Unternehmen leiden selten unter einem vollständigen Mangel an Daten.

ERP-Systeme, CRM-Plattformen, Tabellenkalkulationen, Finanzberichte, Produktionssysteme, Websites, HR-Plattformen und Kundendatenbanken können enorme Mengen an Informationen erzeugen. Die wichtigere Frage ist, ob diese Informationen Menschen tatsächlich dabei helfen, bessere Entscheidungen zu treffen.

Genau hier wird Business Data Analytics wertvoll.

Business Data Analytics ist die systematische Nutzung von Geschäftsdaten, analytischen Methoden und betriebswirtschaftlichem Wissen, um Leistung zu verstehen, Muster zu erkennen, Probleme zu untersuchen, mögliche Ergebnisse abzuschätzen und bessere Entscheidungen zu unterstützen.

Mehr Daten machen eine Organisation nicht automatisch datengetrieben. Ein Unternehmen kann über anspruchsvolle Systeme und Dashboards verfügen, während wichtige Entscheidungen dennoch weitgehend auf Annahmen, uneinheitlichen Kennzahlen oder unvollständigen Informationen beruhen.

Wirksame Analytics verbindet geschäftliche Fragestellungen mit relevanten Erkenntnissen. Das Ziel besteht nicht einfach darin, Diagramme zu erstellen. Vielmehr sollen Führungskräfte und Fachleute verstehen, was geschieht, warum es möglicherweise geschieht, was als Nächstes passieren könnte und welche Maßnahmen angemessen sein können.

Für Organisationen, die in Deutschland tätig sind, muss diese analytische Fähigkeit zunehmend zusammen mit Datenqualität, Governance, der DSGVO, Regelungen zu Beschäftigtendaten und – soweit relevant – der EU-KI-Verordnung betrachtet werden.

Was ist Business Data Analytics?

Definition von Business Data Analytics

Business Data Analytics ist der Prozess des Sammelns, Aufbereitens, Analysierens und Interpretierens geschäftlicher Informationen, damit diese zur Unterstützung organisatorischer Entscheidungen genutzt werden können.

Die zugrunde liegenden Daten können aus vielen Quellen stammen, darunter:

• Enterprise-Resource-Planning-Systeme (ERP);
• Customer-Relationship-Management-Plattformen (CRM);
• Buchhaltungs- und Finanzsysteme;
• Produktions- und Logistiksysteme;
• Verkaufsdaten;
• Webanalyse;
• Kundenservice-Plattformen;
• Beschaffungssysteme;
• HR-Informationssysteme;
• Compliance- und Risikomanagement-Tools.

Analytics verwandelt diese Rohdaten in Informationen, mit denen geschäftliche Fragen beantwortet werden können.

Die Feststellung, dass der Umsatz beispielsweise um 7 % gesunken ist, ist eine deskriptive Information. Analytics wird hilfreicher, wenn ein Unternehmen untersucht, welche Produkte, Kundensegmente, Regionen oder betrieblichen Faktoren zu diesem Rückgang beigetragen haben, und diese Erkenntnisse anschließend für die Entscheidung über die nächsten Schritte nutzt.

Diese Unterscheidung ist wichtig, denn Daten sind nicht dasselbe wie Erkenntnisse.

Ebenso ist ein Dashboard nicht automatisch eine Analytics-Strategie. Dashboards können Informationen effizient darstellen, doch die Organisation muss weiterhin entscheiden, welche Kennzahlen relevant sind, ob die zugrunde liegenden Daten verlässlich sind, was die Informationen bedeuten und wie sie Maßnahmen beeinflussen sollten.

Business Data Analytics vs. Datenanalyse

Die Begriffe Datenanalyse und Business Data Analytics werden mitunter synonym verwendet, und es gibt keine allgemein gültige Abgrenzung zwischen ihnen.

Im Allgemeinen bezeichnet Datenanalyse Tätigkeiten, die an Daten durchgeführt werden, etwa das Bereinigen von Datensätzen, den Vergleich von Variablen, das Erkennen von Trends oder die Anwendung statistischer Verfahren.

Business Data Analytics ordnet diese Tätigkeiten in einen breiteren geschäftlichen Kontext ein. Dabei wird gefragt, warum die Analyse durchgeführt wird und wie ihre Ergebnisse mit einer Entscheidung, einem Ziel oder einem betrieblichen Problem zusammenhängen.

Eine technisch korrekte Analyse, die die falsche geschäftliche Frage beantwortet, kann dennoch nur geringen praktischen Nutzen haben.

Von der geschäftlichen Frage zur geschäftlichen Maßnahme

Ein sinnvoller Analytics-Prozess beginnt mit einer relevanten Frage und nicht mit einem Datensatz oder einem Software-Tool.

