Die meisten Teams, die angeben, ihren wöchentlichen Bericht automatisiert zu haben, haben nur das Dashboard automatisiert. Das BI-Tool aktualisiert sich planmäßig, das Diagramm wird erneuert, und alle gehen zur Tagesordnung über – während die eigentliche Arbeit (das Abrufen des Snowflake-Exports der Vorwoche, das Einbinden einer regionalen Excel-Datei und der Abgleich mit einem dritten System) nach wie vor jeden Montagmorgen manuell erledigt wird. So sieht keine Automatisierung des Berichtswesens aus. Es ist letztlich immer noch eine Person, die dieselben manuellen Zusammenführungsschritte durchführt wie vor einem Jahr – nur mit einem saubereren Diagramm als Ergebnis.
Untersuchungen von McKinsey zur Automatisierung am Arbeitsplatz haben ergeben, dass 57 % der Arbeitsstunden in den USA mit bereits heute verfügbarer Technologie automatisiert werden könnten (McKinsey – Superagency in the Workplace). Das wöchentliche Berichtswesen fällt genau in diese Lücke: Das Potenzial ist vorhanden, doch die meisten Berichte kommen über die Dashboard-Ebene nicht hinaus. In diesem Beitrag geht es nicht darum, welches BI-Tool man kaufen sollte. Es geht vielmehr darum, was tatsächlich nötig ist, um nicht länger als „manuelles Bindeglied“ zwischen Systemen zu fungieren – Snowflake, Excel und egal welchem Geschäftssystem, das die übrigen Daten erfasst –, die ursprünglich gar nicht für eine gegenseitige Kommunikation ausgelegt waren.
Der „automatisierte“ Bericht, der jeden Montag manuelle Arbeit erfordert
Ein Bericht zur Filialleistung, der jeden Montag an die Regionalleiter:innen (VPs) übermittelt werden muss, stützt sich üblicherweise auf drei Datenquellen: ein Snowflake-Data-Warehouse mit Point-of-Sale- und Bestandsdaten; eine Excel-Datei, die Regionalleiter per E-Mail senden und die Anpassungen zu Preisnachlässen sowie Werbeaktionen enthält; und ein Workforce-Management-System, das die geplanten gegenüber den tatsächlich geleisteten Arbeitsstunden pro Filiale erfasst. Für jede dieser Quellen existiert womöglich bereits ein Export, ein Makro oder eine automatisierte Reporting-Software, die nach einem festen Zeitplan läuft – das, was die meisten Teams als „punktuelle Automatisierung“ bezeichnen. Das ist zwar ein echter Fortschritt gegenüber der manuellen Bearbeitung. Es entspricht aber noch nicht einer echten Automatisierung des Berichtswesens.
Die Lücke zeigt sich in dem Moment, in dem jemand die drei kombinieren muss. Die Filialkennungen (IDs) stimmen systemübergreifend nicht überein. Datumsbereiche werden unterschiedlich angezeigt, je nachdem, wann die einzelnen Quellen aktualisiert werden. Spaltenüberschriften verschieben sich, weil ein Regionalleiter die Felder in der Datei der Vorwoche umsortiert oder einen neuen Aktionscode hinzugefügt hat, auf den niemand vorab hingewiesen hat.
Jemand – meist die für den Bericht verantwortliche Analystin – verbringt den Montagmorgen damit, drei Dateien zu öffnen, Filialkennungen manuell abzugleichen und das Verhältnis von Arbeitsstunden zu Umsatz neu zu berechnen, bevor der Bericht überhaupt versandfertig ist.
Das ist kein Einzelfall. Die State of Data and Analytics-Studie von Salesforce ergab, ergab, dass sich 76 % der Führungskräfte einem wachsenden Druck ausgesetzt sehen, den Wert ihrer Daten nachzuweisen, während Daten- und Analyseverantwortliche schätzen, dass 26 % der Daten in ihrem Unternehmen als unzuverlässig gelten (Salesforce – State of Data and Analytics). Punktuelle Automatisierung wird leicht mit dem eigentlichen Ziel verwechselt, da sich das Dashboard planmäßig aktualisiert, auch wenn die zugrundeliegenden Daten jede Woche manuell zusammengetragen werden.
