Dashboards die genutzt werden. 6 Design-Patterns aus 5 Jahren Praxis

Warum so viele Dashboards verwaisen

Das Muster ist immer gleich. Ein Dashboard wird gebaut, das Marketing-Team applaudiert beim Kickoff, drei Wochen später öffnet es niemand mehr. Branchenerhebungen zur BI-Adoption zeigen das seit Jahren konsistent: rund 60 % der gebauten Dashboards werden innerhalb des ersten Monats nicht mehr regelmäßig geöffnet, und nur etwa ein Drittel der lizenzierten BI-Nutzer loggt sich wöchentlich ein. Das ist keine Tool-Frage, es ist eine Design-Frage.

Meistens nicht das Tool. Looker Studio, Power BI, Tableau, Metabase, alle vier können großartige Dashboards rendern. Was scheitert ist die Entscheidung vor dem Dashboard: Wer liest das? Welche Entscheidung trifft er? Welche Metrik bewegt diese Entscheidung?

2026 wird das Problem nicht kleiner, sondern größer. Power BI Copilot, Tableau Pulse und Looker's Gemini-Integration generieren mittlerweile automatisch „Insights" zu jedem Chart, kleine Textboxen die in natürlicher Sprache erklären, warum eine Zahl sich bewegt hat. Das löst aber das Adoption-Problem nicht; es verschärft es. Wenn eine Plattform jedem Stakeholder täglich zehn AI-generierte Erkenntnisse präsentiert, wird die kognitive Last höher, nicht niedriger. Genau dann entscheidet das visuelle Layout, welche Information überhaupt wahrgenommen wird.

Wenn die Antworten unscharf sind, baut man ein Dashboard das alles zeigt, und damit nichts entscheidet. Sechs Patterns die ich aus der Praxis als zuverlässig kenne:

1. Eine Frage pro Dashboard

„Marketing Performance" ist kein Dashboard-Thema. Das ist eine Domäne. Ein Dashboard sollte eine Frage beantworten:

• „Erreichen wir die Q2-Lead-Targets?"
• „Welche Kampagnen sind unter ROAS-Threshold?"
• „Wie verteilt sich der Pipeline-Wert auf Channels?"

Wenn ich das Dashboard nicht in einem Satz beschreiben kann, ist es zu breit. Lieber drei fokussierte Dashboards als ein Mega-Dashboard mit fünfzehn Tabs.

2. KPI-Hierarchie ist Visual-Hierarchie

Die wichtigste Metrik ist visuell die größte. Klingt banal, sehe ich aber täglich falsch implementiert.

Ein Executive-Summary-Dashboard hat eine Headline-Zahl groß oben (Revenue, Leads, Pipeline), darunter zwei bis drei Sekundär-KPIs (CAC, Conversion Rate, ROAS) in mittlerer Größe, dann optionale Drilldowns. Wenn ein C-Level zwei Sekunden auf das Dashboard schaut, soll er die Headline sehen. Nicht die Custom-Charts auf Position drei.

3. Vergleichszeitraum gehört IMMER neben die Zahl

Eine Zahl ohne Kontext ist eine Behauptung. Eine Zahl mit Kontext ist eine Entscheidungsgrundlage:

• ❌ Revenue: 1,2 M
• ✓ Revenue: 1,2 M (+15 % vs. Vorjahr · +3 % vs. Vormonat)

Vergleichszeitraum konsistent durch das ganze Dashboard: gleicher Bezug, gleiche Position, gleiche Farbe für Up/Down. Ohne diesen Kontext fragt jeder Stakeholder beim Meeting nach, und das ist genau die Datenpflege-Schleife, die das Dashboard eigentlich abschaffen sollte.

4. Farbe ist Information, nicht Dekoration

Rainbow-Dashboards sehen „professionell" aus, lesen sich aber als visuelles Rauschen. Mein Standard:

• Grau für die meisten Werte (neutrale Daten)
• Grün für gut, Rot für schlecht, Amber für Warnung
• Brand-Akzent (z. B. Indigo) für die Headline-Zahl, sparsam

Wenn Farbe nichts bedeutet, sollte sie nicht da sein. Bar-Charts brauchen keine Regenbogen-Palette, eine Brand-Farbe für alle Bars ist klarer und schneller zu lesen.

