Dieser Blogbeitrag richtet sich an Analysten, BI-Spezialisten und Berater. Anstatt uns in tiefgreifende technische Anleitungen zu vertiefen, wollen wir uns mit einem strategischen Thema befassen: Wie können Sie Künstliche Intelligenz als Innovationsmotor nutzen, um Ihre Projekte zu beschleunigen?

Eine Randbemerkung zur „KI-Analyse“

Wir sind uns der anhaltenden Debatte zwischen Datenpuristen und Early Adopters bewusst, ob Sprachmodelle (LLMs) Daten wirklich „analysieren“ können. Datenexperten verneinen dies oft entschieden, während Anwender LLMs am liebsten für alles einsetzen möchten. Bei Digital Loop sind wir nach gemeinsamen Experimenten mit unseren Kunden zu folgendem Schluss gekommen: „Noch nicht, aber wir sind ganz nah dran.“ Wir wissen, dass LLMs mit der richtigen Konfiguration (Retrieval-Augmented Generation (RAG), Agentic AI, Workflow-Automatisierung und einer robusten Datenschicht) Analysen durchführen können. Allerdings ist es noch nicht so einfach, wie ChatGPT oder Claude zu fragen: „Wie läuft mein Umsatz?“

Im täglichen Betrieb geht es bei der Nutzung von LLMs für Business Intelligence nicht um die Frage: „Kann KI das für mich analysieren?“

Es geht vielmehr darum: „Wie kann mir ein LLM dabei helfen, etwas aufzubauen?“

Anwendungsfall 1: Synthetische Datensätze

Die erste Hürde bei jedem neuen Analyseprojekt ist der Datenzugriff. Ganz gleich, ob Sie ein Dashboard, ein benutzerdefiniertes Transformationswerkzeug oder eine Insight-Engine entwickeln: der Zugriff auf reale Daten erfordert oft wochenlange Abstimmungen und Sicherheitsfreigaben.

Zudem haben Stakeholder oft nur ein begrenztes Verständnis davon, welche spezifischen Datenpunkte für ihre Vision erforderlich sind. Hier ist das umfassende Wissen eines LLMs ein entscheidender Faktor. Es kann auf der Grundlage sehr begrenzter Eingaben einen umfassenden, realistischen, synthetischen Datensatz generieren. Es versteht die notwendigen Felder, Logik und Hierarchien, die zu einer bestimmten Branche oder einem bestimmten Anwendungsfall passen.

• Beispiel 1: Eine E-Commerce-Beauty-Marke benötigt eine Monitoring-Lösung, die App-Nutzungsdaten, Server-Ausfallprotokolle und Werbeausgaben kombiniert.
• Beispiel 2: Ein Bildungsportal möchte die Leistung von Tutoren und die Kursabschlussquoten verfolgen.
• Beispiel 3: Ein Carsharing-Unternehmen möchte Wetterdaten integrieren, um die Logik für ein dynamisches Preissystem zu testen.

In der Vergangenheit war die Erstellung eines Proof of Concept (PoC) für diese Szenarien ohne eine langwierige Erkundungsphase und funktionsübergreifende Datenexporte unmöglich. Heute kann ein LLM diese Datensätze fast augenblicklich erstellen, sodass Analysten und Ingenieure sofort an einem funktionierenden Prototyp zusammenarbeiten können.

Wir stellen dem LLM das „Grundgerüst“ des Unternehmens zur Verfügung: die Abteilungen, Transaktionsarten und die Schlüsselvariablen. Der daraus resultierende Dummy-Datensatz soll nicht zu 100 % realistisch sein oder jeden Randfall einer realen Datenbank erfassen. Stattdessen dient er als „logischer Spiegel“. Er bietet gerade genug Struktur und Datenvolumen, um die Benutzeroberfläche und den Informationsfluss zu testen. So können wir zunächst die Vision validieren, ohne uns in den Hürden der Datenbereinigung zu verzetteln, die ein Projekt normalerweise schon im Keim ersticken.

Anwendungsfall 2: Rapid Prototyping

Der zweite und vielleicht wirkungsvollste Anwendungsfall ist das Rapid Prototyping.

