BI: So nutzen Sie Buchhaltungsdaten besser

Wie können Unternehmen BI einsetzen, um Buchhaltungsdaten besser zu nutzen?

Einleitung zum Thema BI

Im Finanz- und Rechnungswesen stehen heute mehr Daten zur Verfügung als je zuvor. Buchungen, Kostenstellen, Debitoren- und Kreditorendaten, Budgetwerte oder Liquiditätsinformationen lassen sich aus unterschiedlichen Systemen beziehen und nahezu beliebig auswerten. Mit Business Intelligence (BI) können diese Daten systematisch zusammengeführt, analysiert und für das Reporting nutzbar gemacht werden. Entscheidend ist jedoch nicht die Datenmenge, sondern die Frage, ob daraus verlässliche und steuerungsrelevante Informationen entstehen.

Data Analytics schafft dafür den methodischen Rahmen. Die Analyse reicht von der Frage «Was ist passiert?» über die Ursachenanalyse bis hin zu Prognosen und Handlungsempfehlungen. Für Fachpersonen im Rechnungswesen bedeutet das: Daten müssen nicht nur korrekt aufbereitet, sondern auch strukturiert, verknüpft und interpretiert werden.

Voraussetzungen für erfolgreiche Data Analytics

Der Einstieg in Data Analytics beginnt häufig mit einer Toolfrage. Für eine funktionierende Lösung reicht die Wahl einer BI-Software jedoch nicht aus. Entscheidend ist das Zusammenspiel von drei Faktoren: geeigneten Tools, den notwendigen Fähigkeiten im Unternehmen und einer klaren Organisation.

Ein leistungsfähiges BI-Tool kann beispielsweise keine uneinheitlichen Stammdaten, unklaren Kennzahlendefinitionen oder fehlenden Verantwortlichkeiten ausgleichen. Ebenso wenig genügt eine saubere Datenbasis, wenn das Know-how fehlt, um Datenmodelle aufzubauen und Ergebnisse fachlich zu interpretieren.

Für Finance-Abteilungen lohnt es sich deshalb, vor der Toolwahl drei Fragen zu klären:

• Welche Daten und Analysen werden tatsächlich benötigt?
• Welche fachlichen und technischen Kompetenzen sind vorhanden?
• Wer trägt die Verantwortung für Datenqualität, Definitionen und Auswertungen?

Von der Datenquelle bis zur Visualisierung

Eine automatisierte Datenanalyse folgt typischerweise einer klaren Prozesslogik. Daten werden aus verschiedenen Quellen übernommen, aufbereitet, in einem Datenmodell zusammengeführt und anschliessend visualisiert. Als Quellen kommen beispielsweise ERP-Systeme, Datenbanken, Excel-Dateien, Online-Quellen oder Cloud-Anwendungen infrage.

Für das Rechnungswesen ist diese Prozesskette zentral. Sie macht sichtbar, an welcher Stelle Inkonsistenzen oder Fehler entstehen können. Ein Soll-Ist-Vergleich funktioniert beispielsweise nur dann zuverlässig, wenn Ist-Buchungen und Budgetwerte zeitlich und sachlich nach denselben Kriterien strukturiert sind. Perioden, Konten oder Organisationseinheiten müssen eindeutig definiert sein, bevor die Zahlen gemeinsam ausgewertet werden.

Daten mit ETL systematisch aufbereiten

Bevor Kennzahlen berechnet oder Dashboards erstellt werden, müssen die Ausgangsdaten analysierbar gemacht werden. Der ETL-Prozess umfasst die Schritte Extract, Transform und Load.

In der Praxis gehören dazu insbesondere:

• nicht benötigte Daten filtern,
• fehlende oder fehlerhafte Werte bereinigen,
• getrennte Datenbestände zusammenführen,
• Datenmengen sinnvoll strukturieren und sortieren,
• neue berechnete Felder erstellen.

Gerade das Zusammenführen von Daten ist im Rechnungswesen ein häufiger Anwendungsfall. Kundenstammdaten müssen mit Rechnungs- oder Umsatzdaten, Kostenstellen mit Buchungen und Budgetwerte mit Ist-Zahlen verknüpft werden.

