Problemstellung

• Der Kunde, ein spezialisierter Anbieter professioneller Textilreinigung für die Kreuzfahrt-Industrie, hatte über Jahre eine fragmentierte Excel-Landschaft ohne durchgängiges Datenmodell aufgebaut.
• Ziel war es, erstmals belastbare Reports zu schaffen, die im Vertriebsdialog mit einer großen Cruise Line eingesetzt werden können ? als Prototyp, der dem Vorstand der Cruise Line das Vertrauen in die Leistungsfähigkeit des Kunden vermitteln sollte.

Folgemandat: vollständige Ablösung der Excel-Strukturen durch eine eigene Datenbankanwendung als langfristige Datengrundlage.

Herausforderungen & Vorgehensweise

• Analyse und Strukturierung einer jahrelang gewachsenen Excel-Datenlandschaft (Maintenance-Status der Textilien, Vertragsdaten, Kostenstrukturen).
• Konzeption eines konsolidierten Datenmodells (Star Schema) und einer Power-BI-Reporting-Schicht mit DAX-Measures und Power Query (M).
• Datenintegration via Microsoft Fabric Dataflows.
• Folgemandat: Eigenentwicklung des Gesamtsystems aus PostgreSQL-Datenbank, Node.js-REST-API und React-Webapp; Hosting auf Windows Server / IIS mit GitLab CI/CD-Pipeline.
• Übergangs-Strategie: Da der Datenaustausch mit der Cruise Line aktuell noch nicht digital ist, generiert das System aus den strukturierten DB-Inhalten automatisch die bestehenden Excel-Lieferformate ? Austauschformat und externe Schnittstellen bleiben unberührt, intern werden bereits saubere Daten geführt.

EXCEL-ÜBERGANGS-LAYER

• Eine schlagartige Ablösung der Excel-Lieferformate gegenüber der Cruise Line war nicht möglich ? der Datenaustausch ist auf Kundenseite noch nicht digital.
• Lösung: Eine Generator-Schicht im Node.js-Backend erzeugt die bestehenden Excel-Berichte automatisch aus dem PostgreSQL-Datenmodell. Das externe Austauschformat bleibt damit unverändert, während intern bereits ein konsistentes relationales Modell geführt wird. Perspektivisch lässt sich der Excel-Layer abschalten, sobald die Cruise Line für den vollständig digitalen Datenaustausch bereit ist.

Problemstellung:

• Beim Kunden, einer mittelständischen Beratungsgruppe, wurde Beratungstätigkeit bislang nur ergebnisorientiert erfasst, nicht aktivitätsbezogen. Damit fehlte eine quantitative Grundlage, um Beratungsaufwand intern zu steuern oder gegenüber Mandanten transparent zu machen.

• Ziel des Projektes war es, eine durchgängige, automatisierte Aktivitäts-Erfassung als Datenbasis für Reporting und Steuerung aufzubauen ? ohne manuelle Buchung durch die Berater.

Herausforderungen & Vorgehensweise

• Einführung 3CX Cloud-Telefonie als Aktivitäts-Datenquelle inkl. Lösungsempfehlung, Vendor-Evaluation, Steuerung des externen Implementierungspartners, Lizenz- und Kostenmodell, Rollout und Power-User-Schulung.

• Custom-Schnittstelle Salesforce-zu-3CX in XML, da der Standard-Connector ein im CRM verwendetes Custom Object nicht unterstützte.

• KI-Schicht: bei vorhandener DSGVO-Einwilligung Aufzeichnung und Transkription, anschließend strukturierte Auswertung durch ein LLM (ChatGPT API); automatische Befüllung der CRM-Masken aus Transkripten und Ableitung des nächsten Beratungsschritts als Aufgabe.

• Performance-Engpass Salesforce: Aufbau eines vorgelagerten Salesforce-Datamarts mit eigenem Orchestrierungs-Layer und täglichem Refresh, um die nicht alltagstauglichen Refresh-Zyklen der Salesforce-API zu umgehen.

• Daten-Pipeline: 3CX ? Power Automate ? SharePoint ? Microsoft Fabric Dataloader ? Power BI.

Ergebnis

• Erstmals automatisierte, projektbezogene Arbeitszeiterfassung ohne manuelle Eintragung. Anzahl und Dauer von Anrufen je Berater und Projekt nahezu in Echtzeit verfügbar. Inhaltliche Sentiment-Auswertung auf Transkripten für ausgewählte Mandate möglich.
  

DEEP - DIVE

LAST-7-DIGITS PHONE MATCHING

• In CRM Systemen mit internationalen Daten kommen Telefonnummern in stark variierender Schreibweise vor (Format, Ländervorwahl, Trennzeichen). Ein direktes String-Matching muss das in der Praxis abfangen und robust handhaben.

• Lösung: Die letzten sieben Ziffern der normalisierten Nummer dienen als robuster Matching-Schlüssel ? eine im Telco-Bereich etablierte Strategie, die Format- und Vorwahl-Varianz toleriert. Damit konnten eingehende Anrufe verlässlich Kandidaten im CRM zugeordnet werden.

