Business Intelligence Glossar A-Z
Alle wichtigen Begriffe rund um Business Intelligence, Datenanalyse und datengetriebene Unternehmensführung – kompakt und verständlich erklärt.
A
Ad-hoc-Analyse
Eine spontane, einmalige Datenauswertung zur Beantwortung einer konkreten Geschäftsfrage. Im Gegensatz zu standardisierten Reports wird eine Ad-hoc-Analyse nur bei Bedarf durchgeführt – z.B. „Warum sind die Retouren in KW 12 um 40% gestiegen?“ Moderne Self-Service-BI-Tools ermöglichen es Fachanwendern, solche Analysen ohne IT-Unterstützung durchzuführen. Ad-hoc-Analyse mit Beispiel und Prüfschritten.
Anomalieerkennung
Findet Werte, die vom erwarteten Muster abweichen, etwa einen Umsatzeinbruch an einem einzelnen Tag oder eine ungewöhnliche Buchung. Anomalieerkennung, ausführlich mit Methoden und Python-Beispiel unter Anomalieerkennung in Zeitreihen.
Augmented Analytics
Ein von Gartner geprägter Begriff für die Integration von KI und Machine Learning in BI-Tools. Augmented Analytics automatisiert Datenaufbereitung, Mustererkennung und Insight-Generierung. Beispiel: Power BI Copilot, das natürlichsprachliche Fragen in Datenvisualisierungen übersetzt. Einer der Top-Trends für 2026. → Augmented Analytics im Detail
B
Budgetierung
Gibt Bereichen oder Kostenstellen verbindliche Werte für eine Periode vor. Fair messen lässt sich nur mit einem Budget, das die tatsächliche Menge berücksichtigt. Budgetierung: starres oder flexibles Budget.
Business Analytics (BA)
Erweitert Business Intelligence um prädiktive und präskriptive Methoden. Während BI primär rückwärtsgewandt fragt „Was ist passiert?“, beantwortet BA die Frage „Was wird passieren?“ und „Was sollten wir tun?“. Nutzt statistische Modelle, Regressionsanalysen und Simulationen. Mehr dazu: BI vs. Business Analytics.
Business Intelligence (BI)
Oberbegriff für Technologien, Strategien und Prozesse, die Unternehmensdaten in handlungsrelevante Erkenntnisse verwandeln. Umfasst Datensammlung, ETL, Data Warehousing, Analyse und Visualisierung. Ziel: bessere Geschäftsentscheidungen auf Basis von Fakten statt Intuition. Ausführliche Definition →
C
Change Data Capture (CDC)
Technik zur Erfassung von Datenänderungen in Quellsystemen in nahezu Echtzeit. Statt eines kompletten Datenabzugs werden nur INSERT/UPDATE/DELETE-Operationen erfasst. Grundlage für Echtzeit-BI und effiziente Data Pipelines.
Cloud BI
BI-Lösungen, die vollständig in der Cloud betrieben werden (Azure, AWS, Google Cloud). Vorteile: keine eigene Server-Infrastruktur, nutzungsbasierte Kosten, automatische Updates, Skalierbarkeit. Besonders für den Mittelstand attraktiv, da geringere Einstiegsinvestition.
Columnar Database (Spaltenbasierte Datenbank)
Datenbanken, die Daten spaltenweise statt zeilenweise speichern. Ideal für analytische Abfragen (OLAP), da nur die benötigten Spalten gelesen werden. Beispiele: Snowflake, BigQuery, ClickHouse. 10-100× schneller für Aggregationen als zeilenbasierte Systeme.
Copilot (Microsoft)
KI-Assistent in Power BI, der natürlichsprachige Abfragen in DAX/Visualisierungen übersetzt, automatische Narratives erstellt und Reports per Sprachbefehl generiert. Benötigt Microsoft Fabric Capacity. → GenAI in BI
Cube (OLAP-Cube)
Multidimensionales Modell aus Dimensionen und Kennzahlen. Es unterstützt Ausschnitte und Verdichtungen; ein Würfel kann mehr als drei Dimensionen haben. Modell und physische Speicherung sind zu unterscheiden. OLAP-Würfel mit durchgerechneten Operationen.