Wichtig ist dabei, die Daten nicht einfach möglichst umfassend zusammenzuführen. Die Struktur sollte sich an der konkreten Analysefrage orientieren. Je klarer der Verwendungszweck definiert ist, desto gezielter können relevante Daten ausgewählt und aufbereitet werden.

Datenmodelle schaffen eine gemeinsame Logik

Nach der Datenaufbereitung folgt das Datenmodell. Es bildet die Zusammenhänge zwischen den verschiedenen betrieblichen Daten ab und reduziert die Komplexität der realen Geschäftswelt auf relevante Zielgrössen und Treiber.

Ein gutes Datenmodell schafft drei wesentliche Voraussetzungen für das Reporting: Wiederverwendbarkeit, Automatisierbarkeit und Konsistenz. Kennzahlen müssen dadurch nicht für jede Auswertung neu berechnet werden. Stattdessen greifen verschiedene Reports auf dieselben fachlichen Definitionen zurück.

Typischerweise wird zwischen Fakten und Dimensionen unterschieden. Fakten bilden Geschäftsvorfälle oder messbare Ereignisse ab, beispielsweise einen Verkauf, eine Auszahlung oder eine Lohnzahlung. Dimensionen beschreiben diese Vorgänge, etwa nach Kunde, Datum, Währung, Produkt oder Organisationseinheit.

Über eindeutige Schlüssel werden die Tabellen miteinander verbunden. Damit lassen sich Geschäftsvorfälle aus unterschiedlichen Perspektiven analysieren.

Sternschema für Soll-Ist- und Budgetanalysen

Eine häufig verwendete Struktur ist das Sternschema. Im Zentrum befinden sich eine oder mehrere Faktentabellen, die über gemeinsame Dimensionen ausgewertet werden.

Für das Controlling ist beispielsweise folgende Konstellation relevant: Ist-Buchungen aus der Finanzbuchhaltung und Budgetwerte liegen in getrennten Faktentabellen. Beide greifen jedoch auf dieselbe Datumsdimension zurück. Dadurch können Ist und Budget innerhalb derselben Periode sauber gegenübergestellt werden.

Der Nutzen ist unmittelbar: Unterschiedliche Reports verwenden dieselben Perioden, Dimensionen und Definitionen. Das reduziert widersprüchliche Auswertungen und erleichtert die Wiederverwendung bestehender Analysen.

Kennzahlen einheitlich definieren

Auf Basis des Datenmodells lassen sich Kennzahlen zentral definieren. In Power BI wird dafür unter anderem DAX, kurz für Data Analysis Expressions, eingesetzt. Die Formelsprache ähnelt in ihrer Logik Excel und eignet sich sowohl für einfache Summen als auch für komplexere Berechnungen.

Für Fachpersonen im Rechnungswesen ist weniger entscheidend, jede Formel selbst programmieren zu können. Wesentlich ist die fachliche Definition der Kennzahl. Was genau verstehen wir unter Umsatz, Deckungsbeitrag, Forderungslaufzeit oder Personalaufwand? Welche Konten, Perioden und Abgrenzungen fliessen in die Berechnung ein?

Sind diese Regeln zentral definiert, können verschiedene Reports und Dashboards auf dieselbe Berechnungslogik zugreifen. Damit sinkt das Risiko, dass identische Kennzahlen je nach Auswertung unterschiedliche Ergebnisse liefern.

Praxis-Tipp: Detailtiefe bewusst begrenzen

Im Rechnungswesen ist der Zugriff auf Detaildaten wichtig. Für ein Dashboard ist diese Detailtiefe jedoch selten geeignet. Eine Tabelle mit hunderten Buchungszeilen kann für die Abstimmung notwendig sein, gehört aber nicht auf die erste Berichtsebene.

Zeigen Sie zuerst die verdichtete Information: Wo besteht eine Abweichung? Welche Kennzahl entwickelt sich ausserhalb des erwarteten Bereichs? Wo verändert sich ein Trend? Erst danach sollten Detaildaten verfügbar sein, um Ursachen zu analysieren.

Auch unnötige Kommastellen oder technische Bezeichnungen erschweren die Aufnahme der Informationen. Weniger Darstellung kann deshalb zu einer besseren Analyse führen.

