Ein schönes Dashboard macht aus schlechten Daten keine guten Entscheidungen, nur schnellere falsche.
Quelle: KI generiert mit ChatGPT
„Wir brauchen ein neues Reporting-Tool." Diesen Satz höre ich in fast jedem Erstgespräch mit Controlling-Teams, die ihr Reporting modernisieren wollen. Meistens folgt er auf denselben Auslöser: Ein Vorstandsmitglied hat irgendwo ein glänzendes Dashboard gesehen, mit Klick-Filtern und Live-Updates, und will das jetzt auch.
Ich frage dann immer dasselbe: „Woher kommen aktuell Ihre Zahlen und ist die Datenbasis stimmig?"
Die Antwort ist überraschend oft: „Naja, das schauen wir uns dann im Projekt an."
Genau da beginnt das Problem. Nicht beim Tool. Davor.
Ein Tool repariert keine Datenbasis
Jedes moderne Reporting-Tool ist im Kern eines: ein sehr gutes Vergrößerungsglas. Es zeigt größer, schneller, interaktiver, was in den Daten steckt. Was es nicht kann: entscheiden, ob das, was drinsteckt, überhaupt stimmt.
Wenn Abteilungen unterschiedliche Definitionen von „Umsatz" verwenden, die eine netto, die andere brutto, die dritte eventuell inklusive Rückstellungen, dann zeigt ein Dashboard diese drei Zahlen wunderschön nebeneinander an. Nur stimmen sie trotzdem nicht überein. Das Tool hat sein Versprechen gehalten. Die Grundlage und die Definition dahinter war das Problem, nicht die Visualisierung.
Ich sehe das in Trainings regelmäßig: Teilnehmende kommen mit der Erwartung, ein neues Tool würde ihnen das mühsame manuelle Zusammenführen von Excel-Listen abnehmen. Das stimmt sogar, aber nur, wenn die Quelldaten strukturell sauber und konsistent sind. Ist das nicht der Fall, automatisiert das Tool nicht die Lösung. Es automatisiert den Fehler. Nur eben schneller und für mehr Leute sichtbar als vorher.
Die drei Stellen, an denen Datenbasis-Probleme entstehen, bevor das Tool sie sieht
Quelle: KI generiert mit ChatGPT
Uneinheitliche Stammdaten. Dieselbe Kostenstelle heißt in einem System „Vertrieb Ost", im anderen „VER_OST", im dritten schlicht „12034". Ein Mensch erkennt das auf den ersten Blick als dasselbe. Ein Datenmodell tut das nicht. Es sei denn, jemand hat vorher eine saubere Zuordnung gebaut.
Unterschiedliche Zeitlogiken. Ein Bereich bucht nach Rechnungsdatum, ein anderer nach Leistungsdatum. Solange beide getrennt betrachtet werden, fällt das nicht auf. Sobald beide in einem gemeinsamen Dashboard nebeneinanderstehen, entstehen Abweichungen, die wie Fehler aussehen, aber eigentlich nur unterschiedliche Zählweisen sind.
Excel als Zwischenlager mit Eigenleben. Die eigentliche Quelle ist ein ERP- oder CRM-System, aber irgendwo dazwischen liegt eine Excel-Datei, in der jemand händisch nachjustiert, filtert, Zeilen löscht, „damit es passt". Diese Datei wird zur heimlichen Wahrheit, ohne dass sie irgendwo dokumentiert ist. Sobald diese Person im Urlaub ist oder das Unternehmen verlässt, bricht die Kette.
Keines dieser drei Probleme löst sich durch ein schöneres Frontend. Sie brauchen Klärung an der Quelle und die ist unsexy, dauert länger als ein Design-Workshop, und genau deshalb wird sie so oft übersprungen.
Quelle: KI generiert mit ChatGPT
Der Reihenfolge-Fehler, der Projekte verzögert
Die typische Reihenfolge in Reporting-Projekten: Erst wird das neue Tool eingeführt, dann fallen die Datenprobleme auf. Meistens in Form von Beschwerden über „falsche Zahlen im neuen Dashboard". Das neue Tool und die Projektleitung bekommt die Schuld. Das Projekt gerät ins Stocken. Das Vertrauen in die neue Lösung sinkt, noch bevor sie richtig läuft.
Die bessere Reihenfolge dreht das um: Zuerst die kritischen Kennzahlen definieren. Nicht nur benennen, sondern exakt festlegen, wie sie berechnet werden und aus welcher Quelle sie stammen. Dann die Datenbasis auf genau diesen Kennzahlen prüfen, nicht auf allem, was theoretisch verfügbar wäre. Erst danach das Dashboard bauen. Als letzten Schritt, nicht als ersten! Daher sind die Teilnehmer:innen in meinen Trainings und Workshops nach dem ersten Tag meistens frustriert, denn es ist einfach so viel Grundlagenarbeit, die gemacht werden muss, bevor man ans "Aufhübschen" der Daten denken kann.
Das klingt nach mehr Aufwand am Anfang. Es ist tatsächlich weniger Aufwand insgesamt, weil man nicht drei Monate später ein fertiges Dashboard wieder auseinandernehmen muss, weil die Zahlen nicht stimmen.
Was Sie vor dem nächsten Reporting-Projekt klären sollten
Gibt es für jede zentrale Kennzahl eine einzige, dokumentierte Definition? Nicht „Umsatz ungefähr so, wie wir das immer gemacht haben", sondern eine schriftliche Berechnungslogik, auf die sich alle beteiligten Bereiche geeinigt haben.
Kommt jede Zahl aus genau einer nachvollziehbaren Quelle? Wenn die Antwort „eigentlich aus dem System, aber mit ein paar manuellen Anpassungen in Excel" lautet, ist das kein Nebensatz. Das ist der eigentliche Klärungsbedarf.
Was passiert, wenn zwei Quellen unterschiedliche Werte liefern? Gibt es eine festgelegte Priorität, oder wird das jedes Mal neu diskutiert? Ohne diese Regel produziert jedes neue Dashboard neue Grundsatzdebatten statt Klarheit.
Ein gutes Reporting-Tool ist ein hervorragendes Werkzeug, aber ein Werkzeug arbeitet mit dem, was man ihm gibt. Wenn Sie überlegen, Ihr Reporting zu modernisieren, lohnt sich der ehrliche erste Blick auf die Datenbasis, bevor die erste Visualisierung entsteht. Das ist weniger glänzend als ein neues Dashboard, aber es ist der Teil, der tatsächlich über Erfolg oder Frust entscheidet.
Kommentar hinzufügen
Kommentare