Wo sich KI sinnvoll in Dashboard-Anwendungen nutzen lässt
Die Welt, in der Unternehmensentscheidungen getroffen werden, wird immer komplexer. Situationen müssen nicht nur schneller analysiert werden, es muss auch ein umfassenderes Wissen über Ursachen und Handlungsalternativen vorliegen. Um diesen Herausforderungen zu begegnen, setzen Unternehmen zunehmend auf Dashboard-Anwendungen. Diese verdichten Daten, ermöglichen Nutzern einen möglichst einfachen Zugang zu handlungsrelevanten Informationen und unterstützen sie aktiv bei der Steuerung von Geschäftsprozessen.
Die erste Generation von Dashboards, vor allem in Bereichen wie Marktforschung, Marketing und Vertrieb, verfolgte primär das Ziel der Effizienzsteigerung. Entscheidungsträger sollten einen vermeintlich schnellen und einfachen Zugang zu allen verfügbaren Daten erhalten. Die Realität sieht jedoch oft anders aus: Viele aufwendig entwickelte Dashboards werden kaum genutzt. Feedback und Nutzungsstatistiken zeigen deutlich, dass diese Lösungen an den Bedürfnissen der Nutzer vorbeigehen.
Berücksichtigung zentraler Erfolgsfaktoren
Die Ursache hierfür liegt in der unzureichenden Berücksichtigung der beiden zentralen Erfolgsfaktoren einer modernen Dashboard-Anwendung.
- Bereitstellen des für eine effektive Entscheidung notwendigen Wissens
- Ermöglichen eines für den Nutzer einfachen und zielsicheren Zugangs zu diesem Wissen.
Denn nur, wenn die Dashboard-Anwendung ausreichendes Wissen über das Entscheidungsfeld bereitstellt und es dem Entscheider möglich ist, dieses systematisch im Entscheidungsprozess zu nutzen, lassen sich Entscheidungen effizienter und effektiver treffen.
Kurzum: Eine Dashboard-Anwendung muss einerseits alle Aspekte des Entscheidungsfeldes beleuchten können und andererseits diese Beleuchtung schrittweise ein- und ausschalten können, damit sich ein Entscheider möglichst sicher und zielstrebig darin bewegen kann.
Künstliche Intelligenz als neue Hoffnung?
Der Einsatz von Künstlicher Intelligenz (KI) gewinnt rasant an Bedeutung – sowohl bei Technologieanbietern als auch in Unternehmen selbst. KI gilt als Schlüsseltechnologie zur Steigerung von Effizienz und Ergebnisqualität. Auch im Bereich der Dashboard-Anwendungen wird sie zunehmend als Lösungsansatz diskutiert.
Doch ist die Integration von KI tatsächlich die Antwort auf die Herausforderungen im Dashboard-Alltag? Und wenn ja: Welche Art von KI kann welchen konkreten Mehrwert bieten?
Nicht jede KI ist gleich - und nicht jede passt!
Dabei wird ein entscheidender Punkt oft übersehen. KI ist nicht gleich KI. KI lässt sich in traditionelle KI, maschinelles Lernen und generative bzw. konversationelle KI unterteilen. Letztere basieren zwar ebenfalls auf den Prinzipien des maschinellen Lernens, unterscheiden sich aber dadurch, dass sie neue, originelle Inhalte generieren.
Traditionelle KI basiert auf Regeln, die von einem Programmierer in der Anwendung implementiert wurden. Diese werden auf die Daten, also den Input, angewendet. In der Folge sind die Ergebnisse immer vorhersagbar. Der Nachteil ist jedoch, dass nur die Aufgaben lösbar sind, für die das Programm ursprünglich geschrieben wurde.
Beim maschinellen Lernen wird dieser Prozess umgekehrt. Aus Input (Daten) und Output (z. B. beobachtete Ereignisse) entwickelt die KI eigenständig Regeln, die dann auf zukünftige Daten angewendet werden. Dieses Vorgehen ermöglicht es, auch komplexe Aufgaben zu lösen, für die es im Vorfeld schwierig ist, Regeln zu definieren – beispielsweise, weil zu viele Faktoren einen Einfluss haben können.
Da diese Form von KI aus Daten lernt, kann sie sich im Gegensatz zur traditionellen KI eigenständig korrigieren, sobald neue Daten vorliegen. Sie kann aber nur die Aufgaben lösen für die sie konkret trainiert wurde.
