Von der Frage zum Analyseplan

Worum es geht

Montagmorgen, Geschäftsleitungssitzung der Alpenrose Hotels AG in Interlaken. Vier Hotels, 260 Mitarbeitende, und ein Satz, der hängen bleibt: "Unsere Direktbuchungen brechen ein." Für jede Buchung über eine Plattform zahlt die Gruppe rund 15 Prozent Kommission. Wenn der Satz stimmt, kostet das jedes Jahr viel Geld. Wenn er nicht stimmt, droht eine teure Massnahme am falschen Ort.

Matteo, Lernender im 4. Lehrjahr, bekommt den Auftrag: "Schau dir das mal an." Viele würden jetzt das Buchungssystem öffnen, alle Daten exportieren und Diagramme bauen, bis irgendetwas auffällt. Das fühlt sich produktiv an, endet aber oft mit 40 Grafiken und keiner Antwort.

Dieser Kurs zeigt dir einen anderen Weg. Rechnen können Excel, SQL und Power BI. Interpretieren musst du: die richtige Frage stellen, Zahlen einordnen, Denkfallen erkennen, Unsicherheit ehrlich benennen und am Ende eine Empfehlung geben, die eine Geschäftsleitung versteht. In dieser ersten Lektion legst du das Fundament: Du machst aus einem Bauchgefühl eine prüfbare Analysefrage, zerlegst Kennzahlen in ihre Bausteine und formulierst Hypothesen, die scheitern dürfen.

Vom Gefühl zur Analysefrage

"Brechen die Direktbuchungen ein?" ist keine Analysefrage, sondern eine Sorge. Es fehlt fast alles: Welche Kennzahl ist gemeint, die Anzahl Direktbuchungen oder ihr Anteil? Verglichen womit? Über welchen Zeitraum? Für alle Hotels oder eines?

Eine gute Analysefrage erfüllt fünf Bedingungen:

Matteos Analysefrage lautet deshalb: "Wie hat sich der Anteil der Direktbuchungen von 2024 bis 2026 pro Hotel und Gästeherkunft entwickelt?" Dazu listet er die Daten auf, die er braucht: Buchungen aus dem Hotelsystem mit Kanal, Hotel, Herkunftsland, Buchungs- und Anreisedatum.

Explorativ oder bestätigend?

Ganz ohne Stöbern geht es nicht. Eine explorative Analyse ist der erste Blick: Wie viele Zeilen gibt es, welche Werte kommen vor, wie sieht der Zeitverlauf aus, welche Gruppen sind gross? Sie liefert Ideen. Eine bestätigende Analyse prüft dann gezielt eine Vermutung.

Wichtig ist die Trennung. Wer lange genug in denselben Daten sucht, findet immer ein auffälliges Muster, auch wenn es nur Zufall ist. Wenn du ein Muster in der Exploration entdeckst, formuliere es als Hypothese und prüfe es an einem anderen Zeitraum oder einer anderen Teilmenge.

Kennzahlen zerlegen: der Issue Tree

Eine Kennzahl wie Umsatz ist ein Endergebnis. Um Ursachen zu finden, zerlegst du sie in Bausteine, die sich unabhängig voneinander verändern können. Das Werkzeug dafür heisst Issue Tree (Fragenbaum): Oben steht die Hauptfrage, darunter die Teilfragen, die zusammen die Hauptfrage vollständig beantworten.

Im Detailhandel ist die klassische Zerlegung:

Umsatz = Anzahl Bons x Bon-Durchschnitt

Sinkt der Umsatz, gibt es also zwei Möglichkeiten: weniger Einkäufe oder kleinere Einkäufe. Beide haben völlig unterschiedliche Ursachen und Massnahmen. Weniger Einkäufe deuten auf Erreichbarkeit, Konkurrenz oder Öffnungszeiten. Kleinere Einkäufe deuten auf Sortiment, Preise oder Kaufkraft.

