktions- und B2B-Unternehmen: Bei welchem Händler oder welcher Kundengruppe gehen die Bestellungen zurück, welche Vorhaben gehen in der Angebotsphase verloren?
• Kliniken und Dienstleister: Wie viele der Termine finden statt, welche Leistungen werden wiederholt gewählt?

Gemeinsam ist diesen Fragen, dass die Antwort Daten aus mehreren Systemen verlangt. Der erste Wert einer Datenanalyse entsteht deshalb oft schon aus dieser Zusammenführung selbst.

Umfang dieser Leistung

Die Arbeit, die wir auf dieser Seite beschreiben, ist Infrastruktur- und Analysearbeit über die gesamten operativen Daten des Unternehmens: Verkauf, Kunden, Lager und Website-Verhalten. Den Ertrag von Werbekampagnen und die Verteilung des Marketingbudgets auf Kanäle zu messen, ist ein eigenes Fachgebiet. Das behandeln wir in unserer Leistung Datenanalyse & Reporting im Marketing. Beide Arbeiten können dieselbe Dateninfrastruktur nutzen.

Dateninfrastruktur: Quellen an einem Ort bündeln

Eine solide Datenanalyse beruht auf einer soliden Dateninfrastruktur. In dieser Phase erfassen wir, welche Systeme welche Daten halten, und sorgen dafür, dass diese Daten regelmäßig und automatisch an einen gemeinsamen Ort fließen. Wenn das manuelle Kopieren entfällt, spart man Zeit und verringert die Fehlerquote.

Dateninventur: zuerst sehen, was da ist

Wir beginnen damit aufzulisten, welche Daten wo liegen, wer sie aktualisiert und wie weit sie zurückreichen. Diese Inventur zeigt, was für die Datenanalyse bereit ist und was fehlt. Manchmal ist die wichtigste Erkenntnis eine Information, die nie erfasst wird, zum Beispiel, woher der Kunde von Ihnen erfahren hat oder warum ein Angebot verloren ging. Solche Lücken in die Erfassungsprozesse aufzunehmen, vertieft die Datenanalyse in den folgenden Monaten.

Anbindbare Quellen

• Shopsysteme: Daten zu Bestellungen, Produkten, Retouren und Kampagnencodes.
• CRM-Systeme: Kundendatensätze, Angebotsphasen und Notizen des Vertriebsteams.
• Google Analytics 4: Besucherverhalten, Traffic-Quellen und Conversion-Ereignisse.
• ERP-, Buchhaltungs- und Kassensysteme: Rechnungen, Lagerbestand und Ladenverkäufe.
• Nachrichten- und Anrufprotokolle: Anfragen über WhatsApp, Instagram oder Telefon.
• Tabellen: Ziele, Budgets und manuelle Einträge, die in keinem anderen System geführt werden.

Ob sich eine Quelle anbinden lässt, hängt meist davon ab, ob sie eine API bietet. Gibt es keine API, prüfen wir Alternativen wie regelmäßig exportierte Dateien oder eine direkte, schreibgeschützte Verbindung zur Datenbank.

Automatische Datenflüsse

Wir richten Abläufe ein, die Daten in festen Abständen abrufen, umwandeln und in einen gemeinsamen Datenspeicher schreiben. Bei kleinen und mittleren Unternehmen können für diese Aufgabe Workflow-Werkzeuge wie n8n oder kleine, von uns geschriebene Integrationen genügen. Wächst das Datenvolumen, wird ein Data Warehouse wie BigQuery geeigneter. Daten aus Google Analytics 4 lassen sich ebenfalls nach BigQuery übertragen und auf der Ebene einzelner Rohereignisse untersuchen.

Zu den Abläufen fügen wir auch Fehlermeldungen hinzu. Reißt die Verbindung einer Quelle ab oder kommen erwartete Daten nicht an, sollen Sie das nicht als fehlende Zahl im Dashboard bemerken, sondern als klare Warnung.

Analysefertige Daten

Der am wenigsten sichtbare, aber aufwendigste Teil einer Datenanalyse ist es, die Daten analysefertig zu machen. Derselbe Kunde, der mit mehreren Datensätzen geführt wird, eine Verkaufshistorie, die wegen geänderter Produktcodes abreißt, und leer gelassene Felder führen selbst das beste Modell in die Irre. Diese Probleme bereinigen wir einzeln und halten die Definitionen der verwendeten Kennzahlen gemeinsam mit Ihnen schriftlich fest.

