Projekte · Juni bis August 2026
Eigenes Data Warehouse und Management-Cockpit für einen Amazon-Händler
Nagel & Köpfe verkauft über zehn Amazon-Marktplätze und hatte seine Zahlen nur in einem SaaS-Werkzeug: nicht prüfbar, nicht periodengerecht, nicht in der eigenen App. Heute steuert die Geschäftsführung mit einer eigenen, nachvollziehbaren Zahlenbasis in smyq: GuV je Marktplatz und Monat, Management-Cockpit nach IBCS, zugeschnitten auf ihre Steuerungsfragen. Ich habe Architektur und Reporting beraten, die Umsetzung mit einem KI-Agententeam gesteuert und die Geschäftsführung befähigt, die Lösung mit KI selbst weiterzuentwickeln.
- Kunde
- Nagel & Köpfe, Markenhandelshaus aus dem Ruhrgebiet
- Meine Rolle
- Beratung, Steuerung der KI-gestützten Umsetzung, KI-Enablement
- Zeitraum
- Juni bis August 2026, remote
Was der Kunde davon hat
- Eine Zahlenbasis für alle Kanäle.
Das Data Warehouse ist so aufgebaut, dass alle Vertriebskanäle an dieselbe Struktur anschließen: Amazon, Otto, Shopify, B2B-Geschäft. Das Reporting wird zur einzigen, verbindlichen Zahlenbasis im Unternehmen (Single Source of Truth). Für die Geschäftsführung der wichtigste Punkt, und der erste Schritt dahin ist getan.
- Eigene Kennzahldefinitionen.
Jede Kennzahl ist bis zum Amazon-Rohereignis rückverfolgbar, mit einer eigenen Definition in Katalog, Glossar und App. Beim alten Tool war die Definition vorgegeben. Beispiel GuV: Werbekosten und Gebühren im Leistungsmonat statt am Zahltag, netto statt brutto. So ist das Ergebnis mit der Buchhaltung vergleichbar.
- Reporting nach den eigenen Steuerungsfragen.
Das Cockpit beantwortet die Fragen, die die Geschäftsführung tatsächlich stellt, nicht die, die ein Standardtool anbietet. Änderungen am Reporting setzt das eigene Agententeam direkt um, meist innerhalb weniger Stunden, ohne Anbieter und ohne Ticket.
- Historie als Vermögenswert.
Amazon liefert Werbe- und Finanzdaten nur 60 bis 95 Tage oder zwei Jahre rückwirkend. Das Data Warehouse behält sie dauerhaft.
- Unabhängigkeit.
Das bisherige SaaS-Tool ist gekündigt, weitere externe Tools lassen sich ersetzen. Daten und Auswertungen gehören dem Unternehmen.
- Geprüfte Daten jeden Morgen.
Jede Nacht werden die Daten neu geladen und automatisch geprüft. Datenqualitäts-Wächter und Status-Monitor melden Lücken, bevor jemand falsche Zahlen liest. Unbekannte Amazon-Gebührenarten werden automatisch gemeldet.
- Ein KI-gestütztes Unternehmen.
Die tägliche Arbeit bei Nagel & Köpfe ist inzwischen an vielen Stellen KI-gestützt: Die Geschäftsführung baut eigene Anwendungen wie einen Aufgabenplaner in smyq, schult Mitarbeitende, prüft die eigene IT-Sicherheit und erweitert das Analytics-Modul, alles mit KI-Agenten. Daraus ist eine eigene, KI-gestützte Plattform für die Softwareentwicklung entstanden, mit Fokus auf Sicherheit und digitaler Souveränität: eigene Server, EU-gehostete Sprachmodelle, Nur-Lese-Zugänge für Agenten.
Ausgangslage und Ziel
Umsatz, Gebühren, Werbekosten und Wareneinsatz lagen verteilt bei Amazon, in einem Analyse-Tool und in Excel-Listen. Die Geschäftsführung wollte eine eigene, prüfbare Zahlenbasis: jede Kennzahl mit nachvollziehbarer Herkunft, jederzeit aus den Rohdaten reproduzierbar, integriert in die eigene Firmenapplikation. Ziel war eine belastbare GuV je Marktplatz und Monat, ein Tagesüberblick für das operative Geschäft und eine Entscheider-Sicht nach IBCS-Standard.