Bei Matteo sieht der Baum anders aus, das Prinzip ist gleich:

Direktbuchungen = alle Buchungen x Direktanteil
Direktanteil gesamt = gewichteter Durchschnitt der Direktanteile pro Gästegruppe

Die zweite Zeile wird in Lektion 5 entscheidend: Der Gesamtanteil kann sinken, obwohl er in keiner einzelnen Gruppe sinkt.

Veränderungen multiplizieren sich

Wenn sich zwei Faktoren gleichzeitig ändern, darfst du die Prozente nicht einfach addieren. Bei Bons -9 % und Bon-Durchschnitt +1 % ist der Umsatz nicht exakt -8 %, sondern:

(1 - 0.09) x (1 + 0.01) - 1 = 0.91 x 1.01 - 1 = -0.0809, also -8.1 %

Bei kleinen Veränderungen ist die Summe eine gute Näherung, bei grossen nicht: -30 % und +30 % ergeben nicht 0, sondern 0.7 x 1.3 - 1 = -9 %.

CREATE TABLE kasse_monat (
  jahr   INTEGER NOT NULL,
  monat  INTEGER NOT NULL,
  bons   INTEGER NOT NULL,
  umsatz REAL    NOT NULL
);
INSERT INTO kasse_monat VALUES
(2025, 1, 4200, 160440.00), (2025, 2, 4500, 172350.00), (2025, 3, 4300, 165980.00),
(2025, 4, 4250, 164475.00), (2025, 5, 4350, 167040.00), (2025, 6, 4400, 170715.00),
(2026, 1, 4074, 157256.40), (2026, 2, 4365, 168925.50), (2026, 3, 3784, 147954.40),
(2026, 4, 3740, 145860.00), (2026, 5, 3828, 148909.20), (2026, 6, 3872, 151585.20);

Hypothesen, die scheitern dürfen

Eine Hypothese ist eine vermutete Erklärung, die sich mit Daten bestätigen oder widerlegen lässt. Der zweite Teil ist der wichtige. "Die Website ist irgendwie schlechter geworden" lässt sich nicht widerlegen, denn jedes Ergebnis passt irgendwie dazu.

Eine prüfbare Hypothese hat drei Teile:

1. Ursache: Was vermutest du?
2. Beobachtbare Folge: Was müsste in den Daten sichtbar sein, wenn die Ursache stimmt?
3. Widerlegungskriterium: Welches Ergebnis würde die Hypothese widerlegen? Das legst du vor der Auswertung fest.

Matteos Analyseplan:

Warum das Widerlegungskriterium vorab? Weil Menschen dazu neigen, Daten so zu lesen, dass sie zur eigenen Vermutung passen (Bestätigungsfehler). Wer vorher aufschreibt, was ihn widerlegen würde, kann sich später nicht mehr herausreden.

Priorisieren: Was lohnt sich?

Eine Geschäftsleitung stellt selten eine scharfe Frage. "Warum läuft es in Thun schlecht?" kann zu zwanzig Teilfragen führen. Du hast aber vielleicht zwei Tage Zeit. Priorisiere mit drei Fragen:

• Wirkung: Würde die Antwort die Entscheidung verändern? Wenn nein, streichen.
• Datenlage: Gibt es die nötigen Daten schon, in brauchbarer Qualität?
• Aufwand: Wie lange dauert die Analyse ungefähr?

Teilfragen mit hoher Wirkung, guter Datenlage und kleinem Aufwand kommen zuerst. Teilfragen mit hoher Wirkung, aber fehlenden Daten notierst du als offene Punkte, etwa "Kundenbefragung nötig". So wird transparent, was die Analyse leisten kann und was nicht.

Schritt für Schritt: ein Analyseplan für die Filiale Thun

Eine Detailhandelskette mit 30 Filialen stellt fest: Der Umsatz der Filiale Thun liegt von Januar bis Juni 8 % unter dem Vorjahr. Die Regionalleiterin will wissen, warum.

