Von 0 bis Dashboard - alles an einem Tag

Vor ein paar Tagen habe ich ein kleines Experiment gestartet. Mein Ziel: einmal komplett durch den gesamten Entstehungsprozess gehen - von einer Datenquelle, etwa einem Abrechnungssystem, bis zu einem fertigen Dashboard. Nur ein paar Tools, etwas Grundwissen und genau der eine Tag, den ich mir dafür reserviert hatte. Und ich hatte mir vorgenommen, es einmal allein zu probieren - auch wenn der „kurze” Dienstweg zu meinem Co-Founder Stephan nahegelegen hätte, der das seit vielen Jahren rauf und runter exerziert.

Knapp 13 Stunden später hatte ich mein zeitliches Ziel zwar gerissen - es war schon früh am nächsten Morgen. Aber ich hatte einen funktionierenden Prototyp: von einer ausgedachten Datenbank eines ausgedachten Abrechnungssystems bis zu den Visuals in Power BI und einem ersten Dashboard. Und viel wichtiger: eine Lernkurve, wie ich sie in 25 Jahren Berufserfahrung so noch nicht erlebt habe.

Warum das Ganze?

In den letzten Jahren habe ich mich vor allem um optimierte Prozesse gekümmert - beim Onboarding auf Plattformen ebenso wie beim Gestalten effizienter interner Abläufe. Erst auf dem Papier, zuletzt mit Automatisierungswerkzeugen.

Das Thema Daten im Sinne von Business Intelligence (BI) hatte ich operativ bisher ausgespart. BI ist der Prozess, Geschäftsdaten zu erfassen, zu analysieren und so darzustellen, dass sich darauf Entscheidungen gründen lassen. Die Kernbestandteile:

• Datenerfassung und -speicherung: Daten aus internen und externen Quellen sammeln und in einem Data Warehouse oder einer anderen Ablage speichern.
• Datenanalyse: mit Abfragen, Statistik oder maschinellem Lernen Muster und Erkenntnisse finden.
• Visualisierung und Berichte: die Erkenntnisse verständlich darstellen - in Dashboards, Berichten und interaktiven Grafiken.

Mir ist klar, dass für „High-End”-Analytics mehr dazugehört als das, was ich an einem Tag beisteuern kann. Aber viele Unternehmen sind davon noch weit weg und kämpfen mit historisch gewachsenen Reporting-Werkzeugen oder Excel - bei hohem manuellem Aufwand. Genau deshalb wollte ich ein Gefühl dafür bekommen, wie viel mit heutigen No-Code-Werkzeugen und etwas KI möglich ist, auch ohne jahrelange BI-Erfahrung. Denn der Bedarf an Lösungen mit Bordmitteln ist groß.

Der Versuchsaufbau

Eine Datenbank - ausgedacht, aber plausibel

BI ohne Daten ist schwierig. Ich brauchte also eine Datenbank mit plausibler Struktur und plausiblen Testdaten. Ich bin kein Entwickler, und eine Datenbank aufzusetzen gehört nicht zu meinem Alltag.

Erster Einsatz für ChatGPT: Im Dialog haben „wir” uns für Railway entschieden, weil sich dort in wenigen Minuten eine MySQL-Datenbank bereitstellen lässt. Darauf greife ich mit MySQL Workbench zu, um Tabellen anzulegen und Daten einzuspielen. Mit beiden Werkzeugen hatte ich vorher nie gearbeitet. Das erste Mal hatte ich das einige Monate zuvor für ein anderes Projekt gemacht - mit ChatGPT, einem kurzen Video und ein paar Sackgassen in unter anderthalb Stunden. Diesmal konnte ich auf meine eigene Dokumentation zurückgreifen und war in wenigen Minuten startklar.

Das Datenmodell

Als Nächstes brauchte ich ein Datenmodell: welche Tabellen, welche Felder, welche Beziehungen. Es sollte sich grob an einem energiewirtschaftlichen Abrechnungssystem orientieren - nicht mit 200 und mehr Tabellen, aber mit rund 15, die sinnvoll zusammenhängen.

