Datenanalyse im Unternehmen: Arten, Ablauf und Werkzeuge
Datenanalyse heißt, aus vorhandenen Daten Antworten auf geschäftliche Fragen zu gewinnen: Welche Kunden bringen den größten Deckungsbeitrag, warum steigen die Retouren, wie viel Ware brauchen wir im nächsten Quartal? In diesem Ratgeber erklären wir die vier Arten der Datenanalyse, den Ablauf von der Frage bis zum Bericht, die gängigen Werkzeuge, die Rolle von Kennzahlen und Datenqualität, was die DSGVO verlangt und wann künstliche Intelligenz wirklich hilft.
Was ist Datenanalyse?
Datenanalyse ist das systematische Untersuchen von Daten, um Muster, Zusammenhänge und Ursachen zu erkennen und daraus Entscheidungen abzuleiten. In Unternehmen stammen diese Daten aus dem ERP-System, der Buchhaltung, dem Webshop, dem CRM, der Zeiterfassung, aus Maschinen oder aus Web-Analyse-Werkzeugen. Jedes dieser Systeme speichert einen Ausschnitt der Wirklichkeit. Die Analyse setzt die Ausschnitte zusammen.
Wichtig ist die Reihenfolge. Eine gute Datenanalyse beginnt nicht mit den Daten, sondern mit einer Frage, deren Antwort eine Entscheidung verändert. „Wie hat sich der Umsatz entwickelt?“ ist eine Frage für einen Bericht. „Sollen wir Produktlinie B einstellen?“ ist eine Frage, die eine Analyse rechtfertigt.
Die vier Arten der Datenanalyse
In der Praxis unterscheidet man vier Arten, die aufeinander aufbauen. Jede beantwortet eine andere Frage und verlangt mehr Daten und mehr Methode als die vorherige.
Deskriptive Analyse: Was ist passiert?
Die beschreibende Analyse fasst zusammen, was geschehen ist: Umsatz pro Monat, Aufträge pro Kunde, Lagerbestand pro Artikel. Sie ist die Grundlage jeder Berichterstattung und in vielen Unternehmen bereits der größte Gewinn, wenn sie zum ersten Mal verlässlich und automatisch verfügbar ist.
Diagnostische Analyse: Warum ist es passiert?
Die diagnostische Analyse sucht Ursachen. Der Umsatz ist gesunken, aber in welchen Regionen, bei welchen Produkten, über welchen Kanal? Dafür werden Daten aufgeschlüsselt, verglichen und mit weiteren Quellen verknüpft, etwa mit Lieferzeiten oder Marketingaktionen.
Prädiktive Analyse: Was wird voraussichtlich passieren?
Die vorhersagende Analyse nutzt historische Daten und statistische Modelle, um künftige Werte abzuschätzen: Absatz im nächsten Quartal, Wahrscheinlichkeit einer Kündigung, Wartungsbedarf einer Maschine. Prognosen sind nie sicher, aber sie machen Unsicherheit messbar.
Präskriptive Analyse: Was sollten wir tun?
Die handlungsempfehlende Analyse geht einen Schritt weiter und schlägt Entscheidungen vor, etwa optimale Bestellmengen, Preisanpassungen oder Tourenplanung. Sie setzt verlässliche Daten, gute Prognosen und klar formulierte Ziele voraus und ist entsprechend aufwendig.
| Art | Frage | Beispiel |
|---|---|---|
| Deskriptiv | Was ist passiert? | Monatlicher Umsatz nach Produktgruppe |
| Diagnostisch | Warum ist es passiert? | Rückgang nach Region und Kanal aufgeschlüsselt |
| Prädiktiv | Was wird passieren? | Absatzprognose für das nächste Quartal |
| Präskriptiv | Was sollten wir tun? | Empfohlene Bestellmenge pro Artikel |
Der Ablauf in fünf Schritten
- Frage formulieren. Welche Entscheidung soll die Analyse stützen, und welche Antwort würde diese Entscheidung ändern? Halten Sie auch fest, bis wann die Antwort gebraucht wird.
