Zum Hauptinhalt springen
Was heute schon geht und worauf es ankommt

Dashboards mit KI erstellen


susanne ullrich hma 655d963b
Susanne Ullrich, 30.10.2026

Kurz zusammengefasst:
„Dashboards sind tot, Reporting ist tot.“ Seit KI-Agenten vermeintlich jede Frage zu den eigenen Daten beantworten, ist dieser Satz oft zu hören. Beim Raw & Roasted am 29. Oktober 2026 hat Jörg Hopmann ein anderes Bild gezeigt: Wenn Sie Dashboards mit KI erstellen, bekommen Sie in kurzer Zeit einen überzeugenden Report. Verlässlich wird er aber erst im Zusammenspiel mit menschlicher Expertise. KI macht vieles schneller, die Erfahrung von Fachleuten schafft das Vertrauen in die Zahlen. Den größten Hebel für Budget und Entscheidungen haben die Unternehmen, die vorher klären, welche Kennzahlen zählen und wer die Regeln dafür verantwortet.

  • Dashboards bleiben das Werkzeug für Orientierung und eine gemeinsame Sicht auf das Geschäft. KI beschleunigt Mockups, Design und Abstimmungen und ergänzt Dashboards bei der Exploration.
  • Mit Briefing, Rohdaten und Brand Guidelines erstellt Claude in rund 30 Minuten ein interaktives Dashboard mit SEO-Analyse und Handlungsempfehlungen.
  • Der größte Return entsteht durch bessere Budgetentscheidungen. Die gesparte Zeit ist der kleinere Teil der Rechnung.
  • Semantic Layer und Context Layer sorgen dafür, dass KI-Dashboards verlässliche Zahlen zeigen.
Raw & Roasted Event zu KI im Reporting bei Hopmann Marketing Analytics in München

Raw & Roasted: Worum ging es beim Event?

Jörg Hopmann, Geschäftsführer Hopmann Marketing Analytics

Am 29. Oktober 2026 haben wir zum Raw & Roasted rund um KI im Reporting eingeladen, vor Ort in München und online. Den Vortrag hielt Jörg Hopmann, Geschäftsführer von Hopmann Marketing Analytics. Im Publikum saßen Fachleute aus Business Intelligence, Reporting und Marketing aus Branchen wie Automotive, Telekommunikation, Fashion, B2B und weiteren. Viele von ihnen arbeiten täglich mit Power BI oder Tableau.

Jörgs Antwort auf die Eingangsfrage: Dashboards sind nicht tot. Sie geben Orientierung, wenn man noch nicht weiß, welche Frage man stellen sollte, und sie schaffen eine gemeinsame Sicht auf das Geschäft. KI verändert vor allem, wie Dashboards entstehen: Mockups, Design und Abstimmungsschleifen mit den Fachbereichen gehen deutlich schneller. Und wer tiefer in die Daten einsteigen will, kann mit KI Fragen an die Daten stellen, ganz ohne SQL-Kenntnisse.

Dashboards mit KI erstellen: Die Live-Demo

Wie einfach es heute ist, Dashboards mit KI zu erstellen, hat Jörg live gezeigt. Die Zutaten: zehn CSV-Exporte aus Google Search Console und GA4, unsere Brand Guidelines und ein einseitiges Briefing als Markdown-Datei. Es beschreibt, wofür der Report da ist und wer ihn liest, in diesem Fall unser eigenes Marketingteam.

Claude hat daraus ein interaktives HTML-Dashboard mit fünf Tabs gebaut, inklusive detaillierter SEO-Analyse und Handlungsempfehlungen. Der gesamte Aufwand lag bei rund 30 Minuten, inklusive Briefing und kleinerer Änderungen. Das Dashboard zeigt, was gut lief, wo Aufmerksamkeit nötig ist und worauf sich das Team in den nächsten vier Wochen konzentrieren sollte.

Mit Claude erstelltes Dashboard mit fünf Tabs auf Basis von Google Search Console und GA4 Daten, mit fiktiven Zahlen
Das Claude-Dashboard aus der Live-Demo (mit fiktiven Zahlen): erstellt aus Briefing, zehn CSV-Dateien und unseren Brand Guidelines.

Denselben Versuch hat Jörg mit dem Open-Source-Modell DeepSeek auf einem gesicherten Server in Deutschland wiederholt. Das Ergebnis war vergleichbar, der Build dauerte etwas länger. Dafür bleiben Daten und Kosten vollständig unter eigener Kontrolle, ein echter Gewinn an Datensouveränität.