• Lagerausfälle: Verkäufe, die nicht stattfinden, weil das Produkt nicht im Regal liegt, bedeuten nicht, dass die Nachfrage gesunken ist. In Prognosemodellen müssen diese Zeiträume gesondert markiert werden.
• Einmalige Großbestellungen: Ein großer Sammelkauf eines Firmenkunden kann Durchschnitte und Trends verzerren.
• Änderungen von Produktcodes: Wird dasselbe Produkt mit einem neuen Code angelegt, beginnt seine Historie bei null. Alte und neue Codes müssen einander zugeordnet werden.
• Kampagnenphasen: Rabattwochen mit gewöhnlichen Wochen in einen Topf zu werfen, lässt die normale Nachfrage höher erscheinen, als sie ist.

Dashboards und automatisches Reporting

Sind die Daten zusammengeführt, bringen wir die Ergebnisse der Datenanalyse in Dashboards, die Entscheider leicht lesen können. Diese Dashboards sind nicht dafür gedacht, das Tagesgeschäft zu steuern, sondern Trends und Analyseergebnisse zu sehen. Jeder Bildschirm soll einer bestimmten Person helfen, die Antwort auf eine bestimmte Frage zu finden.

Vom manuellen Bericht zur Automatisierung

Die meisten Unternehmen haben einen Bericht, der jede Woche oder am Monatsende von Hand erstellt wird. Wenn wir die Logik dieses Berichts in einen automatischen Ablauf überführen, lassen wir eine Zeit lang beide Berichte nebeneinander laufen. Sobald bestätigt ist, dass die Zahlen übereinstimmen, geben wir den manuellen Bericht auf. Zeigt sich ein Unterschied, deckt das oft einen Fehler auf, der im alten Bericht nie aufgefallen ist, oder eine Regel, die nie aufgeschrieben wurde. Dieser Vergleich stärkt auch das Vertrauen des Teams in die neue Infrastruktur für die Datenanalyse.

Welche Dashboards sollten zuerst entstehen?

Alles auf einmal aufzubauen führt zu einem System voller Bildschirme, die niemand öffnet. Deshalb empfehlen wir, mit einigen grundlegenden Dashboards zu beginnen:

1. Management-Übersicht: Verkauf, Rentabilitätskennzahlen, Zahl der neuen und wiederkehrenden Kunden.
2. Dashboard zum Kundenverhalten: Größe der Segmente und Übergänge zwischen ihnen, Wiederkaufrate, Kohorten.
3. Dashboard für Nachfrage und Prognose: Verkaufstrends nach Produktgruppen, Prognosen und tatsächliche Zahlen.

Haben sich diese drei Dashboards im Alltag eingespielt, kommen die Detailanalysen hinzu, die gebraucht werden. Wir beobachten auch, ob die Dashboards der Datenanalyse wirklich genutzt werden, und vereinfachen Bildschirme, die niemand öffnet.

Rhythmus des Reportings

Nicht jede Information wird gleich oft gebraucht. Operative Daten wie Lager und Bestellungen werden im Tagesblick, Verkaufs- und Kundentrends im Wochenblick und Veränderungen bei Rentabilität und Segmenten im Monatsblick aussagekräftiger. Die Ergebnisse der Datenanalyse nach diesem Rhythmus zu ordnen, bewahrt Ihr Team davor, in unnötigen Benachrichtigungen zu versinken.

Wahl des Werkzeugs

Für die meisten Unternehmen sind fertige Dashboard-Werkzeuge ein guter Einstieg. Das kostenlose Werkzeug Looker Studio von Google verbindet sich direkt mit Quellen wie Google Analytics, Google Ads und Google Sheets. Für andere Quellen können zusätzliche Konnektoren oder eine Zwischenschicht für die Daten nötig sein. Auch Werkzeuge wie Power BI werden in Unternehmensumgebungen häufig gewählt.

Muss das Dashboard innerhalb Ihrer eigenen Software mit Ihren eigenen Nutzerrechten laufen, reichen fertige Werkzeuge möglicherweise nicht aus. In diesem Fall prüfen wir im Rahmen von Management-Dashboards und Reporting die Entwicklung eines individuellen Dashboards.

