Metrics that matter: Wie man ein nutzerzentriertes Contr ... / 5 Tool- und Datenlandschaft: Woher kommen die benötigten Daten?

Ein Dashboard lässt sich mit Tools wie Tableau, PowerBI, Holistics oder Metabase schnell erstellen. Die Umsetzung ist jedoch von der vorhandenen Datengrundlage, -architektur und Data Literacy im Unternehmen abhängig: Daten müssen gesammelt, zusammengeführt, prozessiert und aggregiert werden, bevor sie in einem entsprechenden Dashboard angezeigt werden können.

Diese Aufgaben kosten Zeit und deshalb ist es umso wichtiger, die Priorisierung der Stakeholder zu berücksichtigen und in Iterationen die Architektur aufzubauen – beginnend mit den Daten, die den meisten Mehrwert stiften können.

Am Beispiel eines Balanced-Scorecard-Dashboards könnten folgende Systeme für die verschiedenen Bereiche als Datenquellen relevant sein:

1. Finanzen: ERP-Systeme, Abrechnungssysteme, Banksysteme, E-Commerce-Plattform etc.
2. Kunden: Onsite Analytics, CRM, Media Channels, 3^rd-Party-Daten (z. B. Market Research), E-Com Reviews, NPS etc.
3. Produkte und Prozesse: Projektmanagement-Tools, Produktionsdaten, CRM/Customer Relations, Fullfilment etc.
4. Lernen und Entwicklung: Mitarbeitenden-Zufriedenheit, Fortbildung der Mitarbeitenden etc.

Die dahinterliegenden Daten müssen über die gewählte Architektur verarbeitet werden und innerhalb des Datenmodells in den geeigneten Aggregationsstufen abgelegt werden. Diese Stufen basieren auf den unterschiedlichen Nutzerperspektiven auf das Dashboard, z. B.:

• Management-Übersicht: Balanced Scorecard mit übergreifenden Zielen und zugehörigen Kennzahlen aus den vier Hauptbereichen
• Einzelübersichten der vier Bereiche mit darunterliegenden KPIs auf zweiter Ebene
• Detailansichten pro Abteilung mit richtungsgebenden KPIs auf zweiter Ebene

Neben den fortlaufend weiterentwickelten BI-Tools haben sich in den letzten Jahren weitere Komponenten einer modernen Daten-Infrastruktur etabliert.^[1]

• Connector Tools (Fivetran, Matillion, Airbyte etc.) binden eine Vielzahl von Datenquellen an das Data Warehouse oder den Data Lake an.
• Transformations-Tools (z. B. dbt) helfen bei der Erstellung von Datenmodellen, die anschließend von den BI-Tools verwendet werden können.
• Die Infrastruktur liegt fast ausschließlich in einer der großen Clouds (AWS, Azure oder GCP).
• Data Governance und Observability Tools organisieren Richtlinien für die Arbeit mit Daten und machen die relevanten Daten für alle Nutzer:innen leicht auffindbar und verständlich.

Ein moderner Tool-Stack skaliert für zukünftige Anwendungen und ist flexibel im Austausch oder Hinzufügen einzelner Komponenten.

[1] Vgl. Bornstein/Li/Casado, 2020.