Datenbasierte Assistenzsysteme in der Arbeitswelt |
Effiziente Entwicklung zielgruppenspezifischer BI-Dashboards in Unternehmen
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 41. Jahrgang, 2025, Ausgabe 5, Seite 136-143 |
| Open Access | https://doi.org/10.30844/I4SD.25.5.136 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Dieser Beitrag berichtet erste, durch Action Research [1] gewonnene Erkenntnisse zur Implementation digitaler Assistenzsystemen in vier Pilotfällen im Projekt „PerspektiveArbeit Lausitz“. Es wird untersucht, wie durch eine systematische Entwicklung Fehlinvestitionen oder Vorhabensabbrüche vermieden werden können.
Ausgangssituation: Fehlende Voraussetzungen für Datenvisualisierung
In der datengetriebenen Arbeitswelt sind präzise und zeitnahe Informationen essenziell für fundierte Entscheidungen und Wettbewerbsfähigkeit. Business Intelligence (BI)-Dashboards spielen dabei eine Schlüsselrolle.
BI-Tools, etwa Tableau, führen Daten aus verschiedener im Einsatz befindlicher Software (z. B. Auftragsverwaltung, Betriebsdatenerfassung) in den Unternehmen zusammen, ermöglichen Analysen hinsichtlich Muster und Trends und transformieren komplexe Datenbestände in Dashboards. So leisten sie einen wichtigen Beitrag zu fundierten Geschäftsentscheidungen, entweder auf Basis von Echtzeitdatenauswertungen (z. B. aus verschiedenen Produktionsbereichen) oder, wesentlich anspruchsvoller, als Integration von Daten aus unterschiedlichen Quellen zur Optimierung von Prozessen und der Entscheidungsunterstützung [2–5].
Dashboards erleichtern die Kommunikation zwischen Abteilungen, indem sie allen Beteiligten denselben Überblick über relevante Daten bieten. Dies fördert die gemeinsame Zielausrichtung und verbessert die Koordination innerhalb des Unternehmens. Jedes Unternehmen hat jedoch spezifische Anforderungen an Datenvisualisierung und Berichterstattung. Dashboards sollten daher individuell angepasst werden können, um genau die Informationen bereitzustellen, die für das jeweilige Unternehmen am relevantesten sind.
Eine eigenverantwortliche Gestaltungsmöglichkeit reduziert einerseits die Abhängigkeit von externen Dienstleistern oder proprietären Lösungen, stellt jedoch andererseits eine große Herausforderung dar, die nur mit adäquaten Kompetenzen und Ressourcen für die Umsetzung bewältigt werden kann. Wie die Pilotfälle zeigen, sind damit aktuell viele KMU überfordert.
Die vier Pilotunternehmen zeigen eine hohe Abhängigkeit von verfügbaren IT-Kapazitäten (z. B. Group-IT) und der Bereitschaft externer IT-Dienstleister, Transparenz für zugrundeliegende Datenmodelle sowie den Zugriff auf eigene Daten herzustellen. Gegenüber Softwareanbietern räumt der EU Data Act [6] zwar formale Rechte hinsichtlich Transparenz und Datenzugriff ein. Das Einfordern dieser Rechte geschieht aktuell aber zögerlich. Hochwertige BI-Dashboard-Lösungen verursachen erhebliche Lizenz- und Implementierungskosten. Das Risiko einer Fehlinvestition stellt daher für kleinere Unternehmen eine weitere Hürde für die Initiierung ihrer Einführung dar. Per Co-Creation durch Unternehmen und Wissenschaft werden deshalb unterschiedliche Fachkompetenzen zusammengeführt und so ein Beitrag zur Risikominimierung geleistet.