KI-Datenanalyse: Verhalten, Prognose und Deutung

KI-Datenanalyse schafft Wert, wenn sie auf einer sauberen, geordneten Dateninfrastruktur aufsetzt. Ein Modell, das mit verstreuten und fehlerhaften Daten gefüttert wird, präsentiert falsche Ergebnisse in überzeugenderer Sprache. Deshalb bauen wir die KI-Schicht immer erst auf, wenn Infrastruktur und Definitionen geklärt sind.

Verhaltensanalyse und Segmentierung

Um das Kundenverhalten zu verstehen, ist die RFM-Analyse eine häufig genutzte Methode der Datenanalyse: Kunden werden danach gruppiert, wie kurz ihr letzter Einkauf zurückliegt, wie oft sie einkaufen und wie viel sie ausgeben. So sehen Sie treue Kunden, abwanderungsgefährdete Kunden und Einmalkäufer getrennt. Die Kohortenanalyse zeigt dagegen, wie sich Kunden, die im selben Zeitraum gewonnen wurden, im Zeitverlauf verhalten.

Zusammen gekaufte Produkte, abgebrochene Schritte auf der Website und die Zeit, die Kunden bis zur zweiten Bestellung brauchen, gehören ebenfalls zu den Themen der Verhaltensanalyse. Um diese Erkenntnisse in konkrete Maßnahmen zu überführen, können wir die Segmente in Abläufe des personalisierten Marketings übertragen.

Abwanderungsgefährdete Kunden

Wenn ein Kunde, der regelmäßig einkauft, von seiner Gewohnheit abweicht, ist das oft das erste Zeichen vor dem Verlust. Ein Modell, das sich frühere Bestellabstände ansieht, kann für jeden Kunden den erwarteten Zeitpunkt des nächsten Einkaufs berechnen und diejenigen markieren, die diese Zeit deutlich überschreiten. Die Liste, die sich aus dieser Datenanalyse ergibt, ist ein konkreter Ausgangspunkt, der zeigt, wen man wann ansprechen sollte.

Prognosemodelle

Wir bauen Modelle, die aus vergangenen Daten die Nachfrage, den Verkauf oder den Lagerbedarf der kommenden Wochen vorhersagen. Für eine solche KI-Datenanalyse braucht es eine ausreichend lange und konsistente Historie. Um Saisonalität zu erkennen, werden Daten benötigt, die mindestens ein ganzes Jahr abdecken, in der Regel eine Historie von mehreren Jahren. Kampagnenphasen, Preisänderungen und Lagerausfälle müssen dem Modell außerdem gesondert bekannt gemacht werden.

Weil sich Ramadan und das Opferfest (Kurban Bayramı) in der Türkei jedes Jahr um etwa elf Tage im Kalender nach vorn verschieben, muss man die Wirkung dieser Zeiträume nach den Feiertagsterminen modellieren und nicht an einen festen Monat knüpfen. Prognosen legen wir nicht als einzelne Zahl vor, sondern als mögliche Spanne. Eine Prognose ist keine Gewissheit, sondern eine Wahrscheinlichkeit, die bei Entscheidungen hilft.

Beim Lager entfaltet die Prognose ihren Wert erst, wenn man sie mit der Beschaffungszeit zusammen betrachtet. Stellt man die Nachfrage nach einem Produkt in den kommenden Wochen und die Lieferzeit des Lieferanten nebeneinander, wird klarer, wann und wie viel bestellt werden muss. Die Datenanalyse wird hier zu einem Entscheidungswerkzeug, das sich unmittelbar auf Cashflow und Lücken im Regal auswirkt.

Die Treffsicherheit des Modells beobachten

Ein Prognosemodell darf nach dem Aufbau nicht sich selbst überlassen werden. Im Rahmen der KI-Datenanalyse vergleichen wir die Prognosen regelmäßig mit den tatsächlichen Zahlen und untersuchen Zeiträume, in denen die Abweichung wächst. Ein neuer Vertriebskanal, eine Änderung der Preispolitik oder eine Erweiterung des Sortiments kann ein erneutes Training des Modells erforderlich machen.

