„Wir wollen mehr mit Daten machen” – diesen Satz hört man in KMU immer öfter. Doch zwischen Wunsch und Wirklichkeit klafft meist eine große Lücke. Nicht weil es an Daten mangelt – die gibt es reichlich. Sondern weil niemand weiß, wo man anfängt, ohne sich zu verzetteln.
Die gute Nachricht: Der Einstieg ist einfacher als gedacht. Man braucht weder ein sechsstelliges Budget noch eine eigene BI-Abteilung. Was man braucht, ist ein klarer Plan, ein paar praktische Werkzeuge und die Bereitschaft, klein anzufangen.
Dieser Artikel zeigt konkret, wie KMU den Sprung schaffen – mit echten Beispielen, ohne Buzzwords.
Das eigentliche Problem: Nicht fehlende Daten, sondern fehlende Klarheit
Die meisten KMU ertrinken bereits in Daten:
- CRM-System: Kundeninformationen, Verkaufshistorie, Angebote
- Excel-Listen: Budgets, Kalkulationen, Projektstatus, Lieferantenlisten
- E-Mail-Postfächer: Feedback, Anfragen, Beschwerden
- Website-Analytics: Besucherzahlen, Seitenaufrufe, Conversions
- ERP/Warenwirtschaft: Lagerbestände, Lieferzeiten, Bestellungen
- Social Media: Interaktionen, Reichweite, Kommentare
Das Problem ist nicht die Menge der Daten. Das Problem ist:
- Verteilung: Daten liegen in verschiedenen Systemen, keiner hat den Überblick
- Redundanz: Dieselben Infos werden mehrfach gepflegt (und widersprechen sich)
- Unklarheit: Niemand weiß, welche Zahlen wirklich wichtig sind
- Bauchgefühl siegt: Entscheidungen basieren auf Annahmen statt Fakten
Ein typisches Beispiel:
Ein mittelständischer Online-Shop mit 15 Mitarbeitern hat:
- Bestelldaten im Shopsystem
- Kundenstamm im CRM
- Versandkosten in Excel
- Marketingbudgets in Google Sheets
- Retourenquoten in einem separaten Tool
Jeden Monat verbringt der Geschäftsführer einen halben Tag damit, all diese Zahlen zusammenzutragen, um zu verstehen: Verdienen wir eigentlich Geld?
Das ist keine Ausnahme. Das ist der Normalfall.
Schritt 1: Die richtigen Fragen stellen (bevor man Tools kauft)
Bevor man Tools evaluiert oder Dashboards baut, braucht es Klarheit über das Warum.
Die entscheidende Frage: Welche Entscheidungen sollen besser werden?
Nicht: „Wir wollen mehr Daten nutzen.” Sondern: „Wir wollen diese konkreten Entscheidungen datenbasiert treffen.”
Beispiele aus der Praxis:
| Bereich | Schlechte Frage | Bessere Frage |
|---|---|---|
| Vertrieb | „Wie läuft der Vertrieb?” | „Welche Kunden haben in den letzten 6 Monaten nicht mehr gekauft – und warum?” |
| Marketing | „Bringt Social Media was?” | „Welcher Kanal liefert Leads mit der höchsten Conversion-Rate?” |
| Service | „Sind Kunden zufrieden?” | „Welche drei Probleme führen am häufigsten zu Support-Tickets?” |
| Finanzen | „Wo geben wir Geld aus?” | „Welche Kostenpositionen sind in den letzten 12 Monaten überproportional gestiegen?” |
| Produktion | „Läuft die Produktion?” | „Bei welchen Produkten haben wir die höchste Fehlerquote?” |
Warum diese Präzision wichtig ist
Wer mit „Wir wollen Daten nutzen” startet, endet oft in einem dieser Szenarien:
- Dashboard-Friedhof: Viele bunte Charts, die niemand nutzt
- Analyse-Paralyse: Monatelange Vorbereitung, aber keine Entscheidung
- Tool-Hopping: Ständig neue Software, die wieder eingestellt wird
- Frustration: „Daten bringen uns nichts” wird zum Mantra
Wer stattdessen mit konkreten Fragen startet, kann innerhalb von Wochen erste Erfolge zeigen.
