Datengetriebene Entscheidungen im Mittelstand: so starten Sie

Ein datengetriebenes Unternehmen trifft seine Entscheidungen auf Basis der Daten, die es jeden Tag erzeugt (Aufträge, Rechnungen, Lager, Produktion, Kundenservice), und nicht allein nach dem Bauchgefühl der Geschäftsführung. Für datengetriebene Entscheidungen braucht ein mittelständisches Unternehmen kein Team von Data Scientists. Nötig sind Daten, die miteinander verbunden sind, ein Unternehmensdashboard mit wenigen Kennzahlen, die sich automatisch aktualisieren, und erst danach einige KI-Modelle für Prognosen.

Die Erfahrung des Inhabers zählt weiterhin, und zwar viel. Das Problem ist, dass ab einer gewissen Größe zu viele Fragen anfallen, um sie aus dem Gedächtnis zu beantworten: Welche Kunden bestellen weniger als sonst, welche Produktgruppe bringt wirklich Ertrag, welche Maschine steht am häufigsten still und warum? Dieser Leitfaden erklärt, was es heißt, Entscheidungen auf Daten zu stützen, wo Sie anfangen und wann KI tatsächlich hilft.

Was datengetrieben im Unternehmen bedeutet

Datengetrieben heißt „von Daten geleitet“. Im Unternehmen läuft das auf drei Gewohnheiten hinaus.

1. Wichtige Fragen haben eine Bezugszahl, zum Beispiel die Marge pro Kunde, die durchschnittliche Lieferzeit oder der Anteil der Kunden, die innerhalb von sechs Monaten nachbestellen.
2. Diese Zahlen sind aktuell und verlässlich. Wenn jemand sie am Quartalsende von Hand aus drei Excel-Dateien zusammenkopiert, sind sie es nicht.
3. Entscheidungen werden danach überprüft. Wenn Sie eine Preisliste oder einen Prozess ändern, beobachten Sie in den folgenden Wochen, was mit den Zahlen passiert, und steuern nach.

Das Urteil der Menschen bleibt im Mittelpunkt. Die Daten zeigen Ihnen, dass ein langjähriger Kunde seine Bestellungen halbiert hat. Ob das am Preis, am Service oder an einem neuen Einkaufsleiter liegt, herauszufinden, ist Aufgabe des Vertriebs. Mit sauberen Daten merken Sie es nach zwei Monaten statt erst beim Jahresabschluss.

Das erste Hindernis: Daten in zu vielen Systemen

Fast jedes mittelständische Unternehmen hat mehr Daten, als es nutzt. Sie liegen aber an verschiedenen Orten: das ERP-System für Aufträge und Rechnungen, das CRM für Verkaufschancen, der Onlineshop für den Webverkauf, eine Excel-Tabelle für die Provisionen der Vertreter, eine weitere für den Konsignationsbestand. Jedes System kennt einen Teil der Geschichte.

Solange sie getrennt bleiben, braucht jeder Bericht jemanden, der exportiert, einfügt und bereinigt. Das ist langsam, fehleranfällig, und meist kommt der Bericht zu spät, um noch gegenzusteuern. Darüber haben wir in verstreute Daten, blinde Entscheidungen geschrieben: Der erste Schritt zum datengetriebenen Unternehmen ist, die Systeme über Integrationen und APIs miteinander sprechen zu lassen, noch bevor man an Diagramme und Algorithmen denkt.

So war es beim Verwaltungssystem für Pulltex. Kundenstammdaten, die Zuordnung zu den Vertretern und Proformarechnungen lagen in Systemen, die nicht miteinander kommunizierten, und die Geschäftsleitung hatte keinen klaren, aktuellen Überblick über das Vertriebsnetz. Heute stehen diese Informationen auf einer einzigen Plattform, die per API mit HubSpot synchronisiert ist.

Unternehmensdashboard: das erste Werkzeug

Sind die Daten verbunden, ist ein Unternehmensdashboard der einfachste Weg, sie zu nutzen. Gemeint ist eine Ansicht, die automatisch aktualisiert die wenigen Kennzahlen zeigt, die Entscheider brauchen. Fünf oder sechs Zahlen, die Sie wirklich jeden Montagmorgen anschauen, keine dreißig Diagramme.

Für einen Großhändler können das Umsatz und Marge nach Kunde und Produktgruppe sein, verspätete Aufträge und Bestände, die sich seit mehr als 90 Tagen nicht bewegt haben. Ein Installationsbetrieb schaut auf offene Einsätze, durchschnittliche Reaktionszeiten, abrechenbare Stunden pro Techniker und auslaufende Wartungsverträge. Ein Hersteller will den Maschinenstatus, die Stückzahl pro Schicht, Stillstände mit ihrer Ursache und den Ausschuss sehen. Wer mit einem Vertreternetz arbeitet, braucht offene Verkaufschancen pro Vertreter, Abschlusszeiten und die Kunden, die seit drei Monaten nicht bestellt haben.