D
Dashboard
Visuelle Darstellung der wichtigsten KPIs und Kennzahlen auf einen Blick. Interaktive Dashboards erlauben Filtern, Drill-Down und Zeitvergleiche. Das Äquivalent zum Cockpit im Flugzeug – alle relevanten Informationen übersichtlich für den Entscheider. Tools: Power BI, Tableau, Qlik.
Data Governance
Gesamtheit aller Regeln, Prozesse und Verantwortlichkeiten für die Verwaltung von Unternehmensdaten. Umfasst Datenqualitätsstandards, Zugriffsrechte, Datenschutz (DSGVO), Datenklassifizierung und Data Stewardship. Unverzichtbar für verlässliche BI und regulatorische Compliance.
Data Lake
Zentraler Speicher für Rohdaten in jedem Format (strukturiert, semi-strukturiert, unstrukturiert). Günstiger als ein Data Warehouse, aber ohne Schema-Vorgaben – daher Gefahr des „Data Swamp“ ohne Governance. Ideal für Data Science und Machine Learning. Vergleich: DWH vs. Data Lake. Data Lake im Glossar: Lesen ohne festes Schema.
Data Lakehouse
Hybride Architektur, die die Flexibilität eines Data Lake mit der Performance und Governance eines Data Warehouse kombiniert. Beispiele: Databricks Delta Lake, Apache Iceberg. Trend ab 2024.
Data Mesh
Dezentraler Architekturansatz, bei dem die Verantwortung für Datenprodukte bei den Fachbereichen (Domains) liegt, nicht bei einem zentralen Data Team. Vier Prinzipien: Domain Ownership, Data as a Product, Self-Serve Platform, Federated Governance.
Data Mining
Automatisierte Entdeckung von Mustern, Korrelationen und Anomalien in großen Datenmengen. Nutzt statistische Verfahren, Clustering und Assoziationsanalysen. Beispiel: Warenkorbanalyse im Einzelhandel – „Kunden, die X kaufen, kaufen oft auch Y.“
Data Pipeline
Automatisierte Kette aller Schritte, die Rohdaten in analysierbare Informationen verwandeln: Ingestion → Staging → Transformation → Serving → Consumption. → Data Pipeline aufbauen
Data Warehouse (DWH)
Zentrale, für analytische Abfragen optimierte Datenbank, die Daten aus verschiedenen Quellsystemen in einem konsistenten Modell zusammenführt. Speichert auch historische Daten für Trendanalysen. Das Herzstück jeder professionellen BI-Lösung. Ausführlicher Leitfaden →
Datenfusion
Führt Daten über dieselben Objekte aus mehreren Quellen zu einem Datensatz zusammen: Zuordnung, Regeln bei Widersprüchen, richtige Reihenfolge der Verknüpfung. Datenfusion: warum sich der Umsatz verdoppeln kann.
Datenintegration
Führt Daten aus verschiedenen Quellen auf eine einheitliche, widerspruchsfreie Grundlage zusammen, per ETL, ELT, Änderungserfassung oder Virtualisierung. Datenintegration: vier Verfahren und die wichtigste Prüfung.
Datenqualität
Maß dafür, wie gut Daten die Realität abbilden. Dimensionen: Vollständigkeit, Korrektheit, Konsistenz, Aktualität, Integrität und Konformität. Schlechte Datenqualität ist der häufigste Grund für gescheiterte BI-Projekte. Mehr zum Thema → Prüfregeln mit Abfrage im Glossar.
Datenvisualisierung
Grafische Darstellung von Daten, damit Muster, Trends und Abweichungen schneller erkennbar sind. Entscheidend sind das passende Diagramm und eine ehrliche Achse. Datenvisualisierung: welches Diagramm für welche Frage.