Schritt 2: Datenquellen aufräumen – ohne perfektionistisch zu werden
Das Chaos verstehen
Typische KMU-Situation:
- 5-10 verschiedene Excel-Dateien für verschiedene Zwecke
- Versionen-Wirrwarr: „Finale_Budget_2024_v3_wirklich_final.xlsx”
- Doppelte Wahrheit: CRM sagt 50 aktive Kunden, Excel sagt 47
- Manuelle Copy-Paste-Workflows: Daten werden wöchentlich von Hand übertragen
- Niemand weiß, was aktuell ist: „Welche Zahl stimmt jetzt?”
Die pragmatische Lösung: Aufräumen in drei Schritten
Schritt 2.1: Inventur machen
Aufgabe: Eine Liste aller Datenquellen erstellen.
Vorlage:
| Datenquelle | Was steht drin? | Wer pflegt es? | Wie oft? | Wie aktuell? |
|---|---|---|---|---|
| CRM | Kundenstamm, Verkaufshistorie | Vertrieb | täglich | aktuell |
| Excel: Budget | Jahresbudget, Kostenstellen | CFO | monatlich | meist aktuell |
| Shopsystem | Bestellungen, Umsätze | automatisch | Echtzeit | aktuell |
| Google Sheets: Kampagnen | Marketingbudgets, Klicks | Marketing | wöchentlich | verzögert |
Zeitaufwand: 2-3 Stunden. Aber diese Übersicht ist Gold wert.
Schritt 2.2: Redundanzen eliminieren
Faustregel: Jede Information sollte genau einmal gepflegt werden.
Beispiel:
- Vorher: Kundendaten im CRM + in Excel für Rechnungen + in Google Sheets für Kampagnen
- Nachher: Kundendaten nur im CRM, alle anderen Systeme ziehen von dort
Technisch oft einfacher als gedacht:
- Viele CRMs bieten CSV-Export
- Google Sheets kann direkt mit vielen Tools verbunden werden
- Zapier/Make.com können Daten synchronisieren (auch ohne Code)
Schritt 2.3: Eine zentrale Ablage schaffen
Nicht: Jeder speichert auf seinem Rechner. Sondern: Zentrale Ablage (Cloud oder Netzlaufwerk) mit klarer Struktur.
Beispiel-Struktur:
/Daten
/Stammdaten
- Kunden.xlsx (Master)
- Produkte.xlsx (Master)
/Vertrieb
- Verkaufszahlen_2024.xlsx
/Marketing
- Kampagnen_Q3_2024.xlsx
/Finanzen
- Budget_2024.xlsxWichtig:
- Keine Versionsnummern in Dateinamen (stattdessen Versionierung nutzen)
- Klare Namenskonventionen: YYYY-MM-DD_Thema.xlsx
- README-Datei: Erklärt, was wo liegt
Was das bringt – ein Praxisbeispiel
Unternehmen: Handwerksbetrieb, 25 Mitarbeiter
Vorher:
- Jeder Projektleiter führt eigene Excel-Liste mit Materialkosten
- Geschäftsführer kann nicht sehen, welche Projekte profitabel sind
- Monatliches Zusammentragen dauert 8 Stunden
Nachher:
- Zentrale Excel-Vorlage für Projektkalkulation
- Alle speichern in zentralem Ordner
- Power Query sammelt automatisch alle Projekte ein
- Geschäftsführer hat jederzeit aktuellen Überblick
Zeitersparnis: 6 Stunden pro Monat Zusatznutzen: Früherkennung von Projekten, die aus dem Ruder laufen
Schritt 3: Die ersten KPIs – was wirklich zählt
Die drei wichtigsten KPIs für jedes KMU
Egal welche Branche – diese drei Kennzahlen sind universell relevant:
1. Umsatz & Profitabilität
Was messen:
- Umsatz pro Monat/Quartal
- Bruttogewinn (Umsatz minus Wareneinsatz)
- Nettogewinn (nach allen Kosten)
Warum wichtig: Zeigt, ob das Geschäft wirtschaftlich gesund ist.