Die Pilotunternehmen setzen bisher keine BI-Tools für Datenvisualisierung ein. Stattdessen werden von engagierten Beschäftigten mit Bürosoftware, zumeist Microsoft Excel, eigene Diagramme zur Visualisierung erstellt. Dabei entstehen erhebliche manuelle Aufwände für die Beschaffung der Daten aus verschiedenen Quellsystemen und deren Weiterverarbeitung. Der beschränkte Funktionsumfang von Excel, der oft begrenzte Datenzugriff sowie daraus resultierende manuelle Ersetzung fehlender Daten können dazu führen, dass die erstellten Sichten verfälscht werden.
In den Pilotunternehmen zeigt sich, dass die Datenmodellierung für Beschäftigte der Fachbereiche eine immense Herausforderung darstellt. Häufig fehlen die Kenntnisse zur Modellierung von Geschäftsprozessen und der zugehörigen Datenerfassungen bzw. der Zugriff auf die Unternehmensdatenbestände in den kommerziellen Softwaresystemen, die von den Anbietern bereitgestellt werden müssten.
Inkonsistente oder fehlerhafte Daten aus verschiedenen Systemen führen zu einer reduzierten Datenqualität und beeinträchtigen die Genauigkeit der Dashboards erheblich. Oftmals sind diese auf Lücken und Abweichungen in den organisatorischen Abläufen zur Datenerfassung zurückzuführen.
Funktionsumfang und Ausgestaltung von Dashboards werden maßgeblich durch ihren Einsatzzweck bestimmt [7]. Relevante Anwendungsfälle in den Pilotunternehmen sind:
- Operative Dashboards zurÜberwachung von täglichen Geschäftsabläufen und Prozessen anhand von Echtzeitdaten
- Analytische Dashboards ermöglichen es, anhand historischer Daten Trends zu abzuleiten und Muster zu erkennen
- Strategische Dashboards bieten eine aggregierte Sicht auf die langfristige Leistung und Erfüllung der strategischen Ziele
Die systematische Aufbereitung des Entwicklungsprozesses und der Erfahrungen aus der Aktionsforschung in den Pilotunternehmen seit 2022 zeigt mehrere Komplexe, die aufeinander aufbauen und (in jeweils unterschiedlichem Umfang) bearbeitet werden müssen, um letztendlich ein effektives, an die Unternehmensbedingungen angepasstes Dashboard bereitzustellen (Bild 2).
Erkenntnisse aus dem Entwicklungsprozess von Dashboards
Die Dashboardentwicklung erfolgt in den Pilotunternehmen in kooperativen, interdisziplinär besetzten Projekten von Unternehmensmitarbeitern und Wissenschaftlern aus Informatik und Arbeitswissenschaft.
Start ist die Ermittlung spezifischer Nutzeranforderungen und die Definition der Ziele, die mit dem Dashboard erreicht werden sollen. Das sichert die Übereinstimmung mit dem Bedarf der Benutzer und die Akzeptanz der Lösungen.
Leitfadengestützte Experteninterviews eignen sich dazu, tiefere Einblicke in Bedürfnisse und Erwartungen der Benutzer zu gewinnen. Gruppenworkshops bieten eine Plattform für den Austausch von Ideen und Diskussion von Anforderungen unter den Benutzern. Für die operativen Dashboards kamen in den Pilotunternehmen leitfadengestützte Experteninterviews zum Einsatz, deren Ergebnisse der Inhaltsanalyse in Gruppendiskussionen validiert wurden. Für analytische Dashboards bewährte sich die Gruppendiskussion, bei der alle Aussagen der Beteiligten dokumentiert und aufbereitet wurden.
Mock-ups der Dashboards können den Benutzern in diesem Entwicklungsschritt helfen, ihre Anforderungen zu konkretisieren (vgl. [8]). In den Pilotunternehmen kamen keine Mock-ups, sondern unmittelbar nach der Gewährleistung des Datenzugriffs auf den Unternehmensfall abgestimmte Prototypen zum Einsatz, die iterativ überarbeitet wurden. Dieses Herangehen ist eine Herausforderung für den Entwickler, dessen Entwurf wiederholt in Frage gestellt und zur Überarbeitung und Erweiterung gegeben wird. Das „Einfrieren“ eines abgestimmten Funktionsumfanges ist daher auf einer bestimmten Entwicklungsstufe sinnvoll. Weitere Überarbeitungen bzw. Erweiterungen sollten erst nach einer Testphase initiiert werden.