- Daten beschaffen. Welche Systeme enthalten die nötigen Daten, wer hat Zugriff, und dürfen sie für diesen Zweck verwendet werden? Häufig zeigt sich hier, dass Daten fehlen oder an mehreren Stellen in unterschiedlicher Form liegen.
- Daten aufbereiten. Dubletten entfernen, Formate vereinheitlichen, fehlende Werte behandeln, Tabellen verknüpfen. Dieser Schritt kostet in der Regel die meiste Zeit und entscheidet über die Qualität des Ergebnisses.
- Analysieren. Je nach Frage mit einfachen Auswertungen, Vergleichen, statistischen Verfahren oder Modellen. Ergebnisse werden auf Plausibilität geprüft, bevor jemand sie präsentiert.
- Berichten und handeln. Das Ergebnis wird so aufbereitet, dass die Entscheiderin oder der Entscheider es ohne Statistikkenntnisse versteht: eine klare Aussage, die wichtigsten Zahlen, die Grenzen der Analyse und eine Empfehlung.
Wenn eine Frage regelmäßig wiederkehrt, wird aus der einmaligen Analyse ein automatischer Bericht oder ein Dashboard. Das ist der Moment, in dem sich Investitionen in Datenaufbereitung dauerhaft auszahlen.
Werkzeuge für die Datenanalyse
Das beste Werkzeug ist das, das zu Ihrer Frage, Ihrer Datenmenge und den Fähigkeiten Ihres Teams passt. Die folgenden Werkzeuge sind in deutschen Unternehmen verbreitet, wir nennen sie neutral und ohne Herstellerbindung.
- Microsoft Excel. Für überschaubare Datenmengen, schnelle Auswertungen und Pivot-Tabellen. Mit Power Query lassen sich auch Daten aus mehreren Quellen zusammenführen. Die Grenze erreicht Excel, wenn viele Personen an derselben Datei arbeiten oder Daten täglich aktualisiert werden müssen.
- Microsoft Power BI. Ein Business-Intelligence-Werkzeug für Dashboards und Berichte, eng verzahnt mit Microsoft 365.
- Tableau. Ein BI-Werkzeug mit Schwerpunkt auf interaktiver Visualisierung.
- SQL. Die Abfragesprache für relationale Datenbanken. Wer Daten aus ERP, Webshop oder Datenbanken direkt auswerten will, kommt an SQL kaum vorbei.
- Python. Eine Programmiersprache mit umfangreichen Bibliotheken für Datenaufbereitung, Statistik, maschinelles Lernen und automatisierte Berichte.
Für die meisten kleinen und mittleren Unternehmen genügt eine Kombination aus einer zentralen Datenbasis, SQL für die Aufbereitung und einem BI-Werkzeug für Berichte. Wenn Ihre Daten heute auf viele Insellösungen verteilt sind, lohnt ein Blick auf den Ratgeber ERP-System einfach erklärt, denn ein ERP ist oft die wichtigste Datenquelle überhaupt.
Kennzahlen und Datenqualität
Die richtigen Kennzahlen
Kennzahlen, auf Englisch Key Performance Indicators oder KPIs, machen Ziele messbar. Gute Kennzahlen sind eindeutig definiert, regelmäßig verfügbar und mit einer Entscheidung verbunden. Typische Beispiele sind Deckungsbeitrag pro Produkt, Lagerumschlag, Liefertreue, durchschnittliche Bearbeitungszeit eines Auftrags oder der Anteil wiederkehrender Kunden.
Zwei Regeln haben sich bewährt. Erstens: wenige Kennzahlen statt vieler, denn ein Dashboard mit vierzig Werten wird nicht gelesen. Zweitens: eine schriftliche Definition für jede Kennzahl, also wie sie berechnet wird, aus welchem System sie stammt und wer für sie verantwortlich ist. Sonst rechnet der Vertrieb den Umsatz anders als die Buchhaltung, und jede Besprechung beginnt mit einem Streit über die Zahl statt über die Entscheidung.