Wie messen:
- Aus ERP/Buchhaltung exportieren
- Monatlich in Excel visualisieren
- Trend über 12 Monate anzeigen
Beispiel-Erkenntnis: „Umsatz steigt, aber Gewinn sinkt – Warenkosten oder Personalkosten steigen schneller als Umsatz.”
2. Liquidität
Was messen:
- Verfügbares Bargeld + kurzfristig verfügbare Mittel
- Offene Forderungen (Kunden schulden uns noch Geld)
- Offene Verbindlichkeiten (wir schulden anderen Geld)
- Cash Runway: Wie lange reicht das Geld bei aktuellen Ausgaben?
Warum wichtig: Umsatz ist Eitelkeit, Gewinn ist Vernunft, Cash ist Realität. Ohne Liquidität ist man pleite – egal wie gut die Auftragslage aussieht.
Wie messen:
- Kontostand + Forderungen - Verbindlichkeiten
- Wöchentlich oder 14-tägig prüfen
Beispiel-Erkenntnis: „Wir haben 200.000 € Umsatz gemacht, aber nur 30.000 € auf dem Konto – weil Kunden erst in 60 Tagen zahlen.”
3. Kundenbindung & -wachstum
Was messen:
- Anzahl aktive Kunden
- Neue Kunden pro Monat
- Wiederkaufrate (wie viele Kunden kaufen mehrfach?)
- Abwanderungsrate (Churn)
Warum wichtig: Neukunden zu gewinnen kostet 5-7x mehr als Bestandskunden zu halten.
Wie messen:
- Aus CRM oder Verkaufsdaten
- Monatlich tracken
Beispiel-Erkenntnis: „Wir gewinnen 20 Neukunden pro Monat, verlieren aber 15 – netto wachsen wir kaum.”
Branchenspezifische KPIs
Zusätzlich zu den drei Basis-KPIs gibt es je nach Branche wichtige Ergänzungen:
| Branche | Wichtige KPIs |
|---|---|
| E-Commerce | Conversion Rate, Warenkorbwert, Retourenquote, Customer Lifetime Value |
| Handwerk/Dienstleistung | Auslastungsgrad, Stundensatz vs. Ist-Kosten, Projektverzögerungen |
| Produktion | Ausschussquote, Maschinenauslastung, Durchlaufzeit |
| SaaS/Abo-Modelle | MRR (Monthly Recurring Revenue), Churn Rate, Customer Acquisition Cost |
| Einzelhandel | Flächenproduktivität, Lagerumschlag, Durchschnittswert pro Kassenbon |
Wie viele KPIs zum Start?
Empfehlung: Maximal 5-7 KPIs.
Warum? Weil jede Kennzahl gepflegt werden muss. Lieber wenige KPIs, die wirklich genutzt werden, als 30, die keiner anschaut.
Schritt 4: Das erste Dashboard – ohne BI-Tool
Warum Excel/Google Sheets zum Start reicht
Viele denken: „Datenkultur = Power BI / Tableau / Looker.”
Falsch.
Für den Einstieg reichen Spreadsheets völlig:
- Jeder kennt Excel/Google Sheets
- Keine Lernkurve
- Keine Lizenzkosten
- Schnell anpassbar
Ein einfaches Dashboard in 30 Minuten
Beispiel: Geschäftsführer-Dashboard für ein KMU
Ziel: Jeden Montagmorgen einen Überblick über die wichtigsten Zahlen.
Aufbau:
| KPI | Aktueller Monat | Vormonat | Veränderung | Kommentar |
|---|---|---|---|---|
| Umsatz | 85.000 € | 92.000 € | -7,6% | Sommerflaute |
| Neue Kunden | 12 | 15 | -20% | Kampagne pausiert |
| Offene Rechnungen | 45.000 € | 38.000 € | +18% | Mahnung nötig |
| Liquidität | 62.000 € | 58.000 € | +6,9% | Stabil |
Zusatz: Mini-Charts
- Excel-Sparklines für Trendlinien
- Bedingte Formatierung (grün = gut, rot = Warnung)
Automatisierung (optional):
- Power Query zieht Daten automatisch aus anderen Sheets
- Google Sheets Scripts können Daten aus APIs holen
- Zapier/Make.com können Daten zusammenführen
Praxisbeispiel: Marketing-Dashboard für Kampagnen
Unternehmen: Kleines Marketing-Team, 8 Mitarbeiter
Problem: Jede Kampagne wird anders gemessen, kein Überblick über ROI.
