Der Oracle-Export befindet sich in Ihrem Download-Ordner. Die Workday-Abfrage ist in einem anderen Tab geöffnet. Das Planungssystem hat seine Zahlen in eine CSV-Datei gezogen, die noch neu formatiert werden muss, bevor sie sauber mit den beiden anderen verknüpft werden kann. Es ist der dritte Donnerstag im Monat. Der Abschlussbericht geht am Freitag an den CFO.
Das ist eine Pipeline. Sie wird jeden Monat ausgeführt, erzeugt die gleiche Ausgabe und führt die gleichen Schritte aus. Sie läuft einfach durch Sie hindurch – jedes Mal manuell.
Das ist es, was die Automatisierung von Daten-Pipelines tatsächlich für Analyseteams bedeutet: das Ersetzen der wiederkehrenden Zusammenstellungsarbeiten nach einem festen Zeitplan durch einen Workflow, der von selbst ausgeführt wird, von der Verbindung zu Ihren Quellen bis hin zu einem formatierten, bereitgestellten Bericht. Kein SQL. Kein Python. Keine Anfrage ans Data Engineering.
Dieser Beitrag führt durch die vier Phasen, in denen diese Zusammenstellung stattfindet – Verbinden, Vorbereiten, Automatisieren, Bereitstellen –, was in jeder Phase schiefgehen kann, wenn der Prozess manuell bleibt, und wie eine vollständig automatisierte Version in der Praxis aussieht. Der Titel macht ein konkretes Versprechen: von der Anbindung bis zum Bericht. Jeder Abschnitt behandelt einen Teil davon.
Bevor Sie weiterlesen, lohnt es sich, Ihren eigenen Prozess zu skizzieren. Wie viele Schritte liegen zwischen Ihren Datenquellen und Ihrem bereitgestellten Bericht? Wie viele dieser Schritte müssen von einer Person ausgeführt werden? Die Differenz zwischen dieser Zahl und 0 ist die Automatisierungsmöglichkeit.
Die vier Phasen, in denen Analyse-Pipelines scheitern können
Jede/r Data Analyst, die/der einen wiederkehrenden Bericht erstellt, verfügt bereits über eine vierstufige Analyse-Daten-Pipeline. Die Phasen sind gleich, unabhängig davon, ob der Prozess manuell oder automatisiert ist. Der Unterschied besteht darin, ob jede einzelne von einer Person ausgeführt werden muss.
- Verbinden ist die Phase, in der die Daten eingebracht werden: ein ERP-Export, eine Abfrage im Cloud Data Warehouse, eine Flatfile aus einem Planungssystem. Manuell bedeutet das, dass Sie sich bei jedem System anmelden, den Datenabruf ausführen und die Ausgabe herunterladen müssen – in jedem Zyklus, für jeden Bericht, der ihn benötigt. Wenn eine Quelle ihr Exportformat ändert, wird die nachgelagerte Logik unterbrochen. Wenn eine neue Quelle hinzugefügt werden muss, wird die Verbindung von Grund auf neu aufgebaut.
- Vorbereitung ist die Phase, in der die Daten in eine nutzbare Form gebracht werden: Schemata werden angeglichen, Datensätze verknüpft, Nullwerte bereinigt, die Geschäftslogik angewendet. Manuell ist das Excel – Formeln, SVERWEISE, Pivot-Tabellen und ein Transformationsmodell, das nur in der Tabelle und im Gedächtnis einer bzw. eines Data Analyst vorhanden ist.
- Automatisieren ist die Orchestrierungsebene: Wann wird der Workflow ausgeführt, was löst ihn aus, was passiert, wenn er fehlschlägt? Manuell ist dies eine Kalendererinnerung. Jemand führt den Workflow aus. Wenn diese Person nicht verfügbar ist, verspätet sich der Bericht. Wenn ein Schritt unbemerkt fehlschlägt, weiß es niemand, bis die Zahlen falsch aussehen.