Im Fall von Buzzi Connect sind die Hochfrequenz-Schweißmaschinen der Buzzi SRL an eine einheitliche Weboberfläche angebunden, die Parameter, Produktionsstatistiken und Alarme jeder Maschine in Echtzeit zeigt. Die Produktionsdaten werden historisiert und lassen sich in die Systeme des Kunden (MES, ERP) exportieren, um die Leistung über die Zeit zu verfolgen.

Damit ein Dashboard genutzt wird, muss jede Kennzahl zu einer Entscheidung gehören. Fragen Sie sich, was Sie anders machen würden, wenn diese Zahl steigt oder fällt; wissen Sie es nicht, streichen Sie sie. Ordnen Sie dann jede Zahl einer Person zu: Wenn sich die Lieferzeit verschlechtert, muss klar sein, wer sich darum kümmert. Und sorgen Sie dafür, dass sich das Dashboard selbst aktualisiert, denn eines, das man von Hand pflegen muss, wird nach wenigen Monaten aufgegeben.

Eine klare Haltung: Wenn Sie ein einziges ERP-System mit ordentlichem Berichtswesen nutzen, lernen Sie zuerst, damit umzugehen, bevor Sie ein Business-Intelligence-Werkzeug kaufen. Ein eigenes Werkzeug lohnt sich, wenn Sie Daten aus mehreren Systemen zusammenführen müssen.

Datenanalyse im Unternehmen: von der Vergangenheit zur Prognose

Datenanalyse im Unternehmen hat drei Stufen, und es lohnt sich, sie der Reihe nach zu nehmen.

Deskriptive Analyse: was passiert ist

Das ist die Stufe des Dashboards: Monatsumsatz, Margen, Verzögerungen. Das klingt banal, und doch erreichen viele Unternehmen sie nie mit verlässlichen Zahlen. Es ist auch die Stufe, die sich am schnellsten auszahlt.

Diagnostische Analyse: warum es passiert ist

Hier werden Daten miteinander verknüpft. Sinkt der Umsatz in allen Regionen oder nur in der Emilia-Romagna? Bei allen Produktgruppen oder nur bei Ersatzteilen? Bei allen Vertretern oder nur bei einem? Für die Antwort braucht es verbundene Daten, ein weiterer Grund, warum die Integration der Systeme zuerst kommt.

Prädiktive Analyse: was passieren wird

Das ist die Stufe des maschinellen Lernens, also von Algorithmen, die aus historischen Daten lernen, um abzuschätzen, was kommen wird. Einige realistische Fälle für ein mittelständisches Unternehmen:

• Ein Lebensmittelhersteller mit Frischware nutzt die Verkäufe der Vorjahre, die Saisonalität und den Aktionskalender, um abzuschätzen, wie viel er jede Woche produzieren soll, und so Verschwendung zu verringern.
• Ein Großhändler erkennt Kunden, deren Bestellrhythmus sich gegenüber dem üblichen verlangsamt, und warnt den zuständigen Außendienst, bevor der Kunde zur Konkurrenz wechselt.
• Eine mechanische Werkstatt sammelt Temperaturen, Vibrationen und Alarme ihrer Maschinen und erkennt die Auffälligkeiten, die einem Ausfall meist vorausgehen. So plant sie die Reparatur, statt vom Stillstand überrascht zu werden.
• Ein Baustoffhändler, der Zahlungsziele gewährt, entscheidet anhand der bisherigen Zahlungsmoral und der Saisonalität seiner Kunden über Kreditlimits und Konditionen.
• Ein Ferienhof schlägt auf Basis früherer Buchungen, Veranstaltungen in der Umgebung und der Jahreszeit den Preis für jede Nacht vor.
• Eine Auftragsannahme lässt E-Mails und Dokumente von KI lesen und verteilen und erzeugt dabei saubere Daten für spätere Analysen. Mehr dazu im Leitfaden zur RPA robotic process automation.

Keines dieser Modelle funktioniert ohne eine saubere und ausreichend lange Historie. Wenn Ihre verlässlichen Verkaufsdaten sechs Monate abdecken, ist eine Bedarfsprognose kaum mehr als eine Vermutung: Arbeiten Sie dann zuerst an der deskriptiven Stufe.