Generative und konversationelle KI gehen über das maschinelle Lernen hinaus. Diese KI-Art erzeugt neue, originelle Inhalte. Sie wurde umfassender trainiert und kann sich daher an eine Vielzahl von Aufgaben anpassen. Da maschinelle Lernverfahren jedoch auf Wahrscheinlichkeiten aufbauen, kann diese Form der KI halluzinieren oder sogar falsche Ergebnisse liefern. Dies ist ein Umstand, der berücksichtigt werden muss, wenn es um die Frage geht, wo diese Form der KI einen Nutzen im Kontext von Dashboard-Anwendungen liefern kann.
Vom Reporting zur Entscheidungsunterstützung - mit smarter Unterstützung?
Richtig eingesetzt, kann KI in Form von maschinellem Lernen, generativer oder konversationeller KI den Nutzen von Dashboard-Anwendungen steigern. Einerseits kann sie uns dabei unterstützen, mehr Wissen über ein Entscheidungsfeld zu erlangen, beispielsweise durch die Erschließung weiterer Datenquellen oder den Einsatz komplexerer Analyseverfahren. Andererseits kann sie Entscheidern den Zugang zu und die Arbeit mit diesem Wissen erleichtern.
Konkret lassen sich fünf Einsatzfelder identifizieren:
- Analyse von unstrukturierten Informationen
- Advanced Analytics
- Retrieval Augmented Generation
- Direkter Daten-Chat
- Sachverhalte zusammenfassen
Die fünf Einsatzfelder von KI
Einsatzfeld #1
Analyse von unstrukturierten Informationen (Textanalyse auf Basis maschinellen Lernens)
Eines der größten Einsatzgebiete von KI ist die Nutzung unstrukturierter Daten, also solcher, die in Form von Texten vorliegen. Hierzu zählen beispielsweise die E-Mail-Kommunikation mit und von Kunden, Logfiles von Anwendungen, Wartungsberichte des Serviceteams, Artikel in Fachmedien, aber auch Kommentare und Beiträge von Verbrauchern in den sozialen Medien sowie Audio-, Bild- und Videodateien.
Ca. 80 % der Informationen in einem Unternehmen liegen in unstrukturierter Form vor. Dieser Wissensschatz wird nach wie vor zu wenig genutzt und kann jetzt immer besser durch KI erschlossen werden.
Die Analyse von Texten hat viele Vorteile. Trends und Probleme lassen sich beispielsweise durch das Monitoring von Beiträgen in den sozialen Medien oder die Analyse von Wartungsberichten frühzeitiger erkennen. Gleichzeitig lassen sich oft gute Ideen für potenzielle Maßnahmen aus Kunden-E-Mails oder Rezensionen ableiten. Durch die Analyse der Fachmedien sowie der digitalen Werbeaktivitäten lassen sich die Aktivitäten von Wettbewerbern besser einschätzen (Competitive Intelligence).
Einsatzfeld #2
Advanced Analytics (maschinelles Lernen)
Ein Großteil der Analytik in Dashboard-Anwendungen ist heute immer noch deskriptive. Sie liefert das was und beschreibt was in den letzten Tagen, Monaten oder Jahren passiert ist. Die Basis für viele Entscheidungen.
Was jedoch fehlt, sind fortschrittlichere Analysemethoden, die über die Frage „Was ist passiert?“ hinausgehen. Die diagnostische Analyse untersucht, warum etwas passiert ist. Die prädiktive Analyse betrachtet dagegen, was passieren könnte. Sie hilft, die Zukunft zu prognostizieren bzw. zu simulieren. Die präskriptive Analyse geht noch einen Schritt weiter und gibt Empfehlungen, was passieren sollte.
Diese fortschrittlichen Analysemethoden helfen Muster, Zusammenhänge und Ursachen zu erkennen und damit Entscheidungen zu optimieren und Geschäftsregeln zu verfeinern. Sie basieren bei komplexen Aufgaben auf maschinellen Lernverfahren.
Einsatzfeld #3
Retrieval Augmented Generation (Konversationelle KI)
Bei Retrieval Augmented Generation (RAG) wird ein LLM (Large Language Model) wie ChatGPT durch eine gute Suche ergänzt, beispielsweise in einer Dokumentensammlung oder einer Wissensdatenbank, um Antworten zu generieren. Dadurch lassen sich die Antworten deutlich verlässlicher machen. So ist es möglich, die Stärken von Large Language Models für eigene (interne) Dokumente und Daten zu nutzen. Allgemeine LLMs sind primär Textgeneratoren und verfügen nicht über einen Mechanismus, um das bereits im Unternehmen angeeignete Wissen gezielt zu nutzen.