DAX (Data Analysis Expressions)
Formelsprache in Microsoft Power BI und Analysis Services. Ermöglicht komplexe Berechnungen, Zeitintelligenz (Year-over-Year, Running Totals) und dynamische Aggregationen. Die Beherrschung von DAX ist die Kernkompetenz für professionelle Power-BI-Entwicklung.
dbt (Data Build Tool)
Open-Source-Tool für SQL-basierte Datentransformationen im Data Warehouse. Bringt Software-Engineering-Praktiken (Git, Tests, Dokumentation) in die Datenmodellierung. Standard im Modern Data Stack. → dbt im Detail
Deckungsbeitragsrechnung
Teilkostenrechnung: Von den Erlösen werden zuerst die variablen Kosten abgezogen, danach die Fixkosten stufenweise je Produkt, Bereich und Unternehmen. So wird sichtbar, welches Produkt wirklich trägt. Mehrstufige Deckungsbeitragsrechnung mit Beispiel und SQL.
Descriptive Analytics
Erste Stufe der Datenanalyse: „Was ist passiert?“ Vergangenheitsdaten aufbereiten und visualisieren (Dashboards, Standard-Reports). 80% aller BI-Nutzung findet auf dieser Stufe statt. → 4 Arten der Datenanalyse
Diagnostic Analytics
Zweite Stufe: „Warum ist es passiert?“ Ursachenforschung durch Drill-Down, Korrelationsanalyse und Ausreißer-Erkennung. → 4 Arten der Datenanalyse
Dimension
Beschreibende Kategorie in einem BI-Datenmodell, über die Fakten (Kennzahlen) analysiert werden. Typische Dimensionen: Zeit, Kunde, Produkt, Region, Vertriebskanal. Dimensionen bilden die „Achsen“ der Analyse – z.B. „Umsatz pro Produkt pro Region pro Quartal.“
Drill-Down
Navigation von einer aggregierten Ansicht zu detaillierteren Daten. Beispiel: Gesamtumsatz Deutschland → Umsatz nach Bundesland → Umsatz nach Stadt → einzelne Transaktionen. Das Gegenteil ist Roll-Up (von Detail zur Aggregation).
E
Echtzeitanalyse
Wertet Daten aus, während sie entstehen. Wie aktuell eine Zahl sein muss, hängt vom Einsatz ab: Millisekunden bei der Betrugsprüfung, ein Tag beim Monatsbericht. Echtzeitanalyse: wie schnell ist schnell genug?
Embedded BI
Integration von BI-Funktionen direkt in andere Anwendungen (ERP, CRM, Webportale). Der Nutzer arbeitet mit Analysen, ohne ein separates BI-Tool öffnen zu müssen. Beispiele: Power BI Embedded, Tableau Embedded Analytics.
Entscheidungsunterstützungssysteme (DSS)
Systeme aus Daten, Rechenmodellen und Oberfläche, mit denen Menschen die Folgen einer Entscheidung durchspielen, bevor sie entscheiden. Entscheidungsunterstützungssysteme: Aufbau, Arten, Abgrenzung.
ETL (Extract, Transform, Load)
Standardprozess der Datenintegration: Daten aus Quellsystemen extrahieren, bereinigen und in ein einheitliches Format transformieren, dann ins Data Warehouse laden. Variante ELT lädt zuerst roh und transformiert im Zielsystem – moderner Ansatz mit Cloud-DWH. Mehr zur BI-Architektur →
F
Fakt (Fact)
Numerischer Messwert in einem BI-Datenmodell. Fakten sind die Kennzahlen, die analysiert werden: Umsatz, Menge, Kosten, Marge, Dauer. Fakten werden in Fakt-Tabellen gespeichert und über Dimensionen aufgeschlüsselt.