Zweiter Einsatz für ChatGPT. Die KI hat Tabellen, Beziehungen und Regeln weitgehend selbst erarbeitet. Heraus kam ein Kernmodell mit Tabellen wie Kunde, Vertrag, Lieferstelle, Gerät, Zählerstand, Tarif, Rechnung, Rechnungsposition, Netzgebiet und Marktpartner. Zu jeder Tabelle gab es die Felder und Beziehungen - die Tabelle Gerät (Zähler) etwa mit Zähler-ID, Lieferstellen-ID als Verweis auf die Lieferstelle, Zählernummer, Zählerart, Einbau- und Ausbaudatum.

Die Tabellen anlegen

Dann musste die Datenbank nach diesem Modell aufgesetzt werden, also die Tabellen angelegt - in DDL, der Sprache für Datenstrukturen. Auch hier war ich ziemlich blank.

Dritter Einsatz des unermüdlichen KI-Kollegen: Er hat für jede Tabelle die Anweisung geschrieben, und zwar in der richtigen Reihenfolge, damit auch die Beziehungen zwischen den Tabellen sauber angelegt werden. Ich musste den Code nur noch in MySQL Workbench kopieren und ausführen.

Das Datenmodell als Diagramm.

Testdaten erzeugen

Um später mit plausiblen Daten arbeiten zu können, brauchten alle Tabellen Testdaten. 15 Tabellen mit jeweils 5 bis 200 Datensätzen selbst ausdenken - viel Spaß. ChatGPT hat die Musterdaten passend zum Modell gleich mitgeliefert, als Excel-Datei. Daraus habe ich CSV-Dateien gemacht und sie importiert. Wichtig ist die Reihenfolge, damit die Beziehungen keinen Fehler werfen - und die Excel-Datei hatte die Reiter schon in der richtigen Reihenfolge.

A Star is born

Für BI braucht es eine saubere Modellstruktur - das reduziert Komplexität und hilft der Geschwindigkeit. Eine verbreitete ist das Star-Schema, benannt nach seiner Form: In der Mitte stehen die Fakten, also Messgrößen wie Umsatz, kWh oder Zahlungen. Drumherum die Dimensionen mit Stammdaten und Kontext wie Kunde, Tarif, Zeit oder Region, jede direkt mit den Fakten verbunden - wie die Strahlen eines Sterns. Auch dabei half die KI und lieferte gleich ein (nicht ganz so schönes) Diagramm mit.

Das BI-Schema für diesen Anwendungsfall.

Views als Brücke zu Power BI

Views sind gespeicherte Abfragen, die sich lesen lassen wie Tabellen - die Brücke zwischen Datenbank und BI. Sie haben viele Vorteile:

• Geschwindigkeit: Power BI zieht nur die Daten, die es braucht.
• Entkopplung: komplexe Verknüpfungen und Filter bleiben in der Datenbank, die Berichte greifen nur auf aufbereitete Daten zu.
• Stabilität: Die Logik dahinter lässt sich ändern, ohne dass jede Auswertung angepasst werden muss.
• Sicherheit: Freigegeben werden nur die Views, nicht die Rohdaten.
• Einheitliche Kennzahlen: Nicht jeder baut sich seine eigene Logik.

ChatGPT hat alle SQL-Anweisungen für die Views geschrieben. Trotz mehrerer Runden blieben ein paar Syntaxfehler. Die habe ich dann mit Claude behoben, was prima funktioniert hat - für Programmieraufgaben nutze ich meistens Claude, weil ich damit schneller zu guten Ergebnissen komme. Für den Versuch war es trotzdem sinnvoll, den ganzen Verlauf in einem Chat mit ChatGPT zu halten: So kannte die KI jederzeit den gesamten Zusammenhang.

Eine der SQL-Anweisungen für die Views.

Wie soll das Dashboard aussehen?