Lösung: Google Sheets mit automatischem Import aus Google Ads, Facebook Ads, Website-Analytics.
KPIs:
- Ausgaben pro Kanal
- Leads pro Kanal
- Cost per Lead
- Conversion Rate
- ROI (Umsatz durch Kampagne vs. Ausgaben)
Ergebnis:
- Erkenntnis 1: Facebook-Kampagnen haben hohe Reichweite, aber niedrige Conversion
- Erkenntnis 2: Google Ads bringen weniger Leads, aber höhere Conversion
- Entscheidung: Budget von Facebook zu Google Ads verschieben
- Ergebnis: +40% mehr Leads bei gleichem Budget
Zeitaufwand: 2 Stunden Setup, danach 15 Minuten pro Woche Pflege.
Schritt 5: Mitarbeiter mitnehmen – ohne Schulungs-Overkill
Das größte Hindernis: Angst vor Veränderung
Typische Reaktionen auf “Wir werden datengetrieben”:
- “Ich hab keine Zeit für noch mehr Tools.”
- “Ich bin kein Zahlenmensch.”
- “Werden jetzt alle überwacht?”
- “Das haben wir schon immer so gemacht.”
Die Lösung: Quick Wins zeigen statt Schulungen halten
Statt: „Ab sofort müssen alle monatlich diese 10 KPIs pflegen.”
Besser: „Ich hab mal eine kleine Auswertung gemacht – schaut, was wir dadurch rausgefunden haben.”
Beispiel:
Vertriebsleiter zeigt im Meeting:
„Ich hab mal unsere Verkaufszahlen der letzten 12 Monate angeschaut. Dabei ist mir aufgefallen:
- Produkt A verkauft sich im Sommer kaum, im Winter sehr gut
- Produkt B läuft konstant
- Produkt C ist eigentlich unser Bestseller, aber seit 3 Monaten rückläufig
→ Wir sollten Produkt C pushen und bei A die Lagerbestände im Sommer runterfahren.”
Reaktion des Teams: „Cool, das wussten wir nicht!”
Effekt: Neugier statt Ablehnung.
Kleine Schulungen, große Wirkung
Format: Lunch & Learn (30 Minuten mit Snacks)
Thema: „Wie wir unsere Excel-Listen besser nutzen können”
Inhalte:
- Pivot-Tabellen (10 Min)
- Filter & Sortierung (5 Min)
- Bedingte Formatierung (5 Min)
- Fragen & Austausch (10 Min)
Effekt: Mitarbeiter können eigene kleine Auswertungen machen, fühlen sich ermächtigt.
Datenkultur = Kultur der Neugier
Nicht: „Daten sind Pflicht.” Sondern: „Daten helfen uns, bessere Entscheidungen zu treffen.”
Best Practices:
- Erfolge sichtbar machen („Dank Datenanalyse haben wir 10.000 € gespart”)
- Fragen ermutigen („Was würdest du gerne wissen?”)
- Fehler erlauben („Wir probieren, lernen, passen an”)
- Keine Überwachung („Daten dienen der Verbesserung, nicht der Kontrolle”)
Schritt 6: Klein starten, schnell lernen, skalieren
Die MVP-Methode für Datenkultur
Minimum Viable Product-Ansatz:
- Woche 1-2: Inventur der Datenquellen
- Woche 3-4: 3 KPIs definieren und erste Auswertung bauen
- Woche 5: Ergebnisse im Team vorstellen
- Woche 6-8: Feedback einholen, anpassen, erweitern
Nicht: 6 Monate planen, dann perfektes Dashboard ausrollen. Sondern: 2 Wochen bauen, testen, lernen, verbessern.
