Daten, die Erkenntnisse bringen und Handlungen auslösen

In Teil 1 haben wir geklärt, wann du ein Dashboard brauchst und wann ein Reporting. In Teil 2 ging es darum, wie du dir eine saubere, verbundene Datenbasis aufbaust – granular speichern, Silos verbinden, eigene Metriken definieren. Jetzt kommt der dritte und vielleicht unterschätzteste Schritt: die Ausgabe.

1. Zuerst: Für wen baust du das überhaupt?

Bevor du anfängst, irgendwas zu gestalten, musst du eine Frage beantworten: Wer bekommt dieses Reporting – und was soll diese Person damit tun?

Zwei Tools helfen dabei, die wir bereits in Teil 1 kurz angesprochen haben – jetzt werden wir konkret:

Stakeholder Mapping

Leg fest, wer welche Informationen braucht. Deine CMO braucht andere Metriken als das operative Social-Media-Team. Der Vorstand will einen anderen Detailgrad als die Agentur. Wer für alle dasselbe Reporting baut, erreicht am Ende niemanden wirklich. Das ist kein Schönheitsfehler – das ist ein strukturelles Problem.

User Stories

Eine User Story bringt es auf den Punkt: „Als [Rolle] möchte ich [Information sehen], um [Entscheidung treffen zu können]." Diese einfache Struktur hilft dir, den Fokus zu behalten – und Daten wegzulassen, die zwar interessant, aber nicht relevant sind. Daten für Benutzer leichter zugänglich zu machen fängt damit an, die richtige Frage zu stellen: Wer liest das eigentlich?

Investiere die Zeit. Niemand steht morgens auf und denkt: „Heute möchte ich ganz viele Screenshots und generische Balkendiagramme sehen." Wenn du dir nicht sicher bist, wie dein Reporting ankommen wird, setz dich mit jemandem zusammen, der eine UX- oder Gestaltungsbrille aufhat.

2. Das Anti-Beispiel: Die blaue Follower-Wand

Hier ist ein Beispiel, das so oder so ähnlich tatsächlich existiert: Ein internes Dashboard, das als PDF weitergeschickt wird. Dicht bepackt, voller Zahlen, ohne Kontext, ohne Struktur, ohne erklärende Ebene. Unstrukturierte Daten auf engstem Raum – klassischer Zahlenfriedhof.

Das Problem ist nicht die Menge der Daten – es ist die kognitive Last, die sie erzeugen. Wer sich durch einen Datensatz-Dschungel kämpfen muss, zieht entweder falsche Schlussfolgerungen oder liest das Reporting gar nicht erst.

Die Lösung: Dieselbe Datenbasis, nach Bedarf aggregiert und mit ein paar gezielten Formeln auf Quartale heruntergebrochen, macht einen riesigen Unterschied. Weniger Datenpunkte, mehr Übersicht – und trotzdem, oder gerade deswegen, mehr Erkenntnis. Das ist der Kern der Datenaufbereitung und -analyse: Aus gesammelten Datensätzen werden Erkenntnisse. Aus Erkenntnissen werden Entscheidungen.

3. Vom Datenberg zum lesbaren Chart

Die Grundregel aus Teil 2 gilt weiter: granular speichern, nach Bedarf aggregieren. Das gibt dir die Flexibilität, dasselbe Dataset für verschiedene Zielgruppen unterschiedlich aufzubereiten – ohne Datensätze mehrfach pflegen zu müssen.

Nachdem die Daten gesammelt und bereinigt sind, geht es darum, sie sinnvoll darzustellen. Data Preparation – also die Bereinigung und Transformation von Rohdaten vor der Verarbeitung – ist kein einmaliger Schritt, sondern Teil eines konsistenten Prozesses. Fehlende Daten auffüllen, fehlerhafte Daten bereinigen, Ausreißer identifizieren, Daten aus verschiedenen Quellen zusammenführen, standardisieren und vereinfachen: Das klingt nach Fleißarbeit. Ist es auch. Aber es ist die Voraussetzung für Datenqualität, die bessere Geschäftsentscheidungen ermöglicht.

Den richtigen Zeitraum wählen

„Die letzten 2 Jahre" ist nicht immer die sinnvollste Eingrenzung. Manchmal sagt „seit Start" viel mehr – weil du damit Phasen sichtbar machst, die in einem kürzeren Zeitfenster verschwinden. Überlege, welche Geschichte der Zeitraum erzählt.

Farbe und Struktur als Werkzeuge

Farbe ist kein Dekorationsmittel – sie transportiert Informationen und vereinfacht das Lesen auf einen Blick. Wenn du Quartale farblich kennzeichnest und damit Wachstumsphasen abbildest, ersparst du dir lange Erklärungen.