Die Antworten basieren somit nicht auf dem Wissen des LLM, sondern auf unternehmenseigenen, geprüften Quellen. Das LLM dient letztendlich als benutzerfreundliche Oberfläche und ermöglicht es den Entscheidern, direkt mit den eigenen Daten zu chatten. Dadurch lassen sich genauere und insbesondere kontextbezogene Zusatzinformationen zu den im Dashboard enthaltenen Kennzahlen bereitstellen.
Die Einsatzbandbreite ist sehr umfangreich und reicht von Markt- und Wettbewerbsanalysen in Textform über die Nutzung von Informationen aus qualitativen Marktforschungsstudien bis hin zu konkreten Handlungsempfehlungen, die beispielsweise aus dem internen Best-Practice-Sharing stammen.
Einsatzfeld #4
Direkt mit den im Dashboard enthaltenen Daten chatten (Konversationelle KI)
Viele BI-Softwarelösungen bieten heute die Möglichkeit direkt mit den Daten in natürlicher Sprache zu kommunizieren, indem der Nutzer direkt auf der Dashboard-Seite Fragen stellen kann und dann eine entsprechende Antwort erhält. Auch hier muss die KI im Vorfeld trainiert werden, insb. muss sie die von Anwendern oft unterschiedlichen genutzten Begriffe kennen. Idealerweise wird hierfür ein Begriffsglossar erstellt.
Aktuell beschränken sich die Möglichkeiten auf deskriptive Fragen und Ursachenanalysen. Die Frage „Was hat den Umsatzanstieg im letzten Monat getrieben?“ wird beispielsweise wie durch die KI folgt beantwortet: „Der Umsatz in der Region Nord ist um 30 % gestiegen, der Umsatz in der Region Süd dagegen nur um 5 %.“ Eine sehr simple Form der Ursachenanalyse.
Einsatzfeld #5
Sachverhalte zusammenfassen in natürlicher Sprache (Generative KI)
Komplexe Sachverhalte einfach zusammengefasst zu bekommen, ist sicherlich der zentrale Wunsch vieler Entscheider. Leider ist der aktuelle Stand der KI-Implementierung in den meisten BI-Lösungen, wie beispielsweise Tableau und Power BI, auf einfache Sachverhalte beschränkt. Es handelt sich dabei eher um einfache dynamische Lesebeispiele als um komplexe Zusammenfassungen.
Fazit
Trotz der hier genannten vielversprechenden Möglichkeiten ist KI kein Allheilmittel. Die Identifikation der richtigen Stellschrauben ist von entscheidender Bedeutung für die Optimierung moderner Dashboard-Anwendungen. Oft liegt das Optimierungspotenzial in ganz anderen Bereichen, beispielsweise in Design, Verständlichkeit, Relevanz oder Datenqualität.
KI kann dann einen signifikanten Mehrwert liefern, wenn sie zielgerichtet eingesetzt wird, entweder weil mehr Wissen über das Entscheidungsfeld generiert werden kann oder weil Entscheider das vorhandene Wissen besser in Entscheidungssituationen nutzen können.
Eine systematische Optimierungsanalyse hilft, die entscheidenden Hebel zu identifizieren – und stellt sicher, dass an den richtigen Stellen gearbeitet wird, ob mit oder ohne KI.
Das könnte Sie auch interessieren:
Sie haben bereits eine Anwendung im Einsatz und möchten diese optimieren, erweitern und weiterentwickeln?
Wie Sie die Zusammenarbeit mit Ihrer IT optimal gestalten
Einzel- oder Gruppencoachings: Individuelle, maßgeschneiderte Unterstützung
Interesse an unserem Insiderwissen?
Dann melden Sie sich gleich bei unserem vierteljährlich erscheinenden Newsletter an. Sie erwartet wertvolles Insiderwissen, News, Tipps und Tricks rund um die Konzeption, Umsetzung und Zukunft von Dashboard-Anwendungen.
© Copyright 2025 Qlixta. Alle Rechte vorbehalten.
Wir benötigen Ihre Zustimmung zum Laden der Übersetzungen
Wir nutzen einen Drittanbieter-Service, um den Inhalt der Website zu übersetzen, der möglicherweise Daten über Ihre Aktivitäten sammelt. Bitte überprüfen Sie die Details in der Datenschutzerklärung und akzeptieren Sie den Dienst, um die Übersetzungen zu sehen.