Messenachbericht automatisch erstellen

Das echte Ausmaß des Problems

Die Nachbereitung einer Messe ist oft unsichtbare Arbeit, sie findet nach dem Ereignis statt, wenn alle Beteiligten erschöpft sind und die Aufmerksamkeit längst bei der nächsten Veranstaltung liegt. Dabei ist der Nachbericht eines der wichtigsten strategischen Dokumente im Messebetrieb: Er beeinflusst Ausstellerentscheidungen für die nächste Ausgabe, liefert Argumente für Sponsoren und Ticketpreise, und dient als Referenz für Medienberichte.

Laut Branchenerhebungen der Event-Technologiebranche kann die automatisierte Datenaggregation und Berichtserstellung die Zeit für Post-Event-Reporting von Wochen auf Stunden reduzieren. In der Praxis bedeutet das für mittelgroße Messeveranstalter: statt 3–5 Arbeitstagen für Datenzusammenführung und Berichtsschreibung verbleiben 4–8 Stunden für Prüfung, Feinschliff und Versand.

Der Aufwand ist aus drei Gründen so hoch:

Datenfragmentierung. Messeveranstalter nutzen typischerweise 4–8 verschiedene Systeme, die keine gemeinsame Datenbasis haben: Registrierungsplattform, Survey-Tool, Lead-Scanning, CRM, Finanzsystem, Catering-Kassensystem, Hallenmanagement. Nach der Veranstaltung müssen diese Daten manuell zusammengeführt werden, Export für Export.

Empfänger-Diversität. Ein einziger Nachbericht reicht nicht. Aussteller wollen ihre spezifischen Kennzahlen. Der Vorstand will eine Zusammenfassung auf einer Seite. Das Marketingteam braucht Highlights für Social Media. Die Presse braucht offizielle Zahlen. Jede Version erfordert eine eigene Aufbereitung, aus denselben Rohdaten.

Zeitdruck. Aussteller fragen nach Zahlen, manche schon am Tag nach der Messe. Je länger der Nachbericht auf sich warten lässt, desto mehr verliert er an Wirkung für die Wiederbuchungs-Entscheidung.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Zeitangaben sind Erfahrungswerte; individuelle Ergebnisse hängen von Systemkomplexität und Datenbankqualität ab.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) 3–5 Tage auf einen halben Tag zu reduzieren ist ein konkreter, messbarer Effekt. Die Grenze zu Maximalwertung: Es gibt immer einen menschlichen Prüfschritt, bei dem Interpretation, Kontext und Qualitätssicherung nicht vollständig automatisiert werden können. Zahlen lassen sich automatisieren, das Urteil “diese Veranstaltung war trotz niedrigerer Besucherzahl besonders erfolgreich” braucht eine Mensch mit Kontext.

Kosteneinsparung, hoch (4/5) Im Unterschied zur Besucherprogramm-Planung ist hier der Kosteneffekt direkt: weniger Personalstunden in der Post-Event-Phase. Bei drei Veranstaltungen pro Jahr mit je 2,5 eingesparten Personentagen à 40 Euro Bruttostundensatz macht das pro Jahr rund 5.000–8.000 Euro direkte Personalkosten, plus den strategischen Wert der schnelleren Bereitstellung für Ausstellerbindung.

Schnelle Umsetzung, hoch (4/5) Keine komplexe App-Infrastruktur, kein Profiling-System, kein Recommender. Die Grundstruktur ist: Daten aus bestehenden Systemen exportieren, in ein strukturiertes Format bringen, mit einem LLM in lesbaren Text übersetzen. Mit Datenpipeline und Berichtsvorlagen liegt der Zeitraum bis zum ersten Produktivbetrieb bei 6–10 Wochen, solide, aber kein Sofortprojekt. Die Komplexität hängt primär von der Anzahl der Quellsysteme ab.

