BI: So nutzen Sie Buchhaltungsdaten besser

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.