PROJEKT-INFERENZ AUS AKTIVITÄTSDATEN

• Aus dem identifizierten Kandidaten musste das konkrete Beratungsprojekt abgeleitet werden, dem der Anruf zuzuordnen ist.

• Lösung: Ein regelbasiertes Inferenz-Modell auf Basis der Salesforce-Aktivitäts- und Pipeline-Daten (jüngste Aktivität, offene Projekte je Kandidat, Eskalations-Status) entscheidet die Zuordnung. Damit funktioniert die Aktivitätserfassung auch ohne manuelle Auswahl durch die Berater.

Problemstellung

• Der Kunde, eine mittelständische Personalberaterfirma, wollte herausfinden, wie Projekte effizienter auf Teams aufgeteilt werden können, um diese optimal auszulasten, ohne sie zu überfordern.
• Ziel war es, im Salesforce CRM-System eine Übersicht zu schaffen, die alle Projekte pro Team nach Phase und Laufzeit darstellt.

Herausforderungen & Vorgehensweise

• Nutzung des durch Plattformlizenz limitierten Salesforce-Report-builders.
• Erarbeitung der Struktur mit dem PMO des Kunden.
• Definition von Formeln im Salesforce-Backend, um Report-Limits zu umgehen.

Ergebnis

• Kundenfeedback: Spürbare Reduzierung von Lastspitzen durch bessere Staffelung von Projektstarts. Grundlage für die datengestützte Begründung von Projektvergabe je nach Auslastung der Teams.
• Schnell realisiertes Projekt ohne nennenswerte Komplikationen.

Problemstellung

• Das Doerner-Institut der Bayerischen Staatsgemäldesammlungen untersucht Gemälde mittels Spektroskopie und chemischer Methoden und veröffentlicht die Ergebnisse in wissenschaftlichen Publikationen.
• Ziel des Projektes ist es, die zuvor händisch erstellten Statistiken zu automatisieren, um Effizienz zu heben, sowie neue Analysen zu ermöglichen.

Herausforderungen & Vorgehensweise

• Wissenschaftlicher Qualitätsanspruch an Methoden und Darstellung.
• Weitreichende datenseitige Transformationen (SQL, PowerQuery) nötig.
• Sehr spezifische Anforderungen bringen die Funktionen von Power BI an die Grenzen, sodass kreative Lösungen gefunden werden müssen.
• Enger Budgetrahmen und Zeitplan.

Ergebnis

• Mit den in MS Power BI programmierten Pigmentanalyse-Dashboards in Betrieb können Publikationen signifikant schneller erstellt werden.
• Zudem wurde mit ?Künstlerpaletten? eine neue Funktion entwickelt, die es im bisherigen Betrieb nicht gab, und die ein Feld neuer Betrachtungen eröffnet.

EINBLICK

PIGMENTANALYSE DASHBOARD

• Microsoft Power BI wurde als Technologie gewählt, um Anpassbarkeit sicherzustellen und Fehlerquellen zu minimieren.
• Die für Publikationen benötigten Diagramme sind mit Live-Daten verbunden und können in Sekundenschnelle verändert werden.
• Die daraus entstehende Zeitersparnis ermöglicht es den Mitarbeitenden, mehr Zeit auf die Analyse zu legen.

DEEP - DIVE

CUSTOM FILTERLOGIK

• Eine der Anforderungen war eine benutzerdefinierte Logikfunktion, die beliebig anpassbare, dynamische Operatorlogik für 1-3 Variablen erlaubt, die gleichzeitig auch Volltextsuche unterstützen sollen. Diese Funktion ist in Power BI out of the box nicht gegeben.
• Lösung: Mittels DAX-Measures und speziellen Datentransformationen konnte ein Ersatz für die fehlende Funktion entwickelt werden. Eine Formel aggregiert den Filterkontext verschiedener Hilfstabellen, in einen ?Ja/Nein?-Wert ?Optimized Contains?, der als statischer Filter gesetzt wird.

ZEITINTERVALLE

• Eine weitere Herausforderung im Projekt war die Anzeige der Daten in festgelegten Zeitintervallen. Im Beispiel wurden Datensätze pro 50 Jahre gruppiert. Die Prozentwerte beziehen sich hier nicht auf die Gesamtsumme (Standard), sondern auf die Teilsummen der einzelnen Balken.
• Dies erforderte kreative Anpassungen am Datenmodell, um die als Start- und Enddatum angegebenen Intervalle den richtigen Balken zuzuordnen und bei Überlappungen nur zum entsprechenden Anteil zu werten. Über ein DAX-Measure konnten dann die Prozentwerte berechnet werden.

Problemstellung

• Der Kunde, eine mittelständische Beratungsgruppe, betrieb über Jahre ein stark individualisiertes CRM-Altsystem. 
• Ziel war die Migration auf EmmySoft, eine vorkonfigurierte Salesforce-Branchenlösung für Personalberater ? mit Erhalt aller produktiv genutzten Workflows und Datenbestände.
  