Die von potenziellen Nutzern formulierten Anforderungen werden in einem Anforderungsdokument festgehalten.
Voraussetzung der Visualisierung ist ein Datenmodell des Unternehmens, das die Datenbestände der im Einsatz befindlichen BI-Software sowie vorhandene Beziehungen zwischen diesen abbildet. Dieses zu formulieren stellt für viele Unternehmen, wie schon beschrieben, eine große Herausforderung dar.
Für die Erarbeitung und Klärung dieses Datenmodells und seine kontinuierliche Erweiterung hat sich die Kombination von Geschäftsprozess- und Datenmodellierung bewährt. Die Arbeitsprozesse der einzelnen Beschäftigten der Pilotunternehmen wurden als Ausgangspunkt genutzt, um den arbeitsaufgabenspezifischen Datenanalysebedarf zu bestimmen und benötigte Datenstrukturen zu identifizieren. Für die Dokumentation eignen sich Flussdiagramme, die um Dateninput und -output ergänzt werden, z. B. nach der Business Process Modeling Notation (BPMN).
Die Detaillierung der Anforderungen an das Dashboard erfordert einen iterativen Prozess unter Mitwirkung der jeweiligen Beschäftigten, weil bisherige Datenauswertungen vielfach auf deren implizitem Wissen beruhen. In den durchgeführten Expertengesprächen oder Workshops zeigte sich, dass es für die Beschäftigten schwierig ist, ihre Denkschritte zu explizieren. Sie sind gefordert, sich in die Situation anderer, auch fachfremder Beschäftigter zu versetzen.
In diesem Kontext bietet es sich auch an, übliche Wertebereiche für erfasste Daten zu sammeln, um Regeln für evtl. erforderliche Alarmmeldungen oder zur Ausreißeridentifikation formulieren zu können. Die unmittelbare Einbeziehung der Dashboardentwickler in diesen Schritt ist für den direkten Informationsaustausch, z. B. zur Klärung der verfügbaren Optionen äußerst sinnvoll.
Nachdem die relevanten Prozesse und Datenelemente identifiziert und deren Zusammenhang geklärt wurde, werden die zugehörigen Datenquellen untersucht. In allen Pilotunternehmen wurde zahlreiche „Dateninseln“ vorgefunden, d. h. es existieren mehrere aufgabenspezifische Datenbestände. Ihre für die meisten Dashboardlösungen notwendige Verknüpfung ist allerdings in den meisten Fällen aus technischen oder organisatorischen Gründen nicht gegeben.
Aus diesem Grund wurde in den Unternehmen das Konzept des Data Warehouse [9] umgesetzt. Dabei handelt es sich meist um eine relationale Datenbank, die als zentrale Datenquelle für die zu entwickelnden Dashboards agiert. Im Data Warehouse werden die notwendigen Daten aus den verschiedenen Quellsystemen des Unternehmens zusammengeführt und in ein für das geplante Dashboard passendes integriertes Schema überführt (Bild 3).
Je nach Anforderungen ergibt sich unter Umständen die Notwendigkeit, die Datenerfassung in den Unternehmen zu erweitern. Dies kann z. B. durch Einführung von Sensorik zur automatischen Datenerfassung, Auslesen von Daten aus Maschinensteuerungen oder durch Einsatz von Erfassungstools für die Beschäftigten geschehen.
Für die eigentliche Dashboarderstellung wurde in den Pilotunternehmen Opensource-Software zur Anwendung gebracht. Ein gut konzipiertes Dashboard ermöglicht es Nutzern, komplexe Informationen schnell zu erfassen und daraus wertvolle Einsichten zu gewinnen. Zum Vorgehen [10, 11] zum Layout eines Dashboards und zu Auswahl und Gestaltung der Diagramme gibt es eine Fülle von Templates [12] und Auswahlempfehlungen [13–17]. Fragestellungen der Usability, Verständlichkeit sind in Normen festgehalten (z. B. Normengruppe DIN EN ISO 9241 ([18]).