Schritt 1: Analysefrage formulieren. "Welche Faktoren erklären den Umsatzrückgang der Filiale Thun von Januar bis Juni gegenüber dem Vorjahr, und welcher Anteil ist filialspezifisch?"

Schritt 2: Kennzahl zerlegen. Umsatz = Bons x Bon-Durchschnitt. Die Daten aus dem Kassensystem:

Schritt 3: Hypothesen aufstellen.

• H1: Weniger Kundinnen und Kunden (Bons gesunken). Widerlegt, wenn Bons stabil.
• H2: Kleinere Einkäufe (Bon-Durchschnitt gesunken). Widerlegt, wenn Bon-Durchschnitt stabil oder gestiegen.
• H3: Nur bestimmte Warengruppen betroffen. Widerlegt, wenn alle Warengruppen ähnlich sinken.
• H4: Externer Effekt durch die Baustelle vor der Filiale seit März. Widerlegt, wenn der Rückgang schon im Januar gleich stark war.

Schritt 4: Veränderung in Effekte aufteilen. Wie viel Franken gehen auf weniger Bons, wie viel auf den Bon-Durchschnitt?

Mengeneffekt  = (Bons AJ - Bons VJ) x Bon-Durchschnitt VJ
              = (23'663 - 26'000) x 38.50 = -89'974.50
Schnitteffekt = (Schnitt AJ - Schnitt VJ) x Bons AJ
              = (38.90 - 38.50) x 23'663  =  +9'465.20
Summe         = -80'509.30  (= 920'490.70 - 1'001'000.00)

Die Summe der beiden Effekte ergibt exakt die Umsatzveränderung. Diese Probe solltest du immer machen.

Schritt 5: Zwischenfazit. H2 ist widerlegt, der Bon-Durchschnitt ist sogar leicht gestiegen. Der ganze Rückgang kommt von weniger Bons. H1 ist bestätigt, und jetzt wird H4 interessant: Sind die Bons vor allem ab März gesunken?

Schritt 6: Nächste Teilfrage planen. Bons nach Monat aufteilen (vor und ab März) und mit der Region vergleichen. Das machst du im Labor und in Lektion 2.

Typische Fehler

1. Ohne Frage starten. Wer zuerst alle Daten anschaut, findet zufällige Muster und präsentiert sie als Erkenntnis. Korrektur: Analysefrage und Hypothesen vor der Auswertung aufschreiben.
2. Unwiderlegbare Hypothesen. "Das Marketing hat nachgelassen" ohne messbare Folge. Korrektur: Kennzahl und Widerlegungskriterium festlegen.
3. Nur eine Hypothese. Dann suchst du Bestätigung statt Unterscheidung. Korrektur: mindestens zwei konkurrierende Erklärungen.
4. Prozente addieren. -9 % Bons und +1 % Bon-Durchschnitt ergeben -8.1 %, nicht -8 %. Bei grossen Veränderungen wird der Fehler gross. Korrektur: Faktoren multiplizieren.
5. Alles analysieren wollen. Zwanzig Teilfragen in zwei Tagen ergeben zwanzig halbe Antworten. Korrektur: nach Wirkung, Datenlage und Aufwand priorisieren.

Zusammenfassung

• Eine Analysefrage nennt Kennzahl, Vergleich, Zeitraum, Gliederung und die Entscheidung dahinter.
• Exploration liefert Ideen, bestätigende Analyse prüft sie. Muster aus der Exploration prüfst du an anderen Daten.
• Zerlege Kennzahlen in unabhängige Bausteine, z.B. Umsatz = Bons x Bon-Durchschnitt.
• Eine Hypothese hat Ursache, beobachtbare Folge und ein vorab festgelegtes Widerlegungskriterium.
• Stelle konkurrierende Hypothesen auf und priorisiere Teilfragen nach Wirkung, Datenlage und Aufwand.
• Mengeneffekt plus Schnitteffekt ergeben genau die Veränderung. Mach die Probe.