Zum Inhalt springen

Glossar

Analytics & BI

Deskriptive Analytik

Deskriptive Analytik ist die Analyse historischer Daten, um zusammenzufassen, was passiert ist, mithilfe von Anzahlen, Summen, Durchschnitten, Raten und Trends im Zeitverlauf. Sie ist das Fundament, auf dem diagnostische, prädiktive und präskriptive Analytik aufbauen.

Aktualisiert am · Vom VIZIO AI Team

Was ist deskriptive Analytik?

Deskriptive Analytik ist der erste der vier üblicherweise genannten Analytiktypen, neben diagnostischer (warum es passiert ist), prädiktiver (was passieren wird) und präskriptiver Analytik (was zu tun ist). Das meiste Unternehmensreporting, vom monatlichen Umsatz bis zum wöchentlichen Website-Traffic, fällt unter diesen ersten Typ.

Sie hat drei Bausteine:

  • Aggregation: Summen und Anzahlen, etwa Bestellungen pro Woche.

  • Zusammenfassende Statistiken: Mittelwert, Median, Perzentile, Minimum und Maximum sowie Streuung.

  • Vergleich: Periode gegenüber Vorperiode, gegenüber dem Ziel oder zwischen Segmenten.

Sie erklärt keine Ursachen und erstellt keine Prognosen; sie stellt Fakten über die Vergangenheit klar und konsistent dar. Ihre Ergebnisse sind die vertrauten Artefakte des Geschäftsalltags: monatliche Management-Reports, KPI-Dashboards, Vertriebsranglisten und Zusammenfassungen des Website-Traffics in Tools wie Google Analytics 4.

Wie betreibt man deskriptive Analytik richtig?

Die Arbeit steckt vor allem in Definitionen und Granularität, nicht in Diagrammen.

  1. Legen Sie die Granularität fest: eine Zeile pro Bestellung, pro Session oder pro Kunde und Tag.

  2. Definieren Sie jede Kennzahl mit Formel und Filtern, etwa Churn-Rate = verlorene Kunden im Zeitraum ÷ Kunden zu Beginn des Zeitraums.

  3. Wählen Sie die richtige Zusammenfassung: Bei schiefen Verteilungen wie Bestellwerten oder Deal-Größen ist der Median sicherer als der Mittelwert.

  4. Ergänzen Sie Kontext: Zeigen Sie neben jeder Zahl den Vergleichszeitraum und das Ziel.

  5. Segmentieren Sie, bevor Sie Schlüsse ziehen: Ein Gesamtdurchschnitt kann gegenläufige Trends in zwei Gruppen verbergen, bekannt als Simpson-Paradoxon.

SQL mit GROUP BY deckt das meiste ab; Tabellenkalkulationen, Power BI, Tableau und Looker übernehmen die Darstellung.

Wie sieht deskriptive Analytik in der Praxis aus?

Eine gute deskriptive Auswertung hält fest, was sich wo verändert hat, und überlässt das Warum dem nächsten Schritt. Stellen Sie sich eine Physiotherapiekette mit 35 Praxen vor, die ihr Quartal auswertet. Angenommen, die Geschäftsführung möchte wissen, wie sich Buchungen, Absagen und Umsatz pro Praxis verändert haben.

Eine Analystin lädt Termindaten aus dem Buchungssystem in ein Warehouse und erstellt: Gesamttermine pro Monat, Absagequote pro Praxis, Medianumsatz pro Besuch sowie die fünf Praxen mit der höchsten und der niedrigsten Auslastung. In diesem Beispiel zeigt die Zusammenfassung, dass die Absagequote in vier Praxen von 8 % auf 13 % steigt, während sie anderswo stabil bleibt.

Das ist die deskriptive Erkenntnis; die Frage, warum sich diese vier Praxen unterscheiden, ist der nächste Schritt, nämlich Drill-down und diagnostische Arbeit.

Das Quartalspaket selbst bleibt bewusst schlicht: eine Seite mit den wichtigsten Zahlen, jeweils mit dem Vorquartal daneben, eine Tabelle nach Praxis und eine kurze Notiz zu jeder geänderten Definition. Da jedes Quartal dieselbe Abfrage läuft, sind die Zahlen über die Zeit vergleichbar, und darin liegt der Großteil des Nutzens.