Meine Rolle
Beratung
Bestandsaufnahme der Zahlenlage. Empfehlung für ein eigenes Data Warehouse statt einer direkten Anbindung der Amazon-Schnittstellen an die Oberfläche: Amazon hält Daten nur kurz vor, die Schnittstellen sind limitiert, und periodengerechte Umbuchungen brauchen gespeicherte Ereignisse. Zielbild in drei Schichten, damit weitere Quellen einheitlich anschließbar sind.
Für das Reporting habe ich nicht mit Kennzahlen begonnen, sondern mit Fragen: Nach welchen Fragestellungen steuert die Geschäftsführung das Unternehmen, welche Antworten braucht sie für Richtungsentscheidungen? Aus diesen Antworten ist das Management-Reporting entstanden.
Grundlage dafür ist meine Reporting-Erfahrung aus zehn Jahren SAP-Projekten.
Steuerung der Umsetzung
Datenmodell, Pipelines, Berichte und Oberfläche stammen von spezialisierten KI-Agenten. Meine Arbeit lag davor, dazwischen und danach:
- Anforderungen mit der Geschäftsführung geklärt und in Tickets mit Ziel, Umfang und Abnahmekriterien übersetzt
- Lösungsvorschläge der Agenten bewertet, Entscheidungen in Vorlagen aufbereitet und mit der Geschäftsführung getroffen
- Jedes Ergebnis auf Echtdaten validiert, unter anderem gegen das bisherige Analyse-Tool, und jede Abweichung erklärt
- Den Arbeitsmodus aufgebaut: Rollen, blockierende QA-Gates, Leitplanken für Datenbankzugriffe, Dokumentationspflicht
- Abnahmen mit der Geschäftsführung vorbereitet und durchgeführt
Mein Aufwand für Beratung, Steuerung und Validierung lag bei rund 25 bis 30 Personentagen, verteilt über Juni bis August 2026.
KI-Enablement der Geschäftsführung
Eine Remote-Session und zwei Tage Workshop vor Ort. Inhalte: Aufgaben KI-gerecht formulieren. Claude Code einrichten und konfigurieren, also Projektanweisungen, Skills, Hooks, Agentendefinitionen, Berechtigungen und Sicherheit. Einen KI-Arbeitsprozess mit Richtlinien aufsetzen, prüfen und anpassen.
Heute entwickelt die Geschäftsführung das Analytics-Modul mit demselben Agententeam selbst weiter, zum Beispiel die nächtliche Übernahme des Artikelstamms aus smyq ins Data Warehouse, mit Migrationen, Qualitätsprüfungen und Auslieferungen.
So sieht das Ergebnis aus
Die Demos öffnen sich hier auf der Seite und zeigen fiktive Daten mit maskierten Werten. Veröffentlicht mit Freigabe der Geschäftsführung von Nagel & Köpfe.
1. Datenanbindung
Fünf Amazon-Quellen werden nächtlich abgeholt: Bestellungen, Finanz- und Abrechnungsereignisse und Tagesumsätze über die Selling-Partner-API, Werbekosten über die Ads-API und die Unified-Reporting-Schnittstelle, dazu die Wechselkurse der Europäischen Zentralbank. Für Finanzen und Werbung wurde eine Historie von zwei Jahren nachgeladen, gesteuert über einen prüfpunktbasierten Nachtlader, der sich nach Abbrüchen selbst wieder aufsetzt.
2. Data Warehouse
PostgreSQL mit Medallion-Architektur: Bronze hält die Rohdaten, Silber die bereinigten Fachobjekte, Gold die Sternschemata für das Reporting. Verkaufs-, Finanz- und Werbefakten teilen sich konforme Dimensionen für Datum, Marktplatz, Produkt und Währung. Rund 90 Tabellen und Views, aufgebaut über 38 additive und idempotente Migrationen. Käuferdaten werden vor dem Speichern entfernt, es bleibt nur eine grobe Geo-Dimension.