ROI-Sicherheit, hoch (4/5) Die Zeitersparnis ist präzise messbar: Wie lange hat das Team vor der Automatisierung für Nachberichte gebraucht? Wie lange danach? Das lässt sich mit einer Tabelle nachweisen. Was schwerer zu messen ist: Ob schnellere Reports tatsächlich zu mehr Ausstellerwiederbuchungen führen. Das ist der indirekte Teil, und der ist real, aber nicht direkt zuzuordnen.

Skalierbarkeit, mittel (3/5) Einmal eingerichtete Berichts-Vorlagen und Datenpipelines lassen sich von Event zu Event wiederverwenden, das ist gut. Aber die Skalierung läuft nicht ganz so reibungslos wie bei der Ausstellerkorrespondenz-Automatisierung: Wenn eine neue Datenquelle hinzukommt (neues Feedback-System, neues Lead-Scanning-Tool), muss die Pipeline angepasst werden. Das System wächst mit, aber nicht völlig von selbst.

Richtwerte, stark abhängig von Anzahl der Quellsysteme und Veranstaltungskomplexität.

Was die Automatisierung konkret macht

Das Kernproblem ist nicht das Schreiben, es ist die Datenbeschaffung. Ein KI-Agent kann aus strukturierten Daten sehr guten Text generieren. Aber er kann keine Daten erfinden, die nicht vorhanden sind, und er kann keine Exporte aus Systemen ziehen, auf die er keinen Zugriff hat.

Die Automatisierung besteht deshalb aus zwei klar getrennten Teilen:

Teil 1: Datenaggregation Eine Pipeline sammelt Daten aus allen relevanten Quellsystemen: Registrierungsexport (Besucher nach Tag, Herkunft, Branche), Feedback-Daten (Survey-Ergebnisse, NPS), Lead-Scanning-Statistiken (Stand-Kontakte je Aussteller), Hallenauslastung (belegte Fläche, Leerstand), ggf. Veranstaltungsprotokoll-Notizen. Diese Daten werden in ein einheitliches Format gebracht, typisch eine strukturierte Tabelle oder JSON, aus dem alle nachgelagerten Reports generiert werden.

Teil 2: LLM-Berichtsgenerator Mit den aggregierten Daten als Input erzeugt ein Sprachmodell verschiedene Berichtsformate: Executive Summary (1 Seite, Management-Sprache), Ausstellerreport (Standard-Template, angepasst an individuelle Kennzahlen), Pressemitteilung (Highlights mit offiziellen Zahlen), Social-Media-Snippets (Fakten für LinkedIn und Newsletter). Der Mensch prüft, ergänzt Kontext, und gibt frei, schreibt aber nichts von Null.

Wichtig: Die Qualität des generierten Textes hängt davon ab, wie gut die Eingabedaten strukturiert sind. Ungepflegte Freitexte aus Feedback-Feldern, halbausgefüllte Survey-Antworten oder widersprüchliche Zahlen aus verschiedenen Quellen führen zu Reports, die man trotzdem manuell überarbeiten muss. Garbage in, garbage out gilt auch hier.

Konkrete Werkzeuge, was wann passt

Make.com + ChatGPT oder Claude AI, Die flexibelste Kombination für mittelgroße Veranstalter. Make.com baut die Datenaggregations-Pipeline: Automatischer Export aus der Registrierungsplattform, Survey-Tool, ggf. Google Sheets. ChatGPT oder Claude übernimmt die Textgenerierung auf Basis strukturierter Prompts. EU-Hosting bei Make.com möglich; Daten sollten so weit möglich vor Übergabe an US-LLMs anonymisiert werden. Gesamtkosten: 50–150 Euro/Monat.

Power BI + ChatGPT, Für Veranstalter, die bereits Power BI für interne Berichte nutzen. Power BI aggregiert und visualisiert Daten aus allen Quellsystemen, ChatGPT erzeugt auf Basis der Dashboard-Daten Textzusammenfassungen. Der Vorteil: Power BI hat native Konnektoren zu sehr vielen Systemen und erzeugt professionelle Dashboards. Nachteil: Einrichtungsaufwand höher, erfordert Power BI-Kenntnisse.