Ein Unternehmen könnte beispielsweise fragen, warum Produktionsverzögerungen zugenommen haben, ob sich die Kundenbindung verschlechtert, welche Produkte den größten Beitrag zur Marge leisten oder ob Beschaffungskosten außerhalb der erwarteten Bandbreite liegen.

Anschließend können relevante Daten identifiziert, aufbereitet und analysiert werden. Die Ergebnisse müssen im jeweiligen Kontext interpretiert werden, bevor das Management entscheidet, ob Maßnahmen erforderlich sind.

Die letzte Phase wird häufig übersehen: zu messen, was nach der Umsetzung der Entscheidung tatsächlich passiert ist.

Dadurch kann Analytics zu einem Bestandteil kontinuierlichen organisatorischen Lernens werden, statt lediglich eine einmalige Berichtsübung zu sein.

Warum Business Data Analytics wichtig ist

Der geschäftliche Wert von Analytics entsteht dadurch, dass die Qualität der Informationen verbessert wird, die Entscheidungsträgern zur Verfügung stehen.

Bessere Entscheidungsgrundlagen

Führungskräfte treffen Entscheidungen häufig unter Unsicherheit. Sie verfügen nur selten über vollständige Informationen, und Analytics kann Unsicherheit nicht vollständig beseitigen.

Sie kann jedoch unnötiges Rätselraten verringern.

• Eine verlässliche Analyse kann Organisationen dabei helfen:
• Veränderungen der Leistung zu erkennen;
• Geschäftseinheiten oder Alternativen zu vergleichen;
• ungewöhnliche Muster zu identifizieren;
• Annahmen zu prüfen;
• mögliche Ursachen zu untersuchen;
• die zukünftige Nachfrage abzuschätzen;
• zu messen, ob frühere Maßnahmen funktioniert haben.

Das Ziel besteht nicht darin, professionelles Urteilsvermögen durch einen Algorithmus zu ersetzen.

Analytics sollte das Urteilsvermögen stärken, indem sie belastbare Erkenntnisse liefert, die gemeinsam mit operativer Erfahrung, strategischen Prioritäten, wirtschaftlichen Rahmenbedingungen und regulatorischen Anforderungen bewertet werden können.

Für eine vertiefte Betrachtung dieses Prozesses zeigt der GCI-Leitfaden zur Nutzung von Data Analytics für bessere Geschäftsentscheidungen insbesondere, wie analytische Erkenntnisse in die betriebliche Entscheidungsfindung integriert werden können.

Operative Effizienz und Kostenkontrolle

Business Analytics ist besonders wertvoll, wenn Organisationen große Mengen an Transaktionen, Produkten, Lieferanten, Maschinen oder betrieblichen Prozessen steuern.

Ein Produktionsunternehmen in Deutschland könnte beispielsweise Folgendes analysieren:

• Produktionsleistung je Schicht;
• Maschinenstillstandszeiten;
• Fehlerquoten;
• Wartungsdaten;
• Lagerbestände;
• Energieverbrauch;
• Lieferleistung von Lieferanten.

Die gemeinsame Betrachtung dieser Kennzahlen kann zeigen, dass ein Produktionsproblem nicht auf unzureichende Kapazität zurückzuführen ist, sondern auf wiederkehrende Ausfallzeiten in einem bestimmten Prozess oder auf die verspätete Verfügbarkeit eines Bauteils.

Ähnliche Methoden können Beschaffung, Logistik, Finanzen und Serviceprozesse unterstützen.

Kunden- und Marktverständnis

Unternehmen können Analytics auch nutzen, um Kundenverhalten besser zu verstehen.

Relevante Fragen könnten sein:

• Welche Kundengruppen weisen die höchste Bindung auf?
• Welche Produkte werden häufig gemeinsam gekauft?
• An welcher Stelle verlassen Interessenten den Vertriebsprozess?
• Welche Kanäle erzeugen wirtschaftlich wertvolle Anfragen?
• Verändert sich die Nachfrage je nach Standort, Produktkategorie oder Saison?

Wenn Kundenanalysen personenbezogene Daten einbeziehen, müssen möglicherweise auch datenschutzrechtliche Pflichten berücksichtigt werden. Die rechtliche Bewertung hängt von den konkreten Daten und der Verarbeitungstätigkeit ab – nicht allein davon, dass Analytics eingesetzt wird.

Prognosen und Risikomanagement

Historische Informationen können Organisationen auch dabei helfen, sich auf mögliche zukünftige Entwicklungen vorzubereiten.

Analytics kann genutzt werden, um Absatzmengen zu prognostizieren, Liquiditätsbedarfe zu schätzen, Lagerbedarfe vorherzusehen, Anomalien zu erkennen oder betriebliche Risikoindikatoren zu identifizieren.

