Daten auswerten und interpretieren

Rechnen können Tools, interpretieren musst du. Du startest mit einer klaren Analysefrage und Hypothesen, setzt Kennzahlen in den richtigen Kontext und erkennst Trends und Saisonmuster in Zeitreihen. Du lernst, wie gross die Unsicherheit einer Zahl ist und warum aggregierte Daten manchmal das Gegenteil der Wahrheit zeigen. Mit Power BI baust du ein Analysemodell mit eigenen Kennzahlen und verdichtest die Ergebnisse zu Empfehlungen, die eine Geschäftsleitung versteht.

Das sind die Fähigkeiten, die am Ende des Moduls sitzen sollten. Jedes Ziel mit einem Beispiel aus dem Lehrbetrieb.

1. 1

   Analysefragen und überprüfbare Hypothesen formulieren

   Kompetenz A

   Du zerlegst eine offene Frage wie 'Warum sinkt der Umsatz?' in Teilfragen und formulierst Hypothesen, die sich mit Daten bestätigen oder widerlegen lassen. So arbeitest du gezielt statt planlos alle Daten durchzuklicken.

   Situation

   Eine Detailhandelskette mit 30 Filialen stellt fest, dass der Umsatz der Filiale Thun im Jahresvergleich um 8 % gesunken ist. Die Regionalleiterin will wissen, warum.

   Deine Aufgabe

   Erstelle einen Analyseplan mit Hypothesen.

   Gutes Ergebnis

   H1: Weniger Kundinnen (Anzahl Bons gesunken). H2: Gleich viele Kunden, aber kleinere Einkäufe (Bon-Durchschnitt gesunken). H3: Nur bestimmte Warengruppen betroffen. H4: Externer Effekt (Baustelle vor der Filiale seit März). Für jede Hypothese die nötige Kennzahl und Datenquelle festgelegt.

   AnalysefrageHypotheseIssue TreeKennzahlenzerlegungAnalyseplan
2. 2

   Kennzahlen mit Vergleichswerten in den richtigen Kontext setzen

   Kompetenz B

   Eine Zahl allein sagt wenig. Du vergleichst mit Vorjahr, Ziel, anderen Einheiten oder dem Gesamtmarkt und normalisierst, z.B. pro Mitarbeitende oder pro Quadratmeter. So wird sichtbar, ob eine Veränderung wirklich aussergewöhnlich ist.

   Situation

   Die Analyse zur Filiale Thun zeigt: Anzahl Bons -9 %, Bon-Durchschnitt stabil. Gleichzeitig ist der Umsatz aller Filialen der Region um 3 % gesunken.

   Deine Aufgabe

   Ordne die Zahlen ein.

   Gutes Ergebnis

   Etwa 3 Prozentpunkte des Rückgangs erklärt die regionale Entwicklung, die restlichen rund 5 Prozentpunkte sind Thun-spezifisch. Die Bons sanken vor allem ab März, zeitgleich mit der Baustelle. Vor März lag Thun im Regionsschnitt. H1 und H4 werden gestützt, H2 widerlegt.

   VorjahresvergleichBenchmarkNormalisierungZiel-Ist-VergleichBasiseffekt
3. 3

   Zeitreihen auf Trend, Saison und Ausreisser analysieren

   Kompetenz B

   Viele Geschäftsdaten schwanken mit Wochentag, Monat oder Feiertagen. Du trennst den langfristigen Trend von saisonalen Mustern, glättest mit gleitenden Durchschnitten und vergleichst gleiche Perioden über Jahre.

   Situation

   Der IT-Support eines Kantonsspitals meldet für Januar 35 % mehr Tickets als im Dezember und fordert eine zusätzliche Stelle.

   Deine Aufgabe

   Prüfe anhand der Ticketdaten der letzten 3 Jahre, ob das ein Trend ist.

   Gutes Ergebnis

   Januar ist jedes Jahr ein Spitzenmonat (Passwortwechsel, Jahresupdates), Dezember jedes Jahr tief (Feiertage). Vergleich Januar zu Januar: +6 %. 12-Monats-Durchschnitt steigt um 5 % pro Jahr. Fazit: moderates Wachstum, kein Sprung. Empfehlung: Spitze im Januar mit temporärer Unterstützung abfangen, Stellenfrage mit dem Jahrestrend begründen.