Was sind die Grenzen und Fallstricke deskriptiver Analytik?

Deskriptive Zahlen sagen Ihnen, was sich verändert hat, aber nie warum, deshalb werden sie leicht überinterpretiert.

  • Eine Korrelation in einem Diagramm als Ursache behandeln.

  • Durchschnitte bei schiefen Daten, die ein einziger großer Kunde verzerren kann.

  • Definitionen mitten in einer Zeitreihe ändern, was Scheintrends erzeugt.

  • Kleine Stichproben als Prozentwerte darstellen, etwa 50 % Wachstum von 2 auf 3 Kunden.

Sie reicht nicht aus, wenn die Entscheidung von der Zukunft abhängt, etwa bei Lagerbeständen oder Personalplanung; dafür braucht es darauf aufbauende prädiktive Analytik.

Worin unterscheidet sich deskriptive Analytik von diagnostischer und prädiktiver Analytik?

Deskriptive Analytik berichtet, was passiert ist, diagnostische erklärt, warum, und prädiktive schätzt, was als Nächstes passieren wird. Jede Stufe erfordert mehr Datenaufbereitung und mehr statistisches Können als die vorherige.

Deskriptive Arbeit läuft in jedem BI-Tool; diagnostische Arbeit ergänzt Segmentierung, Kohortenanalyse und Regression; prädiktive Arbeit ergänzt Machine-Learning-Modelle in Python, R oder ML-Funktionen im Warehouse wie BigQuery ML. Die erste Stufe lässt sich nicht überspringen: Eine Prognose, die auf inkonsistenten historischen Kennzahlen basiert, übernimmt deren Fehler.

Gemessen am Reifegrad erzielen die meisten kleinen und mittleren Unternehmen den größten Nutzen, wenn sie ihr deskriptives Reporting zuverlässig und automatisiert machen, bevor sie in Modelle investieren.

Deskriptive vs. prädiktive Analytik

Deskriptive Analytik

Prädiktive Analytik

Frage

Was ist passiert?

Was wird wahrscheinlich passieren?

Methoden

Aggregate, Durchschnitte, Raten, Trends

Regression, Machine Learning, Prognosen

Typische Tools

SQL, Excel, Power BI, Tableau

Python, R, BigQuery ML, Azure ML

Ergebnis

Reports und Dashboards

Scores, Prognosen, Wahrscheinlichkeiten

Hauptrisiko

Aus einem Diagramm fälschlich eine Ursache ablesen

Verzerrte oder veraltete Trainingsdaten

Wie geht VIZIO AI an deskriptive Analytik heran?

Die Dashboard-Projekte von VIZIO AI sind größtenteils deskriptive Analytik im großen Maßstab, mit Schwerpunkt auf konsistenten Definitionen und automatischer Aktualisierung. Für ein globales Medien- und Unterhaltungsunternehmen mit mehr als 30.000 Mitarbeitenden hat das DX Studio ein Intelligence-Dashboard zur Cybersecurity-Awareness gebaut, das Phishing-Klickraten, Melderaten, Wiederholungstäter und Schulungsteilnahme zusammenfasst; es senkte den manuellen Reporting-Aufwand um 45 % und machte die Analyse von Schulungsergebnissen 4× schneller.

Für eine Kanzlei für Familienrecht in Seattle fasste ein operatives Power-BI-Dashboard Conversion, abrechenbare Auslastung sowie abgerechneten versus vereinnahmten Umsatz zusammen und senkte den manuellen Reporting-Aufwand um 65 %. Wo Sie anfangen sollten: Schreiben Sie die Formel für Ihre fünf am häufigsten berichteten Kennzahlen auf und prüfen Sie, ob jeder Report sie verwendet.

Facebook-Logo
X-Logo
LinkedIn-Logo
Reddit-Logo
Telegram-Logo

AI-first denken.
Zukunftsschnell handeln.

Lassen Sie uns bauen, was als Nächstes kommt! Von Produktideen und intelligenten Workflows bis zu datengetriebenen Systemen und skalierbaren Growth Operations.

Strategiegespräch buchen