- Bereitstellen ist die Phase, in der das Ergebnis die Zielgruppe erreicht: eine formatierte Excel-Datei, eine PDF-Zusammenfassung, ein Bericht, der zur richtigen Zeit am richtigen Ort landet. Manuell bedeutet dies, eine Vorlage zu öffnen, die Daten einzufügen, die Tabellen zu formatieren und zu verteilen – und zwar erst, nachdem die eigentliche Pipeline durchlaufen wurde. Die „letzten Meter“ bleiben also manueller Aufwand.
In den folgenden Abschnitten wird jede Phase im Detail behandelt – was bei manueller Durchführung schiefgehen kann und welche Anforderungen die automatisierte Variante stellt.
Stufe 1 – Verbinden: Kontrollierter Zugriff, keine manuellen Exporte
Warum die Verbindungsphase länger manuell bleibt, als sie sollte
Für viele Teams ist die Anbindung an Datenquellen immer noch eine wiederkehrende manuelle Aufgabe und keine stabile, wiederverwendbare Grundlage. Der Pull-Vorgang wird in jedem Zyklus erneut ausgeführt. Jemand öffnet das System, lädt den Export herunter und speichert ihn im richtigen Ordner. Ändert die Quelle ihr Exportformat oder die Spaltennamen, führen nachgelagerte Formeln unbemerkt zu Fehlern. Muss ein bestehender Bericht um eine neue Datenquelle erweitert werden, wird die Verbindung oft von Grund auf neu eingerichtet, anstatt sie wiederzuverwenden. Jeder Workflow verwaltet in der Regel seine eigenen Verbindungen unabhängig, was bedeutet, dass dieselbe Quelle mehrmals über mehrere Berichte hinweg konfiguriert wird, ohne gemeinsame Definition und ohne gemeinsame Wartung.
So sieht eine einmal konfigurierbare Verbindungsebene aus
Eine ordnungsgemäße Verbindungsebene ersetzt den Export pro Zyklus durch eine konfigurierte, wiederverwendbare Verbindung. Die oder der Data Analyst wählt eine Quelle aus, richtet die Verbindung einmal ein, und dieselbe Verbindung kann über mehrere Workflows hinweg verwendet werden, ohne neu erstellt zu werden. Wenn die Quelle aktualisiert wird, muss die Verbindungskonfiguration nur an einer einzigen Stelle angepasst werden, anstatt sie in jedem einzelnen Workflow, der sie verwendet, nachverfolgen und ändern zu müssen. Mit mehr als 100 vorgefertigten Konnektoren zu Unternehmensquellen – darunter Oracle, SAP, Workday, Salesforce, Snowflake, Databricks und andere – wird die Konfiguration der Verbindung zu einem einmaligen Einrichtungsschritt und nicht mehr zu einer wiederkehrenden manuellen Aufgabe.
Für Analyseteams, die mit großen Datasets arbeiten, fügt die In-DB-Verarbeitung eine Leistungsdimension hinzu: Anstatt Daten aus Snowflake oder Databricks für die Transformation in eine separate Umgebung zu extrahieren, wird die Verarbeitung innerhalb der Datenbank ausgeführt. Daten werden erst dann verschoben, wenn es nötig ist. Das ist besonders bei großen Datenmengen wichtig: Eine Hauptbuchtabelle, die sich über mehrere Geschäftsjahre erstreckt, wird anders verarbeitet, wenn die Logik innerhalb der Datenbank ausgeführt wird, als wenn das vollständige Dataset in eine lokale Workflow-Umgebung gezogen wird. Auch die IT-Abteilung begrüßt diesen Ansatz, weil die Daten die gewählte Datenplattform nicht verlassen.
Mit mehr als 100 vorgefertigten Konnektoren zu Unternehmensquellen – einschließlich Oracle, SAP, Workday, Snowflake, Databricks und anderen – und zentralisierter Verbindungsverwaltung durch den Data Connection Manager besteht die Verbindungsphase für die meisten Analyseteams darin, eine Quelle auszuwählen, sie einmal zu konfigurieren und für jeden Workflow verfügbar zu haben, der sie benötigt.
