SlideShare ist ein Scribd-Unternehmen logo
1 von 47
Downloaden Sie, um offline zu lesen
MARKET RESEARCH MEETS
BUSINESS INTELLIGENCE
DR. BENEDIKT KÖHLER / FRANZISKA SCHARCH
RESEARCH & RESULTS, 24.OKTOBER 2019
– INSIGHT IS KING
1. Was ist DataLion?
2. Herausforderungen im
„Daten-Dschungel“ am
Beispiel einer Case-Study
3. Umsetzung in der Praxis
4. Fragerunde
AGENDA
1. WAS IST DATALION?
Webbasierte Dashboards …
Echte PPTX Exporte
…
Export verschachtelter
Tabellen …
… schneller, einfacher und intuitiver
als andere Dashboard Lösungen
1. PPTX-Export in Ihrem Mastertemplate
mit echten nativen Charts (keine Bilder)
2. Gelayoutete Excel-Exports mit
Vorfiltern, Berechnungen, Gewichten
3. Dynamische Verknüpfung von
Datenquellen
4. Layout ist komplett anpassbar
5. Schnelle und einfache Usability
6. Differenziertes Rechtemanagement
7. Responsive Design
8. Entwickelt und CO2-neutral gehosted in
Deutschland
UNSERE USPs
2. HERAUSFORDERUNGEN IM „DATEN-
DSCHUNGEL“ AM BEISPIEL EINER CASE-STUDY
Case-Study: Datenmanagement
in einem internationalen
Modeunternehmen
• 10 Länder
• Unterschiedliche Datenquellen
(Marktforschung: Brand Tracker,
Sales Daten, Online Daten von Google
Analytics)
• Ziel: länderübergreifende
Datenauswertung, um Status-
Quo und Optimierungs-
möglichkeiten zu generieren
Spezifische Ziele:
• Verfügbarkeit: Zu jeder Zeit sind alle aktuellen Daten verfügbar
und in ihrer Struktur sofort nutzbar
• Keine starren Reports: Jederzeit können Sonderauswertungen
z.B. für den Vorstand erstellt werden
• Minimaler manueller Aufwand: Aktualisierung und Integration
der Daten verläuft automatisch
Voraussetzungen:
• Datenstrukturen sind klar definiert und ändern sich nicht
(=Definition von Standards)
• Alle halten sich an Standards
• Es gibt klar definierte Schnittstellen
IN EINER
IDEALEN
WELT …
CRM
MR
Google
ETL
Data Warehouse
IN EINER
IDEALEN
WELT …
Die verschiedenen Datenquellen werden automatisiert in
einer Zieldatenbank vereinigt:
Reports
Visualisierung
Data
Driven
Decisions
Die Daten können aufbereitet und visualisiert werden,
um Insights und Optimierungsansätze zu generieren.
Data Warehouse
IN EINER
IDEALEN
WELT …
REALITÄT
…
IDEALE
WELT …
REALITÄT …
Jeder Standort schickt die Daten an eine zentrale Stelle:
Head of
„Copy & Paste“
IN DER
REALITÄT
…
Und so sehen die Daten dann aus:
IN DER
REALITÄT
…
Herausforderungen
• Datenformate: Excel, CSV, Tabellen, Datum, Komma
• Datenstrukturen: Tabellen in Tabellen
• Kodierung: „KĶln“
• Umfang der Daten
• Verschiedene Aggregationsebenen
• Veränderungen der Datenformate
fehleranfällig
Copy & Paste
zeitaufwändig Datenchaos
keine Schnittstelle
IN DER
REALITÄT
…
Vergleich Unternehmens- vs. Marktforschungsdaten
Marktforschungsdaten Unternehmensdaten
Inhalt Informationen über Verhaltensweisen
und Wahrnehmungen, z.B. Motive,
Einstellungen, Meinungen etc.
Typisch: Zeitreihen zu Absatz, Umsatz,
Unique Visitors, Leads etc.
Struktur/
Format
SPSS-Daten, Excel-Daten (1 Spalte je
Variable, 1 Zeile je Befragter), fehlende
Werte, Gewichtung
DWH-Daten, Datenbank, hunderte
Tabellen mit foreign Keys verknüpft
(„Star-Schema“)
Quellen Primäre und sekundäre Datenquellen
(z.B. Befragungen, Desk-Research)
CRM, ERP, Kassensysteme,
Kampagnendaten, Webtracking,
Finance, HR
Ziel Status Quo und Insight-Generierung als
Basis für unternehmerische Entscheidungen
Marktforschung vs. Business Intelligence
Marktforschung Business Intelligence
Bestimme Art von Datenquellen
(oft) erzeugte Daten
Prozess der Datenverarbeitung und
Datenanalyse
Spezifische Art von Daten/struktur Spezifische Erkenntnisziele
(Marktforschungsdaten können eine
Datenquelle neben anderen sein)
Richtet sich an Marketing Richtet sich an Marketing, Produktion,
Vertrieb … Kennzahlen
Prozentuierung von Ausprägungen Summe von EUR / Stück
Weitere verwandte Begriffe: Data Mining, Data Science, Data Governance
Beispiel Marktforschung „Brand Tracker“
Für das Modeunternehmen „FashionData“ soll kontinuierlich die Bekanntheit,
die Wahrnehmung und das Markenbild erhoben werden. Befragt wird die
Marketingzielgruppe (Frauen und Männer zwischen 14-65 Jahre).
Darüber hinaus soll der BrandTracker auch als Wettbewerbsanalyse dienen.
KPIs „Brand Tracker“
Marken KPIs
• ungestützte Bekanntheit
• gestützte Bekanntheit
• Markenbild/Image
• Imagescore
• Weiterempfehlung
• Vergleich mit Wettbewerb / Benchmark
Zielgruppenanalyse
