Die Preisfrage, für die Sie kein Dashboard entwickelt haben

Wir erhalten immer noch viele Fragen zu Analytics. Wie individuell anpassbar sind die Dashboards? Können wir unsere eigenen Berichte erstellen? Können wir neue Diagramme hinzufügen? Wie viel Flexibilität haben wir, um die Daten auf unterschiedliche Weise zu analysieren? Immer häufiger stellen uns jedoch einige der gleichen Unternehmen die gleiche Frage: Haben Sie einen MCP-Server (Model Context Protocol)?

Auf den ersten Blick scheinen dies zwei separate Anforderungen zu sein. Die eine betrifft Analysen, während die andere die Interaktion von LLMs (großen Sprachmodellen) mit Unternehmenssoftware behandelt. Ich denke, sie sind tatsächlich eng miteinander verbunden und stellen möglicherweise unterschiedliche Generationen von Ansichten hinsichtlich der Preisanalysen und der Unternehmensanalysen dar. Dashboards beantworten die Fragen, die Sie sicher stellen werden stellen. AI-Agents, die über MCP mit Ihren Systemen verbunden sind, beantworten die, die Sie nicht vorhergesehen hatten. 

Die wichtigsten Erkenntnisse

• Dashboards beantworten die Fragen, die Sie bereits wissen, dass Sie stellen werden. KI-Agenten, die über MCP verbunden sind, beantworten die, die Sie nicht erwartet haben.
• Die Preisanalysen der Generation 1 basierten auf Dashboards, die die von den Teams erwarteten Fragen umfassten. Sie eignen sich am besten für wiederkehrende Fragen, während neue Fragen oft außerhalb dieser Grenzen liegen.
• Generation 2 nutzt Self-Service-BI, LLMs und KI-Agenten, um die gleichen Dashboards schneller zu erstellen, aber immer noch muss jemand die Frage vorhersagen und die Grafik interpretieren.
• Generation 3 beginnt mit der Geschäftssituation. Ein über MCP verbundenes KI-Agentenprogramm untersucht diese und gibt eine Antwort zurück, wodurch Teams eine schnellere Möglichkeit haben, Antworten auf Fragen zu finden, für die kein Dashboard entwickelt wurde.
• Die zentrale Frage im Hinblick auf Unternehmenssoftware erweitert sich von “wie gut sind Ihre Analysen?” auf “wie gut sind Ihre Analysen und wie einfach kann meine Organisation alles erforschen, was Ihre Plattform weiß?”

Generation 1: Erstelle mir die Analysen

Seit Jahren ist der Standardansatz für Unternehmensanalysen relativ einfach. Wir versuchen zu verstehen, was die Menschen wissen müssen, erstellen Berichte und Dashboards, die diese Fragen beantworten, und geben den Benutzern die Möglichkeit, die Ergebnisse zu filtern, detaillierter zu analysieren und zu erkunden.

Vor einigen Jahren arbeitete ich mit einer sehr klugen Kollegin zusammen, die die Art und Weise, wie ich über diese Themen denke, grundlegend verändert hat. Sie hat die Analysen für eine Preislösung neu gestaltet und begann nicht mit den verfügbaren Daten oder mit der Debatte darüber, welche Diagramme auf dem Dashboard angezeigt werden sollten, sondern sie fragte stattdessen, welche Geschäftssituationen die Anwender tatsächlich beantworten mussten. Was muss ein Preismanager immer wieder verstehen? Welche Produkte führen nicht wie erwartet, was macht uns auf dem Markt gegenüber Konkurrenten zurück? Was ist nach der letzten Preiserhöhung passiert?

Sobald diese gemeinsamen Fragen identifiziert waren, diente dies als Grundlage für die Gestaltung der Analysen. Es klingt offensichtlich, aber es ist eine wichtige Unterscheidung. Erstellen Sie keine Analysen, nur weil Sie Daten vorliegen; erstellen Sie Analysen, weil jemand eine geschäftliche Frage beantworten muss. Diese Philosophie habe ich seitdem befolgt, aber selbst dieser bessere Ansatz hat eine grundlegende Einschränkung: Sie müssen die Fragen immer noch im Voraus kennen.

Ich habe die Konsequenzen dieses Problems in einem anderen Projekt gesehen. Eine große globale Organisation hatte stark in eine neue Preisplattform investiert und im Rahmen der Implementierung bedeutende Zeit und Geld in die Erstellung von Analysen für das Pricing-Team investiert. Wenn ich mich nicht irre, hatten sie schließlich etwa 60 verschiedene Dashboards und Berichte. Die Logik war völlig vernünftig: Alle Fragen, die ein Pricing-Team regelmäßig beantworten könnte, sollten identifiziert und die für deren Unterstützung erforderlichen Analysen erstellt werden.