5. Tabelle wenn Zahl, Chart wenn Muster

Die häufigste Fehlentscheidung: Eine Tabelle in einen Chart pressen, weil Charts „besser aussehen". Aber Tabellen und Charts haben unterschiedliche Zwecke:

• Tabelle wenn die exakte Zahl die Information ist (Finanz-Reports, Kampagnen-Audit, Top-N-Lists)
• Chart wenn das Muster die Information ist (Trends, Verteilungen, Vergleiche)

Niemand will aus einem Pie-Chart ablesen, ob Kampagne X 124.500 € oder 142.500 € Revenue gemacht hat. Eine sortierte Tabelle ist dafür das richtige Werkzeug. Charts beantworten Fragen wie „Wachsen wir?". Tabellen beantworten Fragen wie „Welche Kampagne genau?".

6. Annotations sagen warum

Conversion Rate bricht in Woche 12 um 30 % ein. Drei Tage später hat das halbe Marketing-Team eine Theorie. Eine Woche später diskutiert man immer noch im Meeting, ob es am Wetter, an einem Bug oder am Ad-Budget lag.

Antwort: Annotations. Direkt am Chart, am Datenpunkt: „24.03., Tracking-Bug in Checkout, behoben am 26.03.". Oder: „01.04., Kampagne X gestoppt, Budget umgeschichtet". Looker Studio kann es nativ, Power BI über Bookmarks, Tableau über Annotations-Layer.

Was sich 2026 geändert hat: LLM-basierte Insights-Layer (Power BI Copilot, Tableau Pulse, Looker AI) generieren erste Annotation-Vorschläge automatisch. Sie korrelieren Ausreißer mit Kalender-Events, Kampagnen-Starts, deployten Tracking-Releases und schlagen einen Text vor. Das spart der Analytics-Person 70 % der Tipparbeit, ersetzt sie aber nicht: jeder AI-Vorschlag muss vor Veröffentlichung kuratiert werden, sonst landen falsche Kausalitäten dauerhaft am Datenpunkt. Das visuelle Pattern bleibt identisch: ein kleines Marker-Icon am Datenpunkt. Hover oder Tap zeigt einen 1–2-Satz-Kontext. Was sich verschiebt, ist nur die Wer-schreibt-Frage. Vom Analysten, der tippt, zum Analysten, der einen AI-Draft reviewt.

Numbers without context = arguments. Numbers with annotations = decisions. Das ist der Unterschied zwischen einem Dashboard das diskutiert wird und einem das genutzt wird.

Was wir nicht testen, und niemand sollte

Drei Dinge die ich aus dem Dashboard-Design ausschließe, weil sie selten überleben:

• 3D-Charts. Niemals. Verzerren Werte, sind schlechter lesbar als 2D.
• Drei-Achsen-Diagramme. Wenn ich drei Datenreihen in einem Chart brauche, ist das ein Hinweis dass es zwei Charts sein sollten.
• Custom-Schriftarten in Dashboards. Power BI und Looker rendern System-Fonts schneller, lesbarer, konsistenter. „Brand-Font" auf Charts ist Vanity, kein Wert.
• Ungeprüfte AI-Insights direkt im Hauptlayout. Ein „Insight" der LLM darf als Vorschlag erscheinen, aber nicht ohne Review im Executive-Block landen. Eine halluzinierte Kausalität in einer Headline-Zahl kostet mehr Vertrauen, als alle Time-Savings durch AI je einbringen.

Wenn ein Dashboard regelmäßig genutzt wird, perfekt. Wenn nicht, ist die Wahrscheinlichkeit hoch, dass eines dieser sechs Patterns fehlt. Audit-Checklist: eine Frage, KPI-Hierarchie, Vergleichszeitraum, sparsame Farbe, Tabelle/Chart-Trennung, Annotations.

Fragen zu konkreten Dashboard-Setups: anna [at] datascale.de oder direkt bei Juri über das Audit Sprint.