   TrendSaisonalitätgleitender DurchschnittYear-over-YearAusreisser
4. 4

   Typische Fehlschlüsse wie das Simpson-Paradox erkennen

   Kompetenz C

   Aggregierte Zahlen können täuschen. Du erkennst, wenn sich ein Ergebnis umdreht, sobald man nach Untergruppen aufteilt, wenn nur 'Überlebende' betrachtet werden oder wenn kleine Fallzahlen zu grossen Schwankungen führen.

   Situation

   Ein Versicherer vergleicht die Erstlösungsquote seiner Kundencenter. Standort A: 85 % (1'020 von 1'200), Standort B: 70 % (840 von 1'200). Das Management will die Arbeitsweise von A auf B übertragen.

   Deine Aufgabe

   Prüfe die Zahlen nach Anfragetyp.

   Gutes Ergebnis

   Einfache Anfragen: A 90 % (900 / 1'000), B 95 % (190 / 200). Komplexe Anfragen: A 60 % (120 / 200), B 65 % (650 / 1'000). B ist in beiden Kategorien besser, bekommt aber fünfmal mehr komplexe Fälle. Simpson-Paradox: Die Arbeitsweise von B ist eher das Vorbild.

   Simpson-ParadoxSurvivorship Biaskleine FallzahlenSelektionseffektConfounder
5. 5

   Die Unsicherheit von Ergebnissen abschätzen und offen kommunizieren

   Kompetenz C

   Stichprobenergebnisse sind Schätzungen. Du berechnest für Anteile ein ungefähres 95-%-Konfidenzintervall, prüfst bei Vergleichen, ob ein Unterschied grösser ist als die Unsicherheit, und formulierst Ergebnisse entsprechend vorsichtig.

   Situation

   Bei einer Kundenumfrage einer Krankenkasse sind 62 % von 400 Befragten mit der neuen App zufrieden. Im Vorjahr waren es 58 %, ebenfalls bei 400 Befragten. Das Marketing möchte 'Zufriedenheit deutlich gestiegen' kommunizieren.

   Deine Aufgabe

   Beurteile, ob die Aussage gerechtfertigt ist.

   Gutes Ergebnis

   Konfidenzintervall: 1.96 x Wurzel(0.62 x 0.38 / 400) = ±4.8 Prozentpunkte, also etwa 57 % bis 67 %. Das Vorjahr liegt darin. Der Anstieg um 4 Punkte ist nicht gesichert. Vorschlag: 'Zufriedenheit stabil bis leicht steigend, rund 6 von 10 Nutzenden sind zufrieden.'

   KonfidenzintervallFehlermargeSignifikanzStichprobengrössevorsichtige Formulierung
6. 6

   Ein Analysemodell in Power BI mit eigenen Measures aufbauen

   Kompetenz D

   Du verbindest Fakt- und Dimensionstabellen zu einem Sternschema, legst eine Datumstabelle an und schreibst DAX-Measures für Kennzahlen wie Vorjahreswert oder Abweichung. So lassen sich Fragen flexibel nach Zeit, Filiale oder Produkt beantworten.

   Situation

   Für die Regionalleitung soll die Thun-Analyse regelmässig für alle 30 Filialen verfügbar sein, statt jedes Mal in Excel neu gebaut zu werden.

   Deine Aufgabe

   Baue das Datenmodell und die zentralen Measures.

   Gutes Ergebnis

   Faktentabelle 'Verkäufe' mit Beziehungen zu 'Datum', 'Filiale' und 'Warengruppe'. Measures: Umsatz = SUM(Verkaeufe[Betrag]), Umsatz VJ = CALCULATE([Umsatz]; SAMEPERIODLASTYEAR('Datum'[Datum])), Abw. % = DIVIDE([Umsatz] - [Umsatz VJ]; [Umsatz VJ]). Jede Filiale lässt sich so mit einem Klick analysieren.

   SternschemaFakt- und DimensionstabelleDatumstabelleDAX MeasureCALCULATETime Intelligence
7. 7

   Erkenntnisse zu einer klaren Empfehlung verdichten

   Kompetenz E

   Du beantwortest zu jedem Befund die Frage 'Na und?' und ordnest die Ergebnisse nach dem Pyramidenprinzip: zuerst die Kernaussage, dann die stützenden Argumente, dann die Details. Annahmen und Grenzen der Daten nennst du offen.

   Situation

   Die Thun-Analyse ist abgeschlossen. Die Regionalleiterin hat 15 Minuten im nächsten Führungsmeeting.