Wenn Ihr Montag damit beginnt, die Tabelle der Vorwoche erneut zu öffnen und neue Zahlen manuell einzupflegen, bedeutet die planmäßige Aktualisierung des Dashboards nicht, dass Ihr Bericht tatsächlich automatisiert ist.
Warum die Kombination von Snowflake, Excel und einem Geschäftssystem die punktuelle Automatisierung scheitern lässt
Punktuelle Automatisierung scheitert, weil diese drei Datenquellen nie darauf ausgelegt waren, miteinander zu harmonieren. Snowflake-Daten sind sauber und strukturiert. Das Data Warehouse erzwingt ein festes Schema, sodass POS- und Bestandsdaten jede Woche im gleichen Format vorliegen. Bei Excel-Dateien ist das anders. Die Spaltenreihenfolge ändert sich, eine Filiale wird mitten im Quartal umbenannt oder ein neuer Aktionscode taucht in der Datei eines Managers auf – ohne Vorwarnung für die Person, die diese Daten später verarbeiten muss.
Der Datenexport aus dem Personalmanagementsystem bringt eine dritte Konventionsebene ins Spiel: eigene Filialkennungen, eigene Datumsformate und eine eigene Art der Unterscheidung zwischen geplanten und tatsächlich geleisteten Schichten. Die Zusammenführung dieser Daten mit denen aus Snowflake und Excel erfordert einen Zuordnungsschritt (Mapping). Dieser Schritt ist jedoch meist nur im Kopf eines Mitarbeiters oder in einer Tabellenkalkulationsformel verankert, an die sich sonst niemand herantraut, anstatt direkt in den Prozess integriert zu sein. Eine Pipeline, die speziell darauf ausgelegt ist, den Zeitaufwand für die Datenvorbereitung aus Data-Warehouse- und Tabellenquellen zu reduzieren, löst genau dieses Problem.
Es handelt sich hierbei primär um ein Problem der Datenqualität, nicht der Planung. Laut Gartner belaufen sich die durchschnittlichen Kosten durch schlechte Datenqualität auf 12,9 Millionen US-Dollar pro Jahr; zudem werden Inkonsistenzen zwischen verschiedenen Datenquellen als die am häufigsten genannte Herausforderung für Unternehmen identifiziert (Gartner – Data Quality: Best Practices for Accurate Insights). Die Studie von Thomas Redman im MIT Sloan Management Review geht noch weiter und schätzt, dass schlechte Datenqualität die meisten Unternehmen 15 bis 25 % des Umsatzes kostet (MIT Sloan Management Review – Seizing Opportunity in Data Quality). Die Abstimmung zwischen einem Snowflake-Export, einer manuell bearbeiteten Excel-Datei und einem Export aus dem Geschäftssystem ist keine bloße Unannehmlichkeit – sie entspricht genau dem von den Fachleuten beschriebenen Muster. Zudem ist dies der Punkt, an dem Excel-basiertes Reporting meist als Erstes an seine Grenzen stößt, sobald die Anzahl der Datenquellen zunimmt.
Genau hier liegt die Grenze der punktuellen Automatisierung. Die Automatisierung der einzelnen Quellen für sich genommen beseitigt nicht die Notwendigkeit einer manuellen Abstimmung. Sie verlagert diese Aufgabe lediglich auf einen späteren Zeitpunkt im Prozess – auf die Person, die den Abschlussbericht erstellt. Das zu beheben bedeutet, den Abstimmungsschritt direkt anzugehen – nicht eine weitere Reporting-Software zu erwerben, die sich nur auf das Dashboard beschränkt.