Etwa 12 bis 18 Monate nachdem das System in Betrieb genommen wurde, haben wir untersucht, wie viele dieser Dashboards regelmäßig genutzt wurden. Die Antwort war eine erstaunlich einfache Zahl, die sich gut merken ließ: null.

Die Dashboards selbst hatten nichts Impossibles, und die Entwickler hatten viel über die Anforderungen des Unternehmens nachgedacht. Das Problem bestand jedoch im zugrunde liegenden Modell. Wir versuchten, zukünftige Fragen zu antizipieren und dann permanente Analysen zu erstellen, um diese zu beantworten. In der Realität ändern sich Geschäftsfragen. Prioritäten ändern sich, die Marktlage verändert sich und – ganz oft – ist die Frage, die man heute beantworten möchte, nicht diejenige, für die man vor 18 Monaten ein Dashboard erstellt hätte. Die Dashboards waren nicht das Problem. Die Fragen hatten einfach weitergedreht.

Generation 2: Hilf mir, die Analysen zu erstellen

Technologie hat dieses Modell allmählich flexibler gemacht. Die Self-Service-BI-Lösung gab Geschäftsanwendern mehr Kontrolle, konfigurierbare Unternehmensanwendungen ermöglichten ihnen, eigene Ansichten zu erstellen, und jetzt gehen die Sprachverarbeitungsalgorithmen und KI-Agenten noch weiter. Anstatt auf einen Analysten, einen Berater oder ein IT-Team zu warten, kann ein Benutzer zunehmend beschreiben, welche Analyse er benötigt, und die Technologie erstellt sie für ihn.

Ein Pricing-Manager könnte einen Diagramm anfordern, das die Margendynamik nach Kategorien in den letzten 12 Wochen gegenüber dem Preisniveau der Konkurrenz zeigt. Ein LLM oder ein Agent könnte diese Analyse in Sekundenschnelle erstellen. Dies ist äußerst nützlich, da damit eines der größten Probleme der traditionellen Analysen beseitigt wird: die Zeit und Kosten, die in der Erstellung eines Berichts entstehen, der nur einmal oder zweimal verwendet werden könnte.

Es gibt jedoch eine andere Möglichkeit, dies zu betrachten. Wir haben die Technologie 2026 eingesetzt, um den Prozess 2016 zu beschleunigen.

Der zugrunde liegende Prozess hat sich nicht grundlegend verändert. Der Benutzer muss weiterhin entscheiden, welche Analyse er benötigt, festlegen, welche Daten er betrachten soll, und die Technologie bitten, den entsprechenden Diagramm zu erstellen. Anschließend muss er interpretieren, was die Grafik mitteilt, und entscheiden, was er nun tun soll. Wir haben die Kosten und die Zeit, die für die Erstellung von Analysen erforderlich sind, drastisch reduziert, aber wenn das Ergebnis lediglich darin besteht, dass wir schneller mehr Dashboards erstellen können, haben wir die Art und Weise, wie Entscheidungen getroffen werden, wirklich verändert?

Dies ist eine der Fallen, die Organisationen bei der Einführung von maschinellen Lernmodellen beachten müssen. Es ist sehr einfach, einen bestehenden Prozess zu übernehmen, eine KI- oder Agentenlösung hinzuzufügen und diesen Prozess erheblich zu beschleunigen – und das alles als Transformation zu bezeichnen. Die Produktivitätssteigerung mag real sein, aber manchmal bedeutet alles, was wir getan haben, lediglich die Automatisierung der alten Arbeitsweise.

Generation 3: Antworten Sie auf meine Geschäftssache

Die interessante Möglichkeit erscheint, wenn wir uns an die Lektion zurückerinnern, die ich vor Jahren gelernt habe: Beginnen Sie mit der Geschäftsfrage. Der Unterschied heute ist, dass wir diese Frage heute nicht notwendigerweise im Voraus vorhersagen oder die Analysen erstellen müssen, die zur Beantwortung erforderlich sind. Hier erhalten die Fragen, die sich zwischen den Dashboards befinden, endlich eine Antwort.

Stellen Sie sich vor, ein Pricing-Manager bemerkt etwas Ungewöhnliches und fragt: “Warum ist unsere Margenlast in der vergangenen Woche gesunken?” Er braucht nicht einen bestimmten Dashboard anzufragen, welche Dimensionen analysiert werden sollen oder welche Datensätze zusammengeführt werden müssen. Er beschreibt einfach das Geschäftsproblem, das er verstehen möchte.