In den Pilotunternehmen kommen zunächst Darstellungen geringer Komplexität zur Anwendung. Die Entwürfe mit verschiedenen Darstellungsformen werden jeweils mit den Nutzern diskutiert (siehe beispielhaft Bild 4).
Die Dashboards werden per Webbrowser im jeweiligen Intranet bereitgestellt. Dieser Modus gewährleistet einen niedrigschwelligen Zugriff, erlaubt eine einfache zentrale Verwaltung und kommt ohne separate Softwareinstallationen auf diversen Endgeräten aus. Der Standort der Präsentation richtet sich nach dem Einsatzzweck. Das Dashboard zur Anzeige der Produktionsparameter in Echtzeit für die Maschinenführer, um zur Leistungssteigerung zu motivieren, wird im Unternehmen C per Großbildschirm direkt an den Anlagen zur Anzeige gebracht.
Im Unternehmen A wird ein Messplatz mit Monitor zur Präsentation ausgestattet, der von den Anlagenführern bei jedem Auftragswechsel aufgesucht wird. Analytische Dashboards, etwa die Überwachung der aktuellen Arbeitsplanung, kommen hingegen auf den PCs der jeweils verantwortlichen Personen zum Einsatz. Diese werden dann auch mit Interaktionsfunktionalität (drill down-Prinzip), z. B. zum Filtern nach Zeiträumen, ausgestattet. Bei der jeweiligen Visualisierung wurde die Einhaltung der DSGVO [19] berücksichtigt.
Erwartete Veränderungen der Arbeitstätigkeiten
Eindeutig positive Veränderung in den Pilotunternehmen ist der schnellere Datenzugriff und die automatisierte Berichterstattung. Hat die Bereitstellung der Diagramme für die Mitarbeiterinformation im Fall A 15-45 min täglich in Anspruch genommen, sind diese mit dem neuen System quasi per Knopfdruck verfügbar. Gleiches gilt für Fall D, wo bisher mühevoll ein Export aus verschiedenen BI-Software-Lösungen und einer Zusammenführung in Excel programmiert wurde, der bei jedem Softwareupdate aktualisiert werden musste. Diese sichtbare Effizienzsteigerung trägt zur Akzeptanz durch die unmittelbar damit beauftragten Beschäftigten, aber auch die der indirekt Beteiligten, bei.
Die Beurteilung des Systemeinsatzes und seiner Usability erfolgt zunächst nach einen Testzeitraum von ca. 4 Wochen (je nach Einsatzhäufigkeit) mittels Fragebogen mit dem Ziel einer Überarbeitung der technischen Lösung. Nach einem Einsatzzeitraum über mehrere Monate kommen Fragebögen und leitfadengestützte Interviews mit Fokus auf der qualitativen Einschätzung von Veränderungen der Arbeitstätigkeiten hinsichtlich der Aspekte Produktivität, Aufgabeninhalte, Belastungsänderungen und erforderliche Kompetenzen zum Einsatz.
Erwartet werden:
- kürzere Reaktionszeiten und erhöhte Produktivität durch Informationszugriff in Echtzeit
- Freiräume für die Erledigung der eigentlichen Arbeitsaufgabe: es gilt jedoch zu beachten, dass der Wegfall dieser Aufgabe sich auch negativ auswirken könnte, wenn kein adäquater Ersatz gegeben ist
- neue Möglichkeiten durch das System, z. B. der Einsatz Maschinellen Lernens zur Identifikation von Trends und Zusammenhängen
- vergrößerter Personenkreis, der sich mit Datenauswertung beschäftigt (nicht nur Fachspezialisten). Daher wird Schulungsaufwand erwartet, damit die Mitarbeiter die Darstellungen korrekt interpretieren.