Prognosen sollten nicht als Gewissheit betrachtet werden. Sie sind Schätzungen auf Grundlage von Annahmen und den verfügbaren Informationen.

Gut geführte Organisationen verbinden analytische Prognosen daher mit geschäftlichem Urteilsvermögen, Szenarioplanung und regelmäßiger Überprüfung.

Wie funktioniert Business Data Analytics?

Ein praktischer Business-Analytics-Prozess lässt sich in sieben Phasen gliedern.

1. Die geschäftliche Fragestellung definieren

Beginnen Sie mit der Entscheidung, dem Problem oder der Chance.

Beispiele sind:

• Warum ist die Produktmarge gesunken?
• Welche Kundengruppen weisen die stärkste Bindung auf?
• Wo treten Produktionsverzögerungen auf?
• Welche Lieferanten verpassen wiederholt vereinbarte Liefertermine?
• Welche betrieblichen Risiken nehmen zu?

Ein vages Ziel wie „Unsere Verkaufsdaten analysieren“ gibt nur wenig Orientierung.

Eine präzisere Frage wie „Welche Produkt- und Kundensegmente haben in den letzten beiden Quartalen am stärksten zum Rückgang der Bruttomarge beigetragen?“ erleichtert die Ermittlung der benötigten Informationen.

2. Relevante Daten identifizieren

Im nächsten Schritt wird bestimmt, welche Informationen zur Beantwortung der Frage beitragen können.

Mögliche Quellen sind:

• ERP-Systeme;
• CRM-Datenbanken;
• Finanzdaten;
• Vertriebsplattformen;
• Produktionssysteme;
• Supply-Chain-Datenbanken;
• Kundenservice-Daten;
• Webanalyse;
• öffentliche Datensätze;
• Marktinformationen.

Mehr Daten sind nicht automatisch besser.

Das Hinzufügen irrelevanter Variablen kann die Komplexität erhöhen, ohne die Analyse zu verbessern.

3. Daten aufbereiten und validieren

Geschäftsinformationen sind nur selten sofort analysebereit.

Häufige Probleme sind:

• fehlende Werte;
• doppelte Datensätze;
• veraltete Informationen;
• uneinheitliche Datums- oder Währungsformate;
• falsche Klassifizierungen;
• unterschiedliche Definitionen derselben KPI;
• Extremwerte, die untersucht werden müssen.

Datenqualität ist besonders wichtig, da auch eine anspruchsvolle Analyse unzuverlässige Ausgangsdaten nicht kompensieren kann.

Wenn verschiedene Abteilungen beispielsweise einen „aktiven Kunden“ unterschiedlich definieren, kann ein Vergleich ihrer Bindungsraten irreführende Ergebnisse liefern, selbst wenn die Berechnungen an sich korrekt sind.

4. Die Daten analysieren

Die analytische Methode sollte zur Fragestellung passen.

Gängige Methoden sind:

• zusammenfassende Statistiken;
• Segmentierung;
• Trendanalyse;
• Abweichungsanalyse;
• Korrelationsanalyse;
• Ursachenanalyse;
• Prognosen;
• Szenariomodellierung.

Das Ziel besteht nicht darin, die technisch anspruchsvollste verfügbare Methode einzusetzen. Entscheidend ist eine geeignete Methode, die eine nützliche und verständliche Antwort liefert.

5. Ergebnisse im geschäftlichen Kontext interpretieren

Analytische Ergebnisse müssen interpretiert werden.

Eine Korrelation zwischen zwei Variablen beweist nicht zwangsläufig, dass die eine Variable die andere verursacht hat.

Sinkende Kundenzufriedenheit und längere Lieferzeiten können beispielsweise gemeinsam auftreten. Dieser Zusammenhang kann weitere Untersuchungen rechtfertigen, beweist für sich allein jedoch nicht, dass längere Lieferzeiten die einzige Ursache der geringeren Zufriedenheit sind.

Betriebswirtschaftliches Wissen bleibt daher unverzichtbar.

Analysten, Führungskräfte und Fachexperten müssen häufig zusammenarbeiten, um zu beurteilen, ob eine Erkenntnis operativ plausibel ist.

6. Erkenntnisse kommunizieren

Nützliche Analysen müssen für die Personen verständlich sein, die Entscheidungen treffen.

Je nach Zielgruppe kann dies umfassen:

• Dashboards;
• Diagramme;
• Managementberichte;
• Präsentationen;
• Management-Zusammenfassungen;
• schriftliche Empfehlungen.

Die Kommunikation sollte sich auf die Entscheidung konzentrieren, statt jede verfügbare Kennzahl darzustellen.