Cvent Analytics, Für Veranstalter, die Cvent bereits nutzen: Cvent hat integrierte Reporting- und Analytics-Funktionen. Nicht so flexibel wie eine Custom-Pipeline, aber direkt mit den Cvent-Daten verbunden, keine separate Datenpipeline nötig. Gut für standardisierte Ausstellerreports ohne Zusatzentwicklung.

Notion AI + eigenes Datentemplate, Einfachste Lösung für kleinere Veranstalter. Kennzahlen manuell in ein strukturiertes Notion-Template eintragen, dann Notion AI für die Texterstellung des Berichts nutzen. Kein automatischer Datenfluss, aber der Schreibaufwand entfällt. Sinnvoll, wenn das Hauptproblem nicht die Datenaggregation ist, sondern das Formulieren.

Wann welcher Ansatz:

• Viele Quellsysteme, braucht echte Pipeline → Make.com + LLM
• Power BI bereits im Einsatz → Power BI + ChatGPT
• Cvent Gesamtplattform → Cvent Analytics
• Wenige Quellen, Hauptproblem ist Schreiben → Notion AI + Template

Datenschutz und Datenhaltung

Nachberichte enthalten aggregierte Statistiken, Besucherzahlen, Branchen, Herkunftsregionen. Diese Daten sind in der Regel nicht direkt personenbezogen, sobald sie aggregiert sind. Das ändert sich, wenn Einzeldaten in die Auswertung fließen: Wenn ein Ausstellerreport zeigt, wie viele Personen aus welchen Unternehmen den Stand besucht haben, sind das personenbezogene Daten der Einzelbesucher.

Empfehlung: Trenne bei der Datenaggregation klar zwischen aggregierten Kennzahlen (unkritisch) und personenbezogenen Verhaltensdaten (schutzbedürftig). Für die Berichtserstellung reichen in den meisten Fällen aggregierte Daten. Wenn personenbezogene Daten für tiefere Analysen genutzt werden sollen, braucht es eine gültige Rechtsgrundlage, typisch die Einwilligung aus dem Registrierungsprozess.

Für die KI-gestützte Textgenerierung: Wenn Rohdaten an externe Dienste wie ChatGPT oder Claude AI übergeben werden, darf das nur mit anonymisierten oder aggregierten Daten geschehen. Keine Klarnamen, keine E-Mail-Adressen, keine Unternehmensnamen von Einzelbesuchern in den Prompt einfügen. Die Zusammenfassung von 12.400 Besuchern aus dem Maschinenbaubereich ist unbedenklich, die Liste der 12.400 Besuchernamen ist es nicht.

Make.com mit EU-Hosting bietet für die Datenpipeline eine DSGVO-freundlichere Grundlage als US-basierte Alternativen. Ein AVV ist dennoch abzuschließen.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• Datenpipeline aufbauen (Make.com-Szenarien oder Custom-Integration): 1.500–4.000 Euro (extern) oder 2–4 Wochen intern
• Berichts-Templates entwickeln und prompten: 1.000–2.000 Euro oder 1–2 Wochen intern
• Test mit Vergangenheitsdaten und Qualitätsprüfung: 1–2 Wochen
• Gesamteinrichtung: 2.500–6.000 Euro oder 5–8 Wochen Eigenleistung

Laufende Kosten (monatlich)

• Make.com Core/Pro: 16–29 USD/Monat
• ChatGPT oder Claude API: typisch 5–50 USD/Monat je nach Volumen (Berichte sind kurze Dokumente)
• Notion AI oder Power BI: je nach vorhandener Lizenz 0–20 Euro/Monat zusätzlich
• Gesamtlaufend: 30–100 Euro/Monat