Limitationen der Untersuchung
Da der zu untersuchende Implementierungsprozess noch nicht abgeschlossen ist, haben die genannten Erkenntnisse zunächst vorläufige Gültigkeit. Eine weitere Limitation ergibt sich aus der Spezifik des Action Research-Ansatzes, infolgedessen die Ergebnisse nicht zwangsläufig allgemeingültig sind [20]. Daher ist eine Metastudie über insgesamt 10 Unternehmensfälle zum Projektende vorgesehen. Sie wird einen mixed-method-Ansatz [21] verfolgen und weitere Einführungsfälle digitaler Assistenzsysteme anhand eines selbst definierten Use-Case-Merkmalssatzes analysieren, um qualitativ allgemeingültige Aussagen abzuleiten.
Dashboards werden immer bedeutender
Der Beitrag verdeutlichte anhand der Erkenntnisse konkreter Pilotfälle, welche komplexen Herausforderungen auf dem Weg zur Datenvisualisierung mittels Dashboards zu bewältigen sind. Angesichts der Vielzahl verfügbarer Datenvisualisierungstools und den Realisierungsmöglichkeiten generativer KI-Systeme [22] ist jedoch eine Aufmerksamkeitsverlagerung auf Anforderungsanalyse, Datenmodellierung und Aufbau eines Data Warehouse zu erwarten. Diese Aspekte sind entscheidend, um eine solide Grundlage für effektive Datenvisualisierungen zu schaffen.
Der Beitrag unterstützt außerdem die Ableitung fundierter Empfehlungen für nachfolgende Forschungsarbeiten. Diese sind notwendig, um die Auswirkungen von Dashboards auf die Produktivität von Unternehmen sowie die Veränderungen in den Arbeitsabläufen, Arbeitstätigkeiten und den damit verbundenen Kompetenzanforderungen sowie Einflussfaktoren im Implementierungsprozess detailliert zu untersuchen.
Das Regionale Kompetenzzentrum der Arbeitsforschung „PAL – Perspektive Arbeit Lausitz“ wird vom Bundesministerium für Bildung und Forschung unter dem Förderkennzeichen 02L19C301 gefördert, Projektlaufzeit: 01.11.2021–31.10.2026, wofür gedankt wird.
Dies ist ein Originalbeitrag. Die englische Übersetzung finden Sie unter der DOI: 10.30844/I4SE.25.5.130
Literatur
[1] Di Giulio, A.; Defila, R. (Hrsg). Transdisziplinär und transformativ forschen. Wiesbaden 2018.[2] Zhang, Q.: The Impact of Interactive Data Visualization on Decision-Making in Business Intelligence. In: Advances in Economics, Management and Political Sciences 87 (2024) 1, S. 166–171.
[3] Perkhofer, L.; Eisl, C.; Teufl, J.; Hofer, P.: Komplexitätsreduktion im Nachhaltigkeitsreporting durch richtiges Dashboard Design. Konferenzband CARF Luzern 2024.
[4] Perkhofer, L. M.; Hofer, P.; Walchshofer, C.; Plank, T.; Jetter, H.-C.: Interactive visualization of big data in the field of accounting: A survey of current practice and potential barriers for adoption. In: Journal of Applied Accounting Research 20 (2019) 4, S. 497–525.
[5] Sproten, A.N.: Datenvisualisierung und Business Intelligence – Methoden zur Unterstützung der Entscheidungsfindung. In: Halfmann M, Schüller K (Hrsg): Marketing Analytics. Wiesbaden 2022, S. 139–159
[6] Lober, A.; Kriebel, L.: Der Data Act und seine Auswirkungen: Was Sie wissen müssen. Industry of Things 2024. URL: https://www.industry-of-things.de/data-act-wirkung-auf-vernetzte-produkte-a-6ea00d2316e25b197672abe807d3eead/, Abrufdatum 21.06.2025.
[7] UXPin. Effective Dashboard Design Principles for 2025. Studio by UXPin 2025. URL: https://www.uxpin.com/studio/blog/dashboard-design-principles/, Abrufdatum 21.06.2025.