7. Handeln und Ergebnis messen

Analytics schafft geschäftlichen Wert, wenn eine Erkenntnis zu einer fundierten Entscheidung oder einem Test führt.

Eine Organisation könnte Preise anpassen, Lagerbestände verändern, einen Prozess modifizieren, eine Anomalie untersuchen oder einen anderen Ansatz zur Kundenbindung testen.

Anschließend sollte die Organisation messen, was tatsächlich passiert ist.

Hat sich die relevante KPI verbessert? War die Prognose hilfreich? Hat die Änderung eine unbeabsichtigte Folge verursacht?

Dieses Feedback macht Analytics zu einem Instrument organisationalen Lernens.

Fachkräfte, die einen strukturierten Ansatz suchen, um Geschäftsinformationen in praktische Empfehlungen zu überführen, können den GCI-Kurs Business Data Analytics & Decision Making nutzen.

Die vier wichtigsten Arten von Business Data Analytics

Business Analytics wird häufig in vier Kategorien unterteilt.

Deskriptive Analytics: Was ist passiert?

Deskriptive Analytics fasst vergangene oder aktuelle Leistungen zusammen.

Beispiele sind:

• monatliche Verkaufsberichte;
• Umsatztrends;
• Kundenabwanderungsraten;
• Produktionsmengen;
• operative KPIs.

Sie schafft Transparenz, erklärt aber nicht zwangsläufig die Gründe für ein Ergebnis.

Diagnostische Analytics: Warum ist es passiert?

Diagnostische Analytics untersucht mögliche Ursachen eines Ergebnisses.

Zu den Methoden können Drill-down-Analysen, Vergleiche, Korrelationen und Ursachenanalysen gehören.

Ein Unternehmen könnte beispielsweise untersuchen, ob sich ein Margenrückgang auf bestimmte Produkte, Regionen oder Lieferanten konzentriert.

Prädiktive Analytics: Was könnte passieren?

Prädiktive Analytics nutzt vorhandene Informationen, um mögliche zukünftige Ergebnisse abzuschätzen.

Anwendungsbereiche sind:

• Absatzprognosen;
• Bedarfsplanung;
• Modellierung des Kundenverhaltens;
• vorausschauende Instandhaltung;
• Risikoprognosen.

Vorhersagen stellen Wahrscheinlichkeiten oder Schätzungen dar und keine garantierten Ergebnisse.

Präskriptive Analytics: Was sollten wir tun?

Präskriptive Analytics geht einen Schritt weiter, indem mögliche Maßnahmen bewertet oder Optionen empfohlen werden.

Sie kann beispielsweise für Routenoptimierung, Ressourcenallokation, Bestandsentscheidungen oder Szenarioanalysen eingesetzt werden.

Diese Ansätze werden im GCI-Leitfaden 4 Types of Data Analytics: Descriptive, Diagnostic, Predictive & Prescriptive ausführlicher behandelt.

Business Analytics vs. Business Intelligence

Business Intelligence (BI) und Business Analytics (BA) überschneiden sich erheblich, und Organisationen verwenden die Begriffe nicht immer einheitlich.

Business Intelligence konzentriert sich häufig darauf, historische und aktuelle operative Informationen über Berichte, Dashboards und Leistungsüberwachung sichtbar zu machen.

Ein BI-System könnte Folgendes anzeigen:

• monatliche Verkäufe;
• Lagerbestände;
• Volumen im Kundenservice;
• Budgetentwicklung;
• aktuelle KPIs.

Business Analytics geht häufig weiter und umfasst Diagnose, Prognosen, Modellierung und Optimierung.

Vereinfacht lässt sich sagen, dass BI Organisationen häufig dabei hilft zu verstehen, was geschehen ist und was gerade geschieht, während Analytics zusätzlich untersuchen kann, warum etwas geschehen ist, was künftig passieren könnte und welche Maßnahmen möglich wären.

Dies sollte nicht als absolute technische Grenze verstanden werden. Die Funktionen moderner BI- und Analytics-Plattformen überschneiden sich zunehmend.

Der ausführliche GCI-Leitfaden Business Analytics vs Business Intelligence erläutert diese Beziehung im Detail.

KPIs, Dashboards und Datenvisualisierung

Analysen werden nützlicher, wenn ihre Ergebnisse mit aussagekräftigen Leistungskennzahlen verknüpft und klar kommuniziert werden.

KPIs auswählen, die Geschäftsziele unterstützen

Eine Key Performance Indicator (KPI) sollte einer Organisation helfen, etwas zu bewerten, das tatsächlich relevant ist.

Eine Kennzahl wird nicht allein deshalb nützlich, weil sie leicht messbar ist.

Eine gute KPI-Auswahl beginnt mit dem Geschäftsziel.

