Ihr Standort: movisco // Blog »
kontakt mail icon
kontakt phone icon

KI-bereite Analytics: Richtige Zahl, falsche Antwort?

KI eröffnet neue Möglichkeiten für Analytics: Von der Beantwortung fachlicher Fragen über die Erkennung komplexer Zusammenhänge bis hin zur automatisierten Berichterstellung ist vieles möglich. Doch eine rechnerisch richtige Antwort ist nicht automatisch die korrekte Antwort auf eine konkrete Fragestellung. Entscheidend ist, ob die zugrunde liegenden Daten und Kennzahlen im jeweiligen fachlichen Kontext richtig von der KI interpretiert werden.

KI-bereite Analytics braucht deshalb mehr als verfügbare Daten: klare fachliche Definitionen, eine verlässliche Datenbasis und geregelte Verantwortlichkeiten.

„Wie viele Kunden haben wir?“ – Es kommt darauf an.

Was zunächst nach einer einfachen Frage klingt, wird je nach Fachbereich unterschiedlich beantwortet: Während das Marketing möglicherweise alle registrierten Personen betrachtet, berücksichtigt das Controlling nur Kunden mit einem aktiven Vertrag.

Beide Zahlen können fachlich korrekt sein. Welche davon relevant ist, hängt vom jeweiligen Kontext ab: Geht es beispielsweise um die Analyse der registrierten Kundenbasis, können alle registrierten Personen relevant sein. Für die Ermittlung der Anzahl aktiver Kunden werden dagegen nur Personen mit einem aktiven Vertrag berücksichtigt.

Ein KI-Assistent muss deshalb erkennen können, welche Kundendefinition zur jeweiligen Fragestellung passt. Dafür müssen der KI die unternehmensinternen Definitionen zugänglich sein. Ist der Kontext nicht eindeutig, sollte eine Nachfrage erfolgen, statt intransparente Annahmen zu treffen. 

Entscheidend ist also nicht, jede mögliche Frage im Voraus festzulegen – das wäre auch schwer möglich –, sondern die fachlichen Grundlagen zu schaffen, damit KI unterschiedliche Fragestellungen im jeweiligen Kontext sinnvoll beantworten kann.

Was macht Analytics KI-bereit?

Datenqualität, fachliche Semantik und Data Governance sind keine neuen Themen. Sie bilden schon lange die Grundlage für verlässliche Analytics-Lösungen. Mit dem Einsatz von KI gewinnen sie jedoch zusätzlich an Bedeutung.

Drei Voraussetzungen spielen eine zentrale Rolle:

  • Datenqualität: Sind die benötigten Informationen ausreichend vollständig, aktuell und konsistent? Fehlende Buchungen oder veraltete Datenbestände können Analyseergebnisse beeinflussen.
  • Fachliche Semantik: Sind Kennzahlen eindeutig definiert und ihre Berechnungslogiken dokumentiert? Dazu gehört beispielsweise, welche Daten in eine Kennzahl einfließen und welche Filter gelten.
  • Data Governance: Sind Datenherkunft, Verantwortlichkeiten und Zugriffsrechte nachvollziehbar geregelt? Welche Rolle das spielt, erläutern wir auch in unserem Beitrag zu Data Governance und Datenqualität.

Ein wesentlicher Vorteil von KI ist, dass Nutzer Fragen direkt in natürlicher Sprache stellen können, ohne selbst aufwendige Auswertungen erstellen zu müssen. Gleichzeitig ist nicht immer erkennbar, auf welche Daten, Definitionen und Berechnungen sich die Antworten stützen. Dadurch können Ergebnisse plausibel erscheinen, obwohl sie fachlich nicht zur Fragestellung passen.

Damit KI fachlich korrekte und belastbare Ergebnisse liefern kann, müssen die relevanten Daten, Definitionen und Berechnungsregeln für die jeweilige Anwendung zugänglich und ihre Verwendung nachvollziehbar sein.

Wo kann KI im Analytics-Alltag unterstützen?

Wie wichtig diese Voraussetzungen in der Praxis sind, zeigen zwei Beispiele aus Banken und Handel.

Banken: Warum liegt das Zinsergebnis unter Plan?

Im Managementreporting einer Bank fällt auf, dass das Zinsergebnis einer Produktgruppe hinter der Planung zurückbleibt. 

KI kann dabei unterstützen, große Datenmengen schneller auszuwerten, auffällige Entwicklungen zu erkennen und mögliche Einflussfaktoren wie veränderte Zinsmargen oder Bestandsentwicklungen zu untersuchen. Statt zahlreiche Produktgruppen und Zeiträume manuell zu vergleichen, können Mitarbeitende so schneller mögliche Ursachen eingrenzen und sich auf deren fachliche Bewertung konzentrieren. Auch ein erster Berichtskommentar lässt sich auf dieser Grundlage vorbereiten.

Voraussetzung ist allerdings, dass Plan- und Ist-Werte vergleichbar sind. Werden beispielsweise Kreditprodukte in der Planung anders zugeordnet als im Ist-Reporting, können scheinbare Abweichungen entstehen. Ohne die entsprechenden fachlichen Informationen könnte KI diese falsch interpretieren.