• Soziodemografie
• Fashion-Type
Datenstruktur „Brand Tracker“
Zeitstempel
Gewicht Einfachantworten
und Skalen
Mehrfachantworten
Offene
Nennungen
Output „Brand Tracker“
Beispiel Unternehmensdaten
Aufbau eines DWH mit verknüpften Daten für:
• Shops
• Adressen und Ansprechpartner
• Produkten und Marken
• Absatz und Umsatz
Auswertung Unternehmensdaten
Auswertung als OLAP Cube -> Zeitreihe x Produkt x Shop
Was ist ein OLAP-Würfel?
• Datenwürfel, engl. OLAP Cube oder auch Data Cube
• Anordnung der Daten als Elemente eines mehrdimensionalen Würfels
• Zugriff auf die Daten über eine oder mehrere Achsen des Würfels
• Verschiedene Dimensionen können in Abhängigkeit voneinander
ausgewertet werden
Folgende Analysen sind möglich:
• Wie viele Produkte wurden im letzten Monat in der Filiale München
verkauft?
• Welcher Verkäufer hat den höchsten Umsatz erzielt?
• Wie viele Produkte befinden sich noch im Laden?
• In welcher Filiale wurde letztes Jahr der höchste Umsatz erreicht?
Beispiel: Data Cube
mit drei Dimensionen
Die Daten werden in einer relationale oder multidimensionalen
Datenbank gespeichert
Quelle: https://www.datenbanken-verstehen.de/datenbank-
grundlagen/datenbankmodell/relationales-datenbankmodell/
-> können direkt in
DataLion so abgebildet
werden oder in ein
zeilenbasiertes Format
umgewandelt werden
(z.B. Tabellen für
Umsatz / Absatz und
Produkte mit
Metadaten)
Output „Unternehmensdaten“
3. PRAKTISCHE UMSETZUNG
IN VIER SCHRITTEN
Schritt 1: Datenquellen verknüpfen
Unterschiedliche
Datenquellen in
einem Projekt
Schritt 1: Datenquellen verknüpfen
• Projekte können auf mehrere Datenquellen und Tabellen zugreifen
• Verknüpfungen zwischen verschiedenen Tabellen können über Dropdown-
Menüs definiert werden
• Verknüpfungen werden abhängig von den Filtern und Metriken in einem
Dashboard dynamisch angewendet
• Alternativen: Joins <->
gemeinsame Filter (z.B.
Datum, Store)
• Aufwändige Daten-
vorbereitung entfällt
Schritt 1: Automatische Imports konfigurieren
• Import von Dateien über FTP, API, Datenbankverbindungen (SQL)
• Zeitlicher Rhythmus
• Umgang mit neuen /
entfallenen Merkmalen
• Backfill von historischen
Daten
• Regelbasierte Recodes
• Berechnete Variablen
Schritt 2: Report erstellen mit verschiedenen KPIs und Filtern
Report benennen
Schritt 2: Report erstellen mit verschiedenen KPIs und Filter DropDowns
Ein Report besteht aus
mehreren Tabs.
Es können
(dynamische) Filter-
Dropdowns angelegt
werden.
Schritt 2: Report erstellen mit verschiedenen KPIs und Filter DropDowns
Schritt 2: Report erstellen mit verschiedenen KPIs und Filter DropDowns
Schritt 2: Report erstellen mit verschiedenen Berechnungen
Berechnung von Differenzen
und gleitenden Summen /
Durchschnitten (YoY, YTD)
Numerische Variablen können als
Berechnungsvariable verwendet werden.
Schritt 2: Report erstellen mit verschiedenen Berechnungen
Berechnungen
und Metriken
sind per Klick
auswählbar.
Charteinstellungen
Schritt 3: Benutzer und Zugriffsrechte freischalten
Benutzerverwaltung
Schritt 3: Benutzer und Zugriffsrechte freischalten
Nutzer anlegen
Projekte
freischalten
Schritt 3: Benutzer und Zugriffsrechte freischalten
Es können Zugriffsrechte bis auf
Datenebene benutzerindividuell
konfiguriert werden.
Schritt 3: Benutzer und Zugriffsrechte freischalten
Reportfreigabe:
Benutzer: Read-Only-Modus
Bearbeiter: können Änderungen
im Report speichern
Schritt 4: Exporte
Exporte in
unterschiedlichen
Formaten möglich
Schritt 4: Exporte
• Dashboards können als Excel-Dokumente mit mehreren Registerkarten
exportiert werden
• Vollständig konfigurierbar:
• Verschachtelte Spaltenköpfe
• Verschachtelte Zeilenfilter
• Berechnung der Fallzahl, Spalte%, Zeile%, Gesamt%, Index,
gewichtet vs. ungewichtet, Mittelwert, Summe
• Caching von aufwändigen Reports möglich
Schritt 4: Exporte
Schritt 4: Exporte
• PPTX-Export im individuellen Mastertemplate
• Export echter, nativer Charts (keine Bilder)
• Flexible Ausrichtung von Diagramm-, Text- oder Tabellenobjekten mithilfe
von Platzhaltern
• Online-Dashboards können unterschiedliche Folienvorlagen zugewiesen
werden
• Automatisches Ersetzen von Platzhaltern für Titel, Datum usw.
Schritt 4: Exporte
FRAGERUNDE
KONTAKT
DataLion GmbH
Herzog-Wilhelm-Straße 1
80331 Munich
Germany
+49 89 716 772 100
www.datalion.com
info@datalion.com
@datalion_en
Made with <3 in Bavaria
Sie finden uns
an Stand 130

