Fragen an gewachsene ERP-Daten – wie KI deren Analyse wirtschaftlich macht

In einem ERP entstehen täglich wertvolle Daten. Über Jahre bilden sie ab, was ein Unternehmen verkauft, welche Kunden es erreicht und wie sich sein Geschäft entwickelt. Doch viele Zusammenhänge bleiben unentdeckt: Jede zusätzliche Auswertung muss konzipiert, programmiert und aufbereitet werden. Für ein KMU steht dieser Aufwand oft in keinem vernünftigen Verhältnis zum erwarteten Nutzen.

Vor ein paar Tagen habe ich für einen langjährigen Kunden ein Dashboard gebaut, das für mich zeigt, wie stark KI diese Rechnung verändert. Entscheidend war dabei die Verbindung aus geeigneten Daten, einer präzisen Beschreibung und Werkzeugen, die mit diesen Daten rechnen.

Die Daten waren bereits vorhanden

Der Kunde arbeitet seit 16 Jahren mit meinem ERP. Zwei Gesellschaften der Firmengruppe nutzen separate Installationen desselben Systems. Ziel war ein gemeinsames Dashboard, mit dem sich das Unternehmen über beide Gesellschaften hinweg analysieren lässt.

Die Grundlage bilden fünf Jahre Unternehmensdaten:

• Kunden
• Artikel mit ihrer Kategorisierung
• Rechnungen mit Positionen, Mengen und Beträgen
• Kurse mit Kursart und Thema
• Teilnehmer mit ihrem Bezug zu den Kunden

Interessant wird es dort, wo diese Bereiche zusammenkommen. Gibt es beispielsweise einen Zusammenhang zwischen der Teilnahme an einem Seminar und dem späteren Kauf bestimmter Produkte? Welche Kundengruppen besuchen welche Kurse? Wie entwickeln sich die entsprechenden Umsätze?

Solche Fragen konnte man auch bisher mit Software beantworten. Aber jede Frage bedeutete zusätzlichen Entwicklungsaufwand. Man musste entscheiden, welche Daten zusammengehören, die Berechnung programmieren und das Ergebnis verständlich darstellen. Kam die nächste Frage, begann ein Teil dieser Arbeit erneut.

Für ein KMU blieb deshalb manche interessante Frage liegen.

Die Voraussetzung: Die KI muss wissen, was die Daten bedeuten

Mein ERP ist umfassend über eine zentrale, verbindliche Dokumentation beschrieben – eine Single Source of Truth, kurz SSOT. Darin sind die Struktur, die Beziehungen und die Bedeutung der Daten festgehalten.

Das war eine wesentliche Voraussetzung für die Zusammenarbeit mit der KI. Eine Kunden-ID oder ein Rechnungsbetrag erklärt sich nicht von selbst. Für eine sinnvolle Analyse muss klar sein, welche Datensätze miteinander verbunden sind und was sie im Betrieb bedeuten.

Die technische Konzeption des Exports lag bei mir. Die KI hat mich beim Aufbau der Exportdatei unterstützt und auf Grundlage der Dokumentation eine Anleitung für die spätere KI-gestützte Auswertung erstellt: Welche Informationen enthält die Datei? Wie sind die Datensätze aufgebaut? Über welche Schlüssel lassen sie sich verbinden? Wie sind die Werte zu interpretieren?

Diese Beschreibung gehört zur Datengrundlage. Sie macht das Wissen über das ERP auch für weitere Analysen verfügbar.

Warum die Daten nicht einfach ins Kontextfenster kommen

Ein vollständiger Rohdatenexport über fünf Jahre wäre zu umfangreich, um ihn einer KI als Text zur Analyse zu übergeben. Er würde selbst ein modernes Kontextfenster überfordern.

Deshalb habe ich einen anderen Weg gewählt: Die Daten werden im NDJSON-Format bereitgestellt. Vereinfacht gesagt steht dabei jeder Datensatz als eigenes JSON-Objekt auf einer Zeile. Das Format lässt sich gut automatisiert verarbeiten und gezielt durchsuchen.

Der entscheidende Punkt ist: Der Datenbestand muss nicht vollständig ins Kontextfenster passen.

Für eine konkrete Frage können zunächst passende Datensätze ausgewählt, miteinander verknüpft und ausgewertet werden. Erst die Ergebnisse und die Informationen, die zu ihrer Interpretation nötig sind, gelangen ins Kontextfenster.

Der vollständige Export bleibt als Grundlage erhalten. Für eine andere Frage wird er erneut ausgewertet.

grep und Python: rechnen statt raten

Die KI kann mit Werkzeugen wie grep und Python arbeiten. grep hilft beim gezielten Suchen und Filtern. Python kann Datensätze verknüpfen, Mengen und Beträge summieren, Zeiträume vergleichen oder Kundengruppen untersuchen.