Wenn eine Organisation beispielsweise die Lieferzuverlässigkeit verbessern möchte, könnten relevante Kennzahlen die termingerechte Lieferung, die durchschnittliche Verzögerung und die Auftragsdurchlaufzeit umfassen.

Die Zahl der Website-Besuche kann interessant sein, würde jedoch nicht unmittelbar dasselbe Ziel messen.

Organisationen sollten außerdem den Unterschied zwischen Frühindikatoren, die erste Signale für die zukünftige Leistung liefern können, und Spätindikatoren verstehen, die bereits eingetretene Ergebnisse messen.

Die detaillierte KPI-Auswahl wird im speziellen GCI-Leitfaden zur Auswahl von Business-Analytics-KPIs behandelt.

Dashboards als Instrumente zur Entscheidungsunterstützung

Dashboards sollten dabei helfen, konkrete Managementfragen zu beantworten.

Ein häufiger Fehler besteht darin, möglichst viele Kennzahlen anzuzeigen, nur weil die Informationen verfügbar sind.

Ein besseres Dashboard lenkt die Aufmerksamkeit auf das Wesentliche.

Wenn eine Produktionsleitung Durchsatz, Qualität und Ausfallzeiten überwachen muss, können Dutzende nicht zusammenhängende Unternehmenskennzahlen das Dashboard weniger nützlich statt informativer machen.

Analysen in klare visuelle Kommunikation übersetzen

Datenvisualisierung hilft Menschen dabei, Folgendes zu erkennen:

• Trends;
• Vergleiche;
• Anomalien;
• Veränderungen im Zeitverlauf;
• Beziehungen zwischen Variablen.

Das Diagramm sollte zur Botschaft passen.

Visuelle Komplexität sollte nicht mit analytischer Qualität verwechselt werden.

Die spezielle GCI-Ressource zur Datenvisualisierung im geschäftlichen Kontext behandelt visuelle Kommunikation ausführlicher, ohne diesen Pillar-Artikel in ein Tutorial zur Diagrammgestaltung zu verwandeln.

Praktische Beispiele für Business Data Analytics

Der praktische Einsatz von Analytics unterscheidet sich je nach Geschäftsbereich.

Produktion und Betrieb

Für deutsche Hersteller und Mittelstandsunternehmen kann Analytics Folgendes unterstützen:

• Produktionsplanung;
• Maschinenauslastung;
• Stillstandsanalyse;
• Qualitätskontrolle;
• Bestandsmanagement;
• Wartungsplanung;
• Lieferleistung.

Stellen Sie sich einen Hersteller vor, bei dem wiederholt Verzögerungen auftreten.

Eine deskriptive Analyse könnte zeigen, welche Produktlinien verspätet sind. Eine diagnostische Analyse könnte untersuchen, ob die Verzögerungen mit bestimmten Maschinen, Lieferanten oder Produktionsstufen zusammenhängen. Prädiktive Methoden könnten die Wahrscheinlichkeit zukünftiger Verzögerungen schätzen, während präskriptive Ansätze beim Vergleich von Planungsoptionen helfen könnten.

Das Ziel besteht nicht einfach darin, zusätzliche Produktionsstatistiken zu erzeugen. Vielmehr soll erkannt werden, wo Managementaufmerksamkeit den größten Nutzen bringt.

Finanzen und Controlling

Finanzteams können Analytics einsetzen für:

• Budgetabweichungsanalysen;
• Umsatztrends;
• Rentabilität;
• Überwachung des Working Capital;
• Cashflow-Prognosen;
• Kostenanalysen.

Ein Controlling-Team könnte untersuchen, warum ein Geschäftsbereich sein Betriebsbudget überschritten hat. Statt die Gesamtabweichung als eine einzige Zahl zu betrachten, kann das Team Energiekosten, Personalkosten, Veränderungen in der Beschaffung und einmalige Ausgaben getrennt analysieren.

Vertriebs- und Kundenanalysen

Vertriebsanalysen können Organisationen dabei helfen, Folgendes zu untersuchen:

• Konversionsraten;
• Produktnachfrage;
• Kundenbindung;
• Dauer des Vertriebszyklus;
• regionale Leistung;
• Kundensegmentierung.

Wenn sich Informationen auf identifizierbare Kunden oder Personen beziehen, können DSGVO-Aspekte relevant werden.

HR- und Workforce-Analytics

Organisationen können analysieren:

• Beschäftigtenzahlen;
• Fluktuation;
• Fehlzeiten;
• Teilnahme an Schulungen;
• Personalplanung;
• Recruiting-Informationen.

Mitarbeiteranalysen in Deutschland erfordern besondere Sorgfalt, da je nach Tätigkeit die Verarbeitung personenbezogener Daten und Mitbestimmungsrechte relevant werden können.

