Awesome Business Intelligence

Eine kuratierte Liste der besten Ressourcen zu Business Intelligence, Datenanalyse und dem Modern Data Stack für Führungskräfte und Datenteams.

Inspiriert von awesome lists. Gepflegt von Rework.

Traditionelles BI war IT-geführt, langsam und abgekoppelt von den Geschäftsfragen, auf die es wirklich ankam. Modernes BI ist business-geführt, Self-Service und basiert auf einem Data Stack, der von kleinen Teams zusammengestellt und betrieben werden kann. Diese Ressourcen decken beides ab – weil die meisten Organisationen irgendwo dazwischen stehen und verstehen müssen, wohin sie sich bewegen.

Inhaltsverzeichnis

Artikel

Bücher

Videos & Vorträge

Tools & Software

  • Tableau – Branchenführende Datenvisualisierungs- und BI-Plattform, jetzt Teil des Salesforce-Ökosystems.
  • Microsoft Power BI – Microsofts BI-Plattform mit starker Excel-Integration und wettbewerbsfähiger Preisgestaltung für M365-Nutzer.
  • Looker – Google Clouds Enterprise-BI-Plattform mit LookML für konsistente, gesteuerte Metriken.
  • Metabase – Open-Source-BI-Tool, ideal für Teams, die Self-Service-Analytics ohne Enterprise-Preise wollen.
  • Apache Superset – Open-Source-Datenexploration- und Visualisierungsplattform, weit verbreitet in datenreifen Organisationen.
  • dbt (data build tool) – Das Standardtool für Datentransformation im Modern Data Stack, genutzt von tausenden Teams.
  • Fivetran – Vollständig verwaltetes ELT-Datenpipeline-Tool, das Hunderte von Quellen mit Ihrem Data Warehouse verbindet.
  • Snowflake – Cloud-Datenplattform, die als Warehouse-Schicht in den meisten Modern-Data-Stacks genutzt wird.

Vorlagen & Frameworks

Fallstudien & Praxisbeispiele

  • Netflix – Netflixs Empfehlungsmaschine ist eine der am meisten dokumentierten BI-Erfolgsgeschichten in der Technologie: Das Unternehmen schätzte, dass sein Personalisierungs- und Empfehlungssystem jährlich rund 1 Milliarde US-Dollar durch reduzierten Abonnenten-Churn einspart. Jedes Element der Netflix-UI – Artwork, Reihenfolge der Zeilen, Suchergebnisse – wird durch Verhaltensdaten von über 200 Millionen Abonnenten gesteuert und durch kontinuierliche A/B-Experimente getestet. Quelle

  • Starbucks – Baute eine Store-Analytics-Fähigkeit auf, die Kundenkaufdaten, Mobile-App-Verhalten und Standortdaten nutzt, um neue Standortentscheidungen und hyperpersonalisierte Loyalty-Angebote zu treffen. Starbucks' „Deep Brew"-KI-Plattform treibt über 400.000 personalisierte Angebote pro Woche an Rewards-Mitglieder aus, was dazu beiträgt, dass das Rewards-Programm mehr als 50 % der US-Kassenumsätze ausmacht. Quelle

  • Coca-Cola – Nutzte KI und Social-Media-Datenanalyse, um festzustellen, dass Kunden an Self-Service-Getränkeautomaten eigene Kirsch-Vanille-Sprite-Kombinationen kreierten, was direkt zur Entwicklung und Einführung von Cherry Sprite als neues Produkt führte. Diese Demand-Sensing-Nutzung von BI – Verhaltensdaten nutzen, um Produktmöglichkeiten aufzuspüren – ist zum Standardbeispiel dafür geworden, wie CPG-Unternehmen Analytics nutzen können, um Produktentwicklungsrisiken zu reduzieren. Quelle

  • Amazon – Amazons gesamter Einzelhandelsbetrieb ist eine BI-Maschine: sein Preisalgorithmus passt Preise rund 2,5 Millionen Mal täglich basierend auf Wettbewerberpreisen, Nachfragesignalen, Lagerbestandsniveaus und Kundenverhalten an. Seine Prognosesysteme sagen Nachfrage Wochen im Voraus voraus und positionieren Bestände entsprechend in Fulfillment-Centern – weshalb Same-Day-Lieferung in seinem Maßstab betrieblich möglich ist. Quelle

  • UPS und ORION – UPS setzte sein On-Road Integrated Optimization and Navigation (ORION)-System ein, um Lieferouten über seine 55.000-Fahrer-Flotte zu optimieren, indem BI und Operations Research genutzt wurden, um Linksabbiegen zu reduzieren (was Kraftstoff beim Warten im Verkehr verschwendet). ORION sparte UPS schätzungsweise 100 Millionen Meilen pro Jahr und reduzierte den Kraftstoffverbrauch um rund 10 Millionen Gallonen jährlich – ein direktes, messbares finanzielles Ergebnis aus Operations Analytics im großen Maßstab. Quelle

  • Targets Schwangerschafts-Prognosemodell – Targets Datenteam baute ein Modell auf, das Kundenschwangerschaften aus Verhaltensänderungen beim Einkauf vorhersagen und entsprechend gezielte Gutscheine versenden konnte – bekanntermaßen bevor manche Kunden ihre Schwangerschaft öffentlich bekanntgegeben hatten. Der Fall wurde zur Pilotstudie sowohl für die Macht von Retail-BI als auch für die ethischen Grenzen prädiktiver Analytics und führte zu branchenweiten Diskussionen über Datennutzungsrichtlinien. Quelle

Communities & Newsletter

  • dbt Community Slack – Die aktivste Analytics-Engineering-Community online, mit Channels für jeden Aspekt des Modern Data Stack.
  • Locally Optimistic Slack – Praktiker-Community für Datenanalysten, Analytics Engineers und Daten-Team-Leads.
  • Data Council – Community und Konferenz für Datenpraktiker in Analytics, Engineering und ML.

Rework-Ressourcen

Beitragen

Kennen Sie eine großartige Business-Intelligence-Ressource, die wir übersehen haben? Teilen Sie sie uns mit.

Zuletzt aktualisiert: März 2026. Links verifiziert. Deckt traditionelle BI-Plattformen und den Modern Data Stack für Teams auf jeder Stufe der Datenmaturität ab.