   Deine Aufgabe

   Fasse die Analyse als Empfehlung zusammen.

   Gutes Ergebnis

   Kernaussage: 'Der Umsatzrückgang in Thun ist zu rund zwei Dritteln durch die Baustelle bedingt und dürfte sich nach Bauende im Oktober erholen.' Stützen: Bons seit März -12 %, vorher im Regionsschnitt; Bon-Durchschnitt stabil. Empfehlung: Bis Oktober Hinweistafeln und Gratis-Parkplatz-Aktion, danach Erholung mit dem Power-BI-Bericht monatlich prüfen. Grenze: Wetter und Konkurrenz nicht berücksichtigt.

   So what?PyramidenprinzipKernaussageAnnahmen und GrenzenNächste Schritte

Die Kompetenzmatrix zerlegt das Modul in Themenstränge und drei Stufen. Für den Kompetenznachweis solltest du überall mindestens Stufe 2 erreichen. Dein Stand bleibt in diesem Browser gespeichert und färbt Lernweg und Übungen ein.

Matteo ist im 4. Lehrjahr bei der Alpenrose Hotels AG in Interlaken, einer Gruppe mit vier Hotels und 260 Mitarbeitenden. Für jede Buchung über eine Buchungsplattform zahlt die Gruppe rund 15 Prozent Kommission, deshalb sind Direktbuchungen wichtig. An der letzten Sitzung hiess es: "Unsere Direktbuchungen brechen ein", und die Geschäftsleitung will wissen, ob das stimmt und was zu tun ist.

1. Kapitel 1

   Aus einem Gefühl werden Hypothesen

   Matteo formuliert die Analysefrage: Wie hat sich der Anteil der Direktbuchungen von 2024 bis 2026 pro Hotel und Gästeherkunft entwickelt? Dazu stellt er zwei Hypothesen auf. H1: Seit dem Website-Relaunch im März schliessen weniger Gäste die Buchung direkt ab. H2: Es kommen mehr Gäste aus Märkten, die traditionell über Plattformen buchen. Für beide schreibt er vorab auf, welches Ergebnis sie widerlegen würde.

   Ziel 1

2. Kapitel 2

   Der Juli mit dem Festival

   Im Juli liegen die Direktbuchungen 12 Prozent unter dem Vorjahr, was zuerst nach Einbruch aussieht. Matteo findet aber heraus, dass im Vorjahresjuli ein grosses Musikfestival stattfand, das viele Direktbuchungen brachte. Der gleitende Dreimonatsdurchschnitt zeigt einen leichten Rückgang, der schon im Februar beginnt, also vor dem Relaunch. Gleichzeitig sind die gesamten Logiernächte um 4 Prozent gestiegen.

   Ziel 2Ziel 3

3. Kapitel 3

   Ein Modell aus 48'000 Buchungen

   In Power BI baut Matteo ein Sternschema mit der Faktentabelle Buchungen aus dem Hotelsystem und den Dimensionen Hotel, Kanal, Herkunftsland und Datum. Das Measure für den Direktanteil schreibt er mit DIVIDE und CALCULATE. Der Vorjahresvergleich liefert zuerst unbrauchbare Werte: Die Beziehung lief über das Buchungsdatum statt das Anreisedatum, die Datumstabelle war nicht markiert, und auf der Achse lag die automatische Datumshierarchie der Faktentabelle statt der Datumstabelle. Nach der Korrektur dokumentiert er jedes Measure mit einer kurzen Beschreibung.

   Ziel 6

4. Kapitel 4

   Gesamthaft runter, einzeln stabil

   Über alle Gäste sinkt der Direktanteil von 41 auf 35 Prozent. Matteo teilt nach Herkunft auf und sieht etwas Überraschendes: Bei Schweizer Gästen ist der Anteil fast stabil, bei Gästen aus Asien sogar leicht gestiegen. Der Gesamtwert sinkt, weil heute viel mehr Gäste aus Asien kommen, die meist über Plattformen buchen, ein klassisches Simpson-Paradox. Für das kleinste Hotel mit nur rund 300 Buchungen gibt er eine Bandbreite von plus minus 5 Prozentpunkten an, statt einen genauen Wert zu behaupten.