ROI-Rechnung 3 Veranstaltungen/Jahr, jeweils 3 Tage Nachberichtaufwand mit 2 Mitarbeitenden à 40 Euro Bruttostundensatz:

• Vorher: 3 Veranstaltungen × 3 Tage × 2 Personen × 8 Std. = 144 Stunden × 40 € ≈ ca. 5.800 Euro/Jahr Personalkosten für Nachbereitung
• Nach Automatisierung (0,5 Tage statt 3 Tage): 3 × 0,5 × 2 × 8 × 40 € = ca. 960 Euro/Jahr residualer Aufwand
• Ersparnis: ca. 4.800 Euro/Jahr, bei Einrichtungskosten von 4.500 Euro amortisiert sich das bereits im ersten Jahr.

Hinweis: Diese Rechnung setzt voraus, dass das Team die eingesparte Zeit tatsächlich für andere Aufgaben nutzt. Wenn der Personalbestand gleich bleibt, ist der Effekt Kapazitätsgewinn, kein direkter Geldrückfluss.

Drei typische Einstiegsfehler

1. Die Datenpipeline als Nebensache behandeln. Der interessante Teil, der KI-generierte Text, macht nur 20 Prozent der Arbeit aus. Die anderen 80 Prozent sind Datenaggregation: Welche Felder kommen aus welchem System? In welchem Format? Was passiert, wenn ein System einen anderen Wert liefert als ein anderes? Diese Arbeit ist unspektakulär, aber sie entscheidet über den Nutzen des Systems. Wer die Datenpipeline halbherzig aufbaut und sich auf die Textgenerierung stürzt, bekommt KI-generierten Text über falsche Zahlen, was schlimmer ist als kein System.

2. Zu viele Berichtsformate auf einmal ansteuern. Ausstellerreport, Executive Summary, Pressemitteilung, Social Posts, internen Jahresbericht, wenn man alle gleichzeitig automatisieren will, werden alle mittelmäßig. Besser: Mit dem höchsten Aufwand-Nutzen-Verhältnis starten. Das ist bei den meisten Veranstaltern der individuelle Ausstellerreport: viele Empfänger (jeder Aussteller bekommt einen), strukturell identisch, aber mit individuellen Zahlen. Das lohnt die Automatisierung am stärksten. Alle weiteren Formate folgen in der zweiten Phase.

3. Den Qualitätsprüfungs-Schritt aus dem Prozess raus-automatisieren. Das System kann falsch liegen. Ein Datenfehler in der Quelle, ein missverstandener Survey-Wert, eine Jahreszahl, die nicht aktualisiert wurde, das Sprachmodell übernimmt den Fehler und verpackt ihn in überzeugend klingendem Deutsch. Wer den manuellen Prüfschritt wegfallen lässt, um Zeit zu sparen, riskiert, dass Aussteller falsche Zahlen erhalten. Das Vertrauen, das man durch schnellere Berichte aufbaut, verliert man mit einem einzigen falschen Report sofort wieder. Der Prüfschritt ist nicht optional, er ist das letzte Sicherheitsnetz.

Was mit der Einführung wirklich passiert, und was nicht

Wenn das System gut eingerichtet ist, verändert sich das Nachbereitungs-Erlebnis des Teams fundamental. Statt mehrerer Tage im Datenchaos gibt es einen strukturierten Prozess: Quellsysteme exportieren, Pipeline läuft, erste Berichtsentwürfe liegen am nächsten Morgen vor. Das Team prüft, ergänzt Kontext, gibt frei, und die Woche nach der Messe gehört der Planung der nächsten.

Das klingt einfach. Der Weg dahin ist es nicht immer. Die erste Hürde ist Systemintegration: Viele Eventmanagement-Systeme bieten keine sauberen APIs oder Export-Funktionen. Manche Daten kommen nur als PDF-Bericht, unbrauchbar für automatische Verarbeitung. Das muss in der Planungsphase ehrlich inventarisiert werden: Welche Systeme liefern auswertbare Daten, welche nicht?

