Backlist-Analyse mit KI: Potenziale erkennen und systematisch nutzen

Verlage verfügen über umfassende Daten zu ihren erschienenen Titeln, nutzen sie aber selten systematisch. Generative KI senkt die Hürde für eine regelmäßige Auswertung deutlich. Wie das in der Praxis funktioniert, zeigt Martina Steinröder im Webinar der How-to-Reihe des Digital Publishing Report.

In umfangreichen Backlists liegen ungenutzte Potenziale. Das ist eigentlich eine Binsenweisheit. Im Arbeitsalltag fehlen jedoch Zeit und Anlass für eine systematische Auswertung. Genau hier setzt Martina Steinröder, Gründerin von Steinröder Publishing Consulting und Expertin für digitale Transformation, im Webinar der How-to-Reihe des Digital Publishing Reports an.

Die Ausgangslage ist in den meisten Verlagen ähnlich: Die Daten zu bereits erschienenen Titeln sind vorhanden, werden aber vielleicht einmal jährlich für die Programmplanung herangezogen. Den Rest des Jahres bleibt dieser Datenbestand ungenutzt.

Mit generativer KI lässt sich das ändern. Backlist-Daten können damit regelmäßig, schnell und mit überschaubarem Aufwand ausgewertet werden. Das Webinar führt in fünf Schritten durch das Vorgehen.

Der wichtigste Schritt liegt vor der eigentlichen Analyse. Zu klären ist: Was soll die Auswertung beantworten und welche Kennzahlen werden dafür benötigt?

Typische Fragestellungen sind: Welche Titel sind Tops, welche Flops? Wie entwickeln sich Umsatz und Absatz, idealerweise über fünf Jahre? Wie profitabel sind einzelne Titel, wie sehen die Deckungsbeiträge aus? Welche Programmsegmente tragen das Ergebnis? Und wo gibt es bei den Zielgruppen weiße Flecken?

Erst wenn die Fragestellung steht, werden die benötigten Daten in die Auswertungstabelle übernommen. Diese Reihenfolge spart im weiteren Verlauf erheblich Zeit.

Die Basis jeder KI-gestützten Analyse ist eine sauber strukturierte Excel-Tabelle: eine Kreuztabelle ohne Leerzeilen, ohne Zwischensummen, ohne Formatierungsbrüche. Eindeutige Spaltenüberschriften sind Pflicht, die Datentypen innerhalb einer Spalte müssen konsistent sein. In Zahlenfeldern stehen Ziffern, keine Währungsformate; Datumsangaben folgen einem einheitlichen Format. Eine Zelle enthält genau eine Information.

Freitextfelder wie z.B.  Programmsegmente müssen durchgängig gleich bezeichnet werden. Wer einmal „Innere Medizin“ und einmal „IM“ schreibt, erzeugt in der Auswertung zwei Segmente statt eines. Abkürzungen sind zulässig, müssen aber immer konsequent sein.

Die Tabelle sollte ausschließlich die Daten enthalten, die tatsächlich benötigt werden. Fehlende Werte bleiben nicht leer, sondern werden einheitlich gekennzeichnet, etwa mit „k. A.“. Für die eindeutige Zuordnung der Titel ist ein Backbone-Feld erforderlich. Die ISBN eignet sich dafür nicht, da sie sich pro Auflage ändert; bewährt hat sich ein kombiniertes Feld aus Autor und Titel in einheitlicher Schreibweise.

Zentral ist außerdem: Alle auszuwertenden Kennzahlen sollten bereits berechnet in der Tabelle stehen. Deckungsbeiträge und andere abgeleitete Größen werden deterministisch in Excel ermittelt und nicht von der KI geschätzt. Die KI soll die Zahlen aufbereiten und einordnen, nicht rechnen.

Ist die Datengrundlage sauber, beginnt die eigentliche Auswertung. Für die Zahlenanalyse gibt es zwei Wege: einen Bericht im Chat oder ein interaktives Dashboard.