Weitere ähnliche Inhalte

Ähnlich wie Market Research Meets Business Intelligence

BODDy 2014: Ergebnisse Projektgruppe Open Data - Wolfgang Both
BODDy 2014: Ergebnisse Projektgruppe Open Data - Wolfgang BothBODDy 2014: Ergebnisse Projektgruppe Open Data - Wolfgang Both
BODDy 2014: Ergebnisse Projektgruppe Open Data - Wolfgang Both
BerlinOpenDataDay
 

Ähnlich wie Market Research Meets Business Intelligence (20)

Data lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid ArchitecturesData lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid Architectures
 
2010 09 29 13-30 michael gniffke
2010 09 29 13-30 michael gniffke2010 09 29 13-30 michael gniffke
2010 09 29 13-30 michael gniffke
 
Datenanalyse in der Praxis
Datenanalyse in der PraxisDatenanalyse in der Praxis
Datenanalyse in der Praxis
 
In Memory-Technologien im Vergleich - SQL Server Konferenz 2015
In Memory-Technologien im Vergleich - SQL Server Konferenz 2015In Memory-Technologien im Vergleich - SQL Server Konferenz 2015
In Memory-Technologien im Vergleich - SQL Server Konferenz 2015
 
Analytical cycle fallbeispiele max-con
Analytical cycle   fallbeispiele max-conAnalytical cycle   fallbeispiele max-con
Analytical cycle fallbeispiele max-con
 
Webinar big data für unternehmen
Webinar big data für unternehmenWebinar big data für unternehmen
Webinar big data für unternehmen
 
Big Data und Business Intelligence
Big Data und Business IntelligenceBig Data und Business Intelligence
Big Data und Business Intelligence
 
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
 
Data Mining und OLAP
Data Mining und OLAPData Mining und OLAP
Data Mining und OLAP
 