Weitere Beispiele aus der Demo

Business-Case-Rechner für Marketing Mix Modeling: Claude hat in Excel einen Rechner inklusive aller Formeln gebaut, der zeigt, ob sich ein Marketing Mix Modeling Projekt lohnt. Er berechnet Amortisationszeit und Kapitalwert über drei Jahre und spielt Szenarien von 1 bis 15 Prozent Effizienzgewinn durch. Wer die eigenen Zahlen eintippt, sieht sofort, welche Wirkung schon kleine Verbesserungen im Budgeteinsatz haben. So lassen sich auch andere Stakeholder im Business schnell abholen: Sie sehen den Nutzen eines MMM direkt an ihren eigenen Zahlen und können schneller entscheiden.

Das Dashboard in Power BI: Auf Basis des HTML-Dashboards hat Claude eine Power-BI-Version erstellt, mit Spezifikation, Datenmodell inklusive DAX und fertigem Report. Möglich machen das textbasierte Power-BI-Dateien sowie der Power BI MCP Server und Power BI Skills von Microsoft. Wer Power BI kennt, hätte das Datenmodell an einigen Stellen performanter aufgebaut. Erfahrung bleibt der entscheidende Faktor.

Erklärvideo für das Management: Ein neues Dashboard braucht Aufmerksamkeit im Unternehmen. Inspiriert von Claude Motion hat Jörg ein 60-sekündiges Erklärvideo erstellt, bewusst mit einem Open-Source-Modell: DeepSeek in Kombination mit Remotion, einem Framework, das Videos aus Code rendert. So lässt sich die eigene Arbeit intern überzeugend präsentieren, statt nur einen Link zum neuen Dashboard zu verschicken.

Und wie belastbar sind die Ergebnisse? Für einen unternehmensweiten Rollout würde Jörg ihnen noch nicht vollständig vertrauen. Sie bieten aber eine sehr gute erste Orientierung, auf der sich aufbauen lässt und die sich Schritt für Schritt verfeinern lässt. Entscheidend ist die Datenbasis.

Richtung, Vertrauen und Governance: Was KI-Dashboards brauchen

Wenn Fachbereiche ihre Reports selbst mit KI bauen, rücken neue Fragen in den Mittelpunkt.

Richtung: KI ermöglicht es allen, schneller mehr Reports zu erstellen. Wirkung entsteht aber erst, wenn dieser Output in dieselbe Richtung zeigt. Wenige verlässliche Dashboards, auf die alle schauen, bringen mehr als hunderte Einzelreports. Jörgs Beispielrechnung zeigt, warum: Die gesparte Zeit beim Erstellen ist der kleinere Gewinn. Spart eine Fachkraft im Analytics-Team 20 Prozent ihrer Zeit, sind das rund 18.000 Euro im Jahr. Führt ein gemeinsamer Blick auf die richtigen Kennzahlen dazu, dass ein Mediabudget von 10 Millionen Euro nur 3 Prozent besser eingesetzt wird, sind es rund 300.000 Euro.

Beispielrechnung: 18.000 Euro durch Zeitersparnis gegenüber 300.000 Euro durch bessere Budgetallokation
Beispielrechnung mit eigenen Annahmen: Bessere Budgetentscheidungen wirken etwa 17-mal stärker als gesparte Arbeitszeit.

Vertrauen: Eine überzeugende Antwort kann trotzdem falsch sein. Unsere Erfahrung aus Projekten: KI liefert dann verlässliche Zahlen, wenn sie nicht direkt auf Rohdaten arbeitet, sondern auf einem stabilen Fundament. In der Hopmann AI Foundation bauen dafür fünf Ebenen aufeinander auf:

  • Marketing Measurement Strategie: legt Ziele, KPIs und die Messlogik fest.
  • Datenqualität & Governance: sorgt für vollständige und konsistente Daten.
  • Semantic Layer: definiert, wie Kennzahlen berechnet werden. Moderne BI-Plattformen wie Omni bringen eine solche Semantikschicht bereits mit.
  • Context Layer: erklärt, warum Zahlen so aussehen, wie sie aussehen. Jörgs Beispiel: Sinken die Auftragszahlen nach Weihnachten, weil das Team für die Auftragserfassung im Urlaub ist, interpretiert die KI das mit diesem Kontext richtig.
  • Agentic Marketing Intelligence: KI-Agenten, die auf diesem Fundament Dashboards erstellen, Fragen zu den Daten beantworten und auf Veränderungen hinweisen.