Stufe 2 – Vorbereiten: Sichtbare Logik, keine Tabellenkalkulation, die nur Sie reparieren können
Das Problem mit der Transformationslogik, die in der Tabellenkalkulation einer Person lebt
In der Vorbereitung konzentriert sich die meiste manuelle Arbeit, und Analyse-Pipelines scheitern am häufigsten unbemerkt.
Die manuelle Version sieht folgendermaßen aus: drei in Excel geöffnete Quelldateien, ein SVERWEIS, der Hauptbuchdaten mit einer Kostenstellenhierarchie verknüpft, eine Formel, die Abweichungsschwellenwerte anwendet, die je nach Abteilung unterschiedlich sind, ein Filter, der konzerninterne Transaktionen vor der Konsolidierung entfernt. Die Logik funktioniert. Sie liefert die richtigen Zahlen. Und sie befindet sich komplett in einer Tabellenkalkulation, die ein/e Data Analyst erstellt hat, was bedeutet, dass sie an zwei Orten existiert: in der Datei und im Gedächtnis der/des Data Analyst.
Wenn die bzw. der Analyst, der sie erstellt hat, Urlaub macht, stoppt die Pipeline – nicht, weil sich die Daten geändert haben, sondern weil die Transformationslogik nirgendwo dokumentiert ist, wo jemand anderes sie lesen und ausführen kann. Wenn ein Kontenplan vorgelagert aktualisiert wird, bricht der SVERWEIS unbemerkt ab. Die Formel gibt eine falsche Zahl statt eines Fehlers zurück. Der Abschlussbericht verteilt falsche Zahlen, bis jemand, der die richtige Antwort bereits kennt, die Diskrepanz bemerkt – in der Regel passiert das während der Prüfung durch den CFO.
Was sich durch No-Code-Datenaufbereitung ändert
Bei der No-Code-Datenvorbereitung in einem visuellen Workflow-Arbeitsbereich wird jeder Transformationsschritt explizit und sichtbar dargestellt. Schema-Abgleich, Bereinigung, Verknüpfen, Filtern, Formelanwendung – jeder Schritt ist ein benanntes Element im Workflow, das von jeder Person mit Zugriff darauf gelesen und geändert werden kann, ohne die zugrundeliegende Logik eines anderen Schritts zu beeinträchtigen. Die/der Data Analyst, der den Workflow übernimmt, muss nicht die gesamte zuvor erstellte Logik im Detail nachvollziehen. Sie/er kann sehen, was jeder Schritt bewirkt, gezielt Anpassungen vornehmen und den aktualisierten Workflow sicher ausführen.
Die integrierte Datenprofilierung fügt eine Validierungsebene hinzu, die das Excel-Modell nicht hat: Bevor die vorbereiteten Daten die Ausgabephase erreichen, überprüft der Workflow, ob die Datensatzanzahl innerhalb des erwarteten Bereichs liegt, ob erforderliche Felder nicht null sind und ob zusammengeführte Datensätze anhand des vorgesehenen Schlüssels korrekt verknüpft wurden. Anomalien werden gekennzeichnet, bevor sie sich nachgelagert verbreiten – und nicht erst, nachdem der Abschlussbericht an die Führungsebene verteilt wurde.
Ein visueller, dokumentierter Workflow ist institutionelles Wissen, das erhalten bleibt, wenn Menschen das Unternehmen verlassen. Ein Tabellenkalkulationsmakro ist institutionelles Wissen, das das Unternehmen mit dem Menschen verlässt. Teams, die ihre Vorbereitungslogik in eine kontrollierte Workflow-Umgebung verlagern, verhindern den Verlust ihrer Analyseprozesse bei jedem Rollenwechsel.