SEO Campixx 2015 | ETL & BI für SEO Analysen und Reportings von Johannes Kunze
SEO Campixx 2015 | ETL & BI für SEO Analysen und Reportings von Johannes KunzeSEO Campixx 2015 | ETL & BI für SEO Analysen und Reportings von Johannes Kunze
SEO Campixx 2015 | ETL & BI für SEO Analysen und Reportings von Johannes Kunze
 
worldiety GmbH - Datenanalyse
worldiety GmbH - Datenanalyse worldiety GmbH - Datenanalyse
worldiety GmbH - Datenanalyse
 
Power BI Version 2.0
Power BI Version 2.0Power BI Version 2.0
Power BI Version 2.0
 
GraphTalk Berlin - Deutschlands erstes Entscheidernetzwerk mit Neo4j
GraphTalk Berlin - Deutschlands erstes Entscheidernetzwerk mit Neo4jGraphTalk Berlin - Deutschlands erstes Entscheidernetzwerk mit Neo4j
GraphTalk Berlin - Deutschlands erstes Entscheidernetzwerk mit Neo4j
 
Wie baue ich ein DataWarehouse auf Basis Hadoop
Wie baue ich ein DataWarehouse auf Basis HadoopWie baue ich ein DataWarehouse auf Basis Hadoop
Wie baue ich ein DataWarehouse auf Basis Hadoop
 
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas BerthWerbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
 
BATbern52 SBB zu Data Products und Knacknüsse
BATbern52 SBB zu Data Products und KnacknüsseBATbern52 SBB zu Data Products und Knacknüsse
BATbern52 SBB zu Data Products und Knacknüsse
 
Das modulare DWH-Modell - DOAG SIG BI/DWH 2010 - OPITZ CONSULTING - ArnoTigges
Das modulare DWH-Modell - DOAG SIG BI/DWH 2010 - OPITZ CONSULTING - ArnoTiggesDas modulare DWH-Modell - DOAG SIG BI/DWH 2010 - OPITZ CONSULTING - ArnoTigges
Das modulare DWH-Modell - DOAG SIG BI/DWH 2010 - OPITZ CONSULTING - ArnoTigges
 
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
 
BODDy 2014: Ergebnisse Projektgruppe Open Data - Wolfgang Both
BODDy 2014: Ergebnisse Projektgruppe Open Data - Wolfgang BothBODDy 2014: Ergebnisse Projektgruppe Open Data - Wolfgang Both
BODDy 2014: Ergebnisse Projektgruppe Open Data - Wolfgang Both
 
Google Data Studio Tipps | SEA Camp 2019
Google Data Studio Tipps | SEA Camp 2019Google Data Studio Tipps | SEA Camp 2019
Google Data Studio Tipps | SEA Camp 2019
 