Mehr dazu im Beitrag Semantic Layer und Context Layer in der Praxis.

Governance: BI-Plattformen wie Power BI, Tableau und Omni bieten Zugriffsrechte, zentrale Verteilung, einheitliche KPIs und eine verlässliche Wartung. Sie öffnen sich zunehmend für KI und bleiben auf absehbare Zeit die tragende Basis. Zusammen mit Datenplattformen wie Snowflake, einem gemeinsamen Semantic Layer und einem Context Layer sorgen sie dafür, dass auch selbst erstellte KI-Dashboards in allen Fachbereichen dieselben Zahlen zeigen und diese richtig eingeordnet werden. Für sensible Daten gibt es Werkzeuge, die dem Sprachmodell nur das Schema übergeben, nicht die Daten selbst. In unseren Projekten nutzen wir dieses Vorgehen zum Beispiel bei Migrationen von Tableau zu Power BI.

Kernthese: KI beschleunigt das Erstellen von Dashboards. Verlässlich wird das Ergebnis durch menschliche Expertise und ein Datenfundament mit klaren Definitionen, Kontext und Verantwortlichkeiten.

Wie geht es weiter?

Das nächste Raw & Roasted findet Anfang Dezember statt. Über Termin und Thema informieren wir in Kürze auf unserer Eventseite und auf LinkedIn.

Sie möchten Dashboards mit KI erstellen und dabei auf ein verlässliches Datenfundament setzen? Wir begleiten Sie gerne als Sparring-Partner, vom KI-Einsatz im Marketing bis zur passenden BI-Plattform. Sprechen Sie uns an.


Fragen aus dem Publikum des Events.

FAQ zu Dashboards mit KI

Können wir KI-generierten Zahlen im Management vertrauen?

Für einen schnellen Einblick in die eigenen Daten ja. Für Managemententscheidungen braucht es zusätzlich ein Fundament: korrekte Daten, einheitliche KPI-Definitionen in einem Semantic Layer und Geschäftskontext in einem Context Layer. Dann liefert die KI dieselbe Zahl wie das Dashboard.

Wo pflegen wir die Definitionen für Semantic Layer und Context Layer?

Ein guter Startpunkt sind die Kennzahlen aus bestehenden Dashboards. Plattformen wie Snowflake oder Omni bringen eine eigene Semantikschicht mit. Alternativ lassen sich Definitionen zum Beispiel in Confluence pro Fachbereich pflegen, jeweils mit klarer Verantwortung. Das ist ein fortlaufender Prozess und eher ein Business- als ein Technologiethema.

Ist es riskant, vertrauliche Daten an ein KI-Modell zu geben?

Das Risiko hängt davon ab, welches Modell Sie nutzen, wo es betrieben wird und welche Vereinbarungen zum Datenschutz bestehen. Wichtig ist, vorab festzulegen, welche Daten überhaupt an ein Modell gehen dürfen. Einige Werkzeuge übergeben nur das Datenschema, die Abfragen laufen im eigenen System. Alternativ lassen sich Open-Source-Modelle auf Servern in Deutschland oder im eigenen Rechenzentrum betreiben, sodass die Daten im eigenen Einflussbereich bleiben.

Wie nutzen wir ein Sprachmodell, das in Deutschland gehostet wird?

Spezialisierte Anbieter betreiben GPU-Server in deutschen Rechenzentren und stellen einen API-Schlüssel bereit. Die Schnittstellen sind mit gängigen Standards kompatibel, sodass sich die Modelle in bestehende Werkzeuge einbinden lassen. Die nötigen Verträge zum Datenschutz schließen Sie direkt mit dem Anbieter.

Was passiert, wenn KI-Anbieter ihre Preise erhöhen?

Abonnements der großen Anbieter sind derzeit stark subventioniert, bei Abrechnung nach Tokens liegen die Kosten deutlich höher. Wer die Architektur so aufbaut, dass sich Modelle austauschen lassen, bleibt flexibel. Im Test war das Open-Source-Modell um ein Vielfaches günstiger und lieferte vergleichbare Ergebnisse.

Wie gehen wir damit um, dass sich KI-Modelle ständig weiterentwickeln?

Für viele Aufgaben braucht es nicht das neueste Modell, sondern eines, das die Aufgabe zuverlässig erfüllt. In laufenden Prozessen empfiehlt es sich, Modelle bewusst und mit Augenmaß zu wechseln. Den größten Einfluss auf die Qualität hat ein Datenfundament, dem man vertrauen kann.