Anomalieerkennung

Ungewöhnliche Veränderungen zu bemerken, gehört zu den praktischsten Beiträgen der KI zur Datenanalyse. Sinken die Verkäufe einer Kategorie unter den erwarteten Bereich, häufen sich Fehler bei einer bestimmten Zahlungsmethode oder bricht der Traffic einer Seite plötzlich ein, markiert das System dies. So konzentriert sich Ihr Team auf einige wenige Themen, die Aufmerksamkeit brauchen, statt in Tausenden Zeilen zu suchen. Markierte Fälle lassen sich per E-Mail oder über den Nachrichtenkanal, den Ihr Team nutzt, an die zuständige Person weiterleiten.

Kundenbewertungen und Nachrichten analysieren

Ein großer Teil der Daten besteht nicht aus Zahlen, sondern aus Text: Produktbewertungen, Supportanfragen, Umfrageantworten und Nachrichten über WhatsApp oder Instagram. Die KI-Datenanalyse kann diese Texte nach Themen einordnen, positive und negative Aussagen trennen und die am häufigsten wiederkehrenden Beschwerden hervorheben. So sehen Sie in Zahlen, ob Themen wie Lieferverzögerung oder falsche Passform im Zeitverlauf zu- oder abnehmen.

Die Genauigkeit der Einordnung prüfen wir, indem wir zufällig ausgewählte Beispiele von Hand kontrollieren. Weil in Texten personenbezogene Angaben wie Name, Telefonnummer oder Adresse vorkommen können, müssen sie vor der Analyse entfernt werden.

Zusammenfassung und Fragen in natürlicher Sprache

Große Sprachmodelle lassen sich einsetzen, um die Zahlen im Dashboard in eine kurze schriftliche Zusammenfassung zu verwandeln oder um Fragen wie „In welcher Filiale ist die Retourenquote im letzten Monat gestiegen?“ zu beantworten. Solche Modelle können sich aber verrechnen und einen Zusammenhang schildern, den es nicht gibt. Deshalb führen wir Berechnungen mit Abfragen und Formeln durch und lassen die KI nur berechnete Ergebnisse deuten. Die Zahlen, auf denen eine Zusammenfassung beruht, sind im Dashboard stets einsehbar.

In der Praxis heißt das, dass die Führungskraft die Woche mit der Lektüre einer Zusammenfassung aus einigen Absätzen beginnt, bevor sie das Dashboard öffnet: auffällige Veränderungen, ungewöhnliche Bewegungen und Themen, die Aufmerksamkeit brauchen. Die KI-Datenanalyse wird so aufgebaut, dass sie bei dieser Zusammenfassung für jeden Satz die zugrunde liegende Zahl zeigt. Die Zusammenfassung ist dann keine Meinung, sondern eine überprüfbare Abkürzung.

Datensicherheit und KVKK

Arbeitet die Datenanalyse mit personenbezogenen Daten von Kunden, stehen neben technischen Fragen auch rechtliche Pflichten an. Leitfäden und Mitteilungen zum türkischen Datenschutzgesetz Nr. 6698 (KVKK) finden Sie auf der Website der türkischen Datenschutzbehörde (Kişisel Verileri Koruma Kurumu). Die folgenden Punkte dienen der allgemeinen Information. Die Umsetzung sollten Sie gemeinsam mit Ihrer Rechtsberatung beurteilen.

• Datenminimierung: Personenbezogene Angaben, die für die Analyse nicht nötig sind, gar nicht erst in den Datenspeicher übernehmen.
• Pseudonymisierung: Angaben wie Name, Telefonnummer und E-Mail in der Analyse durch eine Kundennummer ersetzen.
• Zugriffsrechte: Von Anfang an festlegen, wer welches Dashboard und welchen Detailgrad sehen darf.
• Ort der Daten: Wissen, wo der Datenspeicher und der verwendete KI-Dienst die Daten verarbeiten.
• Bedingungen des Anbieters: Prüfen, ob der KI-Dienst die gesendeten Daten speichert und für das Training von Modellen verwendet.

Vor dem Start: Vorbereitung und Umfang

Welche Informationen wir von Ihnen brauchen

• Eine Liste der Systeme, die Sie nutzen, und für jedes einen Zugang mit Leserechten.
• Beispiele für die Berichte, die Sie heute erstellen, und die Entscheidungen, die mit diesen Berichten getroffen werden.
• Fragen, die Sie nur schwer beantworten können.
• Ihre Ziele, Budgets und den saisonalen Kampagnenkalender.
• Die Personen, die die Dashboards nutzen werden, und den Bedarf jeder Person.