Ob Sie nun ein Analyst sind, der Ihrem Team einen neuen Bericht vorschlägt, ein Teamleiter, der auf eine plötzliche Anfrage einer Führungskraft reagiert, oder ein Berater, der einem Kunden eine Lösung präsentiert: ein interaktiver Prototyp sticht weitaus mehr hervor als eine Präsentation.

Anstatt Stunden damit zu verbringen, ein Dummy-Dashboard in Power BI oder Tableau zu erstellen, wofür Sie immer noch eine Eingabedatei manuell vorbereiten müssen, können Sie ein LLM nutzen, um eine vollständig responsive, dynamische HTML-Seite zu generieren. Dies ist nicht nur ein statisches Layout; es ist ein hochpräziser Prototyp, der wie ein echtes, fertiges Dashboard aussieht und sich auch so verhält, komplett mit interaktiven Diagrammen, Navigationsmenüs und Hover-Effekten. Sie können dies auf jedem Gerät anzeigen oder als Anhang versenden, sodass Ihr Gegenüber mit den Filtern experimentieren und ein Gefühl für das Endprodukt bekommen kann.

Der Workflow:

1. Eingabe: Nehmen Sie die groben Anforderungen vom Stakeholder entgegen.
2. Daten: Verwenden Sie das LLM, um den passenden Dummy-Datensatz zu generieren.
3. Kontext: Fügen Sie Ihre fachlichen Erkenntnisse und die Corporate-Style-Richtlinien hinzu und beschreiben Sie Ihre Zielgruppe.
4. Generierung: Lassen Sie das LLM die Benutzeroberfläche erstellen.

Mit diesem Ansatz sparen Sie Stunden bei der ersten Visualisierung. So können Sie sich auf wichtigere Details konzentrieren, die dieses Mock-up in ein echtes, datenvernetztes Produkt verwandeln.

Beispiele für Prototypen:

• Eine Cockpit-Oberfläche für einen Vorgesetzten von Versicherungsvertretern.

Zunächst, wie Gemini das in einem Bild visualisiert hat:

Und nun: ein Screenshot eines HTML-One-Pagers nach einigen Überarbeitungen und einer angepassten Farbpalette, mit eingebettetem OpenStreetMap und korrekt markierten Standorten:

• Ein Finanzübersichts-Dashboard, das speziell auf die Burn Rate eines Tech-Startups zugeschnitten ist.

Ein von Gemini generiertes Bild:

Ein Beispiel für eine detailliertere Eingabeaufforderung, die von einem LLM generiert wurde (vielleicht auch in einem ausklappbaren Element anstelle eines Bildes):

Und eine Bildschirmaufnahme der interaktiven HTML-Darstellung:

Ein interaktiver Katalog der Veröffentlichungen von Mitbewerbern über verschiedene Marketingkanäle hinweg für ein Kosmetikteam.

Eine Gemini-Darstellung:

Dieses Beispiel erforderte etwas mehr Aufwand, da alle Bild-URLs manuell zusammengestellt werden mussten.

Eine Bildschirmaufnahme der fertigen HTML-One-Pager-Seite mit einigen zusätzlichen Angaben (echte Bild-URLs von Websites und sozialen Medien):

Abschließender Gedanke: Die Geschwindigkeit des Designs

Ein letzter Hinweis darauf, wie schnell sich dieser Bereich entwickelt: Während ich diesen Beitrag schrieb, hat Anthropic Claude Design veröffentlicht. Dabei handelt es sich um ein spezielles Tool von Anthropic Labs, das speziell dafür entwickelt wurde, Ideen in hochwertige UI-Prototypen umzusetzen.

Es bestärkt uns in unserer Grundüberzeugung: Die technischen Hürden für die Visualisierung einer Idee verschwinden zunehmend. Für den modernen BI-Berater oder -Analysten verlagert sich der Wert weg von der manuellen Arbeit beim Erstellen von Mock-ups hin zu der Expertise, genau zu wissen, was diese Mock-ups zeigen sollten, um ein geschäftliches Problem zu lösen.