Für einen Bericht im Chat eignet sich praktisch jedes gängige KI-Modell. Die Daten werden hochgeladen, die Fragen gestellt, das Ergebnis als Bericht ausgegeben. Entscheidend ist das Prompting: Rolle benennen, Ziel und Aufgabe eindeutig beschreiben und explizit festlegen, dass ausschließlich mit den vorhandenen Werten gearbeitet und nichts ergänzt oder geschätzt wird.

Bewährt hat sich folgendes Ausgabeformat: eine Management Summary, anschließend ein Block je Kennzahl, am Ende ein Abschnitt zu Annahmen und Datenlücken. So bleibt die Trennung zwischen berechneten Werten und Interpretation nachvollziehbar. Fehlende Daten soll die KI benennen, nicht stillschweigend übergehen.

Noch anschaulicher ist ein interaktives Dashboard. Das gelingt derzeit am besten mit Claude, Gemini oder Codex von OpenAI. In Claude lässt sich das Dashboard direkt als „Artefakt“ nutzen; in allen drei Systemen kann die Datei alternativ heruntergeladen und im Browser geöffnet werden. Ein solches Dashboard liefert schnelle und optisch gut aufbereitete Übersichten z.B. zu Programmbereichen, Top-Flop-Listen, ABC-Analysen, Prognosen und Bestandswarnungen.

Der zweite und noch interessantere Anwendungsfall ist die Mustererkennung. Hier spielt generative KI ihre eigentliche Stärke aus.

Auf Portfolioebene lassen sich damit Fragen beantworten wie: Bestehen Konzentrationsrisiken? Wie ist die Ertragslage in den einzelnen Fachgebieten? Wie performen einzelne Reihen? Wo gibt es weiße Flecken oder Ausbaubereiche? Wie steht es um die Aktualität des Programms?

Ebenso aussagekräftig ist die Titelebene: Ist eine Neuauflage sinnvoll? Welche Titel sollten eingestellt, welche wiederbelebt werden? Bestehen Lagerrisiken? Gibt es Margenausreißer?

Wichtig ist die Abgrenzung: Die Analyse bezieht sich ausschließlich auf die vorhandenen, validen Backlist-Daten. Der Markt bleibt außen vor, Marktlücken lassen sich beispielsweise auf dieser Basis nicht identifizieren.

Auch hier entscheidet der Prompt über die Qualität. Sinnvoll ist eine Kombination: einerseits klar formulierte Fragestellungen, z.B. zu Reihenperformance, Neuauflagen und Lagerrisiko; andererseits die explizite Aufforderung, Auffälligkeiten zu benennen, die nicht abgefragt wurden, aber für die Programm- und Titelplanung relevant sind. Genau an dieser Stelle liefert die KI häufig neue Perspektiven.

Im letzten Schritt werden Konsequenzen und Handlungsempfehlungen abgeleitet. Das sollte in einem neuen Chat geschehen, damit die Ergebnisse nicht durch den vorangegangenen Analyseverlauf verzerrt werden. Die Empfehlungen lassen sich anschließend direkt als Word-Dokument ausgeben.

So entsteht eine systematische, valide Analyse der Backlist mit sauber abgeleiteten Handlungsempfehlungen.

KI macht die Backlist-Analyse schneller und übersichtlicher und ermöglicht es, sie regelmäßig durchzuführen. Ihre besondere Stärke liegt in der Mustererkennung.

Voraussetzung sind drei Dinge: Klarheit darüber, welche Fragen beantwortet werden sollen; eine saubere Aufbereitung aller Kennzahlen; und die Bereitschaft, die KI einordnen und Muster erkennen zu lassen, statt sie rechnen zu lassen. KI bleibt dabei ein Hilfsmittel, die Qualitätsprüfung und die abschließende Interpretation liegen bei den Anwenderinnen und Anwendern.

Der Aufwand ist überschaubar. Und das Vorgehen lässt sich übertragen: nicht nur auf Backlistanalysen, sondern auf nahezu jeden strukturierten Datenbestand im Verlag.

Im Webinar werden die einzelnen Schritte anhand konkreter Beispiele gezeigt, von der Aufbereitung der Excel-Tabelle über die Prompts bis zum fertigen Dashboard.

Zum Webinar geht es hier