Was den Umfang bestimmt

Den Umfang bestimmen vor allem die Zahl der anzubindenden Quellen, ob diese eine API bieten, wie sauber die Daten sind und wie viele verschiedene Dashboards vorbereitet werden. Prognose- und Verhaltensmodelle sind eine eigene Arbeitsschicht. Für die meisten Unternehmen ist es sinnvoller, zuerst mit Infrastruktur und Dashboards zu beginnen und die Schicht der KI-Datenanalyse erst hinzuzufügen, wenn die Daten verlässlich sind.

Häufige Fehler

Die Fehler, die wir in Projekten zur Datenanalyse am häufigsten sehen, sind nicht technischer Natur, sondern betreffen die Planung. Die wichtigsten sind:

• Mit dem Werkzeug beginnen: Ein Dashboard-Werkzeug wählen, ohne zu wissen, welche Frage beantwortet werden soll.
• Verkauf mit Nachfrage verwechseln: Ein Prognosemodell bauen, ohne Zeiträume mit Lagerausfall auszusondern.
• Der KI-Zusammenfassung blind vertrauen: Nach der Deutung entscheiden, ohne die zugrunde liegende Zahl zu prüfen.
• Ein Modell auf schmutzigen Daten aufsetzen: Prognosen auf nicht bereinigten Daten erzeugen ein falsches Gefühl von Sicherheit.
• Einrichten und liegen lassen: Ändern sich Geschäftsprozesse, müssen auch Datenflüsse und Definitionen aktualisiert werden.

Häufig gestellte Fragen

Muss man für Datenanalyse ein großes Unternehmen sein?

Nein. Auch ein Unternehmen mit nur einem Onlineshop und einem Buchhaltungsprogramm profitiert davon, Verkaufs-, Kunden- und Lagerdaten in einem Dashboard zu sehen. Der Umfang skaliert mit der Zahl der Quellen und der nötigen Tiefe.

Trifft die KI-Datenanalyse meine Entscheidungen selbst?

Nein. Die KI markiert ungewöhnliche Veränderungen, erzeugt Wahrscheinlichkeitsprognosen und deutet Zahlen. Die Entscheidung treffen Sie mit diesen Informationen. Prognosen sind keine Gewissheit, sondern Spannen, die bei Entscheidungen helfen.

Welches Dashboard-Werkzeug werden wir nutzen?

Das hängt von Ihren Quellen, Ihrem Budget und den Personen ab, die die Dashboards nutzen werden. Für die meisten Unternehmen, die mit Google-Quellen arbeiten, ist Looker Studio ein guter Einstieg. Für Dashboards, die innerhalb Ihrer Software laufen müssen, kann eine individuelle Entwicklung nötig sein.

Wie viele Vergangenheitsdaten braucht ein Prognosemodell?

Um Saisonalität zu erkennen, werden Daten benötigt, die mindestens ein ganzes Jahr abdecken. Eine konsistente Historie über mehrere Jahre liefert verlässlichere Ergebnisse. Sind die Daten kurz oder lückenhaft, ist es richtiger, zuerst mit Infrastruktur und Reporting zu beginnen.

Worin unterscheidet sich Datenanalyse von Marketinganalyse?

Die Datenanalyse umfasst die gesamten operativen Daten des Unternehmens wie Verkauf, Kunden, Lager und Website-Verhalten. Die Marketinganalyse konzentriert sich dagegen darauf, den Ertrag von Werbekampagnen und Kanälen zu messen. Beide Arbeiten können dieselbe Dateninfrastruktur nutzen.

Werden unsere Daten an KI-Dienste gesendet?

Nur in dem Umfang, der nötig ist, und möglichst pseudonymisiert. Welcher Dienst genutzt wird, wo die Daten verarbeitet werden und welche Speicherbedingungen der Anbieter hat, bewerten wir vor der Einrichtung gemeinsam.

Besprechen wir Ihren Bedarf an Datenanalyse

Erzählen Sie uns, welche Berichte Sie heute wie erstellen und bei welchen Fragen Sie nur schwer Antworten finden. Dann erarbeiten wir gemeinsam Ihre Quellen, was die ersten Dashboards zeigen sollten und wo die KI etwas beitragen kann. Einige Beispiele Ihrer vorhandenen Berichte genügen für das erste Gespräch. Über unsere Kontaktseite können Sie uns schreiben.