Excel, ERP oder BI-Lösung?

Welche technische Lösung geeignet ist, hängt vom Anwendungsfall ab. Befinden sich die relevanten Daten vollständig in einem ERP-System und bietet dieses ausreichende Reportingfunktionen, kann das integrierte Reporting genügen. Müssen mehrere Quellen verbunden oder komplexere Analysen erstellt werden, kann eine zusätzliche BI-Lösung sinnvoll sein.

Auch Excel bleibt relevant. Mit Power Query und Power Pivot lassen sich Daten aufbereiten und modellieren. Bei grossen Datenmengen oder stärker automatisierten Reportingprozessen stösst Excel jedoch an Grenzen.

Entscheidend sind deshalb weniger einzelne Produktfunktionen als die Anforderungen des Unternehmens: Welche Datenquellen müssen angebunden werden? Wie häufig wird der Bericht erstellt? Wie gross sind die Datenmengen? Wer nutzt die Auswertung? Welche Schritte sollen automatisiert werden?

KI in der Datenanalyse gezielt einsetzen

Künstliche Intelligenz erweitert die Möglichkeiten von Data Analytics. Sie kann beispielsweise Auffälligkeiten identifizieren, Abweichungen analysieren oder erste Hypothesen zu möglichen Ursachen liefern.

Auch hier bleibt die Qualität der Datenbasis entscheidend. KI benötigt einen klaren Unternehmenskontext. Ein strukturiertes Datenmodell hilft dabei, diesen Kontext abzubilden, weil darin festgelegt ist, welche Daten vorhanden sind und wie sie fachlich zusammenhängen.

Für das Rechnungswesen bedeutet das: KI kann Analyseaufgaben unterstützen, sie ersetzt aber weder Datenqualität noch eindeutige Kennzahlendefinitionen oder fachliche Plausibilisierung.

Data Analytics Schritt für Schritt aufbauen

Ein sinnvoller Einstieg beginnt nicht mit dem Dashboard. Ausgangspunkt ist eine konkrete fachliche Fragestellung. Danach werden die benötigten Datenquellen bestimmt, die Daten aufbereitet und in einem konsistenten Modell strukturiert. Erst auf dieser Basis folgen Kennzahlen, Visualisierung und Automatisierung.

Wer so vorgeht, schafft eine belastbare Grundlage für wiederkehrende Analysen und reduziert manuelle Aufbereitungsschritte. Gleichzeitig gewinnt das Rechnungswesen mehr Zeit für jene Aufgabe, die sich nicht auf Knopfdruck erledigen lässt: Zahlen einordnen, Zusammenhänge erklären und daraus fundierte Entscheidungsgrundlagen ableiten.

FAQ: BI

Genügt es, einfach eine BI-Software einzukaufen?

Nein. Die Software ist nur ein Faktor. Entscheidend sind saubere Stammdaten, eindeutige Kennzahlendefinitionen und klare organisatorische Verantwortlichkeiten. Ohne diese Voraussetzungen liefert auch das beste Tool keine verwertbaren Ergebnisse.

Was ist der Unterschied zwischen Fakten und Dimensionen im Datenmodell?

Fakten sind messbare Ereignisse wie Verkäufe oder Ausgaben. Dimensionen beschreiben den Kontext dieser Ereignisse, etwa Kunde, Datum oder Organisationseinheit. Diese Struktur ermöglicht die flexible Auswertung von Geschäftsvorfällen aus verschiedenen Perspektiven.

Warum sollte ich Detaildaten in Dashboards begrenzen?

Zu viele Details erschweren die schnelle Erfassung von Trends und Abweichungen. Für die erste Berichtsebene sind verdichtete Kennzahlen geeigneter. Detaildaten sollten erst bei der Ursachenanalyse (Drill-down) verfügbar sein.

Ersetzt KI die manuelle Arbeit im Rechnungswesen?

Nein. KI unterstützt bei der Identifikation von Auffälligkeiten und Hypothesenbildung. Sie ersetzt aber weder die Sicherstellung der Datenqualität noch die fachliche Plausibilisierung und Interpretation durch qualifizierte Mitarbeiter.