Vom Rohdatenexport zum Management-Dashboard: mein tatsächlicher Ablauf

Immer wieder werde ich gefragt, was eigentlich zwischen „hier ist ein Export aus unserem Ticketsystem“ und „hier ist Ihr Management-Dashboard“ passiert. Es ist nicht ein einzelner Schritt, und es besteht ganz sicher nicht darin, Power BI zu öffnen und Felder auf eine Seite zu ziehen. Hier ist der Ablauf, den ich tatsächlich gehe, in der Reihenfolge, in der ich ihn gehe.

Schritt 1: Verstehen, was das Dashboard beantworten muss

Bevor ich ein Werkzeug öffne, stelle ich der Person, die das Dashboard angefragt hat, eine einfache Frage: Welche Entscheidung treffen Sie anders, sobald Sie es haben? Kann das niemand beantworten, ist das Dashboard noch nicht bereit, gebaut zu werden, egal wie dringend es sich anfühlt.

Dieser Schritt zeigt mir auch, wer die Zielgruppe tatsächlich ist. Ein Management-Dashboard und das operative Dashboard einer Teamleitung sehen völlig verschieden aus, auch wenn sie dieselben Daten nutzen. Führungskräfte brauchen Trends, Ausnahmen und wenige Kernkennzahlen. Teamleitungen brauchen genug Detail, um an einzelnen Queues oder Agenten zu handeln. Ein Dashboard für beide Zielgruppen bedient meist keine von beiden gut.

Schritt 2: Den Rohexport holen und wirklich hinschauen

Bevor ich Power Query oder Excel-Formeln anfasse, öffne ich die Rohdaten und lese eine Stichprobe von Zeilen von Hand durch. Ich suche nach Dingen wie:

• uneinheitlichen Datumsformaten oder Zeitzonen über die Datensätze hinweg
• doppelten Zeilen (häufiger, als man denkt, besonders bei Ticketsystemen, die jede Statusänderung als neue Zeile protokollieren)
• fehlenden Werten in Feldern, die für die KPIs wichtig sind (kein Agent zugewiesen, kein Lösungszeitstempel, keine Kategorie)
• Kategorien oder Status, die sich überschneiden oder unter verschiedenen Bezeichnungen dasselbe bedeuten

Dieser Schritt fühlt sich langsam an, aber wer ihn überspringt, hat drei Wochen nach dem Start ein Dashboard mit einer falschen Zahl, und niemand merkt es, bis in einer Besprechung jemand eine Frage stellt, die die Zahlen nicht überstehen.

Schritt 3: Die Daten in Power Query aufbereiten (oder in einem sauberen ETL-Schritt)

Sobald ich weiß, was an den Rohdaten nicht stimmt, behebe ich es nachvollziehbar und dokumentiert, nicht mit einmaligen Handänderungen in Excel, die nächsten Monat niemand mehr reproduzieren kann. In Power Query bedeutet das meist:

• Datums- und Zeitfelder auf ein einheitliches Format und eine Zeitzone bringen
• Duplikate nach einer klaren Regel entfernen (meist den jüngsten Status je Ticket behalten oder eine eigene Statushistorie-Tabelle anlegen, wenn diese Historie für das Reporting wirklich zählt)
• unordentliche Kategorie- oder Statuswerte in eine saubere, einheitliche Zuordnungstabelle überführen
• die Daten in die Fakten- und Dimensionstabellen aufteilen, die das Modell braucht (die ganze Begründung dazu steht in meinem Beitrag über den Aufbau eines Semantikmodells)

Ich benenne jeden Transformationsschritt in Power Query klar, damit ich oder jemand anderes in sechs Monaten die Abfrage öffnen und genau verstehen kann, was mit den Daten geschehen ist und warum.