Was ein wöchentlicher Bericht aus mehreren Quellen erfordert
Ein wöchentlicher Bericht aus mehreren Quellen erfordert fünf Dinge, doch bei den meisten Teams laufen nur zwei davon automatisch ab:
- Native Konnektivität zu einem Cloud Warehouse wie Snowflake, die nicht auf benutzerdefinierten Skripten basiert, die bei jeder Schemaänderung versagen
- Die Möglichkeit, Flatfiles wie Excel-Dateien in regelmäßigen Abständen einzulesen, anstatt sie nur einmalig abzurufen und den Vorgang damit als abgeschlossen zu betrachten
- Eine Methode zum automatischen Abgleich inkonsistenter Schlüssel – etwa Filial-IDs, Datumsformate oder Namenskonventionen –, statt sich auf Formeln zu verlassen, die jemand aus dem Gedächtnis pflegt
- Eine Ausgabe in Formaten, die von Stakeholdern tatsächlich genutzt werden: PDF für die Geschäftsführung, Excel für Regionalleiter:innen und HTML für die mobile Ansicht auf dem Smartphone
- Ein Zeitplan, der jeden Montagmorgen automatisch ausgeführt wird, ohne dass jemand daran denken muss, ihn anzustoßen
Die meisten BI-Dashboards und automatisierten Reporting-Tools sind bei den letzten beiden Punkten – Formatierung und Zeitplanung – stark, schwächeln jedoch bei den ersten drei. Genau hier liegt die Lücke, auf die dieser Beitrag immer wieder zurückkommt: die Anbindung und Harmonisierung unübersichtlicher, heterogener Datenquellen, noch bevor diese in einer Grafik dargestellt werden. Ein Framework zur Bewertung von Workflow-Automatisierungstools ist hier gerade deshalb nützlich, weil es Optionen anhand aller fünf Anforderungen bewertet, anstatt nur der letzten beiden.
Ein weiterer Punkt gehört – in enger Auslegung – auf diese Liste: Governance. Dabei geht es nicht um pauschale Compliance-Vorgaben, sondern schlicht darum zu wissen, wer den Zeitplan ändern und wer die Logik für den Datenabgleich verantworten darf, sowie um die Protokollierung, wann welcher Prozess ausgeführt wurde. Genau das unterscheidet eine echte Workflow-Automatisierung von einer bloßen Sammlung geplanter Exporte. Diese Hürde muss jedes Tool nehmen – auch jenes, das in diesem Beitrag schließlich genannt wird.
Ein Tool, das nur die Visualisierungsebene automatisiert, ist immer auf jemanden angewiesen, der die Montagearbeit manuell erledigt.
Die fehlende Phase: Orchestrierung, nicht nur Dashboards
Es gibt eine vierte Stufe, die in den meisten Gesprächen über Berichtsautomatisierung außer Acht gelassen wird: ein Workflow, der alle Datenquellen miteinander verknüpft, Diskrepanzen zwischen ihnen bereinigt und den gesamten Ablauf nach einem Zeitplan ausführt, anstatt lediglich ein Dashboard auf manuell zusammengetragenen Daten aufzubauen. Man kann dies als Orchestrierung oder als Workflow zur Datenautomatisierung bezeichnen - die Bezeichnung ist weniger wichtig als die Funktion. Dieser Prozess ist dem Dashboard vorgeschaltet, nicht nachgelagert.
Hierin liegt der entscheidende Unterschied zur reinen Dashboard-Automatisierung. Ein Dashboard, das planmäßig aktualisiert wird, nützt wenig, wenn für die Zusammenstellung der zugrundeliegenden Daten weiterhin ein Mensch erforderlich ist. Durch Orchestrierung wird dieser Mensch aus dem wöchentlichen Arbeitszyklus herausgelöst – nicht aus dem Prozess an sich, wohl aber aus dessen repetitiven Teilaufgaben.
Auf dieser Stufe sieht das Ergebnis wie folgt aus: Jemand erstellt einmalig die Logik für die Datenverbindung und -zusammenführung – etwa durch das Mapping von Snowflake-Feldern, die Standardisierung von Excel-Spalten oder den Abgleich von Filial-IDs aus dem Personalverwaltungssystem. Anschließend läuft der Bericht nach einem festgelegten Zeitplan, ohne dass der zugrundeliegende Prozess erneut manuell angepasst werden muss. Ein genauerer Blick darauf, wie Analytics-Teams die gesamte Pipeline von der Datenanbindung bis zum fertigen Bericht automatisieren, lohnt sich, wenn Sie die technischen Hintergründe verstehen möchten, bevor Sie sich der nachfolgenden Schritt-für-Schritt-Anleitung widmen.
