Case Study · Reporting-Automatisierung
Von 20+ Stunden manueller Arbeit zu einer freihändigen monatlichen Pipeline.
Wie Amula AI die zweisprachige Factsheet-Produktion für die IST Investmentstiftung neu aufgebaut hat. Ein langsamer, fragmentierter, manueller Prozess über rund 20 Fonds wurde zu einer einzigen, kontrollierten Power-BI-Pipeline mit automatisiertem PDF-Output.
Auf einen Blick
20+ Std. → 3–4 Std.
Monatlicher Aufwand: von 20+ Stunden pro Fondsmanager auf wenige Stunden insgesamt
~20 Fonds
Standardisiertes Reporting über die gesamte Fondspalette
DE + FR
Zweisprachiger Output, vollständig automatisiert, rund 40 Report-Varianten
~2 Monate
Von der Strategie zur produktiven Pipeline
Ein semantisches Modell ersetzt ~40 separate Datasets: eine einzige Datenquelle.
Nahezu null manuelle Schritte bei der monatlichen PDF-Generierung.
Kunde & Kontext
Eine Schweizer Vorsorge-Anlagestiftung ohne Toleranz für falsche Zahlen.
IST Investmentstiftung
Die IST Investmentstiftung ist eine Schweizer Anlagestiftung, die Vermögen im Auftrag von Vorsorgeeinrichtungen verwaltet.
Jeden Monat veröffentlicht IST Anlage-Factsheets für rund 20 Fonds, jeweils auf Deutsch und Französisch, für ein Publikum aus professionellen und institutionellen Investoren. In einem regulierten Vorsorgekontext müssen diese Dokumente korrekt, konsistent, markenkonform und termingerecht sein. Es gibt keine Toleranz für falsche Zahlen oder fehlende Daten.
Die Herausforderung
Ein kritisches monatliches Ergebnis, das auf manueller Arbeit und implizitem Wissen lief.
Der bestehende Prozess war manuell, fragmentiert und risikoreich:
Hoher manueller Aufwand
Das Erstellen und Prüfen der Factsheets verschlang 20+ Stunden pro Fondsmanager jeden Monat: repetitive Zusammenstellung, Formatierung und Prüfarbeit, die mit jedem neuen Fonds linear wuchs.
Der Zweisprachigkeits-Multiplikator
Jedes Factsheet existierte auf Deutsch und Französisch, was die Produktions- und Prüffläche effektiv verdoppelte.
Fragmentierung und Drift
Die Reporting-Logik lebte über viele separate Dateien verteilt, sodass Formatierungs- und Berechnungsregeln mit der Zeit auseinanderdrifteten, eine Wartungs- und Konsistenzbürde.
Compliance-Details, die still brechen
Schweizer Zahlenformatierung, strenge Corporate-Typografie (die vorgeschriebene Tahoma-Schrift) und Locale-Handling in Charts und Measures: kleine Details, die, wenn sie falsch sind, die Glaubwürdigkeit still untergraben.
Stilles Versagen als Kernrisiko
Die gefährlichen Fehler im Finanzreporting sind jene, die keine Fehlermeldung auslösen: ein falsch skalierter Wert, ein vorformatiertes Textfeld, das als Zahl behandelt wird, eine unvollständige Datenzeile, die eine Performance-Zahl stillschweigend leert. Der Prozess hatte keine systematische Verteidigung dagegen.
Manueller, fragiler PDF-Output
Die finale Auslieferung hing von manuellen Export-Schritten ab, die langsam und fehleranfällig waren.
Der Ansatz
Reporting neu aufgebaut als kontrollierte Infrastruktur.
Amula AI hat Reporting als Infrastruktur behandelt: eine kontrollierte Pipeline, einmal entworfen, die jeden Monat mit minimalem menschlichem Eingriff läuft. Fünf Säulen:
- 01
Eine kontrollierte Datengrundlage
Volatile Workbooks aus mehreren Quellen wurden in zuverlässige, Power-BI-fähige Inputs verwandelt. Ein eigens gebautes Snapshot-Tool (eine Python-Desktop-App) wandelt Excel-Workbooks mit Live-Formeln in statische, reine Wert-Versionen um, sodass die Reporting-Schicht stets stabile Daten liest. Skalierungs-, Formatierungs- und Darstellungsregeln wurden einmalig in zentralen Power-Query-Mapping-Tabellen kodiert und beseitigten die dateiweise Rätselei, die stille Fehler verursachte.
- 02
Ein semantisches Modell, viele schlanke Reports
Statt ~40 separater Datasets baute Amula ein einziges gemeinsames semantisches Power-BI-Modell, das schlanke Reports pro Fonds über Live-Verbindung speist. Die Zuordnung pro Fonds erfolgt über Filter auf Report-Ebene; Deutsch und Französisch werden als separate, korrekt lokalisierte Reports ausgeliefert. Das beseitigt Normalisierungs-Drift und macht das Hinzufügen eines Fonds zur Konfigurationsaufgabe statt zum Neuaufbau.