Phase 3 – Automatisieren: Ein Workflow, der ausgeführt wird – keine Erinnerung daran
Zwei Möglichkeiten, wie ein manuell ausgelöster Workflow fehlschlägt
Die meisten Teams erreichen diesen Punkt mit einem funktionierenden Workflow. Sie haben eine Verbindung zu ihren Quellen hergestellt, ihre Vorbereitungslogik erstellt und die Ausgabe ist korrekt, wenn sie ihn ausführen. Das Problem ist, „wann sie ihn ausführen.“ Die Ausführung des Workflows erfordert immer noch eine Person, die ihn initiiert. Das ist Planung, keine Automatisierung.
Echte Workflow-Automatisierung bedeutet, dass die Pipeline in einem definierten Rhythmus ausgeführt wird – täglich, wöchentlich, am Monatsende –, ausgelöst entweder durch einen Zeitplan oder durch ein Geschäftsereignis, ohne dass ein manueller Schritt erforderlich ist, um ihn zu starten. Ein Workflow, der basierend auf einer Kalendererinnerung ausgeführt wird, kann auf zwei Arten scheitern: Er fällt aus, wenn die Person mit der Erinnerung nicht verfügbar ist, und er scheitert unbemerkt, wenn in einem Prozessschritt ein Fehler auftritt und niemand ihn bemerkt, weil keine Benachrichtigung ausgelöst wird. Beide Fehlerarten führen zum selben Ergebnis: Ein Stakeholder fragt, warum der Bericht nicht angekommen ist. Die Ursachen sind jedoch unterschiedlich – und damit auch die Maßnahmen zu ihrer Behebung.
Geplante Ausführung, ereignisbasierte Auslöser und Benachrichtigung bei Fehlern
Die geplante Ausführung über eine cloudbasierte Umgebung adressiert das erste Problem: Der Workflow läuft unabhängig davon, ob die oder der Analyst, der ihn erstellt hat, an seinem Schreibtisch sitzt oder nicht. Ereignisbasierte Trigger gehen noch einen Schritt weiter: Die Pipeline kann so konfiguriert werden, dass sie ausgeführt wird, wenn bestätigt wird, dass die vorgelagerten Daten bereit sind, und nicht zu einem festen Zeitpunkt, sodass der Abschlussbericht nicht generiert wird, bevor nicht alle Quellsysteme ihre Daten übermittelt haben.
Die Fehlerbenachrichtigung deckt den zweiten Aspekt ab: Tritt bei einem Workflow-Schritt ein Fehler auf – eine Quellverbindung schlägt fehl, eine Datensatzanzahl liegt außerhalb des erwarteten Bereichs, eine Verknüpfung erzeugt eine Null-Ausgabe – wird eine Warnung ausgelöst, bevor die Ausgabe die Übermittlungsphase erreicht. Der Analyst weiß, dass es ein Problem gibt, bevor es der CFO tut.
Geschäftslogik, die einmal in einem Workflow erfasst wird, wird bei jeder Ausführung identisch angewendet. Die Schwellenwerte für Abweichungen, für deren Festlegung das Finanzteam ein Quartal benötigt hat, werden in der Phase der Datenaufbereitung hinterlegt und beim Abschluss im März, im September und zum Jahresende jedes Mal identisch angewendet. Keine manuelle Neueingabe. Keine Versionsabweichung. Kein Rätselraten nach dem Motto: „Welche Methodik haben wir eigentlich im letzten Quartal verwendet?“
Für Teams, die ihre erste automatisierte Analyse-Pipeline erstellen, kann die GenAI-gestützte Workflow-Erstellung die Zeit vom Konzept bis zum funktionierenden Workflow verkürzen. Data Analysts können beschreiben, was der Workflow tun soll, und erhalten Schrittvorschläge, die die Erstellung beschleunigen, anstatt auf einem leeren Arbeitsbereich zu beginnen.
Dieser Abschnitt behandelt die Automatisierungs- und Planungsebene. Sollten Sie sich noch in der Phase des Aufbaus und der Validierung Ihres ersten Workflows befinden – also beim Dokumentieren jedes Schritts, der Unterscheidung zwischen regelbasierter und auf menschlichem Ermessen beruhender Logik sowie beim Testen vor der eigentlichen Zeitplanung –, so finden Sie die entsprechende Methodik detailliert in dieser Schritt-für-Schritt-Anleitung beschrieben.