Herausforderungen & Vorgehensweise

• Datenmapping Alt-CRM ? EmmySoft mit Fokus auf Stammdaten, Pipeline und historisch gewachsene Aktivitäten.
• Customizing in Salesforce Lightning (Click-Administration, Custom Report Types) für die spezifischen Anforderungen des Geschäftsbereichs.
• Qualitätssicherung der Migration und Begleitung einer mehrwöchigen Hypercare-Phase in Q2/2025.
• Vorteil im Mandat: tiefes Wissen über das Datenmodell des Altsystems, da dieses in der eigenen früheren Werkstudenten- und Manager-Phase mit aufgebaut worden war.

Problemstellung

• Als Folgeprojekt zu Case 3 sollte für denselben M&A-Broker ein Power BI-Dashboard entwickelt werden, um die Pipeline an zu verkaufenden Unternehmen für potenzielle Käufer (Dritte) zu visualisieren. 
• Dabei richtet es sich speziell an Empfänger auf ?Head of M&A?- bzw. C-Level-Ebene.

Herausforderungen & Vorgehensweise

• Hohe Anforderungen an Datenqualität aufgrund von C-Level-Einsatz.
• Einrichtung von Echtzeit-Aktualisierung über On-Premises-Datengateway.
• Sowohl hoher Detailgrad als auch High-Level Übersicht notwendig.

Ergebnis

• Die Dashboards der Akquise-Pipeline unterstützen bis heute maßgeblich das Vertriebscontrolling und werden im Austausch mit dem Vorstand der Buy-Side als ?single source of truth? zur Steuerung des Dealflow genutzt.

DEEP - DIVE

ON PREMISES DATA GATEWAY

• Wie viele mittelständische Unternehmen, nutzte der Kunde einen On-Premises gehosteten Microsoft SQL-Server als Basis für seine CRM-Software.
• Um aus einem selbstgehosteten System Live-Daten in die Microsoft Cloud (Microsoft-Fabric) zu laden, wurde das ?Microsoft On-Premises Data Gateway? als Connector beim Kunden ausgerollt. Dies ermöglichte eine Direktverbindung zur Datenbank ohne Medienbruch oder manuelles Importieren der Daten.

Problemstellung

• Ein mittelständischer M&A?Broker, der deutschlandweit Kunden bei der Umsetzung einer Buy-and-build-Strategie unterstützt, wollte einen Weg finden, Marktpotenziale grafisch darzustellen, um regionale Chancen für einen Zukauf zu bewerten. 
• Im Rahmen dessen sollte auch eine Drilldown-Ansicht bis zur einzelnen, konkreten Zielfirma mit allen bekannten Informationen ermöglicht werden.

Herausforderungen & Vorgehensweise

• Sehr detailliertes, aber unstrukturiertes Dataset mit Deal-prospects des Kunden.
• Daten sollten gegen einen ?Gesamtmarkt? abgeglichen werden. Dafür gab es noch keine Daten, sodass diese zunächst beschafft und aufbereitet wurden.
• Als Abstraktionslevel wurden Stadt-/Landkreise in DE gewählt. In Ermangelung einer Standardkarte wurde dafür ein neues Map-Visual entwickelt.

Ergebnis

• Mithilfe des Marktanalyse-Tools konnte das Management des Kunden Schwachpunktregionen identifizieren und dort gezielt Deals auf den Weg bringen. 
• Dieses Vorgehen nach ?Wunschstandorten? stellt bis heute einen zentralen Pfeiler der Akquisestrategie dar.

DEEP - DIVE

FLÄCHENKARTOGRAMME

• Die Standard-Kartenfunktion von Power BI enthält keine Daten zu deutschen Stadt- und Landkreisen. Diese Ebene war jedoch für die Markterschließungsstrategie essenziell, sodass eine Lösung gefunden werden musste.
• Um eine Auswertung auf kommunaler Ebene zu ermöglichen, wurde mit GEOJSON-Daten der Deutschen Post ein Custom-Flächenkartogramm (Shapefile) erstellt und in Power BI importiert.
• Die so erstellte Karte wurde anschließend als Heatmap mit den Live-Daten des Kunden verbunden, um Fokusregionen hervorzuheben. Über eine verbundene Karte kann bis zum konkreten Potenzial in den einzelnen Regionen hereingezoomt werden.

DATENVORBEREITUNG

• Teil der Aufgabe war es, abzuschätzen, wie viel Marktpotenzial in einer bestimmten Region besteht, und wie gut das Akquiseteam den Markt bereits durchdrungen hat.
• Um dies zu erreichen, wurden gemeinsam zu untersuchende Wirtschaftszweige definiert und festgelegt, welche Daten für den Vergleich herangezogen werden sollen.
• In Zusammenarbeit mit dem Bayerischen Landesamt für Statistik wurden 16 Datasets der Länder beschafft und zu einem großen Datensatz mit Marktinformationen zusammengefügt.
• Bei der Auswertung stellte anschließend vor allem die Verbindung der verschiedenen Datenquellen (Excel, Sharepoint, SQL-Server) und Datenformate eine Herausforderung dar, die mittels SQL und PowerQuery-Transformationen gelöst werden konnte.