[8] Corr, L.; Stagnitto, J.: Agile data warehouse design: collaborative dimensional modeling, from whiteboard to star schema. rev. ed. Leeds 2014.
[9] Inmon, W.H.: Building the Data Warehouse Fourth Edition. 4th ed. Indianapolis, Indiana 2005.
[10] Schulz, A,-K.; Proff, D. U.: Datenvisualisierung und Dashboards. In: Wesselmann, M. (Hrsg.). Content gekonnt: Strategie, Organisation, Umsetzung, ROI-Messung und Fallbeispiele aus der Praxis. Wiesbaden 2020, S. 295–322
[11] Jacobs, L.; Hensel-Börner, S.: Die Kraft effektiver Daten-Visualisierung – CLEAR(I): Ein Leitfaden zur wirkungsvollen Dashboard-Gestaltung. In: Boßow-Thies, S.; Hofmann-Stölting, C.; Jochims, H. (Hrsg): Data-driven Marketing: Insights aus Wissenschaft und Praxis. Wiesbaden 2020, S. 43–75.
[12] Hichert, R.; Faisst, J.: Notationsstandards in der Geschäftskommunikation und deren praktischer Nutzen. 2014. URL: https://ibcs.com/wp-content/uploads/2016/09/SAP-IBCS-white-paper_deutsch_2014-06-18.pdf, Abrufdatum 21.06.2025.
[13] Healy, C.; Holtz, Y.: From data to Viz | Find the graphic you need n.d. URL: https://www.data-to-viz.com/data-to-viz.com, Abrufdatum 21.06.2025.
[14] Bach, B.; Freeman, E.; Abdul-Rahman, A. et al. Dashboard Design Patterns. In: IEEE Transactions on Visualization and Computer Graphics (2023) 29, S. 342–352.
[15] Tomboc, K.: 20 wichtige Diagramm Arten und ihre Verwendung. Piktochart 2021. URL: https://piktochart.com/de/blog/diagramm-arten/, Abrufdatum 21.06.2025.
[16] insightsoftware. Auswahl des richtigen Diagramms für Ihre Daten. insightsoftware 2023. URL: https://insightsoftware.com/de/blog/choosing-right-chart-data/, Abrufdatum 21.06.2025.
[17] Hofer, P.; Perkhofer, L. et al.: Interaktive Big Data Visualisierungen – Potenzial für das Management Reporting. In: Keimer, I.: Egle, U. (Hrsg) Die Digitalisierung der Controlling-Funktion: Anwendungsbeispiele aus Theorie und Praxis. Wiesbaden 2020, S. 159–187.
[18] DIN Deutsches Institut für Normung e. V. (Hrsg): DIN EN ISO 9241-171: Ergonomie der Mensch-System-Interaktion Teil 171: Leitlinien für die Barrierefreiheit von Software (Entwurf) 2023.
[19] Datenschutz-Grundverordnung (DSGVO) – Finaler Text der DSGVO inklusive Erwägungsgründe n.d. URL: https://dsgvo-gesetz.de/, Abrufdatum 21.06.2025.
[20] Monkevičienė, O.; Galkienė, A.: Theoretical and Methodological Validation of the Action Research: Methodology of the Scientific Study. In: Galkienė, A.; Monkevičienė, O. (Hrsg): Improving Inclusive Education through Universal Design for Learning. Cham 2021, S. 59–69.
[21] Kuckartz, U.: Mixed Methods: Methodologie, Forschungsdesigns und Analyseverfahren. 2014.
[22] QLIK: Nach AI: Neue Impulse für Daten, Erkenntnisse und Maßnahmen n.d. URL: https://assets.qlik.com/image/upload/v1736788821/qlik/docs/resource-library/ebooks/resource-eb-after-ai-reinventing-data-insights-and-action-amidst-the-noise-de_qiu6a4.pdf, Abrufdatum 21.06.2025.
Ihre Downloads
Potenziale: Management Qualifizierung
Lösungen: Produktionsplanung
Das könnte Sie auch interessieren
