Business Intelligence im Mittelstand: Make or Buy – und womit anfangen?

Business Intelligence (BI) war lange das Terrain von Großkonzernen mit dedizierten Datenabteilungen. Das hat sich geändert. Moderne BI-Tools sind erschwinglich, cloudbasiert und so benutzerfreundlich, dass Fachanwender ohne Programmierkenntnisse aussagekräftige Dashboards erstellen können.

Gleichzeitig haben mittelständische Unternehmen oft erhebliche ungenutzte Datenpotenziale: Umsatzdaten im ERP, Kundendaten im CRM, Produktionsdaten im MES – aber keine strukturierte Auswertung darüber. Dieser Beitrag klärt, wann BI wirklich Sinn macht und wie der Einstieg gelingt.

Wann ist Business Intelligence sinnvoll?

Kurz: BI macht Sinn, wenn Entscheidungen heute auf Basis unvollständiger, veralteter oder unstrukturierter Daten getroffen werden.

BI macht Sinn, wenn Entscheidungen heute auf Basis unvollständiger, veralteter oder unstrukturierter Daten getroffen werden. Typische Symptome:

• Reporting per Excel mit manuellem Datenzusammentragen jede Woche oder jeden Monat
• Unterschiedliche Zahlen aus verschiedenen Abteilungen für dieselbe Frage
• Fehlende Sichtbarkeit auf operative Kennzahlen in Echtzeit (Lagerbestand, offene Aufträge, Auslastung)
• Entscheidungen nach Bauchgefühl, weil die Auswertung zu aufwändig ist
• Späte Reaktion auf Probleme, weil Reports erst am Monatsende kommen

BI macht dagegen keinen Sinn, wenn die Datenlage grundsätzlich schlecht ist (GIGO: Garbage In, Garbage Out), wenn keine Entscheidungsbereitschaft für datengestützte Ansätze besteht, oder wenn das Unternehmen so klein ist, dass Excel wirklich ausreicht.

Was Business Intelligence konkret leistet

BI umfasst drei Kernfunktionen:

Reporting: Strukturierte, automatisierte Berichte – täglich, wöchentlich, monatlich – ohne manuelles Zusammenstellen. Beispiel: automatischer Umsatzbericht je Region und Produkt jeden Montagmorgen in der Inbox.

Dashboards: Interaktive Visualisierungen aktueller Kennzahlen (KPIs) in Echtzeit oder nahezu Echtzeit. Beispiel: Produktions-Dashboard mit Auslastung, Ausschussquote und OEE je Schicht.

Ad-hoc-Analyse: Fachanwender können selbst Fragen stellen und Daten explorieren, ohne IT-Ticket. Beispiel: Vertriebsmitarbeiter analysiert selbst, welche Produkte in welchem Kanal in Q3 überdurchschnittlich performt haben.

Die Make-or-Buy-Entscheidung

Kurz: Wann ein fertiges BI-Tool (Buy): Für die Mehrheit mittelständischer Unternehmen ist ein vorkonfiguriertes BI-Tool der richtige Einstieg.

Wann ein fertiges BI-Tool (Buy): Für die Mehrheit mittelständischer Unternehmen ist ein vorkonfiguriertes BI-Tool der richtige Einstieg. Anbieter wie Power BI (Microsoft), Metabase, Grafana, Tableau oder Looker bieten unterschiedliche Preismodelle und Stärken:

Tool	Stärke	Preis (ca.)
Power BI	Microsoft-Integration, breite Konnektoren	10–20 €/Nutzer/Monat
Metabase	Einfach, selbst-hostbar, Open Source	kostenlos bis 500 €/Monat
Grafana	Technische Dashboards, Zeitreihen	Open Source (Self-Hosted)
Tableau	Sehr mächtig, komplex	70–115 €/Nutzer/Monat
Looker	Enterprise, Google-Integration	auf Anfrage

Power BI ist für Microsoft-365-Häuser der natürliche Einstieg. Metabase ist besonders für technische Teams ohne Enterprise-Budget attraktiv.

Wann individuelle Entwicklung (Make): Wenn Standardtools die spezifischen Datenmodelle oder Integrationsanforderungen nicht abbilden können, wenn besondere Datenschutzanforderungen (On-Premise, kein Cloud-Sharing) gelten oder wenn BI in ein bestehendes System integriert werden soll, das Kunden oder Partner sehen. In diesen Fällen ist individuelle Softwareentwicklung für BI-Komponenten sinnvoll.

Die Datengrundlage: Was wirklich entscheidet

Kurz: Das beste BI-Tool ist wertlos ohne saubere, konsolidierte Daten.

