Ausgangslage
Ein multinationaler Getränke- und FMCG-Konzern mit Vertriebsoperationen in über 10 Ländern stand vor einem Reporting-Problem, das jedes schnell wachsende Unternehmen kennt: Jede Landesgesellschaft, jede Vertriebsregion und jede Produktkategorie hatte eigene Excel-Reports entwickelt — mit eigenen Definitionen, eigenen Formaten und eigenen Datenquellen.
Die Symptome:
- 150+ Excel-Reports im Umlauf, davon mindestens 30 mit widersprüchlichen Zahlen
- Management-Meetings begannen regelmäßig mit der Frage: „Welche Zahl stimmt?”
- Monatsreports brauchten 5 Arbeitstage zur Erstellung — davon 3 Tage für manuelle Datenaufbereitung
- Keine Möglichkeit, Vertriebsdaten über Länder hinweg in Echtzeit zu vergleichen
- Regionale Manager hatten keinen Self-Service-Zugang zu ihren eigenen Daten
Herausforderung
Die Anforderungen an das neue Reporting gingen über „schönere Dashboards” hinaus:
- Single Source of Truth: Eine einzige, verbindliche Definition für jeden KPI — über alle Länder hinweg
- Near-Realtime: Daten nicht älter als 24 Stunden (statt monatlicher Batches)
- Self-Service: Regionale Manager sollen eigene Analysen erstellen können, ohne IT-Ticket
- Mobile: Außendienstmitarbeiter brauchen Dashboards auf dem Tablet
- Compliance: Audit-Trail für alle Datenquellen und Berechnungen
Lösung
Phase 1: Datenmodell und Definitionen (4 Wochen)
Bevor ein einziges Dashboard gebaut wurde, haben wir mit den Fachbereichen 15 Kern-KPIs definiert und dokumentiert:
- Nettoumsatz: exakte Berechnungsformel inklusive Retouren, Boni und Währungsumrechnung
- Absatzmenge: Einheiten vs. Hektoliter vs. Umsatzäquivalente — eine klare Hierarchie
- Distributionsgrad: Numerisch vs. gewichtet, mit einheitlicher Berechnung pro Markt
- Jeder KPI erhielt einen Data Owner — eine Person, die für Definition und Qualität verantwortlich ist
Phase 2: Datenintegration (6 Wochen)
- ETL-Pipeline von SAP BW nach Azure SQL Database
- Tägliche Aktualisierung mit inkrementellem Laden (Delta-Load)
- Datenqualitäts-Checks vor dem Laden: Vollständigkeit, Plausibilität, Konsistenz
- Historische Daten: 3 Jahre für Trendanalysen migriert
Phase 3: Dashboard-Entwicklung (8 Wochen)
Fünf zentrale Dashboards, entwickelt mit Power BI:
| Dashboard | Zielgruppe | Aktualisierung |
|---|---|---|
| Executive Summary | C-Level | Täglich |
| Regional Performance | Regionalleiter | Täglich |
| Produktkategorie-Analyse | Kategorie-Manager | Täglich |
| Außendienst-Cockpit | Vertriebsmitarbeiter | Täglich |
| Ad-hoc-Analyse | Power User | Self-Service |
Phase 4: Rollout und Training (6 Wochen)
- Train-the-Trainer-Programm: 20 Power User als Multiplikatoren
- Video-Tutorials für Standardfunktionen
- Wöchentliche Q&A-Sessions in den ersten 4 Wochen
- Parallelbetrieb mit Excel für 8 Wochen — danach verbindlicher Umstieg
Ergebnisse
Nach 6 Monaten im Produktivbetrieb:
- Reporterstellung: von 5 Arbeitstagen auf 0 — Dashboards aktualisieren sich automatisch
- Datenaktualität: von monatlich auf täglich (T+1)
- Widersprüchliche Reports: von 30+ auf 0 — eine einzige Wahrheit
- Self-Service-Nutzung: 85 % der regionalen Manager erstellen eigenständig Analysen
- Adoption: 420 aktive Nutzer (Ziel war 300)
- ROI: Geschätzte Einsparung von 1.200 Personenstunden pro Monat an manueller Reporterstellung
Lessons Learned
1. Definitionen sind wichtiger als Dashboards
Die 4 Wochen KPI-Definition waren die wertvollste Phase des Projekts. Ohne einheitliche Definitionen baut man nur schönere Versionen des gleichen Problems.
2. Excel nicht verbieten, sondern überflüssig machen
Wir haben Excel nie verboten. Stattdessen haben wir Power BI so bequem und schnell gemacht, dass Excel überflüssig wurde. Der verbindliche Umstieg nach 8 Wochen Parallelbetrieb war dann nur noch eine Formalität.
3. Data Governance von Anfang an
Jeder KPI hat einen Owner, jede Datenquelle eine dokumentierte Herkunft, jede Berechnung eine nachvollziehbare Formel. Ohne diese Governance wäre Power BI nach 12 Monaten das gleiche Chaos wie Excel.