Market Research Meets Business Intelligence

  • 1. MARKET RESEARCH MEETS BUSINESS INTELLIGENCE DR. BENEDIKT KÖHLER / FRANZISKA SCHARCH RESEARCH & RESULTS, 24.OKTOBER 2019 – INSIGHT IS KING
  • 2. 1. Was ist DataLion? 2. Herausforderungen im „Daten-Dschungel“ am Beispiel einer Case-Study 3. Umsetzung in der Praxis 4. Fragerunde AGENDA
  • 3. 1. WAS IST DATALION?
  • 4. Webbasierte Dashboards … Echte PPTX Exporte … Export verschachtelter Tabellen … … schneller, einfacher und intuitiver als andere Dashboard Lösungen
  • 5. 1. PPTX-Export in Ihrem Mastertemplate mit echten nativen Charts (keine Bilder) 2. Gelayoutete Excel-Exports mit Vorfiltern, Berechnungen, Gewichten 3. Dynamische Verknüpfung von Datenquellen 4. Layout ist komplett anpassbar 5. Schnelle und einfache Usability 6. Differenziertes Rechtemanagement 7. Responsive Design 8. Entwickelt und CO2-neutral gehosted in Deutschland UNSERE USPs
  • 6. 2. HERAUSFORDERUNGEN IM „DATEN- DSCHUNGEL“ AM BEISPIEL EINER CASE-STUDY
  • 7. Case-Study: Datenmanagement in einem internationalen Modeunternehmen • 10 Länder • Unterschiedliche Datenquellen (Marktforschung: Brand Tracker, Sales Daten, Online Daten von Google Analytics) • Ziel: länderübergreifende Datenauswertung, um Status- Quo und Optimierungs- möglichkeiten zu generieren
  • 8. Spezifische Ziele: • Verfügbarkeit: Zu jeder Zeit sind alle aktuellen Daten verfügbar und in ihrer Struktur sofort nutzbar • Keine starren Reports: Jederzeit können Sonderauswertungen z.B. für den Vorstand erstellt werden • Minimaler manueller Aufwand: Aktualisierung und Integration der Daten verläuft automatisch Voraussetzungen: • Datenstrukturen sind klar definiert und ändern sich nicht (=Definition von Standards) • Alle halten sich an Standards • Es gibt klar definierte Schnittstellen IN EINER IDEALEN WELT …
  • 9. CRM MR Google ETL Data Warehouse IN EINER IDEALEN WELT … Die verschiedenen Datenquellen werden automatisiert in einer Zieldatenbank vereinigt:
  • 10. Reports Visualisierung Data Driven Decisions Die Daten können aufbereitet und visualisiert werden, um Insights und Optimierungsansätze zu generieren. Data Warehouse IN EINER IDEALEN WELT …
  • 12. Jeder Standort schickt die Daten an eine zentrale Stelle: Head of „Copy & Paste“ IN DER REALITÄT …
  • 13. Und so sehen die Daten dann aus: IN DER REALITÄT …
  • 14. Herausforderungen • Datenformate: Excel, CSV, Tabellen, Datum, Komma • Datenstrukturen: Tabellen in Tabellen • Kodierung: „KĶln“ • Umfang der Daten • Verschiedene Aggregationsebenen • Veränderungen der Datenformate fehleranfällig Copy & Paste zeitaufwändig Datenchaos keine Schnittstelle IN DER REALITÄT …
  • 15. Vergleich Unternehmens- vs. Marktforschungsdaten Marktforschungsdaten Unternehmensdaten Inhalt Informationen über Verhaltensweisen und Wahrnehmungen, z.B. Motive, Einstellungen, Meinungen etc. Typisch: Zeitreihen zu Absatz, Umsatz, Unique Visitors, Leads etc. Struktur/ Format SPSS-Daten, Excel-Daten (1 Spalte je Variable, 1 Zeile je Befragter), fehlende Werte, Gewichtung DWH-Daten, Datenbank, hunderte Tabellen mit foreign Keys verknüpft („Star-Schema“) Quellen Primäre und sekundäre Datenquellen (z.B. Befragungen, Desk-Research) CRM, ERP, Kassensysteme, Kampagnendaten, Webtracking, Finance, HR Ziel Status Quo und Insight-Generierung als Basis für unternehmerische Entscheidungen
  • 16. Marktforschung vs. Business Intelligence Marktforschung Business Intelligence Bestimme Art von Datenquellen (oft) erzeugte Daten Prozess der Datenverarbeitung und Datenanalyse Spezifische Art von Daten/struktur Spezifische Erkenntnisziele (Marktforschungsdaten können eine Datenquelle neben anderen sein) Richtet sich an Marketing Richtet sich an Marketing, Produktion, Vertrieb … Kennzahlen Prozentuierung von Ausprägungen Summe von EUR / Stück Weitere verwandte Begriffe: Data Mining, Data Science, Data Governance
  • 17. Beispiel Marktforschung „Brand Tracker“ Für das Modeunternehmen „FashionData“ soll kontinuierlich die Bekanntheit, die Wahrnehmung und das Markenbild erhoben werden. Befragt wird die Marketingzielgruppe (Frauen und Männer zwischen 14-65 Jahre). Darüber hinaus soll der BrandTracker auch als Wettbewerbsanalyse dienen.
  • 18. KPIs „Brand Tracker“ Marken KPIs • ungestützte Bekanntheit • gestützte Bekanntheit • Markenbild/Image • Imagescore • Weiterempfehlung • Vergleich mit Wettbewerb / Benchmark Zielgruppenanalyse • Soziodemografie • Fashion-Type