Stufe 4 – Bereitstellung: Automatisierte Berichte, nicht nur automatisierte Daten
Wo jedes andere Analyse-Pipeline-Tool an seine Grenzen stößt
Dies ist die Phase, die von der gesamten Kategorie der Daten-Pipeline-Automatisierungstools ignoriert wird – und doch bestimmt sie, ob die Pipeline tatsächlich einen Mehrwert für das Unternehmen liefert.
Jedes Tool in diesem Bereich kann Daten von einer Quelle zu einem Ziel übertragen. Fivetran lädt sie in Snowflake. dbt transformiert sie im Data Warehouse. Airflow orchestriert die Sequenz. Aber keines von ihnen sendet am letzten Freitag des Monats eine formatierte PDF-Datei an den geteilten Dateiordner des CFO. Keines von ihnen erstellt eine Excel-Datei mit den richtigen Spaltenüberschriften, der richtigen Zahlenformatierung und dem vom Finanzmanagement erwarteten Tabellenblatt für den Vorjahresvergleich. Die „letzten Meter“ – der Weg von den fertigen Daten bis zum fertigen Bericht – bleiben in fast jeder Pipeline-Architektur ein manueller Prozess.
Für Analyseteams ist dies der Punkt, an dem sich der Wert der Pipeline entweder materialisiert oder ins Stocken gerät. Eine Pipeline, die bei „Daten sind im Warehouse bereit“ stehen bleibt, hat lediglich eine Zutat geliefert, keinen fertigen Bericht. Die oder der Data Analyst muss weiterhin die Vorlage öffnen, die Daten importieren, das Ergebnis formatieren und den Bericht versenden. Das nimmt weniger Zeit in Anspruch, als alles manuell zu erledigen, aber es erfordert immer noch jemanden, der es tut – was bedeutet, dass die Pipeline immer noch von einer Person abhängig ist.
Wie die Bewältigung der letzten Meter tatsächlich aussieht
Vollständige Automatisierung der Bereitstellung bedeutet, dass die formatierte Ausgabe als Teil der Workflow-Ausführung generiert wird. PDF, Excel, Word, PowerPoint, HTML – am Ende der Pipeline erstellt, gemäß den von der Zielgruppe erwarteten Spezifikationen formatiert und nach demselben Zeitplan wie die Datenaktualisierung an den richtigen Ort übermittelt. Der Bericht landet planmäßig im geteilten Ordner, in der Inbox oder im Finanzsystem. Ganz ohne manuelle Zusammenstellung
KI-gestützte Berichterstattung kann dies noch weiter ausbauen: Tools, die neben formatierten Ausgaben auch narrative Zusammenfassungen erstellen – wie die Erläuterung der monatlichen Abweichungen, Kennzeichnung von Konten außerhalb des Schwellenwerts, Beschreibung der Bedeutung der Zahlen im klarer Sprache– können den gelieferten Bericht nicht nur aktuell, sondern interpretierbar machen, ohne dass ein Analyst den Kommentar schreiben muss.
Der verstärkende Effekt der Bereitstellungsautomatisierung sorgt dafür, dass sich die Pipeline für das Unternehmen real anfühlt. Wenn der CFO nicht mehr fragt: „Können Sie mir die Abschlusszahlen schicken?“, sondern stattdessen sagt: „Ich habe den Bericht bereits“, dann hat sich der Kreis der Pipeline geschlossen. Nicht auf der Transformationsebene. Sondern beim fertigen Bericht.
Die vollständige Analyse-Pipeline im Überblick
Die vier Phasen lassen sich anhand eines konkreten Beispiels leichter nachvollziehen als in der Theorie. Zur Veranschaulichung wird im folgenden Beispiel Alteryx One verwendet. Jede Plattform, die alle vier Phasen abdeckt, würde derselben Struktur folgen, aber Benutzeroberfläche und Klickpfad unterscheiden sich.