Für die Gestaltung kam lovable.ai ins Spiel. Damit lässt sich aus einer Beschreibung eine mehr oder weniger fertige Anwendung erzeugen. Den Prompt dafür habe ich ChatGPT schreiben lassen, das mein Projekt inzwischen gut kannte - ich habe nur noch ein paar Vorgaben zum Stil ergänzt.

Den ersten Wurf fand ich gar nicht schlecht. Heraus kam ein Klickdummy - das Bild oben. Offen bleibt, ob man ihn als Vorlage für Aufbau und Anmutung nimmt oder die Daten direkt in dieses Cockpit laufen lässt statt in Power BI. Ich tendiere klar zu Ersterem.

Das Finale: Power BI anbinden

Zu sehr fortgeschrittener Stunde habe ich Power BI Desktop installiert - auch damit hatte ich noch keine Erfahrung - und die Datenbank angebunden. Das geht über einen Assistenten. Die einzige Hürde waren die richtigen Zugangsdaten, und da konnte mir ausnahmsweise auch ChatGPT nicht helfen.

Die Views habe ich importiert. Eine Live-Verbindung wäre auch möglich, für meine Sandbox reichte der Import. Dann habe ich mir von ChatGPT ein paar Kennzahlen vorschlagen lassen und sie in Power BI übernommen, samt aller nötigen Klicks. Zum Schluss noch vier, fünf Visuals auf den Bericht gezogen - und kurz vor drei Uhr nachts stand das erste Dashboard: mit richtigen Zahlen aus einer ausgedachten Datenbank. Schön ist anders, aber mehr war um diese Zeit nicht drin.

Der erste Entwurf in Power BI Desktop.

Was ich mitnehme

An diesem langen Tag habe ich viel gelernt - sicher nicht in aller Tiefe, aber gut genug, um es anzuwenden. Gestreift habe ich dabei einiges:

• Werkzeuge: SQL, Datenmodellierung, Power BI, ETL.
• Methoden: Datenmodell, Star-Schema, Kennzahlen-Design.
• Prinzipien: Konsistenz, Trennung von Quelle, Aufbereitung und Darstellung.

Vor allem aber habe ich gelernt, wie weit man mit KI und No-Code-Werkzeugen selbst kommt. Mit etwas Durchhaltevermögen und ohne Scheu vor technischen Diskussionen mit ChatGPT lässt sich in kurzer Zeit sehr viel erschließen. Meine Einschätzung: Es kommt weniger darauf an, perfekt zu prompten. Wichtiger sind eine analytische Grundbegabung, keine Angst vor neuen Werkzeugen und - das macht keinen Spaß - gründliches Mitdokumentieren. Die nächste ähnliche Aufgabe kommt bestimmt.

Was sich an meiner Arbeitsweise verändert hat:

• Einarbeitung: Ich musste mich nicht lange einarbeiten, die KI hat mich Schritt für Schritt an die Hand genommen.
• Tempo: SQL, Syntax, Struktur - in Minuten statt Stunden.
• Dialog statt Handbuch: Statt in Foren zu suchen, habe ich mit der KI Ping-Pong gespielt.

Vielleicht stecke ich noch in der Euphorie dieses Tages. Aber ich kann mich an keine Zeit in meinen 25 Berufsjahren erinnern, in der ich so schnell, so tief und so selbstständig gelernt habe. Was früher Wochen gedauert hätte, ging an einem Tag. Und das lässt sich wiederholen.

Wie es weitergeht

Spannend wird es, BI mit Automatisierung zu verbinden - etwa Berichte oder Links zum Dashboard automatisch an einen Empfängerkreis zu verteilen, mit einer persönlichen Mail. Oder automatisch zu benachrichtigen, wenn eine Kennzahl eine Warnschwelle über- oder unterschreitet.

Schau doch mal, ob du in unserem Leistungs-Portfolio etwas findest, das dich auf dem Weg zu mehr Produktivität und Effizienz unterstützt. Oder lass uns doch direkt schnacken: Kontakt