  • 19. Datenstruktur „Brand Tracker“ Zeitstempel Gewicht Einfachantworten und Skalen Mehrfachantworten Offene Nennungen
  • 21. Beispiel Unternehmensdaten Aufbau eines DWH mit verknüpften Daten für: • Shops • Adressen und Ansprechpartner • Produkten und Marken • Absatz und Umsatz
  • 22. Auswertung Unternehmensdaten Auswertung als OLAP Cube -> Zeitreihe x Produkt x Shop
  • 23. Was ist ein OLAP-Würfel? • Datenwürfel, engl. OLAP Cube oder auch Data Cube • Anordnung der Daten als Elemente eines mehrdimensionalen Würfels • Zugriff auf die Daten über eine oder mehrere Achsen des Würfels • Verschiedene Dimensionen können in Abhängigkeit voneinander ausgewertet werden
  • 24. Folgende Analysen sind möglich: • Wie viele Produkte wurden im letzten Monat in der Filiale München verkauft? • Welcher Verkäufer hat den höchsten Umsatz erzielt? • Wie viele Produkte befinden sich noch im Laden? • In welcher Filiale wurde letztes Jahr der höchste Umsatz erreicht? Beispiel: Data Cube mit drei Dimensionen
  • 25. Die Daten werden in einer relationale oder multidimensionalen Datenbank gespeichert Quelle: https://www.datenbanken-verstehen.de/datenbank- grundlagen/datenbankmodell/relationales-datenbankmodell/ -> können direkt in DataLion so abgebildet werden oder in ein zeilenbasiertes Format umgewandelt werden (z.B. Tabellen für Umsatz / Absatz und Produkte mit Metadaten)
  • 27. 3. PRAKTISCHE UMSETZUNG IN VIER SCHRITTEN
  • 28. Schritt 1: Datenquellen verknüpfen Unterschiedliche Datenquellen in einem Projekt
  • 29. Schritt 1: Datenquellen verknüpfen • Projekte können auf mehrere Datenquellen und Tabellen zugreifen • Verknüpfungen zwischen verschiedenen Tabellen können über Dropdown- Menüs definiert werden • Verknüpfungen werden abhängig von den Filtern und Metriken in einem Dashboard dynamisch angewendet • Alternativen: Joins <-> gemeinsame Filter (z.B. Datum, Store) • Aufwändige Daten- vorbereitung entfällt
  • 30. Schritt 1: Automatische Imports konfigurieren • Import von Dateien über FTP, API, Datenbankverbindungen (SQL) • Zeitlicher Rhythmus • Umgang mit neuen / entfallenen Merkmalen • Backfill von historischen Daten • Regelbasierte Recodes • Berechnete Variablen
  • 31. Schritt 2: Report erstellen mit verschiedenen KPIs und Filtern Report benennen
  • 32. Schritt 2: Report erstellen mit verschiedenen KPIs und Filter DropDowns Ein Report besteht aus mehreren Tabs. Es können (dynamische) Filter- Dropdowns angelegt werden.
  • 33. Schritt 2: Report erstellen mit verschiedenen KPIs und Filter DropDowns
  • 34. Schritt 2: Report erstellen mit verschiedenen KPIs und Filter DropDowns
  • 35. Schritt 2: Report erstellen mit verschiedenen Berechnungen Berechnung von Differenzen und gleitenden Summen / Durchschnitten (YoY, YTD) Numerische Variablen können als Berechnungsvariable verwendet werden.
  • 36. Schritt 2: Report erstellen mit verschiedenen Berechnungen Berechnungen und Metriken sind per Klick auswählbar. Charteinstellungen
  • 37. Schritt 3: Benutzer und Zugriffsrechte freischalten Benutzerverwaltung
  • 38. Schritt 3: Benutzer und Zugriffsrechte freischalten Nutzer anlegen Projekte freischalten
  • 39. Schritt 3: Benutzer und Zugriffsrechte freischalten Es können Zugriffsrechte bis auf Datenebene benutzerindividuell konfiguriert werden.
  • 40. Schritt 3: Benutzer und Zugriffsrechte freischalten Reportfreigabe: Benutzer: Read-Only-Modus Bearbeiter: können Änderungen im Report speichern
  • 41. Schritt 4: Exporte Exporte in unterschiedlichen Formaten möglich
  • 42. Schritt 4: Exporte • Dashboards können als Excel-Dokumente mit mehreren Registerkarten exportiert werden • Vollständig konfigurierbar: • Verschachtelte Spaltenköpfe • Verschachtelte Zeilenfilter • Berechnung der Fallzahl, Spalte%, Zeile%, Gesamt%, Index, gewichtet vs. ungewichtet, Mittelwert, Summe • Caching von aufwändigen Reports möglich
  • 44. Schritt 4: Exporte • PPTX-Export im individuellen Mastertemplate • Export echter, nativer Charts (keine Bilder) • Flexible Ausrichtung von Diagramm-, Text- oder Tabellenobjekten mithilfe von Platzhaltern • Online-Dashboards können unterschiedliche Folienvorlagen zugewiesen werden • Automatisches Ersetzen von Platzhaltern für Titel, Datum usw.
  • 47. KONTAKT DataLion GmbH Herzog-Wilhelm-Straße 1 80331 Munich Germany +49 89 716 772 100 www.datalion.com info@datalion.com @datalion_en Made with <3 in Bavaria Sie finden uns an Stand 130