top of page
Suche

Warum ist Self-Service so schwer?

Self-Service ist eines dieser Wörter, bei denen im Meeting meistens alle nicken und danach trotzdem etwas völlig anderes meinen. Für die einen heißt es: Fachbereiche sollen Reports selbst bauen. Für die anderen: Hauptsache, die IT bekommt weniger Tickets. Und wieder andere verstehen darunter, dass endlich jeder mit Power BI, Excel, Fabric, Python oder Copilot machen kann, was er will.


Genau da beginnt das Problem. Self-Service ist kein Feature. Es ist auch kein Lizenzmodell. Und schon gar nicht ist es die nette Idee, dass plötzlich alle alles selbst machen. Self-Service ist ein Betriebsmodell für Analytics. Und weil es ein Betriebsmodell ist, ist es so schwer.



Self-Service heißt nicht: alle machen alles allein

Die klassische Definition kommt von TDWI. Dort wurde Self-Service BI schon 2011 als eine Umgebung beschrieben, in der Fachanwender Berichte, Abfragen und Analysen selbst erstellen und nutzen können – mit minimaler oder ohne direkte IT-Intervention. BARC formuliert es ähnlich und ergänzt einen entscheidenden Punkt: Dafür braucht es nicht nur Tools, sondern auch eine geeignete Datenbasis, Skills und Technologien. Neuere Forschung zeigt außerdem, dass Self-Service kein Ja-nein-Begriff ist, sondern ein Spektrum von einfachen Auswertungen bis zu komplexeren analytischen Szenarien.


Für die Praxis ist deshalb eine andere Definition hilfreicher: Self-Service liegt dann vor, wenn Fachbereiche ihre Fragen eigenständig beantworten können, ohne für jeden Schritt auf ein zentrales BI- oder IT-Team angewiesen zu sein – und zwar auf einer Grundlage, die verlässlich, verständlich und verantwortbar ist. Das ist mehr als ohne IT. Es ist mit genug Autonomie, aber nicht ohne Leitplanken. Genau diese Logik beschreibt Microsoft heute als managed self-service BI: Disziplin im Kern, Flexibilität an den Rändern.


Diese Unterscheidung ist wichtig, weil sie eine beliebte Fehlannahme aus dem Weg räumt: Self-Service ist nicht dann erfolgreich, wenn jeder sein eigenes Datenuniversum baut. Erfolgreich ist Self-Service dann, wenn viele Menschen schnell und selbstständig arbeiten können, ohne dass dabei fünf verschiedene Definitionen von Umsatz, Marge oder Kunde entstehen. Genau deshalb ist Self-Service immer auch eine Frage von Semantik, Verantwortung und Wiederverwendung – nicht nur von Benutzerfreundlichkeit.


Warum Self-Service so attraktiv ist

Der Wunsch nach Self-Service ist völlig nachvollziehbar. In fast jedem Unternehmen gibt es einen Engpass zwischen Fachfrage und technischer Umsetzung. Das Fachteam braucht eine Auswertung. Das zentrale Team priorisiert anders. Aus drei Tagen werden drei Wochen. Also helfen sich Menschen selbst. Genau deshalb sind Tools erfolgreich, die Nähe zum Problem herstellen: Excel früher, Power BI später, heute zusätzlich Fabric, Notebooks, Copilots und Agenten.


Das ist kein Reifeproblem der Nutzer. Das ist ökonomisch völlig rational. Wenn Menschen ihre Arbeit schneller erledigen können, suchen sie sich den Weg mit dem geringsten Widerstand. BARC beschreibt Self-Service explizit als Aufgaben, die Business User selbst erledigen, statt sie an IT zu delegieren. TDWI wiederum beschreibt den Kernnutzen als mehr Eigenständigkeit und weniger Abhängigkeit von zentralen Teams. Self-Service ist also zuerst einmal ein Gegenmodell zum Flaschenhals.


Gerade in der Power-BI-Welt sieht man das sehr deutlich. Das Tool wurde in vielen Organisationen nicht deshalb relevant, weil es perfekt war, sondern weil es Fachbereichen zum ersten Mal eine brauchbare Mischung aus Datenzugriff, Transformation, Modellierung und Visualisierung in einem Produkt gegeben hat. Microsofts heutiges Zielbild bestätigt genau das: Viele Nutzer sollen Inhalte erstellen können, aber möglichst auf gemeinsam genutzten semantischen Modellen und wiederverwendbarer Logik aufsetzen, statt jedes Mal bei null zu starten.


Warum es in der Praxis dann trotzdem scheitert

Die unbequeme Wahrheit ist: Self-Service scheitert selten am Dashboard. Self-Service scheitert am Unterbau. Wenn die Datenbasis unklar ist, wird aus Autonomie sehr schnell Verwirrung. Wenn jede Abteilung ihre eigene Logik baut, wird aus Agilität Wildwuchs. Und wenn niemand weiß, wer ein Modell besitzt, wer es pflegt und wer Änderungen freigibt, wird aus Self-Service schlicht technische Schuld mit freundlicher Oberfläche. Microsoft empfiehlt deshalb nicht zufällig ein Modell, in dem zentrale Teams den Kern der Datenarchitektur und semantischen Modelle verantworten, während Fachbereiche auf dieser Basis eigene Reports und Analysen erstellen.