3. Betrieb
Eine Nachtpipeline mit 15 Schritten läuft täglich um 01:00 Uhr und ist um kurz nach zwei fertig. Ein Status-Monitor in der App zeigt den Datenfluss von den Quellen bis Gold mit dreistufiger Ampel, Datenstand je Quelle und der Möglichkeit, einzelne Schritte neu zu starten. Datenqualitäts-Wächter prüfen Vollständigkeit und Plausibilität. Alarm-Mails gibt es nur, wenn ein Mensch eingreifen muss. Selbstheilung, etwa bei Kurslücken, läuft lautlos.
4. Reporting
Zwei Sichten in der firmeneigenen App: ein klassisches Dashboard mit Kacheln, Zeitreihen, Produkt-Tabelle und hierarchischer GuV mit Zeitraum-, Granularitäts- und Marktplatz-Filter, sowie das Management-Cockpit nach IBCS mit Kostentreppe, Vorjahresvergleich und Länderverteilung. Ein Kennzahlenkatalog mit Glossar ist die einzige Definitionsquelle, in App und PDF identisch. In der Produktsicht liefert eine KI-Schnellanalyse über ein in der EU gehostetes Sprachmodell eine Kurzbewertung der angezeigten Auswahl, ohne Chat und ohne Datenbankzugriff des Modells. Ein Zahlen-Wächter prüft jede genannte Zahl gegen die Tabelle und verwirft die Antwort sonst.
KI-gestützter Arbeitsmodus
Das Projekt wurde mit Claude Code umgesetzt, aber nicht als Einzelassistent, sondern als Team mit klaren Rollen. Eine Hauptsession steuert und prüft, sechs Spezialisten-Agenten entwerfen und bauen: Datenmodell-Architekt, Daten-Ingenieur, Reporting-Berater, Oberflächen-Entwickler und zwei Prüfer für Datenmodell und Oberfläche, die gezielt nach Fehlern suchen. Jede Änderung durchläuft Konzeption, Festlegung der Datenbasis, Umsetzung, eine Qualitätsprüfung mit dem Urteil bestanden oder nicht bestanden, meine Validierung auf Echtdaten und die Abnahme durch die Geschäftsführung.
Drei Leitplanken machen das sicher: Agenten haben nur Lesezugriff auf das Data Warehouse, Schreiben ist technisch unmöglich. Jede Datenbankänderung braucht eine ausdrückliche Freigabe je Lauf, immer erst als Probelauf. Und für Kennzahlen gilt: ein Name, eine Berechnungslogik, überall.
Ergebnis
Die komplette Amazon-Strecke läuft seit Ende Juni 2026 produktiv, die GuV ist ab Juli 2024 durchgängig periodengerecht, das Cockpit steht der Geschäftsführung täglich zur Verfügung. Das bisherige SaaS-Tool ist gekündigt. Jede Zahl im Reporting ist bis zur Quelle rückverfolgbar, jede Abweichung zum bisherigen Analyse-Tool ist dokumentiert und erklärt. Briefing, Roadmap, Entscheidungsprotokoll und Validierungsdokumente erlauben es, dass Außenstehende das Projekt jederzeit weiterführen können.
Zusammenarbeit über das Projekt hinaus
Das Enablement der Geschäftsführung war der Anfang einer Kooperation. Nagel & Köpfe bietet heute selbst Unternehmenssoftware, maßgeschneiderte Apps und KI-Beratung für kleine und mittelständische Unternehmen an. KI-Schulungen und Digitalisierungs-Workshops im Rhein-/Ruhrgebiet führen wir gemeinsam durch: Nagel & Köpfe bringt die im eigenen Betrieb gebauten und täglich erprobten Werkzeuge mit, ich die strukturierte Beratung und die Erfahrung aus KI-gestützten Umsetzungsprojekten.
Mehr dazu auf nagelkoepfe.de und unter KI-Enablement.