Schritt 4: Das Modell bauen, bevor ich ein einziges Measure schreibe

Diesen Schritt überspringen die meisten am häufigsten, und er verursacht später die meiste Nacharbeit. Ich baue das Sternschema auf (Faktentabelle, Datumsdimension, Agentendimension, Queue-Dimension, je nach Kontext) und prüfe die Beziehungen, bevor ich DAX schreibe. Kann das Modell die KPI-Liste aus Schritt 1 nicht sauber tragen, korrigiere ich das Modell jetzt und nicht später.

Schritt 5: Die Kern-Measures schreiben, beginnend mit der einfachsten Version

Ich baue Measures in Schichten. Zuerst die einfachen Zählungen und Summen (Kontakte gesamt, Bearbeitungszeit gesamt), dann die darauf aufbauenden Verhältnisse (AHT als Bearbeitungszeit geteilt durch Kontaktzahl, Service Level als innerhalb der Schwelle beantwortet geteilt durch gesamt), dann die komplexeren Zeitintelligenz-Measures (Veränderung zum Vormonat, gleitende Durchschnitte, Vorjahresvergleiche).

Diese Reihenfolge ist wichtig, weil ich so jede Schicht mit einer manuellen Stichprobe prüfen kann, bevor ich Komplexität darauf setze. Ist die Basiszählung falsch, behebt kein noch so kluges DAX darüber das Problem, es macht den Fehler nur schwerer auffindbar.

Schritt 6: Das Layout an der Leserichtung ausrichten, nicht am verfügbaren Platz

Sind die Measures solide, denke ich über das Layout nach. Führungskräfte lesen Dashboards von oben nach unten und von links nach rechts, so wie eine Seite. Die wichtigste Zahl steht oben links. Trends und Kontext folgen. Detail und Drilldown kommen zuletzt, oft auf einer eigenen Seite.

Die Hauptseite für die Führung halte ich bei wenigen Visuals, meist nicht mehr als 6 bis 8, von denen jedes eine klare Frage beantwortet. Braucht eine Seite eine Legende, um zu erklären, was passiert, sollte sie meist in zwei Seiten aufgeteilt werden.

Schritt 7: Die Zahlen gegen eine verlässliche Quelle prüfen

Bevor etwas zu einer Führungskraft geht, rechne ich mindestens ein oder zwei KPIs direkt aus dem Rohexport von Hand nach, mit Excel-Formeln oder einer einfachen Pivot-Tabelle, völlig unabhängig vom Power-BI-Modell. Stimmen die beiden Zahlen nicht überein, gehe ich nicht weiter, bis ich genau verstehe, warum.

Dieser Schritt hat mich mehr als einmal gerettet. Es ist auch der Schritt, den die meisten unter Termindruck überspringen, also genau dann, wenn er am wichtigsten ist.

Schritt 8: Mit einer kurzen Erklärung übergeben, nicht nur mit einem Link

Das Dashboard ist nicht fertig, wenn es veröffentlicht ist. Ich gehe es immer einmal mit der Person durch, die es angefragt hat, und erkläre, was jede Kennzahl bedeutet, wie sie berechnet wird und wie eine gute oder schlechte Zahl im Kontext aussieht. Ein Dashboard, bei dem niemand versteht, wie man es liest, wird einmal geöffnet und dann ignoriert.

Warum die Reihenfolge zählt

Jeder Schritt in diesem Ablauf existiert, weil ich gesehen habe, was passiert, wenn er fehlt. Ohne Schritt 2 erben Sie Datenqualitätsprobleme, die später als falsche Zahlen auftauchen. Ohne Schritt 4 brauchen Sie doppelt so lange für DAX, das ein schlechtes Modell ausgleicht. Ohne Schritt 7 entdeckt Ihren Fehler als Erste eine Führungskraft in einer Besprechung, nicht Sie an Ihrem Schreibtisch.

Nichts davon ist kompliziert. Es ist vor allem Disziplin: die Schritte in der richtigen Reihenfolge gehen, statt sofort zu dem Teil zu springen, der nach Fortschritt aussieht.