Ein praktisches Beispiel: In einem Follower-Chart werden Quartale eingefärbt – nicht weil sie Quartale sind, sondern weil sie tatsächlich unterschiedliche Phasen zeigen. Eine steile Wachstumsphase, gefolgt von drei Plateaus – sofort sichtbar, ohne einen einzigen Satz Text. Das ist Datenvisualisierung, die funktioniert.

4. Werkzeuge für Number Crunching und Gestaltung

Nicht jedes Tool kann alles. Und das ist gut so – denn der Versuch, Analyse und Präsentation in einem einzigen Tool zu vereinen, führt meist zu Kompromissen bei beidem. Die Datenaufbereitung umfasst zwei Phasen, die auch toolseitig getrennt gedacht werden sollten.

Für die Verarbeitung und Analyse

• Google Sheets: solide, verbreitet, gut für den Einstieg und schnelle Iterationen. CSV-Dateien lassen sich direkt einlesen, erste Bereinigungen und Transformationen erledigen – ohne große Hürden.

• Jupyter Notebooks: ideal für komplexere Analysen oder wenn du den Datenaufbereitungsprozess reproduzierbar dokumentieren willst. Dafür brauchst du die passenden Skills – oder ein KI-Tool, das dir dabei hilft. Tools wie SPSS oder Python-basierte Lösungen sind ebenfalls möglich, wenn Datenmengen und Anforderungen wachsen.

Für die Darstellung

• Canva: schnell, zugänglich, gut für Reports, die nach außen gehen.

• Adobe Illustrator: mehr Aufwand, aber volle Kontrolle – wenn Qualität wirklich zählt.

Die Faustregel: Je weiter der Empfängerkreis, desto unterschiedlicher ist der Wissensstand – und desto mehr rechtfertigt sich die Investition in die Gestaltung. Vieles lässt sich dabei automatisieren: Wer Daten aus verschiedenen Quellen regelmäßig zusammenführt, sollte früh prüfen, welche Schritte sich wiederholen – und sie dann konsequent automatisieren.

5. Kann KI das für mich übernehmen?

Wie auch in Teil 2: ein differenziertes Ja.

Was KI nicht kann

Die Bedürfnisse deiner Stakeholder einschätzen. Deine CMO und dein Vorstand sind nicht aus dem Lehrbuch entstanden – ihre Erwartungen kennst nur du. Das lässt sich nicht einfach in einen Prompt packen. Die Analyse von Daten und das Ableiten von Handlungsempfehlungen braucht Kontextwissen, das kein Modell von sich aus mitbringt.

Was KI gut kann

• Einen kompakten Crashkurs zu Gestaltungsprinzipien liefern: Farbe, Typografie, Hierarchie, Lesefluss.

• Erklärende Texte gegenlesen und verbessern – auf Verständlichkeit, Klarheit und Ton.

• Den Datenaufbereitungsprozess an bestimmten Stellen beschleunigen – zum Beispiel beim Normalisieren von Datensätzen oder beim Erkennen von Ausreißern und fehlerhaften Daten.

Kurz: KI ist ein guter Sparringspartner für die Datenbereinigung. Aber was konsistent gute Reportings ausmacht – das Verständnis für den Empfänger – bleibt dein Job.

Fazit der Reihe: Daten, die wirken

Lass uns kurz zurückschauen – und zusammenfassen, was diese drei Teile gemeinsam ergeben:

• Teil 1: Du weißt jetzt, was ein Dashboard ist, wann Reporting sinnvoller ist und wofür du eine Analyse brauchst. Dashboard oder Bericht – kein Durcheinander mehr.

• Teil 2: Du hast eine saubere Datenbasis: verbundene Quellen, eigene Metriken, Data Warehouse statt Daten-Silos, Rohdaten vor der Verarbeitung sauber getrennt von aggregierten Werten.

• Teil 3: Du weißt, wie du Daten aufbereiten kannst, damit sie bei deinen Stakeholdern ankommen – und Handlungen auslösen statt Verwirrung zu stiften.

Das ist kein einmaliges Projekt. Es ist ein System. Das Aufbereiten von Daten – also die Data Preparation vom Rohzustand bis zur lesbaren Analyse – ist häufig langwierig und unterschätzt. Aber es lohnt sich: Die Vorteile der Datenaufbereitung zeigen sich dort, wo es zählt. In besseren Geschäftsentscheidungen. In Reportings, die wirklich gelesen werden. In einem Team, das endlich aufhört zu raten – und anfängt, fundierte Entscheidungen zu treffen.