Dein Controlling sagt dir präzise, was schiefging — leider erst, wenn du nichts mehr ändern kannst. bimanu One verbindet die Abweichung mit ihrer Ursache über Bereichsgrenzen hinweg, gibt allen dieselbe Zahl und lässt den rollierenden Forecast automatisch mitlaufen, statt dass dein Controller ihn jeden Monat in Excel zusammenklaubt.
Kein Standardprojekt. Wir schauen zuerst, wie lange es bei dir dauert, bis eine Abweichung ihre Ursache verrät — und ob drei Leute dieselbe Zahl nennen würden.
Beispiel aus der Praxis
Contextual Intelligence verbindet Daten aus verschiedenen Unternehmensbereichen wie Controlling, Vertrieb, Einkauf und Produktion und gibt ihnen eine gemeinsame Sprache.
So werden Zusammenhänge sichtbar, die im einzelnen Report verborgen bleiben: Die Abweichung kommt mit ihrer Ursache, alle arbeiten mit derselben Zahl — und die Antwort kommt in Stunden statt nach dem Monatsabschluss.
Der Monatsabschluss zeigt eine Plan-Ist-Abweichung von zwanzig Prozent. Warum? Das sagt der Report nicht. Also fängt der Controller an zu suchen: ruft im Vertrieb an, lässt sich Listen schicken, gleicht von Hand ab, gräbt sich durch drei Systeme. Tagelang. Bis die Ursache gefunden ist, ist schon wieder ein Monat vorbei.
Dazu der Klassiker im Meeting: Der Geschäftsführer fragt nach dem Deckungsbeitrag von Produktgruppe A. Das Controlling nennt eine Zahl, der Vertrieb eine andere, die Produktion rechnet nochmal anders. Drei Leute, drei Zahlen, eine Kennzahl — und das Meeting dreht sich um die Frage, welche stimmt, statt um die Entscheidung.
Und was oben kaum jemand sieht: Hinter jedem Report stecken Stunden Excel-Handarbeit. Eine harmlose Rückfrage — „kannst du das mal pro Artikel aufschlüsseln?“ — heißt für den Controller oft: von vorn anfangen
Auch moderne BI-Werkzeuge lösen das nicht automatisch. In der Praxis wird in Power BI und Co. oft dieselbe Komplexität nachgebaut, die vorher in Excel steckte — verschachtelte Logiken, die am Ende nur noch einer im Kopf hat. Das Werkzeug ist neu, das Chaos dasselbe, nur bunter. Mit Revisionssicherheit hat das nichts zu tun.
Und die neueste Stufe ist die gefährlichste: Künstliche Intelligenz direkt auf dem rohen ERP. Ohne Kontext und sauberes Datenmodell rät das Modell, welche Tabelle die richtige ist — und liefert auf dieselbe Frage jedes Mal eine andere Antwort. Selbstbewusst formuliert, mit konkreter Zahl. Im Controlling, wo es um echtes Geld geht, ist das schlimmer als gar keine KI.
| Klassisches Controlling | Contextual Intelligence |
|---|---|
| Report zeigt die Abweichung, Ursache wird tagelang gesucht | Abweichung kommt mit ihrer Ursache — über Bereichsgrenzen hinweg |
| Drei Abteilungen, drei Zahlen für eine Kennzahl | Einmal definiert, alle ziehen dieselbe Zahl aus derselben Quelle |
| Jahresbudget, im März schon überholt | Rollierender Forecast, der automatisch mitläuft |
| Stunden Excel-Handarbeit pro Report | Aufbereitung läuft automatisch — der Controller analysiert statt kopiert |
| KI auf dem rohen ERP rät und antwortet jedes Mal anders | KI-Antworten auf verbundenem, definiertem Datenfundament |
Nicht nur „20 Prozent unter Plan", sondern „20 Prozent unter Plan — Löwenanteil ein Großkunde, der die Bestellung halbiert hat". Die Erklärung kommt mit.
Deckungsbeitrag, Umsatz, Marge — einmal sauber definiert, und jeder zieht dieselbe Zahl aus derselben Quelle. Das Meeting dreht sich wieder um die Entscheidung.
Statt Jahresbudget vom letzten Oktober eine mitlaufende Hochrechnung der nächsten Monate — automatisch, weil die Daten verbunden sind.
Künstliche Intelligenz auf einem sauberen, verbundenen Datenfundament, auf dem definiert ist, was ein Umsatz ist — statt ratender Modelle auf dem rohen ERP.
Contextual Intelligence verbindet Daten aus verschiedenen Unternehmensbereichen — Controlling, Vertrieb, Einkauf, Produktion — und gibt ihnen eine gemeinsame Sprache. Zusammenhänge werden sichtbar, die im einzelnen Report verborgen bleiben: Die Abweichung kommt mit ihrer Ursache, alle arbeiten mit derselben Zahl, die Antwort kommt in Stunden.
Weil ihr der Kontext fehlt. Ein ERP hat hunderte Tabellen und tausende Felder — ohne Datenmodell weiß das Modell nicht, welche Quelle die richtige ist, und rät. Mal greift es auf die eine Tabelle zu, mal auf die andere. Verlässlich wird KI erst auf einem verbundenen Fundament mit definierten Begriffen.
Eine mitlaufende Hochrechnung: Statt einmal im Jahr zu budgetieren und zu hoffen, schaust du immer die nächsten Monate nach vorn und aktualisierst laufend. Machbar ist das nur, wenn die Daten automatisch zusammenfließen — von Hand ist der Aufwand zu groß. Mit verbundenen Daten läuft die Hochrechnung einfach mit.
Weil jede den Begriff anders definiert: Rechnet einer die Frachtkosten in den Deckungsbeitrag und der andere nicht, entstehen zwangsläufig zwei Zahlen — beide nicht falsch, aber nicht dieselbe. Die Lösung ist eine einmal sauber gezogene Definition, aus der alle dieselbe Zahl aus derselben Quelle ziehen.
Power BI ist ein gutes Visualisierungswerkzeug — aber es löst das Fundament-Problem nicht. In der Praxis wird dort oft dieselbe Komplexität nachgebaut, die vorher in Excel steckte, und am Ende weiß nur noch einer, wie die Zahl entsteht. Contextual Intelligence liefert das verbundene, definierte Fundament darunter; Power BI bleibt und wird besser.
Weil jede den Begriff anders definiert: Rechnet einer die Frachtkosten in den Deckungsbeitrag und der andere nicht, entstehen zwangsläufig zwei Zahlen — beide nicht falsch, aber nicht dieselbe. Die Lösung ist eine einmal sauber gezogene Definition, aus der alle dieselbe Zahl aus derselben Quelle ziehen.