Wo KMU schnell konkrete Erfolge sehen
Beispiel 1: Vertrieb – Welche Kunden lohnen sich wirklich?
Situation: Vertrieb behandelt alle Kunden gleich, obwohl manche viel rentabler sind als andere.
Datenanalyse:
- Umsatz pro Kunde (letzte 12 Monate)
- Anzahl Bestellungen
- Durchschnittlicher Bestellwert
- Zahlungsmoral (schnell/langsam/Mahnungen)
Erkenntnis:
- 20% der Kunden machen 80% des Umsatzes
- 10% der Kunden verursachen 50% des Aufwands (viele kleine Bestellungen, späte Zahlung)
Entscheidung:
- A-Kunden: persönliche Betreuung, Rabatte, VIP-Service
- C-Kunden: Standardprozess, evtl. Mindestbestellwert einführen
Ergebnis: +15% Umsatz bei gleichem Aufwand.
Beispiel 2: Marketing – Welche Kanäle bringen wirklich Kunden?
Situation: Budget wird „nach Gefühl” verteilt: Social Media, Google Ads, Newsletter, Events.
Datenanalyse:
- Ausgaben pro Kanal
- Leads pro Kanal
- Conversion Rate pro Kanal
- Customer Acquisition Cost (CAC)
Erkenntnis:
- Google Ads: CAC 120 €, hohe Conversion
- Facebook: CAC 200 €, niedrige Conversion
- Newsletter: CAC 40 €, mittlere Conversion
- Events: CAC 300 €, aber sehr hohe Kundenbindung
Entscheidung:
- Newsletter-Budget verdoppeln
- Facebook-Budget reduzieren
- Events beibehalten (Qualität statt Quantität)
Ergebnis: -20% Marketingkosten, +30% Leads.
Beispiel 3: Service – Welche Probleme kosten am meisten Zeit?
Situation: Support-Team ist überlastet, kann aber nicht sagen, warum.
Datenanalyse:
- Support-Tickets nach Kategorie
- Durchschnittliche Bearbeitungszeit
- Wiederkehrende Anfragen
Erkenntnis:
- 40% aller Tickets: „Wie funktioniert Feature X?”
- 25% aller Tickets: „Passwort vergessen”
- 20% aller Tickets: Echte Bugs
Entscheidung:
- FAQ-Seite für Feature X erstellen
- Self-Service-Passwort-Reset einbauen
- Mehr Zeit für Bugfixes
Ergebnis: -50% Support-Tickets, +20% Kundenzufriedenheit.
Die häufigsten Fehler (und wie man sie vermeidet)
Fehler 1: Perfektionismus
Problem: „Bevor wir starten, müssen alle Daten perfekt sein.”
Realität: Daten werden nie perfekt sein. Besser mit 80% starten als ewig warten.
Lösung: „Good enough” akzeptieren, dann schrittweise verbessern.
Fehler 2: Tool-Fokus statt Fragen-Fokus
Problem: „Wir kaufen Power BI, dann werden wir datengetrieben.”
Realität: Tools ohne klare Fragen führen zu ungenutzten Dashboards.
Lösung: Erst Fragen klären, dann Tools evaluieren.
Fehler 3: Zu viele KPIs
Problem: 30 KPIs im Dashboard, niemand weiß, worauf es ankommt.
Realität: Weniger ist mehr. Lieber 5 KPIs, die wirklich genutzt werden.
Lösung: Mit 3-5 KPIs starten, bei Bedarf erweitern.
Fehler 4: Daten ohne Kontext
Problem: „Umsatz ist um 10% gestiegen – ist das gut?”
Realität: Ohne Vergleich (Vorjahr, Ziel, Branche) sind Zahlen sinnlos.
Lösung: Immer Vergleichswerte zeigen (Vormonat, Vorjahr, Ziel).
Fehler 5: Keine Konsequenzen
Problem: Daten werden analysiert, aber keine Entscheidungen getroffen.
Realität: Analyse ohne Handlung ist Zeitverschwendung.
Lösung: Zu jedem Dashboard gehört: „Was tun wir jetzt?”