Das Szenario: Ein Finanzanalyst im FP&A-Team erstellt den monatlichen Management-Abschlussbericht für den/die CFO und die Verantwortlichen der Geschäftseinheiten. Die Daten stammen aus drei Quellen: Oracle ERP (Ist-Werte nach Kostenstelle und Hauptbuchkonto), Workday (Personalbestand und Vergütungsdaten nach Abteilung) und ein Planungssystem (Budget- und Prognosezahlen nach Kostenstelle). Derzeit exportiert er jede Quelle manuell am 3. Donnerstag des Monats, führt sie in Excel zusammen, wendet Abweichungsberechnungen gegenüber dem Budget an, formatiert die Ausgabe in die Standardabschlussvorlage und sendet sie per E-Mail an die Verteilerliste. Der Vorgang nimmt drei bis vier Stunden in Anspruch. Wenn er im Urlaub ist, führt eine Kollegin den Prozess mit einem Ausdruck seiner Anweisungen aus – und das Ganze dauert doppelt so lange. Als Oracle im letzten Quartal sein Exportformat aktualisierte, funktionierte die VLOOKUP-Funktion, die Kostenstellen-Codes den Namen von Geschäftseinheiten zuordnete, unbemerkt nicht mehr: Zwei Geschäftseinheiten wurden in der Ausgabe für den gesamten Monat zu einer konsolidiert – ein Fehler, der erst bei der Überprüfung durch den Vorstand auffiel.
Verbinden – Drei vorgefertigte Konnektoren – Oracle ERP, Workday und das Planungssystem – werden einmalig in der Plattform konfiguriert und stehen anschließend für alle Workflows zur Verfügung, die sie benötigen. Kein manueller Export aus jedem System zu Beginn jedes Zyklus. Wenn Oracle sein Exportformat aktualisiert, wird die Konnektorkonfiguration an einem Ort aktualisiert, anstatt sie in jedem einzelnen Bericht, der den Konnektor nutzt, nachverfolgen und aktualisieren zu müssen. Für die Oracle-Ist-Daten, die mehrere Geschäftsjahre der Hauptbuchhistorie abdecken, führt die In-DB-Verarbeitung die Abfrage innerhalb von Oracle aus, anstatt das gesamte Dataset in die Workflow-Umgebung zu ziehen, sodass die monatliche Ausführung auch dann schnell erfolgt, wenn das historische Dataset wächst.
Vorbereiten – Der visuelle Workflow-Arbeitsbereich (Canvas) verknüpft alle drei Quellen anhand des Kostenstellen-Codes. Abweichungsberechnungen – Ist-Werte im Vergleich zum Budget, Ist-Werte im Vergleich zum Vorjahr – werden als benannte Formelschritte angewendet, die jedes Teammitglied lesen und ändern kann. Die Logik zur unternehmensinternen Verrechnung, die zuvor in Spalte R der Tabelle zu finden war, ist nun ein dokumentierter Filterschritt im Workflow. Als Oracle im letzten Quartal das Kostenstellen-Exportformat aktualisiert hat, machte der Workflow diese Schemaänderung beim ersten Durchlauf als Zuordnungsfehler sichtbar, anstatt unbemerkt eine falsche Ausgabe zu erzeugen. Der Analyst konnte die Feldzuordnung in 15 Minuten aktualisieren. Jeder Transformationsschritt ist transparent, versioniert und kann von allen Personen ausgeführt werden, die Zugriff auf den Workflow haben– nicht nur für den Data Analyst, der ihn erstellt hat.
Automatisieren – Der Workflow ist so konfiguriert, dass er jeden Monat am dritten Donnerstag um 20 Uhr über Workspace Execution ausgeführt wird – cloudbasiert, kein Desktop erforderlich. Ein Validierungsschritt prüft, ob Oracle-Ist-Werte für 100 % der erwarteten Kostenstellen gebucht wurden, bevor der Workflow fortgesetzt wird. Wenn Kostenstellen fehlen, wird eine Warnung ausgegeben und die Ausgabephase wird angehalten. Der Analyst erhält eine Benachrichtigung über die ausstehenden spezifischen Kostenstellen, anstatt einen lückenhaften Bericht zu erhalten. Der Workflow wird im März, im September und am Jahresende auf dieselbe Weise ausgeführt – mit derselben Abweichungslogik, denselben Eliminierungen, derselben Ausgabestruktur, ohne dass jemand ihn manuell initiieren muss.