Die Zahlen entstehen damit durch Berechnungen auf den tatsächlichen Daten. Die KI erstellt die passende Verarbeitung und hilft, die Ergebnisse zu erklären.

Das macht die Auswertungen nachvollziehbar: Welche Datensätze wurden berücksichtigt? Welche Filter wurden angewendet? Wie wurde gerechnet? Diese Schritte lassen sich prüfen und wiederholen.

Natürlich muss auch eine solche Analyse fachlich stimmen. Eine falsche Verknüpfung oder eine unpassende Definition kann zu einem falschen Ergebnis führen. Und ein Zusammenhang zwischen Seminarbesuch und Umsatz beweist noch keine Ursache. Die dokumentierte Bedeutung der Daten und die Kontrolle der Berechnung bleiben deshalb wichtig.

Der Ansatz schafft dafür eine überprüfbare Grundlage.

Das Dashboard ist eine Anwendung dieser Grundlage

Auf Basis des Exports und seiner Beschreibung hat die KI ein interaktives Dashboard erstellt. Es macht die Daten beider Gesellschaften gemeinsam zugänglich und reagiert sehr schnell.

Der Export der fünf Jahre dauert je Installation nur wenige Minuten.

Für mich reicht das Potenzial aber über dieses Dashboard hinaus. Dieselben Daten können auch unabhängig davon mit einer KI ausgewertet werden. Eine neue Frage kann zu einer zusätzlichen Analyse, einer anderen Darstellung oder einer Erweiterung des Dashboards führen.

Damit muss nicht jede denkbare Frage bereits beim Bau des Dashboards bekannt sein.

Der technische Aufbau in FileMaker Pro

Für FileMaker-Entwickler liegt ein wesentlicher Teil der Lösung im Exportaufbau.

Eine virtuelle Tabelle ist über die jeweilige ID mit RECHNUNG, KUNDE, KURS und weiteren Entitäten verbunden. Damit stehen ihr die benötigten Beziehungen im bestehenden Beziehungsgraphen zur Verfügung. Die KI kennt diese Beziehungen und ihre Bedeutung aus der Dokumentation.

Pro Entität gibt es in der virtuellen Tabelle ein Formelfeld. Dieses berechnet für den jeweiligen Datensatz die gewünschte NDJSON-Struktur. So lässt sich gezielt festlegen, welche Felder und Bezüge im Export enthalten sind.

Der Ablauf sieht vereinfacht so aus:

• Die Datensätze einer Entität werden als NDJSON über die Datendatei-Funktionen ausgegeben.
• Die erzeugte Datei wird in eine Variable eingelesen.
• Dieser Vorgang wird für die weiteren Entitäten wiederholt.
• Die Inhalte werden zu einer gemeinsamen Datendatei zusammengeführt.
• Nach einem weiteren Schreib- und Lesevorgang wird die fertige Datei in einer Downloadtabelle bereitgestellt.

Die Ausführung erfolgt serverseitig über PSOS, also «Perform Script on Server».

Die Formelfelder bestimmen den Inhalt des Exports. Dadurch lässt sich die Datengrundlage gezielt erweitern, wenn für spätere Analysen zusätzliche Informationen benötigt werden.

Was die KI übernommen hat – und was ich eingebracht habe

Ich habe die Architektur festgelegt: wie die Daten aus dem ERP zugänglich werden, welche Informationen der Export enthält und wie dieser in FileMaker erzeugt wird.

Die KI hat mich bei der Ausarbeitung der NDJSON-Struktur unterstützt, die Leseanleitung erstellt und das Dashboard umgesetzt. Für weitere Fragen kann sie auf derselben Grundlage neue Auswertungen entwickeln.

Dass diese Zusammenarbeit funktioniert hat, hängt eng mit der Vorarbeit zusammen. Das Datenmodell, die Beziehungen und das Wissen über den Betrieb waren vorhanden und dokumentiert. Dadurch konnte die KI auf einer klar beschriebenen Grundlage arbeiten.

Was sich für ein KMU verändert

Der Wert der ERP-Daten wächst mit jedem Geschäftsvorgang. Ob ein Unternehmen diesen Wert für zusätzliche Erkenntnisse nutzen kann, hängt aber auch davon ab, wie viel Aufwand eine Auswertung verursacht.

Genau hier hat sich für mich etwas verändert.

Ein geeigneter Export stellt die Daten bereit. Eine präzise Beschreibung erklärt ihre Bedeutung. Werkzeuge filtern, verknüpfen und berechnen. Die KI kann daraus eine zur Frage passende Analyse erstellen und die Ergebnisse verständlich aufbereiten.

Bei der nächsten Frage lässt sich dieselbe Grundlage wiederverwenden.

Damit werden Analysen wirtschaftlich, für die ein KMU bisher kaum eine eigene Programmierung beauftragt hätte. Die über Jahre gewachsenen ERP-Daten können so immer wieder neue Antworten liefern.