Forecast
Aktuelle Erwartung, wie eine Periode endet: Ist bis zum Stichtag plus Prognose für den Rest. Anders als der Plan wird der Forecast unterjährig neu geschätzt; seine Treffsicherheit misst man mit MAPE und Bias. Forecast: Abgrenzung und Genauigkeit.
H
Hochrechnung
Schließt vom bekannten Teil auf das Ganze, im Controlling vom Ist der ersten Monate auf das Jahresende. Linear oder saisonal gerechnet, kann das Ergebnis deutlich abweichen. Hochrechnung: zwei Rechenwege mit Beispiel.
Hub-and-Spoke-Modell
Empfohlenes Organisationsmodell für BI-Teams: Zentrales Team (Hub) für Infrastruktur, Governance und Standards. Dezentrale Analysten in den Fachbereichen (Spokes). Vereint Standardisierung mit Business-Nähe. → BI-Team aufbauen
K
Kosten- und Leistungsrechnung (KLR)
Internes Rechnungswesen aus Kostenarten-, Kostenstellen- und Kostenträgerrechnung. Grundlage für Kalkulation, Produktvergleich und Betriebsergebnis. KLR: Voll- oder Teilkosten, mit Rechenbeispiel.
KPI (Key Performance Indicator)
Strategisch relevante Kennzahl, die den Fortschritt bei der Erreichung eines Geschäftsziels misst. Nicht jede Metrik ist ein KPI – nur die handlungsrelevanten. Sollte SMART definiert sein: spezifisch, messbar, erreichbar, relevant, terminiert. KPIs definieren →
L
Liquiditätsplanung
Schreibt erwartete Ein- und Auszahlungen Monat für Monat zum Kontostand fort. Zeigt Lücken, die in der Gewinnrechnung nicht auftauchen. Liquiditätsplanung mit Monatsplan und SQL.
M
Master Data Management (MDM)
Prozesse und Technologien zur Sicherstellung einer einheitlichen, konsistenten und aktuellen Verwaltung von Stammdaten (Kunden, Produkte, Lieferanten, Mitarbeiter). Ohne MDM entstehen Dubletten und widersprüchliche Daten – Gift für jede BI-Lösung.
Modern Data Stack
Architekturansatz bestehend aus Cloud-basierten, spezialisierten Tools: Managed Ingestion (Fivetran/Airbyte) + Cloud DWH (Snowflake/BigQuery) + dbt (Transformation) + BI-Tool (Power BI/Looker). → Data Pipeline
MTD und MTG (Month to Date, Month to Go)
MTD summiert eine Kennzahl vom Monatsersten bis zum Stichtag, MTG beschreibt den Rest des Monats. Ob ein Monat im Plan liegt, hängt davon ab, ob nach Kalender- oder Arbeitstagen gerechnet wird. MTD mit Rechenbeispiel und MTG: Restbedarf pro Arbeitstag.
O
OEE (Overall Equipment Effectiveness)
Königs-KPI der Produktion: Verfügbarkeit × Leistung × Qualität. Misst die Gesamtanlageneffektivität. Weltklasse: >85%, Durchschnitt: ~60%. → BI in der Produktion
OLAP (Online Analytical Processing)
Interaktive Analyse von Kennzahlen über mehrere Dimensionen, etwa Umsatz nach Monat und Region. OLAP bezeichnet eine analytische Arbeitslast; Datenfrische und Speicherform sind gesonderte Entscheidungen. OLAP mit Rechenbeispiel und Abgrenzung zu OLTP.
P
People Analytics
Datenbasierte Analyse von HR-Daten: Fluktationsanalyse, Recruiting-Optimierung, Vergütungsanalyse, Workforce Planning. Unterliegt besonderen DSGVO-Anforderungen und Mitbestimmungspflicht. → BI im Personalwesen
Planungsrechnung
Übersetzt Ziele in Zahlen für die nächste Periode, über voneinander abhängige Teilpläne von Absatz bis Liquidität. Planungsrechnung: Teilpläne und Planlücke.