Risiko- und Compliance-Analytics

Analytics kann auch Compliance- und Risikofunktionen unterstützen.

Mögliche Einsatzbereiche sind:

• ungewöhnliche Transaktionsmuster identifizieren;
• Kontrollindikatoren überwachen;
• Incident-Trends analysieren;
• Zugriffsdaten überprüfen;
• wiederkehrende Compliance-Probleme identifizieren;
• interne Berichterstattung unterstützen.

Analytics kann einem Compliance-Team helfen, Muster zu erkennen, die eine Untersuchung rechtfertigen. Das Vorhandensein eines Analytics-Systems erfüllt jedoch für sich allein keine gesetzliche Compliance-Pflicht.

Eine wirksame Business-Analytics-Kompetenz aufbauen

Erfolgreiche Analytics hängt von mehr als nur Software ab.

Mit Geschäftszielen beginnen, nicht mit Tools

Organisationen kaufen mitunter Dashboards oder Analytics-Plattformen, bevor sie die Probleme definiert haben, die sie lösen müssen.

Damit wird der Prozess umgekehrt.

Die ersten Fragen sollten lauten:

• Welche Entscheidungen benötigen bessere Entscheidungsgrundlagen?
• Welche Geschäftsergebnisse sind wichtig?
• Welche Informationen würden diese Entscheidungen verbessern?
• Wer ist dafür verantwortlich, auf Grundlage des Ergebnisses zu handeln?

Technologie sollte diese Ziele unterstützen.

Datenqualität verbessern

Daten von schlechter Qualität führen zu Schlussfolgerungen von schlechter Qualität.

Wichtige Dimensionen der Datenqualität sind:

• Genauigkeit – bilden die Informationen die Realität korrekt ab?
• Vollständigkeit – fehlen wichtige Datensätze oder Felder?
• Konsistenz – werden Begriffe und Definitionen einheitlich verwendet?
• Aktualität – sind die Informationen für die Entscheidung aktuell genug?
• Validität – entsprechen die Informationen vereinbarten Regeln und Formaten?

Gemeinsame Definitionen sind besonders wichtig.

Wenn Finanz- und Vertriebsteams unterschiedliche Definitionen von „Umsatz“ verwenden oder HR-Teams die Fluktuation unterschiedlich berechnen, kann die unternehmensweite Berichterstattung irreführend werden.

Datenverantwortung und Governance etablieren

Organisationen profitieren davon zu wissen:

• wer wichtige Datensätze verantwortet;
• wer darauf zugreifen kann;
• wer wichtige Kennzahlen definiert;
• wer für die Behebung von Datenqualitätsproblemen verantwortlich ist;
• wer analytische Ergebnisse interpretiert;
• wer die endgültige geschäftliche Entscheidung trifft.

Diese Governance-Praktiken sind nützliche Managementmaßnahmen. Sie sollten nicht automatisch als gesetzliche Pflichten dargestellt werden.

Wenn personenbezogene Daten betroffen sind, können zusätzlich gesonderte rechtliche Anforderungen nach der DSGVO oder dem anwendbaren deutschen Recht gelten.

Analytische und geschäftliche Kompetenzen entwickeln

Technische Fähigkeiten allein reichen nicht aus.

Eine nützliche Analytics-Kompetenz verbindet:

• Datenkompetenz;
• analytisches Denken;
• Geschäftsverständnis;
• Kommunikation;
• kritisches Denken;
• Entscheidungsfähigkeit.

Wer ein anspruchsvolles Modell erstellen kann, dessen Grenzen dem Management jedoch nicht verständlich erklären kann, wird möglicherweise Schwierigkeiten haben, einen nützlichen Geschäftseffekt zu erzielen.

Ebenso benötigen Führungskräfte ausreichende Datenkompetenz, um Annahmen kritisch zu hinterfragen, statt analytische Ergebnisse unkritisch zu akzeptieren.

Fachkräfte, die operative Informationen in praktische Empfehlungen übersetzen, können vom GCI-Kurs Business Data Analytics & Decision Making profitieren.

Die Schulung verbindet analytische Methoden mit praktischer geschäftlicher Entscheidungsfindung, statt Analytics rein als technische Disziplin zu behandeln.

Messen, ob Analytics Ergebnisse verändert

Organisationen sollten auch ihre Analytics-Kompetenz selbst bewerten.

Hilfreiche Fragen sind:

• Hat die Analyse eine Entscheidung beeinflusst?
• Wurde die Erkenntnis zum richtigen Zeitpunkt bereitgestellt?
• Hat die daraus resultierende Maßnahme die relevante KPI verbessert?
• War die Prognose für ihren Zweck ausreichend genau?
• Haben die Führungskräfte die Grenzen verstanden?
• War eine weitere Analyse tatsächlich notwendig?