Ein KI-Agent, der über MCP-Server mit den relevanten Unternehmenssystemen verbunden ist, kann diese Frage möglicherweise untersuchen. Er könnte feststellen, dass der Großteil der Margendegradion in einer Kategorie entstanden ist, und dann weitere Untersuchungen durchführen, um festzustellen, dass eine kleine Gruppe von Produkten den größten Teil des Rückgangs ausgemacht hat. Diese Produkte wurden aufgrund einer Werbeaktion des Wettbewerbers neu bewertet, aber während der Wettbewerber die Aktion inzwischen beendet hatte, blieben unsere Preise unverändert.

Anstatt dem Benutzer zu überlassen, herauszufinden, was in den verschiedenen Ansichten passiert ist, kann das System erklären, wie sehr der Marktanteil zurückgegangen ist und wie viel dieser Rückgang auf diese Produkte zurückzuführen ist. Die Analysen sind nicht verschwunden; sie sind Teil der Untersuchung geworden, die zu der Antwort geführt hat.

Diese Unterscheidung ist wichtig, da wir von der Analyse zu Erkenntnissen übergegangen sind. Der Benutzer kann dann die Konversation fortsetzen, indem er fragt, was passieren würde, wenn diese Produkte zu ihren früheren Preisen zurückkehren würden, welche Produkte tatsächlich geändert werden sollten oder welche den erwarteten wirtschaftlichen Auswirkungen entsprechen würden. Schließlich könnte die nächste Anweisung – sofern die entsprechenden Kontrollen und Governance vorhanden sind – einfach die Änderung sein. Dies ist die Idee hinter agentischer Preisgestaltung: KI, die untersuchen, empfehlen und – innerhalb vereinbarter Grenzen – handeln kann.

Der traditionelle Prozess verläuft von Daten über Analysen bis hin zur menschlichen Interpretation, zur Entscheidung und schließlich zu Handeln. Dieser Ansatz beginnt mit der Unternehmensfrage und führt durch Untersuchung und Erkenntnisse zu einer Entscheidung und Handlung, wobei die Technologie zunehmend in der Lage ist, jede Phase zu unterstützen. Die Distanz zwischen der Identifizierung eines Problems und der Umsetzung wird deutlich verkürzt.

Dashboards und Fragen arbeiten nebeneinander

Dashboards bleiben das richtige Instrument für die Fragen, die Teams jeden Tag stellen. Es gibt Dinge, die Unternehmen kontinuierlich überwachen müssen – sei es Umsatz, Gewinnspanach, Preisposition, Ausnahmen, Ausführung oder andere wichtige Kennzahlen. Die Preisplattform dient weiterhin als Ort, an dem Strategien festgelegt, Regeln verwaltet und Änderungen genehmigt werden. KI-Agenten beantworten die Fragen, die außerhalb dieser Ansichten liegen. Manchmal ist ein Diagramm auch einfach die klarste Art, eine Antwort zu vermitteln.

Ein KI-Agent, der einen Kursrückgang untersucht, könnte entscheiden, dass eine Visualisierung, die den Zusammenhang zwischen Kurs und Preisposition des Wettbewerbers zeigt, nützlich ist. In diesem Fall sollte er eine erstellen. Die Grafik dient als belegende Beweisführung für die Antwort. Anstatt den Nutzer ständig nach dem gewünschten Diagramm zu fragen, können wir beginnen, indem wir ihn nach dem, was er verstehen möchte, fragen und der Technologie gestatten, die beste Art und Weise zur Beantwortung dieser Frage zu ermitteln.

Jedes Tool erledigt seine besten Arbeit: Dashboards für die Fragen, die man vorhersehen kann, Agenten für die, die man nicht vorhersehen kann.

MCP ändert die Erwartungen an Unternehmenssoftware

Deshalb ist es interessant, dass Gespräche über anpassbare Analysen und MCP gleichzeitig stattfinden. Schon seit Jahren ist eine der Methoden, mit der Unternehmen Unternehmenssoftware bewerten, die Frage, wie gut die Analysen sind. Wie viele Berichte sind verfügbar? Wie konfigurierbar sind sie? Können wir unsere eigenen erstellen? Können wir eine weitere Dimension hinzufügen, eine andere Ansicht erstellen oder ein weiteres Dashboard erstellen?

Diese Fragen sind nach wie vor relevant und hatten auch Sinn, als die Anwendung selbst die meisten Möglichkeiten antizipieren musste, wie Benutzer mit ihren Daten interagieren würden. In einer Welt, in der die KI-Lösung (LLM) die Hauptrolle spielt, wird vielleicht eine ebenso wichtige Frage lauten: Wie einfach kann es für meine Organisation sein, alles zu erforschen, was Ihre Plattform weiß?