- 03
Schweiz-konforme Darstellung, by design
Die Pipeline erzwingt Schweizer Formatierung, korrektes Locale-Handling in DAX-Measures (de-CH / fr-CH) und vollständige Tahoma-Schrift-Konformität im gerenderten Output, sodass jedes Factsheet konsistent und markenkonform ist, ohne manuelles Nachbessern.
- 04
Freihändige PDF-Produktion
Der monatliche Output ist durchgängig automatisiert: Datasets aktualisieren sich über die Power BI REST API mit sicherer Service-Principal-Authentifizierung, und finale PDFs werden erzeugt, indem Power BIs nativer Export auf Microsofts eigenen Rendering-Servern angesteuert wird, wo die Corporate-Schrift nativ vorhanden ist. Der gesamte Lauf ist config-getrieben: Report-Listen, Verhalten und Secrets leben in der Konfiguration, nicht im Code.
- 05
Engineering für Vertrauen
Der Aufbau lief in nummerierten Phasen mit harten Validierungs-Gates und einer separaten QA-Schicht. Der Erbauer zeichnet seine eigene Arbeit nie ab. Jedes Ergebnis kennzeichnet explizit Risiken stillen Versagens, statt sie durchrutschen zu lassen.
Architektur
Eine kontrollierte Pipeline, durchgängig.
Quell-Workbooks
Kerndaten, Performance, Struktur, Kategorien
Snapshot-Tool
live → statisch, reine Werte
SharePoint
kontrollierter Dateispeicher
Gemeinsames Power BI
semantisches Modell · Power-Query-Mapping · Skalierung + Formatierung · Swiss-Locale-DAX
~40 schlanke Reports
DE / FR pro Fonds, Filter auf Report-Ebene
Power BI Service
geplant, kontrolliert
REST-API-Refresh
Service Principal / MSAL-Auth
Automatisierter PDF-Export
nativer Render, Tahoma-konform
Zweisprachige monatliche Factsheets
DE + FR, termingerecht
Ergebnisse & Wirkung
Ein Sprung, kein inkrementeller Gewinn.
Wichtigste Ergebnisse
- Monatlicher Reporting-Aufwand von 20+ Stunden pro Fondsmanager auf 3–4 Stunden insgesamt reduziert.
- Rund 20 Fonds unter einem einheitlichen Reporting-System standardisiert.
- Zweisprachiger Output (DE/FR) automatisiert, wodurch die doppelte manuelle Arbeit entfällt.
- In rund zwei Monaten geliefert, von der Strategie bis zur produktiven Umsetzung.
Was das bedeutet
- Eine einzige Datenquelle
- Ein einziges semantisches Modell ersetzte ~40 fragmentierte Datasets und beendete den Normalisierungs-Drift.
- Skaliert per Konfiguration
- Einen Fonds oder Report hinzuzufügen ist eine Konfigurationsänderung, kein Neuaufbau.
- Verteidigung gegen stilles Versagen
- Der Fehlermodus, der im Finanzreporting am meisten zählt, wird explizit gekennzeichnet, nicht stillschweigend angenommen.
- Vom Team des Kunden übernommen
- Das eigene Team von IST betreibt die Datenaufbereitungs-Tools heute direkt.
- Eine dauerhafte Partnerschaft
- Die Arbeit etablierte Amula AI als laufenden strategischen Implementierungspartner, nicht als einmaligen Lieferanten.
Warum es Bestand hat
Die Engineering-Prinzipien hinter dem Aufbau.
Architektur vor Tooling
Ein gemeinsames Modell plus schlanke Reports eliminiert Drift über Dutzende Dateien.
Stilles Versagen ist das Hauptrisiko
Falsch skalierte Werte, Text-vs-numerisch-Diskrepanzen und unvollständige Zeilen werden explizit gekennzeichnet, nicht stillschweigend angenommen.
Datennormalisierung gehört an die Quelle
Rohwerte plus Formatregeln (nicht vorformatierte Strings) halten das Modell sauber und nachvollziehbar.
Config-getrieben, nicht hartkodiert
Secrets, Verhalten und Report-Listen leben in der Konfiguration.
Phasenweise Lieferung mit QA-Gates
Der Erbauer zeichnet seine eigene Arbeit nie ab.
Tech-Stack
Auf dem Microsoft-Stack gebaut, mit Python automatisiert.
BI & Modellierung
Automatisierung (Python)
Microsoft / Azure
Tooling
Führen Sie kritische Reports von Hand aus?
Amula AI verwandelt manuelles, kritisches Reporting in kontrollierte, automatisierte Infrastruktur. Lassen Sie uns aufzeigen, wie das für Ihre Zahlen aussieht.