Dieser Ansatz ist zudem besonders attraktiv für Teams ohne eigene Data-Engineering-Abteilung, da der Workflow typischerweise von der Analystin erstellt und gepflegt wird, die den Bericht inhaltlich versteht, anstatt an ein Engineering-Backlog übergeben zu werden. Im Folgenden wird Schritt für Schritt erläutert, wie die Erstellung eines solchen zentralen Workflows konkret aussieht.
Automatisierung des Berichtswesens: Schrittweiser Aufbau des Workflows
Ein Beispiel aus der Praxis: Das Business-Intelligence-Team von Stratasys, einem Hersteller von 3D-Druckern, fasste die Arbeitsschritte für einen regelmäßig erstellten Bericht in einem einzigen, automatisierten Workflow auf Basis von Alteryx zusammen. Dadurch verkürzte sich die Erstellungszeit von fünf Stunden auf etwa dreißig Minuten (Anwenderbericht: Stratasys). Der Bericht selbst wurde nicht schneller von Grund auf neu erstellt – er musste schlichtweg nicht mehr jede Woche neu aufgebaut werden.
Die Erstellung eines solchen Workflows folgt im Wesentlichen immer denselben Schritten:
Identifizieren Sie jede Quelle und ihren natürlichen Aktualisierungsrhythmus. Im Einzelhandel wären dies beispielsweise das Snowflake-Data-Warehouse (nächtliche Aktualisierung), regionale Excel-Dateien (die von Managern in unterschiedlichen Intervallen per E-Mail übermittelt werden) sowie der Export aus dem Personalmanagementsystem (wöchentlicher Abruf). Der Workflow muss eine direkte Verbindung zu einem Cloud-Warehouse wie Snowflake herstellen und Standardformate wie Excel direkt einlesen können, ohne auf ein individuelles Skript angewiesen zu sein, das bei der kleinsten Änderung der Spaltenanordnung nicht mehr funktioniert.
Definieren Sie die Verknüpfungsschlüssel und standardisieren Sie Formate über Quellen hinweg, damit Filial-IDs und Datumsbereiche übereinstimmen. Dies ist der Schritt der Datenzusammenführung: die Zuordnung der Filialcodes des Personalverwaltungssystems zu den Codes des Lagers, sodass die beiden Datasets tatsächlich zusammengeführt werden und nicht von einer Formel abhängen, deren Aktualisierung jemand anderes im Hinterkopf behalten muss.
Führen Sie die Daten zusammen und validieren Sie sie, bevor sie in das Berichtslayout einfließen. So lassen sich fehlende Filialen oder fehlerhafte Aktionscodes erkennen, noch bevor sie als falsche Zahlen vor einer/einem Regionalleiter:in (VP) landen.
Erstellen Sie das Berichtslayout und die Ausgabeformate, die Stakeholder tatsächlich benötigen. Der fertige Bericht kann in Formaten wie PDF, HTML, Excel oder Word dargestellt werden, wobei die Zahlen jeder Filiale auf einem eigenen Arbeitsblatt abgebildet werden – das ist praktisch, wenn Regionalleiter:innen denselben Bericht nach Filialen aufgeschlüsselt in einer Arbeitsmappe sehen möchten, deren Struktur ihnen bereits vertraut ist.
Legen Sie den Zeitplan und die Verteilerliste fest. Der Workflow kann so geplant werden, dass er automatisch ausgeführt wird – stündlich, täglich, wöchentlich, monatlich oder in einem benutzerdefinierten Rhythmus – sodass die Daten rechtzeitig vor der regionalen Telefonkonferenz am Montag vorliegen.
Überwachen Sie den Prozess auf Fehler, damit eine defekte Datenquelle nicht unbemerkt zu einem fehlerhaften Bericht führt. Wenn die Excel-Datei nicht bereitgestellt wurde oder der Datenexport zu den Mitarbeiterzahlen leer blieb, muss dies bekannt sein, bevor der Bericht versendet wird – und nicht erst, nachdem ein Regionalleiter nachfragt, warum die Zahlen unstimmig wirken.