Die Forschung beschreibt diese Probleme ziemlich nüchtern. In einer vielzitierten HICSS-Literaturübersicht werden die Herausforderungen von SSBI in zwei große Blöcke gegliedert: Access and use of data und Self-reliant users. Spätere Arbeiten derselben Forschungslinie zeigen zusätzlich Probleme bei der Berichtserstellung, bei Schulung und Befähigung sowie bei der praktischen Umsetzung in Projekten. Anders gesagt: Selbstständigkeit funktioniert nicht automatisch nur deshalb, weil ein Tool einfacher geworden ist. Menschen brauchen Zugriff, Kontext, Verständnis und Unterstützung.


Genau hier wird das Thema in der Praxis unangenehm. Denn Self-Service verlangt zwei Dinge gleichzeitig, die Unternehmen ungern sauber organisieren: Freiheit und Verantwortung. Wer einen Report selbst bauen darf, muss auch verstehen, woher die Daten kommen, welche Definitionen gelten, wie Kennzahlen berechnet werden und was bei Änderungen passiert. Wer eigene Logik bauen darf, muss im Zweifel auch mit den Folgen leben, wenn diese Logik falsch, unverständlich oder nicht wartbar ist.


Die Lösung ist nicht automatisch die beste Self-Service-Lösung

Das ist der Punkt, an dem viele Analytics-Teams sich selbst ein Bein stellen. Technisch kann man in Power BI sehr viel bauen. Mit DAX, Power Query, Custom Visuals, Deneb, Python oder Notebooks lassen sich beeindruckende Lösungen entwickeln. Nur: Beeindruckend ist nicht dasselbe wie wartbar.


Ein Report ist nicht deshalb self-service-tauglich, weil er im Frontend schön aussieht. Er ist self-service-tauglich, wenn die Zielgruppe ihn verstehen, anpassen und verantworten kann. Neuere Forschung zur Taxonomie von Self-Service-Szenarien hilft hier sehr, weil sie nicht dogmatisch zwischen ohne Code und mit Code trennt. Sie zeigt vielmehr, dass Self-Service in unterschiedlichen Ausprägungen vorkommt und dass komplexere analytische Szenarien den Kreis derer verkleinern, die etwas tatsächlich eigenständig betreiben können.


Das ist in der Praxis entscheidend. Ein geniales Spezial-Visual kann fachlich genau richtig sein und gleichzeitig operativ die falsche Entscheidung. Dann nämlich, wenn danach niemand im Fachbereich mehr versteht, wie es angepasst werden kann. Umgekehrt kann eine handwerklich weniger elegante Lösung die bessere Self-Service-Lösung sein, weil sie für das Team nachvollziehbar bleibt. Self-Service ist deshalb nie nur eine Designfrage. Es ist immer auch eine Frage der späteren Wartbarkeit durch reale Menschen mit realen Jobs und begrenzter Zeit.


Governance ist nicht der Feind von Self-Service

Viele Unternehmen behandeln Governance immer noch so, als stünde sie automatisch gegen Selbstständigkeit. Das ist zu kurz gedacht. Gute Governance verhindert Self-Service nicht. Gute Governance macht Self-Service erst belastbar.


Microsoft beschreibt Governance in Fabric ausdrücklich als Balance zwischen Nutzerbefähigung, Compliance und organisatorischen Anforderungen. Wichtig ist dabei nicht nur die Regel selbst, sondern auch, dass Nutzer einen Anreiz haben, innerhalb der vorgesehenen Wege zu arbeiten, statt diese zu umgehen. Das ist ein wichtiger Gedanke: Wenn der offizielle Weg zu langsam, zu teuer oder zu unpraktisch ist, entsteht Schatten-IT nicht aus Bosheit, sondern aus Arbeitsdruck. Darum ist der klassische Reflex verbieten, blockieren, zentralisieren meistens zu schwach.


Ebenso schwach ist aber die Gegenposition einfach alles freigeben. Beides löst das Problem nicht. Der belastbare Mittelweg heißt: zentrale Standards dort, wo Vergleichbarkeit, Sicherheit und Wiederverwendung entscheidend sind – und Freiräume dort, wo Exploration, fachliche Nähe und Geschwindigkeit den größeren Nutzen bringen. Microsofts Adoptionsmodell nennt das im Kern aligned autonomy: Teams arbeiten eigenständig, aber nicht richtungslos.


Self-Service ist vor allem ein Kultur- und Supportthema

Ein häufiger Fehler ist, Self-Service als reine Produktentscheidung zu behandeln. Lizenz gekauft, Workspace angelegt, Schulung gemacht, fertig. Genau so funktioniert es nicht.


