Institute und Agenturen berichten selten für einen Kunden. Meistens sind es fünf, zwanzig oder hundert – und oft aus derselben Studie. Ein Handelspanel, das je Hersteller anders zugeschnitten wird. Ein Branchentracker, in dem jeder Teilnehmer seine eigene Marke sehen darf und die der anderen nur anonymisiert als Benchmark. Eine Mehrthemenbefragung, aus der drei Auftraggeber jeweils ihren Fragenblock bekommen.
Da wir immer wieder gefragt werden, wie man das in Dashboards sauber löst, wollen wir die Frage einmal von vorne aufziehen. Denn die Antwort entscheidet sich nicht an der Visualisierung, sondern an einer Entscheidung, die man ganz am Anfang trifft und später nur mit Schmerzen korrigiert.
Ein Projekt oder eines pro Kunde?
Der naheliegende Weg ist, für jeden Kunden ein eigenes Projekt anzulegen. Das fühlt sich sicher an, weil die Trennung physisch ist: eigene Daten, eigenes Dashboard, kein Risiko, dass jemand etwas sieht, was ihm nicht gehört. Solange es drei Kunden sind, funktioniert das auch gut.
Die Rechnung ändert sich mit der ersten Welle. Kommt neues Feldmaterial dazu, muss es in jedes Projekt einzeln importiert werden. Ändert sich eine Fragenformulierung, wird sie in jedem Projekt einzeln nachgezogen. Kommt eine neue Marke in die Abfrage, entsteht in jedem Projekt einzeln eine neue Basis. Bei zwanzig Kunden und vier Wellen im Jahr sind das achtzig Vorgänge, die inhaltlich identisch sind und trotzdem einzeln von Hand gemacht werden – jeder mit der Möglichkeit, dass ein Projekt aus der Reihe fällt und niemandem auffällt.
Der andere Weg ist ein Projekt, in dem der Datenbestand einmal liegt, und die Kundentrennung entsteht bei der Auslieferung. Wer sich anmeldet, bekommt dieselbe Dashboard-Struktur, aber nur die Zeilen und Merkmale, die für ihn freigegeben sind. Eine Welle wird einmal importiert und ist für alle Kunden gleichzeitig da. Genau dafür gibt es in DataLion Zugriffsprofile: voreingestellte Filter, die an der Nutzergruppe hängen und nicht am Dashboard.
Der Preis dieses Wegs ist, dass die Trennung nun eine Konfiguration ist und keine Kopie. Das verlangt mehr Disziplin und einen Test, den man wirklich durchführt, bevor der erste Kunde den Zugang bekommt. Dafür verschwindet die Pflegearbeit, die mit jedem weiteren Kunden linear mitwächst.
Was Zugriffsprofile leisten und was nicht
Hier lohnt sich eine Unterscheidung, die in Gesprächen oft verschwimmt. Rechte regeln, was jemand tun darf – ansehen, bearbeiten, exportieren. Zugriffsprofile regeln, welche Zeilen jemand überhaupt zu sehen bekommt. Das ist der Unterschied zwischen einem Kunden, der ein Dashboard nicht verändern darf, und einem Kunden, für den die Daten der Wettbewerber gar nicht existieren.
Für Multi-Client-Studien brauchen Sie beides, und die zweite Ebene ist die wichtigere. Ein Betrachter-Recht allein hindert niemanden daran, einen Filter aufzuziehen und nachzusehen, wie die Konkurrenz abschneidet.
Es gibt allerdings einen Fall, in dem Zugriffsprofile nicht das richtige Werkzeug sind: wenn zwei Auftraggeber vertraglich nicht dieselbe Datenbasis berühren dürfen, etwa weil sie unterschiedliche Einwilligungen zugrunde liegen haben oder weil ein Vertrag physische Trennung fordert. Dann ist die Mandantenfähigkeit auf Projektebene der ehrlichere Weg, auch wenn er teurer in der Pflege ist. Diese Frage ist juristisch und nicht technisch, und sie sollte vor dem Aufbau geklärt sein.