Handel: Sinkt die Nachfrage oder fehlt die Ware?

Ein Handelsunternehmen stellt fest, dass die Umsätze einer Produktgruppe an mehreren Verkaufsstandorten zurückgehen. KI kann dabei helfen, Entwicklungen über zahlreiche Produkte, Standorte und Zeiträume hinweg zu vergleichen und mögliche Zusammenhänge mit Rabattaktionen, Kundenaufkommen oder saisonalen Schwankungen zu untersuchen. So lassen sich auffällige Muster schneller erkennen, ohne jede Auswertung einzeln durchführen zu müssen.

Doch was, wenn bestimmte Produkte zeitweise nicht verfügbar waren? Ohne Informationen zur Warenverfügbarkeit könnte der Umsatzrückgang als sinkende Nachfrage interpretiert werden. Das wäre eine problematische Grundlage für Sortiments- oder Bestellentscheidungen.

Hier spielen sowohl die Vollständigkeit der Datenbasis als auch die fachliche Interpretation eine Rolle: Ein Umsatzrückgang bedeutet nicht automatisch, dass die Nachfrage gesunken ist. Erst die gemeinsame Betrachtung von Verkaufs- und Bestandsdaten ermöglicht eine differenziertere Einschätzung.

Beide Beispiele zeigen: KI kann Analysen beschleunigen und Fachbereiche entlasten, aber fehlende Informationen oder unklare Definitionen nicht automatisch ausgleichen. Selbst qualitativ hochwertige Daten führen nicht zwangsläufig zu fachlich richtigen Schlussfolgerungen.

Wie gelingt der Einstieg in KI-bereite Analytics?

Für einen sinnvollen Einstieg stellt sich zunächst die Frage, wo KI tatsächlich einen Mehrwert bietet. Nicht jede analytische Fragestellung erfordert KI. Für den regelmäßigen Überblick über zentrale Kennzahlen können bestehende Reporting-Lösungen weiterhin sinnvoll sein.

Besonders interessant wird KI, wenn Informationen aus unterschiedlichen Quellen zusammengeführt, komplexe Zusammenhänge untersucht oder offene Fragen flexibel beantwortet werden sollen. 

Damit solche Anwendungen zuverlässig funktionieren, müssen jedoch die fachlichen und technischen Grundlagen geschaffen werden. Es empfiehlt sich ein schrittweises Vorgehen: Zunächst wird ein geeigneter Anwendungsbereich ausgewählt. Anschließend wird geprüft, ob die benötigten Daten, fachlichen Definitionen und Zugriffsrechte vorhanden sind. 

Wie zuverlässig eine KI-Anwendung unterstützt, lässt sich anhand ausgewählter Fragestellungen durch den Vergleich ihrer Ergebnisse mit fachlich geprüften Auswertungen beurteilen. Ebenso wichtig ist der praktische Nutzen: Spart die Anwendung tatsächlich Zeit oder entsteht zusätzlicher Aufwand durch notwendige Kontrollen und Korrekturen?

Bei den fachlichen und datenbezogenen Voraussetzungen setzt die Beratung von movisco an

Wir unterstützen Unternehmen dabei, fachliche Anforderungen in eindeutige Kennzahlendefinitionen, nachvollziehbare Berechnungslogiken und tragfähige Datenmodelle zu übersetzen. Dafür verbinden wir unsere Kompetenzen aus Analytics, Requirements Engineering, Datenmanagement und Datenqualität.

Gemeinsam mit Fachbereichen und IT schaffen wir Transparenz über Kennzahlen und Datenzusammenhänge. So können Unternehmen Schwachstellen gezielt beheben und ihre Analytics-Landschaft auf neue Anforderungen vorbereiten – auch im Hinblick auf den Einsatz von KI.

Fazit: Die richtige Antwort braucht Kontext

KI kann analytische Prozesse effizienter gestalten und eine flexiblere Nutzung von Daten ermöglichen. Entscheidend bleibt jedoch, dass die Ergebnisse nicht nur rechnerisch korrekt sind, sondern auch fachlich richtig eingeordnet und nachvollziehbar überprüft werden können.

Klare Definitionen, verlässliche Daten und geregelte Verantwortlichkeiten schaffen dafür die Grundlage. Sie ermöglichen einen gezielten Einsatz von KI und unterstützen fundierte Entscheidungen.

Ausblick: Brauchen wir in Zukunft überhaupt noch Dashboards?

Welche Rolle spielen Dashboards in einer Welt, in der KI und KI-Agenten zunehmend analytische Aufgaben übernehmen? Dieser Frage widmen wir uns in unserem nächsten Blogbeitrag.


Ihre Ansprechpartnerin

Susanne Jung

info@movisco.com
elektronische Visitenkarte

Fon +49 40 767 53 777

Schnellkontakt-Formular

Die abgesendeten Daten werden nur zum Zweck der Bearbeitung Ihres Anliegens verarbeitet. Weitere Informationen finden Sie in unserer Datenschutzerklärung.

Sie haben Fragen?

Wir freuen uns über Ihre direkte Kontaktaufnahme!