Predictive Analytics
Einsatz statistischer Modelle und Machine Learning zur Vorhersage zukünftiger Ereignisse. Beispiele: Absatzprognose, Kundenabwanderungsvorhersage (Churn Prediction), Preisoptimierung. Baut auf historischen Daten auf und erfordert saubere Datenbasis.
Prescriptive Analytics
Höchste Stufe der Datenanalyse: „Was sollen wir tun?“ Optimierungsalgorithmen, Simulation und What-If-Szenarien empfehlen konkrete Handlungen. → 4 Arten der Datenanalyse
R
ROI (Return on Investment)
Kennzahl für die Wirtschaftlichkeit einer Investition. Im BI-Kontext: Verhältnis von Einsparungen und Mehrerlösen durch BI zu den Gesamtkosten. Durchschnittlicher BI-ROI laut Nucleus Research: 1.300%. BI-ROI berechnen →
S
Self-Service BI
BI-Ansatz, bei dem Fachanwender eigenständig Analysen durchführen und Dashboards erstellen – ohne Programmier- oder SQL-Kenntnisse. Erfordert saubere Datenmodelle, Governance-Regeln und Schulung. Ausführlicher Leitfaden →
Sensitivitätsanalyse
Prüft, wie stark ein Ergebnis auf die Änderung einzelner Annahmen reagiert, und zeigt, ab welchem Wert eine Entscheidung kippt. Sensitivitätsanalyse mit kritischen Werten.
Slowly Changing Dimension (SCD)
Konzept der Datenmodellierung für Dimensionen, die sich über die Zeit ändern (z.B. Kundenadresse). SCD Type 1 = überschreiben, Type 2 = historisieren (neue Zeile mit Gültigkeitszeitraum), Type 3 = vorheriger Wert in extra Spalte.
Star Schema
Standardmäßiges Datenmodell für Data Warehouses. Eine zentrale Fakt-Tabelle (z.B. Verkäufe) ist über Fremdschlüssel mit denormalisierten Dimensionstabellen (Zeit, Kunde, Produkt) verbunden – grafisch ergibt das eine Sternform. Einfach, performant und der empfohlene Ansatz für BI. → Datenmodellierung
Surrogate Key
Künstlicher Integer-Schlüssel im Data Warehouse, der den natürlichen Business-Key (z.B. Kundennummer) ergänzt. Vorteile: Performance (Integer statt VARCHAR), Unabhängigkeit von Quellsystem-Änderungen. → Datenmodellierung
V
Visualisierung
Grafische Darstellung von Daten und Analyseergebnissen: Balken-, Linien-, Kreisdiagramme, Maps, Heatmaps, Treemaps, Scatter Plots. Gute Visualisierung macht komplexe Daten auf einen Blick verständlich und ist der Schlüssel zur Akzeptanz von BI im Unternehmen.
W
Wirtschaftlichkeitsanalyse
Prüft, ob eine Maßnahme mehr einbringt, als sie kostet, etwa mit Amortisations- oder Kapitalwertrechnung. Entscheidend ist, wie belastbar die Nutzenannahme ist. Wirtschaftlichkeitsanalyse am Beispiel eines BI-Projekts.
Y
YTD und YTG (Year to Date, Year to Go)
YTD ist der Zeitraum vom Beginn des Geschäftsjahres bis zum Stichtag, YTG der Rest des Jahres. Der Jahresforecast ist YTD-Ist plus YTG-Prognose, der Restbedarf zum Ziel ist Jahresziel minus YTD-Ist. YTD gegen Plan und Vorjahr und YTG mit Rechenbeispiel und SQL.
Begriff nicht gefunden?
Dieses Glossar wird laufend erweitert. Fehlt ein Begriff? Kontaktieren Sie mich – ich nehme ihn gerne auf.
Begriff vorschlagen →Controlling-KPIs
Die wichtigsten Kennzahlen für Controlling-Dashboards – von Rentabilität über Liquidität bis Effizienz.