Microsoft beschreibt Datenkultur ausdrücklich als Verhaltens- und Normensystem, nicht als Regelsammlung. In dieser Logik braucht erfolgreiche Self-Service-Einführung Executive Support, ein Center of Excellence, eine Community of Practice, Champions im Fachbereich, Mentoring, Vorlagen, Supportkanäle und laufende Begleitung. Self-Service-Creator und Fachexperten veröffentlichen und unterstützen Inhalte für ihre Kolleginnen und Kollegen. Champions helfen anderen Erstellern. Vorlagen senken die Lernkurve und erhöhen Konsistenz. Und der COE wirkt nicht als Freigabebehörde, sondern als Befähiger.


Das ist für die Praxis vielleicht die wichtigste Erkenntnis überhaupt: Self-Service funktioniert nicht dann, wenn man weniger Unterstützung anbietet, sondern wenn man die richtige Unterstützung anbietet. Nicht jedes Problem gehört ins zentrale BI-Team. Aber fast jedes erfolgreiche Self-Service-Modell braucht Menschen, die Standards bauen, Fragen beantworten, gute Beispiele teilen und schlechte Muster früh erkennen.


KI macht Self-Service leichter – und gleichzeitig anspruchsvoller

Mit Copilot, Fabric Data Agents und ähnlichen Werkzeugen sinkt die Einstiegshürde gerade spürbar. Dinge, für die früher DAX, SQL oder Python nötig waren, lassen sich zunehmend per Sprache anstoßen. Das ist ein echter Fortschritt. Aber es ist kein Freifahrtschein.


Microsofts aktuelle Best Practices für Data Agents zeigen sehr klar, worauf es jetzt ankommt: klare und beschreibende Namen für Tabellen und Spalten, domänenspezifische statt überbreiter Agenten, saubere Instruktionen und gut vorbereitete semantische Modelle. Die Qualität der Antworten hängt also nicht magisch an der KI, sondern weiterhin an Datenmodell, Semantik und Kontext. Anders gesagt: KI senkt die Bedienhürde, aber sie macht schlechte Grundlagen nicht gut. Sie skaliert sie nur schneller.


Deshalb wird Self-Service in den nächsten Jahren nicht einfacher im Sinne von beliebiger. Er wird einfacher im Zugang, aber anspruchsvoller in der Gestaltung. Wer seinen Fachbereichen wirklich mehr Eigenständigkeit geben will, muss heute stärker in saubere Modelle, Begriffe, Ownership und Guardrails investieren als früher. Sonst entsteht nicht Self-Service, sondern beschleunigtes Durcheinander.

Fazit: Was daraus für Unternehmen folgt

Self-Service ist nicht schwer, weil Fachbereiche zu wenig können. Self-Service ist schwer, weil Unternehmen Freiheit versprechen, ohne die Voraussetzungen dafür sauber zu bauen.

Sie wollen schnelle Analysen, aber keine gemeinsame Semantik.Sie wollen Eigenständigkeit, aber keine klaren Verantwortlichkeiten. Sie wollen weniger Tickets, aber keinen Support für dezentrale Ersteller.Sie wollen Innovation, aber nur innerhalb von Prozessen, die für klassische IT gebaut wurden. Das funktioniert nicht.


Wer Self-Service ernst meint, muss drei Dinge akzeptieren. Erstens: Nicht jeder soll alles selbst machen. Zweitens: Wiederverwendbare Datenprodukte, semantische Modelle und Standards sind keine Bremse, sondern die Voraussetzung für echte Autonomie. Drittens: Self-Service ist nie fertig. Es braucht Governance, Monitoring, Support und Lernen als Daueraufgabe. Genau deshalb betont Microsoft auch Lifecycle Management, Support und laufendes Monitoring für Inhalte über ihren gesamten Lebenszyklus hinweg.


Die vielleicht ehrlichste Definition lautet deshalb: Self-Service ist dann erreicht, wenn ein Fachbereich seine Fragen selbst lösen kann, ohne jedes Mal auf zentrale Hilfe zu warten – und ohne dabei ein Chaos zu produzieren, das später andere wieder aufräumen müssen.

Das klingt weniger romantisch als die übliche Toolwerbung. Es ist aber näher an der Wirklichkeit. Und genau deshalb ist Self-Service so schwer.

Der nächste sinnvolle Schritt

Power BI entfaltet seinen Nutzen erst dann vollständig, wenn Dashboards sauber aufgebaut, Datenmodelle durchdacht und Kennzahlen klar definiert sind.Genau diese Grundlagen entscheiden darüber, ob Berichte genutzt oder ignoriert werden.


Wenn du Power BI strukturiert aufsetzen oder bestehende Lösungen verbessern willst, unterstützen wir dich mit:


So wird aus einem funktionierenden Bericht eine belastbare Analytics-Lösung.

bottom of page