   Ziel 4Ziel 5

5. Kapitel 5

   Kein Notfall-Relaunch

   Matteo verdichtet alles auf eine Seite: Die Direktbuchungen brechen nicht ein, die Gästestruktur verschiebt sich. H1 kann er mit fünf Monaten Daten nicht sicher widerlegen, H2 wird klar bestätigt. Er rät davon ab, die Website für geplante CHF 80'000 erneut umzubauen. Stattdessen empfiehlt er, die Kommissionen für die asiatischen Märkte nachzuverhandeln, einen Direktbuchungsvorteil für wiederkehrende Gäste zu testen und die Buchungsstrecke drei Monate lang eng zu beobachten.

   Ziel 7Ziel 1Ziel 5

1. 1

   Von der Frage zum Analyseplan

   ca. 3 Std.

   Du lernst, offene Fragen in überprüfbare Hypothesen zu zerlegen.

   • Für 'Warum sinkt der Umsatz?' einen Issue Tree mit Umsatz = Anzahl Kunden x Bon-Durchschnitt zeichnen
   • Zu drei Fragen aus deinem Lehrbetrieb je drei Hypothesen und die nötigen Daten notieren
   • Analysepläne in der Gruppe gegenseitig kritisieren

   Trainiert Kompetenz A1A2

   Lernziel1

2. 2

   Kontext und Zeit

   ca. 4 Std.

   Du übst, Kennzahlen mit Vergleichswerten einzuordnen und Zeitreihen zu zerlegen.

   • Für fünf Kennzahlen je einen sinnvollen Vergleichswert und eine Normalisierung finden
   • Eine Zeitreihe über 3 Jahre mit gleitendem Durchschnitt und YoY-Vergleich analysieren
   • Mit dem Excel-Prognoseblatt eine einfache Prognose erstellen und kritisch beurteilen

   Trainiert Kompetenz B1B2

   Lernziel23

3. 3

   Denkfehler und Unsicherheit

   ca. 4 Std.

   Du lernst typische Fehlschlüsse kennen und berechnest, wie sicher ein Ergebnis ist.

   • Das Simpson-Paradox an einem eigenen Beispiel in Excel nachbauen
   • Für drei Umfrageergebnisse Konfidenzintervalle berechnen
   • Fünf Medienberichte mit Statistik auf Fehlschlüsse prüfen

   Trainiert Kompetenz C1C2C3

   Lernziel45

4. 4

   Analysemodell in Power BI

   ca. 5 Std.

   Du baust ein Datenmodell mit Sternschema und schreibst die wichtigsten DAX-Measures.

   • Verkaufsdaten über Power Query laden und eine Datumstabelle anlegen
   • Beziehungen im Sternschema einrichten
   • Measures für Umsatz, Vorjahr, Abweichung in % und Anteil am Total schreiben

   Trainiert Kompetenz D1D2B2

   Lernziel62

5. 5

   Fallstudie mit Empfehlung

   ca. 4 Std.

   Du führst eine vollständige Analyse durch und präsentierst sie wie vor einer Geschäftsleitung.

   • Fallstudie mit Analyseplan, Auswertung und Prüfung auf Fehlschlüsse durcharbeiten
   • Ergebnisse nach dem Pyramidenprinzip auf einer Seite zusammenfassen
   • 10-Minuten-Präsentation halten und kritische Rückfragen beantworten

   Trainiert Kompetenz E2E3A3C2

   Lernziel715

Hypothese

Vermutete Erklärung, die sich mit Daten bestätigen oder widerlegen lässt.

Normalisierung

Werte auf eine gemeinsame Basis beziehen, z.B. pro Filiale, pro Kopf oder pro Quadratmeter.

Saisonalität

Regelmässig wiederkehrende Schwankungen, z.B. nach Monat oder Wochentag.

Gleitender Durchschnitt

Mittelwert über ein wanderndes Zeitfenster, der kurzfristige Schwankungen glättet.

Simpson-Paradox

Umkehr eines Zusammenhangs, wenn Daten aus Untergruppen zusammengefasst werden.

Konfidenzintervall

Bereich, in dem der wahre Wert mit einer bestimmten Sicherheit (meist 95 %) liegt.

Sternschema

Datenmodell mit einer zentralen Faktentabelle und darum angeordneten Dimensionstabellen.

DAX

Formelsprache in Power BI für berechnete Kennzahlen (Measures) und Spalten.

Pyramidenprinzip

Kommunikationsstruktur: zuerst die Kernaussage, dann gruppierte Argumente, dann Details.

Passende Module