Nichts davon führt zu einer vollständigen End-to-End-Automatisierung des Berichts. Die Einrichtung der Verbindungen, die Definition der Abgleichslogik und die regelmäßige Überprüfung der Ergebnisse erfordern weiterhin menschliches Eingreifen. Der entscheidende Unterschied liegt darin, dass die Anbindung an Snowflake, Excel-Dateien und zentrale Geschäftssysteme in einem einzigen Workflow erfolgt und die manuelle, repetitive Arbeit des wöchentlichen Abrufs und der Formatierung des Berichts entfällt. Für das Einzelhandelsteam in diesem Szenario bedeutet dies: Der wöchentliche Bericht zur Filialleistung wird nun pünktlich auf Basis aller drei Datenquellen erstellt – ein Ablauf, der diesem Use Case des Filialleistungs-Reportings sehr nahekommt –, und der Analyst verbringt den Montag mit der Prüfung von Ausnahmefällen, anstatt den Bericht jedes Mal von Grund auf neu zu erstellen.
Eine ausführlichere Anleitung zum Einrichtungsprozess finden Sie im E-Book So automatisieren Sie Berichte (und stellen wertvolle Erkenntnisse bereit), das das Thema eingehender behandelt.
Vom formatierten Bericht zur narrativen Zusammenfassung
Sobald die Datenzusammenstellung automatisiert ist, ist der nächste Engpass in der Regel der Kommentar – der Absatz, der erklärt, warum das Verhältnis von Arbeit zu Umsatz diese Woche in einer Region gestiegen ist, und nicht nur die Zahl selbst. Selbst wenn der Bericht an sich bereits planmäßig erstellt wird, ist das Verfassen dieser Erläuterungen oft noch mit manueller Arbeit verbunden.
Generative KI-Funktionen, wie sie in Alteryx zum Einsatz kommen, können dazu beitragen, neben den Daten automatisch narrative Zusammenfassungen bereitzustellen – ein erster Ansatz für das „Warum“, das ein Data Analyst bearbeiten kann, anstatt sie von Grund auf neu zu schreiben. Sie sollen Teams dabei helfen, schneller zu Erkenntnissen zu gelangen, nicht aber die Beurteilung derjenigen ersetzen, die die Zahlen prüfen, bevor diese an einen regionalen VP weitergeleitet werden.
Automatisierte Erkenntnisse dieser Art ermöglichen den regelmäßigen E-Mail-Versand von Berichten in festgelegten Abständen, wobei die Empfänger:innen sich selbst an- oder abmelden können. Bei einem wöchentlichen Bericht zur Filialleistung bedeutet dies, dass der Versand in denselben Zeitplan wie die Datenerfassung integriert wird und nicht mehr als separater manueller Schritt – das Weiterleiten einer Datei jeden Montag – erforderlich ist.
Erste Schritte
Die meisten Teams, die in diesem Muster verharren, haben das Dashboard bereits automatisiert. Der Teil, der immer noch manuell ist, besteht aus allem, was es speist: den Snowflake-Export abrufen, die Excel-Datei patchen, jede Woche mit einem dritten System abgleichen. Die Lösung ist kein neues Dashboard. Es ist ein Workflow, der die Verbindung, Zusammenführung und Planung übernimmt, sodass diese Arbeit nur einmal statt jeden Montag erledigt wird.
Alteryx One ist genau für diese Art der Workflow-Automatisierung konzipiert: Es verbindet Snowflake, Excel-Dateien und zentrale Geschäftssysteme in einem Workflow, bereitet die Daten auf, führt sie zusammen und plant und verteilt den fertigen Bericht. Es automatisiert die manuelle, repetitive Arbeit des wöchentlichen Berichtserstellens und Formatierens. Es ersetzt jedoch nicht die Notwendigkeit, die Abgleichslogik zu definieren, den Zeitplan festzulegen und die Ausgabe regelmäßig zu überprüfen.
Am besten fängt man klein an: Wählen Sie den Bericht aus, der wöchentlich den größten Zeitaufwand verursacht, und implementieren Sie die Verbindungs- und Zusammenführungslogik zunächst für diesen Bericht. Teams, die es mit ihren eigenen Daten testen möchten, können eine kostenlose Testversion von Alteryx One starten. Unternehmensteams, die dies mit anderen Enterprise-Reporting-Tools vergleichen, können stattdessen eine Demo anfordern.