Datenqualität
Eine Analyse ist nur so gut wie die Daten, auf denen sie beruht. Achten Sie auf Vollständigkeit, Richtigkeit, Aktualität, Eindeutigkeit und einheitliche Formate. Die häufigsten Probleme sind doppelt angelegte Kunden, uneinheitliche Artikelbezeichnungen, fehlende Pflichtfelder und manuell gepflegte Tabellen, die nicht mehr zum System passen. Datenqualität verbessert sich am zuverlässigsten an der Quelle: durch Pflichtfelder, Auswahllisten statt Freitext und klare Zuständigkeiten für Stammdaten.
Datenanalyse und DSGVO
Sobald personenbezogene Daten im Spiel sind, etwa Kunden, Beschäftigte oder Nutzer einer App, gilt die Datenschutz-Grundverordnung. Für Analysen sind vor allem diese Grundsätze aus Art. 5 Abs. 1 DSGVO wichtig: Daten müssen für festgelegte, eindeutige und legitime Zwecke erhoben werden (Zweckbindung), sie müssen auf das für die Zwecke notwendige Maß beschränkt sein (Datenminimierung), sie müssen sachlich richtig sein, und sie dürfen nur so lange in identifizierbarer Form gespeichert werden, wie es für den Zweck erforderlich ist. Nach Art. 6 Abs. 1 DSGVO ist jede Verarbeitung nur rechtmäßig, wenn mindestens eine Rechtsgrundlage greift, etwa eine Einwilligung, die Erfüllung eines Vertrags, eine rechtliche Verpflichtung oder ein berechtigtes Interesse, das die Interessen der betroffenen Personen nicht überwiegt (Verordnung (EU) 2016/679, Rechtsdatenbank der EU, abgerufen am 11. November 2026).
Für die Praxis heißt das:
- Prüfen Sie vor jeder neuen Auswertung, ob sie mit dem ursprünglichen Zweck der Datenerhebung vereinbar ist.
- Arbeiten Sie, wo immer möglich, mit zusammengefassten oder pseudonymisierten Daten statt mit Namen und E-Mail-Adressen.
- Begrenzen Sie den Zugriff auf Rohdaten auf die Personen, die ihn wirklich brauchen.
- Legen Sie Löschfristen fest, auch für Exporte und Kopien in Analysewerkzeugen.
- Schließen Sie mit Anbietern von Cloud-Werkzeugen einen Vertrag zur Auftragsverarbeitung und bevorzugen Sie eine Datenhaltung in der EU.
Wann KI bei der Datenanalyse hilft
Künstliche Intelligenz ist in deutschen Unternehmen angekommen. Laut Statistischem Bundesamt nutzten im Jahr 2025 26 % der Unternehmen ab zehn Beschäftigten KI, bei Unternehmen mit 10 bis 49 Beschäftigten 23 %, mit 50 bis 249 Beschäftigten 36 % und ab 250 Beschäftigten 57 % (Destatis, KI-Nutzung nach Größenklassen, abgerufen am 11. November 2026). Aufschlussreich sind die Gründe der Unternehmen, die KI in Betracht gezogen, aber bisher nicht eingesetzt haben: 72 % nennen fehlendes Wissen, 60 % Bedenken beim Datenschutz und 44 % Schwierigkeiten mit der Verfügbarkeit oder Qualität der erforderlichen Daten (Destatis, Gründe gegen die KI-Nutzung, abgerufen am 11. November 2026).
Die letzte Zahl bestätigt, was wir in Projekten immer wieder sehen: KI ersetzt keine Datenanalyse, sie baut auf ihr auf. Sinnvoll ist KI vor allem in diesen Fällen:
- Unstrukturierte Daten. E-Mails, Tickets, Bewertungen oder Verträge lassen sich mit Sprachmodellen kategorisieren und zusammenfassen.
- Prognosen mit vielen Einflussgrößen. Maschinelles Lernen kann Absatz oder Ausfälle oft genauer schätzen als einfache Trendlinien, wenn genug historische Daten vorliegen.
- Wiederkehrende Auswertungen. Berichte, die jede Woche gleich entstehen, lassen sich automatisieren, bis hin zu einer schriftlichen Zusammenfassung der wichtigsten Veränderungen.