Das Ziel besteht nicht darin, die Menge an Analytics zu maximieren.

Es geht darum, die Qualität von Entscheidungen zu verbessern.

Data Analytics, DSGVO und verantwortungsvolle Entscheidungsfindung in Deutschland

Für Organisationen, die in Deutschland tätig sind, kann Analytics je nach Daten, Technologie und Anwendungsfall mit rechtlichen und regulatorischen Anforderungen zusammentreffen.

Entscheidend ist, dass Analytics selbst nicht in jeder Situation automatisch auf dieselbe Weise reguliert wird.

Personenbezogene Daten und DSGVO

Die Datenschutz-Grundverordnung (DSGVO) wird relevant, wenn Analytics die Verarbeitung personenbezogener Daten innerhalb ihres Anwendungsbereichs umfasst.

Beispiele können sein:

• individuelles Kundenverhalten;
• Beschäftigtendaten;
• identifizierbare Website-Nutzer;
• Kundenprofiling;
• Leistungsdaten auf individueller Ebene.

Artikel 5 DSGVO legt zentrale Grundsätze fest, darunter Rechtmäßigkeit, Verarbeitung nach Treu und Glauben und Transparenz, Zweckbindung, Datenminimierung, Richtigkeit, Speicherbegrenzung, Integrität und Vertraulichkeit sowie Rechenschaftspflicht.

Organisationen müssen daher berücksichtigen, warum personenbezogene Daten verarbeitet werden, ob die beabsichtigte Nutzung mit dem anwendbaren Rechtsrahmen vereinbar ist, wie viele Daten erforderlich sind und ob die Informationen korrekt bleiben.

Der offizielle Wortlaut der DSGVO-Grundsätze zur Verarbeitung personenbezogener Daten ist über EUR-Lex verfügbar.

Nicht jeder Unternehmensdatensatz enthält personenbezogene Daten. Aggregierte Betriebsdaten oder tatsächlich anonyme Informationen können anders zu bewerten sein.

Mitarbeiteranalysen in Deutschland

Deutschland verfügt zudem über spezifische Regelungen zu personenbezogenen Daten von Beschäftigten.

§ 26 des Bundesdatenschutzgesetzes (BDSG) regelt die Verarbeitung personenbezogener Daten von Beschäftigten für Zwecke des Beschäftigungsverhältnisses. Die Verarbeitung ist unter bestimmten Voraussetzungen zulässig, wenn die gesetzlichen Bedingungen erfüllt sind, unter anderem wenn sie für die Entscheidung über die Begründung eines Beschäftigungsverhältnisses oder nach dessen Begründung für dessen Durchführung oder Beendigung erforderlich ist.

Das bedeutet, dass Workforce Analytics nicht lediglich als technische HR-Aufgabe betrachtet werden sollte.

Eine Organisation, die Produktivitätsüberwachung auf Mitarbeiterebene, Verhaltensanalysen oder detaillierte Leistungsanalysen erwägt, sollte den konkreten Zweck, die Daten, die Erforderlichkeit und die anwendbare Rechtsgrundlage prüfen, anstatt davon auszugehen, dass HR-bezogene Verarbeitung automatisch zulässig ist.

Mitbestimmung durch den Betriebsrat

Auch das Betriebsverfassungsgesetz (BetrVG) kann relevant werden.

Nach § 87 Abs. 1 Nr. 6 BetrVG hat der Betriebsrat – vorbehaltlich der gesetzlichen Voraussetzungen – Mitbestimmungsrechte bei der Einführung und Anwendung technischer Einrichtungen, die dazu bestimmt sind, das Verhalten oder die Leistung der Arbeitnehmer zu überwachen.

Dies sollte nicht so verstanden werden, dass jedes HR-Dashboard oder Analytics-System automatisch dieselben Mitbestimmungsanforderungen auslöst.

Entscheidend sind die konkrete Technologie, ihre Funktionen, ihr Zweck und die Umstände ihres Einsatzes.

Analytics, automatisierte Entscheidungen und die EU-KI-Verordnung

Business Analytics überschneidet sich zunehmend mit künstlicher Intelligenz, dabei sind jedoch mehrere Unterscheidungen wichtig:

Analytics ist nicht automatisch KI.

Ein KI-System wird nicht automatisch als Hochrisiko-System eingestuft.

Die Pflichten aus der KI-Verordnung hängen vom System, seinem vorgesehenen Zweck und seiner rechtlichen Einstufung ab.