Das ändert die Bedeutung der Dinge. Kann die von der Organisation gewählte LLM sicher auf die relevanten Daten zugreifen und den Kontext verstehen, aus dem diese resultieren? Kann sie untersuchen, was passiert ist, anstatt einfach eine Zahl abzurufen? Kann sie erklären, warum eine Empfehlung oder Entscheidung getroffen wurde? Kann die Informationen aus der Preisplattform mit autorisierten Informationen in anderen Bereichen der Organisation kombiniert werden? Am wichtigsten ist jedoch, kann die Technologie dazu beitragen, die Menschen von der Erkenntnis, was passiert ist, zu dem Schritt zu führen, in dem sie entscheiden, was sie tun sollen?

Hier kommt MCP besonders interessant zur Geltung. Die Modellkontextprotokoll MCP ist ein offener Standard, der ursprünglich von Anthropic entwickelt und nun von der Agentic AI Foundation der Linux Foundation verwaltet wird. Er ermöglicht es KI-Anwendungen, mit externen Datenquellen und Tools zu verbinden. MCP ist nicht die Analyse selbst; es ist Teil der Infrastruktur, die es einer LLM ermöglicht, über ihr eigenes Wissen hinauszuwachsen und mit den Systemen und Funktionen zu interagieren, die zur Untersuchung einer echten Geschäftssituation erforderlich sind. Das verändert möglicherweise die Rolle der Analyse-Schicht in Unternehmensanwendungen.

Passen Sie die Frage an das richtige Werkzeug an.

Hier steckt eine weitreichende Lehre verborgen, die weit über die Frage der Preisgestaltung oder der Analytik hinausgeht. KI-Modelle bieten Organisationen die Möglichkeit, überdenken zu müssen, wie Arbeit erledigt wird. Wir werden jedoch nur einen Teil dieses Potenzials ausschöpfen können, wenn wir eine KI-Modell einfach in jeden bestehenden Arbeitsablauf einbauen. Wenn ein Vorgang zuvor fünf Tage gedauert hat und eine KI ihn auf fünf Minuten reduziert, ist das eindeutig sinnvoll. Aber es lohnt sich dennoch, eine grundlegendere Frage zu stellen: Warum existiert dieser Vorgang überhaupt?

Analytik bietet eine nützliche Illustration dieser Entwicklung. Generation 1 bot uns Dashboards, die auf die Fragen ausgerichtet waren, die wir für die Menschen relevant hielten. Generation 2 machte diese Dashboards zunehmend flexibler und ermöglichte mit dem Aufkommen von maschinellen Lernmodulen und Agenten eine drastische Beschleunigung der Erstellung. Generation 3 beginnt jedoch an einem anderen Ort. Sie beginnt mit der Geschäftssache und nutzt Technologie, um zu bestimmen, wie man diese am besten untersucht und beantworten kann. Jeder dieser Ansätze hat immer noch seinen Platz. Was neu ist, ist die Möglichkeit, die Wahl zu treffen.

In der Generation 1 erstellt jemand das Dashboard für Sie. In der Generation 2 hilft Ihnen die Technologie dabei, das Dashboard zu erstellen. In der Generation 3 wird die erste Frage lauten: Braucht diese Frage ein Dashboard oder eine Antwort?

Die nächste Generation von Unternehmenssoftware wird nicht nur daran gemessen werden, ob sie eine LLM enthält. Manchmal führt das Hinzufügen von KI dazu, dass die vorherige Generation schneller wird. Die größere Chance liegt darin, die Technologie zu nutzen, um die Art und Weise, wie Fragen beantwortet werden, zu überdenken, und nicht nur die Geschwindigkeit, mit der Dashboards erstellt werden.

Wie Quicklizard die Preisanalysen und den MCP anwendet

Bei Quicklizard sehen wir Dashboards und KI-Agenten als Ergänzung. Die Benutzeroberfläche von Quicklizard bietet Pricing-Teams eine strukturierte Umgebung, um die Performance zu überwachen, die Strategie zu verwalten und tägliche Preisentscheidungen zu treffen. MCP erweitert diese Umgebung, indem sie KI-Agenten, darunter der Pricing Guru von Quicklizard oder eigene Agenten des Unternehmens, Zugang zu Preisinformationen gewährt und Fragen untersucht, die außerhalb der Standardworkflows liegen.

Das Ziel ist nicht, die Preisplattform oder ihre Analysen zu ersetzen. Es geht darum, Teams eine weitere Möglichkeit zu bieten, mit der Intelligenz hinter den Daten zu interagieren, insbesondere wenn diese Frage nicht im Voraus vorhergesagt war. Für einen genaueren Blick auf die Funktionsweise lesen Sie bitte Wie Quicklizard KI-Agenten mit Preissicherheitsinformationen verbindet.

Häufig gestellte Fragen