Zum Inhalt springen
Controllingblog

Start❧KI im Controlling❧Große Datenmengen mit KI im Data Warehouse analysieren

Große Datenmengen mit KI im Data Warehouse analysieren

Was früher eine Woche Datenarbeit war, beantwortet KI heute in Minuten: Fragen in Alltagssprache, über mehrere Systeme hinweg. Was möglich ist – und wo die Grenzen liegen.

KI im ControllingLesezeit 10 MinutenAktualisiert am 14.11.2026
Illustration: Roboter-Assistent mit Tabelle, Dokument und Datenbank Abgleich

Ein Data Warehouse sammelt Daten aus Buchhaltung, Warenwirtschaft, CRM und Lohnverrechnung an einem Ort. Die Daten sind da – aber sie auszuwerten erfordert bisher SQL-Kenntnisse, ein gutes Verständnis des Datenmodells und viel Zeit. KI verändert genau das: Controller können Fragen in normaler Sprache stellen, und die KI übersetzt sie in Abfragen, führt sie aus und erklärt das Ergebnis.

Was heute möglich ist

  • Fragen in Alltagssprache: „Welche zehn Kunden haben im letzten Quartal den größten Deckungsbeitragsrückgang gegenüber dem Vorjahr – und bei welchen Produktgruppen?“
  • KI schreibt SQL oder DAX: Die Abfrage wird sichtbar erzeugt, du kannst sie prüfen, speichern und wiederverwenden.
  • Mehrere Quellen verbinden: Über Konnektoren und Schnittstellen greift die KI auf Data Warehouse, Planungsdaten, Excel-Dateien oder Systeme in der Cloud zu und verknüpft sie in einer Analyse.
  • Muster und Auffälligkeiten: ungewöhnliche Buchungen, Ausreißer bei Preisen, Kunden mit sich verschlechterndem Zahlungsverhalten.
  • Ergebnisse erklären: Die KI fasst Resultate in Text zusammen und schlägt passende Diagramme vor.

So funktioniert es technisch

Ein Beispiel

Frage: „Wie hat sich die Deckungsbeitragsquote je Produktgruppe in den letzten zwölf Monaten entwickelt, und wo ist sie um mehr als zwei Prozentpunkte gefallen?“

Die KI erzeugt daraus eine Abfrage, die Umsatz und variable Kosten je Monat und Produktgruppe aus der Faktentabelle summiert, mit den Dimensionen Kalender und Produkt verknüpft, die Quote berechnet und mit dem Vorjahresmonat vergleicht:

SELECT p.produktgruppe, k.jahr_monat, SUM(f.umsatz) AS umsatz, SUM(f.umsatz - f.variable_kosten) / NULLIF(SUM(f.umsatz), 0) AS db_quote FROM fakt_verkauf f JOIN dim_produkt p ON p.produkt_id = f.produkt_id JOIN dim_kalender k ON k.datum = f.datum WHERE k.datum >= DATEADD(month, -12, CURRENT_DATE) GROUP BY p.produktgruppe, k.jahr_monat ORDER BY p.produktgruppe, k.jahr_monat;

Beispielhafte SQL-Syntax; je nach Datenbank unterscheiden sich einzelne Funktionen.

Anschließend fasst die KI zusammen, in welchen Produktgruppen die Quote gefallen ist, und bietet an, die Ursache tiefer zu zerlegen – nach Preis-, Mengen- oder Mixeffekt, wie im Artikel Soll-Ist-Vergleich beschrieben.

Hochkomplexe Analysen über verschiedene Verbindungen

Richtig stark wird KI, wenn sie mehrere Quellen kombiniert, die sonst getrennt ausgewertet werden:

  • Data Warehouse (Ist) + Planungssystem (Plan) + Excel-Forecast des Vertriebs → eine gemeinsame Abweichungsanalyse.
  • Offene Posten + Zahlungshistorie + Bonitätsdaten → Frühwarnliste für Zahlungsausfälle.
  • Einkaufspreise + Rohstoffindizes + Lieferantenverträge → Prognose der Materialkosten.

Voraussetzung ist eine saubere Grundlage: einheitliche Schlüssel (Kunden-, Artikel-, Kontonummern), klare Definitionen und ein Datenkatalog. Ohne diese Vorarbeit verknüpft auch die beste KI Äpfel mit Birnen.

PraxistippBeginne mit einer Frage, deren Antwort du bereits kennst – etwa dem Umsatz des Vormonats laut Monatsbericht. Stimmt das KI-Ergebnis, hast du Vertrauen in Verbindung und Definitionen. Erst dann folgen neue Fragen.

Governance: Regeln, die nicht fehlen dürfen

  • Nur lesender Zugriff: Die KI darf Daten abfragen, aber nie verändern.
  • Berechtigungen beachten: Die KI sieht nur, was der jeweilige Nutzer sehen darf – etwa keine Gehaltsdaten.
  • Abfragen sichtbar machen: Jede Antwort muss nachvollziehbar sein. Keine Zahl ohne zugehörige Abfrage.
  • Freigegebene Dienste: Nur KI-Lösungen nutzen, die vom Unternehmen für diese Daten freigegeben sind.
  • Mensch entscheidet: KI liefert Analysen, keine Entscheidungen.

Grenzen

  • KI kann Abfragen formal korrekt, aber fachlich falsch bauen – etwa Gutschriften vergessen oder Zeiträume falsch abgrenzen.
  • Bei unklaren Spaltennamen rät die KI. Ein gepflegter Datenkatalog ist deshalb wichtiger als das KI-Tool selbst.
  • Sehr große Ergebnismengen sollte die Datenbank verdichten, nicht die KI.

Fazit

KI macht das Data Warehouse für Controller zugänglich wie nie zuvor: Fragen in Alltagssprache, Abfragen in Sekunden, Analysen über viele Quellen hinweg. Der Erfolg hängt aber weniger an der KI als an der Grundlage – saubere Daten, klare Definitionen, lesender Zugriff und ein Mensch, der jedes Ergebnis kritisch prüft.

Wichtig beim Einsatz von KIPrüfe vor dem Hochladen, ob du die Daten verwenden darfst – Unternehmensrichtlinien und Datenschutzrecht (z. B. die DSGVO in der EU) gelten auch hier. Personenbezogene und vertrauliche Daten nur in freigegebenen, geschäftlichen KI-Diensten verarbeiten. KI-Ergebnisse immer gegen die Quelldaten prüfen.

Häufige Fragen

Brauche ich SQL-Kenntnisse, um mit KI im Data Warehouse zu arbeiten?

Nicht zwingend, aber sie helfen sehr beim Prüfen. Die KI schreibt die Abfrage – du solltest verstehen können, ob sie das Richtige zählt und summiert.

Ist es sicher, eine KI mit dem Data Warehouse zu verbinden?

Mit nur lesendem Zugriff, sauberem Berechtigungskonzept, freigegebenen Diensten und nachvollziehbaren Abfragen lässt sich das Risiko gut beherrschen. Die IT und der Datenschutz sollten eingebunden sein.

Was ist eine semantische Schicht?

Eine Beschreibung der Daten in fachlicher Sprache: welche Tabellen es gibt, was Spalten bedeuten und wie Kennzahlen definiert sind. Sie hilft Menschen und KI, die Daten richtig zu verwenden.