- Fragen in natürlicher Sprache. Fachabteilungen können Daten abfragen, ohne SQL zu beherrschen, sofern die Datenbasis sauber modelliert ist.
Wenn Sie prüfen möchten, ob KI für Ihre Daten einen echten Nutzen bringt, ist unsere KI-Beratung der richtige Einstieg. Für die Umsetzung wiederkehrender Abläufe gibt es die KI-Automatisierung.
Wie wir Sie unterstützen
Wir helfen Ihnen, aus vorhandenen Daten belastbare Antworten zu machen: Fragen schärfen, Datenquellen anbinden, Daten aufbereiten, Kennzahlen definieren, Berichte und Dashboards bauen und wiederkehrende Auswertungen automatisieren. Wenn die eigentliche Frage ist, welche Systeme Sie überhaupt brauchen, beginnen wir mit einer IT-Beratung. Daten verarbeiten wir standardmäßig in einer EU-Rechenzentrumsregion, wir sind unabhängig von Softwareherstellern, und Berichte, Code und Konten gehören Ihnen. Anfragen beantworten wir per E-Mail auf Deutsch oder Englisch innerhalb eines Werktags.
Wenn aus der Analyse ein dauerhaftes Werkzeug werden soll, können Sie bei uns ein Dashboard erstellen lassen, in Power BI oder als eigene Lösung.
Häufige Fragen
Was ist der Unterschied zwischen Datenanalyse und Business Intelligence?
Business Intelligence bezeichnet meist die laufende, standardisierte Berichterstattung über Dashboards und Kennzahlen. Datenanalyse ist der weitere Begriff: Sie umfasst auch einmalige Untersuchungen, Ursachenanalysen und Prognosen. In der Praxis wird aus einer erfolgreichen Analyse oft ein dauerhafter Bericht.
Reicht Excel für die Datenanalyse?
Für viele Fragen ja, solange die Datenmenge überschaubar ist und nur wenige Personen mit der Datei arbeiten. Sobald Daten aus mehreren Systemen regelmäßig zusammengeführt werden oder mehrere Abteilungen dieselben Kennzahlen brauchen, sind eine Datenbank mit SQL und ein BI-Werkzeug wie Power BI oder Tableau die bessere Grundlage.
Dürfen wir Kundendaten für Analysen nutzen?
Ja, wenn eine Rechtsgrundlage nach Art. 6 DSGVO besteht und die Analyse mit dem ursprünglichen Zweck der Erhebung vereinbar ist. Oft genügen zusammengefasste oder pseudonymisierte Daten, dann sinkt das Risiko deutlich. Klären Sie neue Auswertungen mit personenbezogenen Daten vorab mit Ihrer Datenschutzbeauftragten oder Ihrem Datenschutzbeauftragten.
Brauchen wir für Datenanalyse KI?
Nein. Die meisten Fragen in kleinen und mittleren Unternehmen lassen sich mit sauberen Daten, klaren Kennzahlen und klassischer Auswertung beantworten. KI hilft bei großen Textmengen, bei Prognosen mit vielen Einflussfaktoren und bei der Automatisierung wiederkehrender Auswertungen. Ohne verlässliche Daten liefert auch KI keine verlässlichen Ergebnisse.
Wie fangen wir an?
Mit einer einzigen Frage, deren Antwort eine Entscheidung verändert, etwa welche Produkte trotz Umsatz keinen Deckungsbeitrag bringen. Beantworten Sie diese Frage einmal sauber, mit den vorhandenen Daten. Daraus ergibt sich, welche Daten fehlen, welche Werkzeuge nötig sind und welche Kennzahlen dauerhaft beobachtet werden sollten.
Schriftliches Angebot anfordern
Beschreiben Sie in wenigen Zeilen, was Sie brauchen. Innerhalb eines Werktags erhalten Sie ein schriftliches Angebot: Umfang, Zeitplan und Festpreis oder Stundenschätzung. Die Anfrage ist unverbindlich.