Wo die Unternehmen in Italien stehen

Das Interesse an Daten wächst schnell. Laut der Erhebung „Imprese e ICT“ 2025 des italienischen Statistikamts Istat ist in Italien der Anteil der Unternehmen mit mindestens 10 Beschäftigten, die Datenanalysen mit eigenem oder externem Personal durchgeführt haben, in den letzten zwei Jahren von 26,6 % auf 42,7 % gestiegen. 2025 hat sich der Einsatz mindestens einer KI-Technologie bei den italienischen KMU gegenüber dem Vorjahr verdoppelt, von 7,7 % auf 15,7 %.

Dieselbe Erhebung nennt die Hindernisse, die Unternehmen angeben, die KI geprüft, aber nicht eingeführt haben. An erster Stelle stehen fehlende Kompetenzen (58,6 %); 45,2 % nennen fehlende oder qualitativ schlechte Daten. In fast der Hälfte der Fälle liegt das Problem also bei den Daten.

In 5 Schritten zum datengetriebenen Unternehmen

1. Beginnen Sie mit einer Entscheidung, die Sie heute schlecht treffen

Fragen Sie nicht, was Sie mit KI machen können. Fragen Sie, welche Entscheidung Sie heute aus dem Bauch heraus treffen, weil Informationen fehlen: wie viel Kredit Sie einem Neukunden einräumen, welche Aufträge Sie in der Hochsaison annehmen, wie viel Material Sie im September bestellen. Legen Sie dann ein messbares Ziel fest.

2. Daten erfassen und verbinden

Listen Sie auf, wo die Daten für diese Entscheidung liegen, in welchem Format und wer sie pflegt. Verbinden Sie dann die Quellen so, dass sie sich selbst befüllen. Das ist der längste und am wenigsten sichtbare Teil der Arbeit, und ohne ihn beginnt jede spätere Analyse mit falschen Zahlen.

3. Ein erstes Dashboard aufbauen

Wenige Kennzahlen, automatisch aktualisiert, geteilt mit denen, die handeln müssen. Nutzen Sie es einige Wochen und beobachten Sie, welche Zahlen angeschaut und welche ignoriert werden.

4. Ein Pilotprojekt mit prädiktiver Analyse testen

Wählen Sie einen einzigen Fall mit gutem Verhältnis von Wirkung zu Aufwand. Trainieren Sie das Modell mit einem Teil der historischen Daten, messen Sie, wie genau es bei Daten ist, die es nie gesehen hat, und vergleichen Sie es mit der heutigen Methode. Verbessert es die Entscheidungen nicht, hören Sie auf oder ändern Sie den Ansatz.

5. Das Ergebnis dorthin bringen, wo gearbeitet wird, und im Blick behalten

Die Prognose muss im ERP-System, im CRM oder als Benachrichtigung beim Verantwortlichen ankommen, nicht in einer Datei, die niemand öffnet. Danach muss sie laufend kontrolliert werden: Der Markt ändert sich, und ein Modell, das mit Daten von vor zwei Jahren trainiert wurde, verliert an Genauigkeit. Dann muss es mit aktuellen Daten neu trainiert werden.

Die häufigsten Fehler

Der häufigste Fehler ist, ein Business-Intelligence-Werkzeug zu kaufen, bevor die Daten sauber sind: Die Diagramme sehen gut aus und sind falsch. Der zweite ist, alles zu messen, denn hundert Kennzahlen schaut niemand an. Der dritte ist, das Projekt an die IT abzugeben, obwohl die richtigen Fragen aus Vertrieb, Produktion und Verwaltung kommen. Der letzte ist, eine Prognose für eine Gewissheit zu halten: Sie ist eine Schätzung und sollte zusammen mit der Erfahrung derer gelesen werden, die Kunden und Markt kennen.

Beispiele für KI-Anwendungen, die zu kleinen und mittleren Unternehmen passen, finden Sie im Artikel künstliche Intelligenz für KMU. Wie Selli Daten, Automatisierungen und Prognosemodelle mit den Unternehmensprozessen verbindet, beschreibt die Seite zu Automatisierung mit KI.

Sprechen wir darüber: welche Entscheidung Sie auf Daten stützen wollen

Ein Unternehmen wird datengetrieben, indem es bei einer konkreten Frage ansetzt, nicht bei einer Software. Erzählen Sie uns, welche Entscheidung Sie heute aus dem Bauch heraus treffen: Gemeinsam sehen wir uns an, wo die nötigen Daten liegen, wie man sie verbindet und ob Ihr vorhandenes Berichtswesen reicht oder ein eigenes Dashboard nötig ist. Wenn entwickelt werden muss, arbeiten wir in zweiwöchigen Sprints mit einer Testumgebung, in der Sie die Zahlen prüfen, bevor sie in den Produktivbetrieb gehen, und der Code bleibt Ihr Eigentum. Vereinbaren Sie einen Termin mit Selli und wir beginnen mit Ihrer ersten Kennzahl.