Das beste BI-Tool ist wertlos ohne saubere, konsolidierte Daten. Häufigste Hürden:

Daten in verschiedenen Silos: ERP, CRM, Warenwirtschaft, Buchhaltung – jedes System hat seine eigene Wahrheit. Bevor BI produktiv wird, braucht es eine Systemintegration oder ein Data Warehouse als zentrale Datenquelle.

Schlechte Datenqualität: Fehlende Werte, Duplikate, inkonsistente Benennungen. Datenqualitätsprojekte sind unspektakulär und aufwändig – aber ohne sie liefert BI falsche Antworten.

Keine klare Ownership: Wer ist für die Datenqualität verantwortlich? Ohne Data Owner degeneriert jede Datenlandschaft.

Einstiegsstrategie: Wie man es richtig angeht

Schritt 1: Eine Frage, eine Datenquelle.

Nicht mit der kompletten Unternehmens-BI starten.

Eine konkrete, wichtige Frage wählen: "Wie entwickelt sich unsere Marge je Produktgruppe?" – und diese eine Frage mit einer Datenquelle gut beantworten.

Kleiner Scope, echter Mehrwert, schnelles Feedback.

Schritt 2: Datenpipeline aufbauen. Automatisierter Datentransfer aus der Quell-Datenbank ins BI-Tool. Kein manueller Export. Schnittstellen-Entwicklung oder ETL-Tools (Airbyte, Fivetran, dbt) verbinden Quellen mit dem BI-Layer.

Schritt 3: Fachanwender einbinden. BI scheitert, wenn es IT-Projekt bleibt. Controlling, Vertriebsleitung, Produktion müssen von Anfang an mitgestalten – welche Kennzahlen zählen, welche Granularität, welche Filteroptionen.

Schritt 4: Governance etablieren. Wer pflegt die Daten? Wer prüft Qualität? Welche Reports sind "offiziell" und welche sind Experimente? Ohne Data Governance wird BI zum Wildwuchs.

Datenanalyse und KI: Was heute möglich ist

Kurz: Moderne BI-Tools integrieren KI-Funktionen: automatische Anomalieerkennung, Trendprognosen, natürlichsprachige Abfragen ("Zeig mir den Umsatz der letzten drei Monate nach Region").

Moderne BI-Tools integrieren KI-Funktionen: automatische Anomalieerkennung, Trendprognosen, natürlichsprachige Abfragen ("Zeig mir den Umsatz der letzten drei Monate nach Region"). Diese Funktionen senken die Einstiegshürde für Fachanwender erheblich.

Für tiefergehende Analysen – Predictive Analytics, Nachfrageprognosen, Qualitätsvorhersagen – ist Datenanalyse & Business Intelligence als dedizierte Leistung der nächste Schritt.

Fazit

Kurz: Business Intelligence im Mittelstand ist kein Luxus und kein Großprojekt, wenn man es richtig angeht.

Business Intelligence im Mittelstand ist kein Luxus und kein Großprojekt, wenn man es richtig angeht. Mit einem klar definierten Startpunkt, einer sauberen Datenquelle und einem Fachanwender als Champion lassen sich in 4–8 Wochen erste echte Mehrwerte sichtbar machen.

Die Fallstricke – schlechte Datenqualität, fehlende Governance, zu breiter Scope – sind bekannt und vermeidbar.

Häufig gestellte Fragen (FAQ)

Kurz: Brauchen wir einen Data Engineer oder Data Scientist?

Brauchen wir einen Data Engineer oder Data Scientist? Für den Einstieg nein. Mit Power BI oder Metabase und einer sauberen Datenquelle können Fachanwender mit Zahlenaffinität starten. Data Engineers werden relevant, wenn Daten aus vielen Quellen konsolidiert oder transformiert werden müssen.

Was kostet ein BI-Projekt? Reine Tool-Lizenzierung: 100–2.000 €/Monat je nach Nutzeranzahl und Tool. Implementierung (Datenpipeline, erstes Dashboard): 10.000–50.000 € je Komplexität. Laufende Datenpflege: intern oder als Managed Service.

Kann BI unsere Excel-Auswertungen ersetzen? Ja – aber nicht über Nacht. Die Akzeptanz steigt, wenn BI-Dashboards mehr Komfort bieten als Excel. Das erfordert, dass die richtigen Kennzahlen in der richtigen Granularität verfügbar sind.

Wie verhält sich BI zu unserem ERP? ERP und BI sind komplementär. Das ERP ist das transaktionale System (Daten werden erfasst und verarbeitet). BI ist das analytische System (Daten werden ausgewertet und visualisiert). Die Verbindung läuft über Schnittstellen oder direkte Datenbankanbindung.