Zum Inhalt springen
Business Intelligence

Alles, was dein Ticketing weiß, als vier analysefertige Datensätze.

Wir kennen Ticketing. Du kennst dein Geschäft. Diese API bringt beides zusammen — in deinem Warehouse, nach deinen Definitionen.

Das Wertvollste ist nicht die Zahl, sondern die Menschen dahinter. Jede Ticketzeile trägt, wer gekauft und wer eingelöst hat: Registrierungsfelder, Statistikgruppe, Legitimation, Kampagne, Umfrageantworten. Du siehst nicht nur, wann Leute kommen — du siehst, wann welche Leute kommen, heruntergebrochen auf jede Eigenschaft, die du erhebst.

Sie ist für die Extraktion gebaut, nicht für Einzelabfragen: Du bekommst die Zeilen, und Modellierung, Kennzahlen und Historie bleiben bei dir. Keine Aggregate, kein serverseitiges Gruppieren, nichts, worauf du bei uns warten musst. Sie spricht Standard-OData v4, Power BI, Tableau, Azure Data Factory und Fivetran verbinden sich also ohne eigenen Code.

Für Daten- und BI-Teams. Wenn du einen Checkout integrierst, brauchst du eines der anderen zehn Module.

Auf einen Blick

Live-Datenjede Anfrage liest den aktuellen Stand — kein Export-Job, kein Snapshot dazwischen
Konstante SeitenkostenKeyset-basiert, die letzte Seite kostet also so viel wie die erste
OData v4von Power BI, Tableau, ADF und Fivetran ohne eigenen Code gelesen
500 Spaltenin 4 Datensätzen — Tickets, Scans, Statistikgruppen, Umfragen
Schema aus dem Build$metadata wird von der laufenden Instanz erzeugt und kann nicht abweichen
Machine-to-MachineOAuth 2.0 Client Credentials, kein CORS, dein Secret bleibt serverseitig

Business Cases

Jede Frage unten beantwortet dein Datenteam aus dem Extrakt — mit dem Referenzabschnitt, der zeigt, wie.

Wie viele Menschen sind tatsächlich gekommen?

Verkaufte Tickets und eingelassene Personen sind zwei verschiedene Zahlen, und die Lücke dazwischen ist oft die interessanteste Kennzahl der ganzen Veranstaltung. Sie bestimmt Catering, Personal, Flächenplanung und den Preis der nächsten Ausgabe.

Es ist auch die Zahl, die die meisten Reports falsch ausweisen. Ein Ticket, das nie gescannt wurde, hat gar keine Scan-Zeile — die Gruppe, die du messen willst, verschwindet also in dem Moment, in dem jemand einen Inner Join schreibt.

In der Referenz: Recipes →

Welche Besuchersegmente sind im Jahresvergleich gewachsen oder geschrumpft?

Nach Artikel, Statistikgruppe, Legitimation und jedem Registrierungsfeld, das du abfragst — Branche, Funktion, Unternehmensgröße, Land — über die Ausgaben derselben Marke hinweg. Nicht wie viele gekommen sind, sondern wer: Das ist die Zahl, die in der Vorstandsvorlage landet.

In der Referenz: How ticketing data works → Counting visitors →

Welche Kampagne hat tatsächlich verkauft?

Jeder Verkauf trägt seine UTM-Parameter, du stellst also die Kosten pro verkauftem Ticket jedem Kanal gegenüber, statt zu berichten, dass eine Kampagne „gut lief“.

Ein Vorbehalt, den du kennen solltest, bevor du das Dashboard baust: Aussteller-Einladungen tragen keine Kampagne und werden deutlich seltener eingelöst. Mit eingerechnet drücken sie jede Conversion-Zahl, die du berechnest.

In der Referenz: Recipes →

Was hat jeder Aussteller mit seinem Kontingent gemacht?

Wie viele Einladungen er ausgegeben hat, wie viele eingelöst wurden und von wem. Das ist die Grundlage, um ein Kontingent im nächsten Jahr zu erhöhen, zu kürzen oder zu bepreisen — und ein Gespräch, das du mit jedem Aussteller einzeln führst.

In der Referenz: Datasets → Tickets →

Wann ist welcher Eingang ausgelastet?

Jeder Scan trägt einen Zeitstempel sowie Eingang und Terminal — und er hängt am Ticket dahinter. Du siehst also nicht nur, wann ein Eingang voll ist, sondern wer wann kommt: welche Statistikgruppen in der ersten Stunde, welche Besuchertypen in der letzten. Warteschlangen und Personaleinsatz sind keine Schätzungen mehr, sondern Messwerte.

In der Referenz: Datasets → Ticket usages →

Was ist ein Besucher wert?

Brutto- und Nettoumsatz pro Ticket, pro Artikel, pro Kanal, pro Veranstaltung — mit der Währung neben jedem Betrag, weil in den Daten mehr als eine vorkommt.

In der Referenz: Recipes →

Was haben dir deine Besucher gesagt — und wer waren sie?

Umfrageantworten lassen sich mit dem Ticket verknüpfen, du segmentierst also alles, was ein Besucher dir gesagt hat, nach allem, was das Ticket über ihn weiß: welchen Artikel er gekauft hat, woher er kam, wie das Ticket ausgestellt wurde, welche Legitimation er gezeigt hat.

Aus einer anonymen Strichliste wird etwas, mit dem du pro Segment arbeiten kannst.

In der Referenz: Datasets → Surveys →

Die Zahlen, die in den geprüften Bericht eingehen.

Deutsche Veranstalter melden Besucherzahlen nach den FKM-Prüfregeln, und diese Regeln entsprechen keiner naiven Zeilenzählung. Sie stecken in den Statistikgruppen, die geprüfte Sicht kommt also aus demselben Extrakt, statt jedes Jahr von Hand neu aufgebaut zu werden.

In der Referenz: How ticketing data works → Counting visitors →

MCP

Derselbe Dienst beantwortet Fragen auch direkt über MCP, mit denselben Zugangsdaten und derselben Datenabgrenzung — für die Fälle, in denen du die Antwort willst und nicht den Datensatz. Frag uns nach dem Zugang.

Zugang

Der Zugang wird pro Kundensystem eingerichtet. Sprich mit deiner ADITUS-Ansprechperson, um Client und Secret zu erhalten — dann beginnst du bei Business Intelligence → Getting started.

Wie der Extrakt selbst läuft, Seite für Seite: Business Intelligence → Building the extract