Bereitstellen – Das Anzeigen-Tool generiert den formatierten Abschlussbericht als Excel-Datei – mit der Kostenstellen-Hierarchie, Vergleichen mit Vorperioden und bedingter Formatierung, die Abweichungen über dem Schwellenwert hervorhebt – und als PDF-Version zur Weitergabe. Beide Dateien werden am Freitag um 6 Uhr auf dem gemeinsamen Laufwerk des Finanzteams abgelegt. Der formatierten Datei liegt eine Kurzzusammenfassung von Alteryx Auto Insights bei, die die größten Abweichungen erläutert und Konten außerhalb des Toleranzbereichs in klarer Sprache kennzeichnet. Die oder der CFO öffnet den Bericht am Freitagmorgen. Der Analyst, der den Workflow erstellt hat, steht für die Fragen zur Verfügung, die der Bericht aufwirft, und ist nicht damit beschäftigt, den Bericht zu erstellen.
Das Ergebnis ist nicht nur eine schnellere Version des manuellen Prozesses. Es ist eine andere Beziehung zwischen Data Analyst und Abschlussprozess: Der Analyst richtet den Prozess einmalig ein, die Plattform führt ihn planmäßig aus, und seine Aufmerksamkeit steht jetzt für die Interpretation und die Diskussion zur Verfügung, die die Zahlen erfordern.
Beginnen Sie mit einem Bericht
Der richtige Einstiegspunkt ist keine komplette Umgestaltung der Pipeline. Es ist ein einziger Bericht, den Ihr Team am häufigsten neu erstellt.
Er erfüllt wahrscheinlich bereits drei Kriterien: Er wird nach einem wiederkehrenden Zeitplan ausgeführt, die Datenquellen sind bekannt und im Moment muss jemand ihn manuell ausführen. Diese drei Kriterien reichen aus, um den ersten automatisierten Workflow zu erstellen. Ordnen Sie die vier Phasen für diesen Bericht konkret zu: Was ist für die Verbindung erforderlich? Welche Vorbereitungsschritte finden jedes Mal statt? Was würde die Ausführung auslösen und was einen Fehler darstellen? Welches Format muss die Ausgabe haben?
Was die meisten Teams feststellen, wenn sie den ersten Workflow erstellen: einen Schritt, der nirgendwo dokumentiert wurde, ein Datenqualitätsproblem, das sich still und leise in Excel selbst korrigiert hat, Anmeldedaten, die zwei oder drei Personen ohne Wissen der IT-Abteilung teilen. Die Automatisierung bringt Dinge ans Licht, die schon immer vorhanden, aber innerhalb eines manuellen Prozesses unsichtbar waren.
Die zweite Analyse-Pipeline lässt sich schneller erstellen als die erste, da Verbindungslogik und Vorbereitungsmuster wiederverwendbar sind. Teams, die einen wiederkehrenden Bericht automatisieren, automatisieren in der Regel mehrere weitere innerhalb eines Quartals. Nicht, weil sie ein Transformationsprogramm geplant haben, sondern weil das Framework, sobald es einmal besteht, ganz einfach auf den nächsten Bericht angewendet werden kann.
Alteryx One unterstützt die gesamte vierstufige Analyse-Pipeline, die in diesem Beitrag beschrieben wird – mehr als 100 vorgefertigte Konnektoren, ein visueller No-Code-Arbeitsbereich für Workflows, geplante Ausführung über Workspace Execution und Berichterstellung über das Anzeigen-Tool und Alteryx Auto Insights – ohne Programmierung, Engineering oder Einrichtung der Infrastruktur. Starten Sie mit einem Bericht in einer kostenlosen Testversion von Alteryx One.