Die Rechenarbeit, die dabei übersehen wird
Sobald die Kundentrennung über Filter läuft, hängt die Auswertung an der Basis – und das ist bei Befragungsdaten kein Detail. Wenn ein Kunde nur die Kenner seiner Marke sieht, ist seine Grundgesamtheit eine andere als die des Kunden daneben. Zehn Prozent der Markenkenner und zehn Prozent der Bevölkerung sind zwei völlig verschiedene Aussagen, und in einem Multi-Client-Dashboard stehen sie potenziell im selben Chart nebeneinander, nur für unterschiedliche Betrachter.
Daran hängen drei Dinge, die mitwandern müssen. Die Gewichtung muss zur gefilterten Teilmenge passen und nicht zum Gesamtdatensatz. Die Signifikanz muss mit der Fallzahl der jeweils sichtbaren Gruppe rechnen, sonst liest ein Kunde mit sechzig Befragten dieselbe Aussagesicherheit wie einer mit sechshundert. Und die Fallzahluntergrenze muss greifen, bevor eine Zelle zu dünn wird – bei Multi-Client-Studien schneller erreicht als man denkt, weil sich Kundenfilter und Aufriss multiplizieren.
Klassische BI-Werkzeuge kennen diese Begriffe nicht. Sie können Zeilen filtern, aber sie wissen nicht, dass eine Gewichtungsvariable existiert oder dass ein Prozentwert eine Bezugsbasis hat. Das ist der Grund, warum Multi-Client-Reporting auf einem allgemeinen BI-Stack meistens in eine Vorstufe ausweicht, in der die Zahlen extern gerechnet und dann als fertige Ergebnisse eingespielt werden. Damit ist die Interaktivität weg, die den Kunden eigentlich verkauft wurde. Wir haben das Thema ausführlicher in Daten aus mehreren Systemen zusammenführen beschrieben.
Unter Ihrer Marke, nicht unter unserer
Ein Punkt, der bei Instituten regelmäßig früh kommt und berechtigt ist: Das Portal, in dem der Kunde arbeitet, soll nach dem Institut aussehen und nicht nach dem Softwareanbieter. Logo, Farben, Schriften und die Diagrammfarben gehören zum Auftritt, und die PowerPoint-Exporte sollen in der Vorlage des Hauses herauskommen, weil sie beim Kunden weiterverwendet werden.
Das ist keine Kosmetik. Ein Dashboard, das dauerhaft benutzt wird, ist der sichtbarste Teil der Zusammenarbeit – und wenn dort ein fremdes Logo steht, verschenkt man die Bindung, für die man die Studie überhaupt gebaut hat.
Wie wir vorgehen würden
Wenn Sie vor dem Aufbau stehen, würden wir in dieser Reihenfolge klären: Erstens, ob es einen vertraglichen Grund für physische Trennung gibt – das entscheidet alles Weitere. Zweitens, welche Merkmale kundenspezifisch sind und welche gemeinsam bleiben, denn daraus ergibt sich der Schnitt der Zugriffsprofile. Drittens, wie die Basis in jedem Zuschnitt aussieht und ob die Fallzahlen tragen. Und erst danach, wie das Dashboard aussieht.
Der Test am Ende ist immer derselbe: Melden Sie sich mit dem Zugang eines echten Kunden an und versuchen Sie ernsthaft, an Daten zu kommen, die ihm nicht gehören. Was Sie dabei nicht finden, findet Ihr Kunde auch nicht.
Mehr zu den Grundlagen unter Rollen und Rechte und Tracker-Dashboards. Wie das in einer großen Trackingstudie aussieht, haben wir am Beispiel von Nielsen Sports beschrieben. Für Institute und Agenturen gibt es außerdem eine eigene Übersicht unter Lösungen für Marktforschungsinstitute.