Die EU-KI-Verordnung trat am 1. August 2024 in Kraft und wurde – vorbehaltlich von Ausnahmen und gestaffelten Anwendungsfristen – am 2. August 2026 allgemein anwendbar. Nach den Änderungen durch das AI Omnibus 2026 gelten die Vorschriften für Hochrisiko-KI-Systeme in bestimmten Bereichen des Anhangs III ab dem 2. Dezember 2027, während die verlängerte Übergangsfrist für Hochrisiko-Systeme, die in regulierte Produkte gemäß Anhang I eingebettet sind, bis zum 2. August 2028 läuft.

Die KI-Verordnung kann insbesondere dann relevant werden, wenn Analytics KI-Systeme einbezieht, die etwa bei Recruiting, Beschäftigungsentscheidungen, Bonitätsbewertungen oder anderen regulierten Hochrisiko-Anwendungsfällen eingesetzt werden – abhängig vom System und seinem vorgesehenen Zweck.

Auch die DSGVO-Regeln zu automatisierten Einzelentscheidungen können in bestimmten Fällen relevant werden. Artikel 22 betrifft bestimmte Entscheidungen, die ausschließlich auf automatisierter Verarbeitung – einschließlich Profiling – beruhen und gegenüber einer Person rechtliche Wirkung entfalten oder sie in ähnlicher Weise erheblich beeinträchtigen. Der Europäische Datenschutzausschuss stellt hierzu spezielle Leitlinien zu automatisierter Entscheidungsfindung und Profiling bereit.

Unternehmen sollten daher die tatsächliche Verarbeitungstätigkeit und die eingesetzte Technologie bewerten, anstatt davon auszugehen, dass jede Vorhersage, Empfehlung oder jeder Algorithmus dieselben rechtlichen Pflichten auslöst.

Häufige Fehler bei Business Data Analytics

Analytics kann selbst dann scheitern, wenn Organisationen gute Software und erfahrene Teams haben.

Mehrere Probleme treten immer wieder auf.

Mit den Daten statt mit der Frage beginnen.Große Datensätze können interessante Beobachtungen hervorbringen, die für eine konkrete geschäftliche Entscheidung nur wenig relevant sind.

Daten schlechter Qualität verwenden.Falsche, uneinheitliche oder veraltete Daten können selbst anspruchsvolle Modelle untergraben.

Vanity Metrics messen.Eine Kennzahl kann beeindruckend wirken und dennoch nur wenig zum Verständnis der Geschäftsentwicklung beitragen.

Korrelation mit Kausalität verwechseln.Dass sich zwei Faktoren gemeinsam verändern, beweist nicht, dass der eine den anderen verursacht hat.

Dashboards erstellen, die niemand nutzt.Ein technisch beeindruckendes Dashboard hat wenig Wert, wenn Entscheidungsträger nicht verstehen, welche Maßnahme es unterstützen soll.

Zu viele KPIs verfolgen.Übermäßiges Messen kann die wenigen Kennzahlen verdecken, die tatsächlich wichtig sind.

Historische Muster als Gewissheit behandeln.Marktbedingungen, Kundenverhalten und betriebliche Rahmenbedingungen verändern sich.

Annehmen, dass KI Entscheidungen automatisch verbessert.Komplexere Technologie kann zusätzliche Risiken schaffen, wenn die zugrunde liegenden Daten, Annahmen oder Governance schwach sind.

Ergebnisse nicht messen.Wenn Organisationen nie bewerten, ob analyticsgestützte Entscheidungen bessere Resultate erzielt haben, können sie die Wirksamkeit ihres analytischen Ansatzes nicht beurteilen.

Governance und Datenschutz ignorieren.Wenn personenbezogene Daten oder Beschäftigtendaten betroffen sind, können Analytics-Initiativen zusätzliche rechtliche und organisatorische Prüfungen erfordern.

Geschäftsdaten in bessere Entscheidungen überführen

Business Data Analytics ist am wertvollsten, wenn Informationen mit konkretem Handeln verbunden werden.

Dafür braucht es mehr als das Sammeln von Daten oder den Kauf einer Dashboard-Plattform.

Organisationen benötigen verlässliche Informationen, klar definierte Fragestellungen, geeignete analytische Methoden, geschäftlichen Kontext, klare Kommunikation, verantwortliche Entscheidungsträger und eine Möglichkeit, Ergebnisse zu messen.

Die stärkste Analytics-Kompetenz versucht nicht, jede Entscheidung zu automatisieren. Sie hilft Menschen, nützliche Erkenntnisse von Rauschen zu unterscheiden und fundiertere Entscheidungen zu treffen.

Für Fachkräfte, die diese Fähigkeiten systematisch entwickeln möchten, bietet der GCI-Kurs Business Data Analytics & Decision Making course strukturiertes Lernen rund um die Analyse geschäftlicher Informationen, das Erkennen von Mustern und die Überführung von Erkenntnissen in praktische Empfehlungen.