Tools für den Einstieg (ohne Budget-Explosion)
Für Datensammlung & -verwaltung
| Tool | Zweck | Kosten | Eignung |
|---|---|---|---|
| Google Sheets | Zentrale Datenhaltung, einfache Dashboards | Kostenlos | Perfekt für Start |
| Excel + Power Query | Daten aus mehreren Quellen zusammenführen | In Office enthalten | Gut für Windows-Umgebung |
| Airtable | Hybrid aus Datenbank & Spreadsheet | Freemium (bis 1.200 Zeilen gratis) | Gut für strukturierte Daten |
| Notion | Dokumentation + leichte Datenbank | Freemium | Gut für kleine Teams |
Für Visualisierung
| Tool | Zweck | Kosten | Eignung |
|---|---|---|---|
| Google Data Studio (Looker Studio) | Kostenlose Dashboards | Kostenlos | Perfekt für Start |
| Power BI Desktop | Professionelle Dashboards | Desktop gratis, Cloud ab 10€/Monat | Gut, wenn Excel-Know-how vorhanden |
| Metabase | Open-Source BI-Tool | Kostenlos (self-hosted) | Für technikaffine Teams |
Für Automatisierung
| Tool | Zweck | Kosten | Eignung |
|---|---|---|---|
| Zapier | Daten zwischen Tools synchronisieren | Freemium (100 Tasks gratis) | Einfach, kein Code nötig |
| Make (früher Integromat) | Komplexere Workflows | Freemium (1.000 Ops gratis) | Mehr Kontrolle als Zapier |
| n8n | Open-Source Workflow-Tool | Kostenlos (self-hosted) | Für technikaffine Teams |
Empfehlung für den Start
Phase 1 (Monat 1-3):
- Google Sheets für Datensammlung
- Google Data Studio für erste Dashboards
- Zapier für einfache Automatisierung
Phase 2 (Monat 4-6):
- Airtable für strukturierte Daten
- Power BI Desktop für komplexere Auswertungen
Phase 3 (Monat 7+):
- Bei Bedarf: echtes BI-Tool (Power BI Cloud, Metabase)
- Bei Bedarf: Data Warehouse (BigQuery, Snowflake)
Datenkultur ist ein Prozess, kein Projekt
Der Weg zu einer datengetriebenen Kultur entsteht nicht über Nacht. Aber er ist machbar – auch für KMU ohne großes Budget oder eigene Datenabteilung.
Die wichtigsten Erkenntnisse:
- Fragen vor Tools: Erst klären, welche Entscheidungen besser werden sollen
- Klein starten: 3-5 KPIs reichen für den Anfang
- Pragmatisch bleiben: Excel/Google Sheets reichen zum Start
- Mitarbeiter mitnehmen: Quick Wins zeigen statt Schulungen halten
- Iterieren: Bauen, lernen, anpassen, wiederholen
Der größte Hebel: Konsequent kleine Erfolge sichtbar machen und Mitarbeiter ermutigen, selbst Fragen zu stellen.
Denn am Ende geht es nicht um perfekte Dashboards oder teure Tools. Es geht darum, bessere Entscheidungen zu treffen – schneller, fundierter, nachhaltiger.
Und das funktioniert auch mit einfachen Mitteln. Man muss nur anfangen.
Individuelle Datenlösungen: Wenn Standardtools nicht ausreichen
Manchmal reichen Excel und Standard-BI-Tools nicht aus – besonders wenn Daten aus verschiedenen Quellen automatisiert zusammengeführt, aggregiert oder als maßgeschneiderte Reports aufbereitet werden sollen.
Sie brauchen Unterstützung bei:
- Automatisierter Datenintegration aus verschiedenen Systemen (CRM, ERP, Shop, Marketing-Tools)
- Individuellen Dashboards und Reports, die genau Ihre Fragen beantworten
- API-Anbindungen und Daten-Pipelines
- Custom-Lösungen, die über Standardsoftware hinausgehen
Dann lassen Sie uns sprechen. Ich entwickle maßgeschneiderte Datenlösungen für KMU – pragmatisch, wartbar und ohne Vendor-Lock-in.