Die zweite Hürde ist Datenqualität. Besucherdaten sind oft unvollständig, fehlende Berufsfelder, leere Unternehmensangaben, Mehrfachregistrierungen. Ein automatischer Nachbericht kann diese Lücken sichtbar machen, aber nicht füllen. Wer den Bericht aufwertet, muss die Datenerfassung beim Registrierungsprozess aufwerten.

Typisches Teammuster: Zunächst skeptisch (“das wird die Zahlen nicht richtig darstellen”), nach der ersten automatisch erstellten Ausstellerliste überraschend positiv (“das ist tatsächlich besser strukturiert als was ich manuell gemacht habe”), dann aktiv als Multiplikator für weitere Automatisierungen tätig.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Daten liegen in zu vielen verschiedenen Systemen.” Das ist kein Einwand gegen Automatisierung, es ist die Begründung dafür. Genau diese Fragmentierung ist das Problem, das die Automatisierung löst. Make.com verbindet heute über 3.000 Apps, und Standardsysteme wie Cvent, Eventbrite, Typeform, Google Forms oder HubSpot haben alle native Konnektoren. Wenn ein System keine API hat und keine Exportfunktion, dann ist das ein ernsthaftes Limit, aber das betrifft in der Praxis selten die Kernsysteme.

„KI schreibt die falschen Zahlen rein.” KI schreibt genau die Zahlen rein, die du ihr gibst. Wenn deine Datenaggregation stimmt, stimmt der Bericht. Wenn sie nicht stimmt, stimmt der Bericht auch nicht, aber das war er vorher auch nicht, nur langsamer erstellt. Der Unterschied: Das System zwingt dich, die Datenpipeline einmal sauber zu bauen. Die manuelle Methode versteckt Datenfehler, weil ein Mensch sie unbewusst korrigiert oder ignoriert.

Woran du merkst, dass das zu dir passt

• Du oder dein Team verbringt nach jeder Veranstaltung 2+ Tage mit Daten-Aggregation, bevor der erste Berichtsentwurf entsteht
• Aussteller fragen nach Zahlen, bevor der Report fertig ist, der Zeitdruck ist real und beeinflusst die Wiederbuchungs-Entscheidung
• Du erstellst wiederkehrend dieselben Report-Formate mit leicht geänderten Zahlen, das ist der ideale Automatisierungsfall
• Deine Daten liegen in mindestens zwei digitalen Systemen (nicht nur im Kopf), aus denen ein Export möglich ist

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Unter zwei Veranstaltungen pro Jahr mit gleichem Reportformat. Die Einrichtungskosten von 2.500–6.000 Euro amortisieren sich nicht, wenn das System nur einmal jährlich läuft und das Reportformat sich jedes Mal stark ändert.

2. Daten liegen ausschließlich in PDFs oder nicht-strukturierten Formaten. Wenn die einzigen verfügbaren Datenquellen PDF-Berichte oder Excel-Dateien ohne konsistente Struktur sind, ist der Extraktionsaufwand immens. Sinnvoller wäre dann zuerst, strukturierte Datenerfassung im Registrierungs- und Feedback-Prozess einzuführen.

3. Kein interner Prüfprozess gewünscht. Wer automatisch generierte Berichte ungeprüft an Aussteller senden will, sollte das nicht tun. Ein unvermeidliches Mindestmaß an menschlicher Prüfung ist keine Option, sondern eine Voraussetzung. Wer das nicht einplant, hat ein Haftungs- und Vertrauensrisiko geschaffen, das den Zeitgewinn sofort übersteigt.

Das kannst du heute noch tun

Starte mit einem Proof of Concept, der nichts kostet: Exportiere die Rohdaten der letzten Veranstaltung als CSV. Öffne ChatGPT oder Claude AI und füge die aggregierten Kennzahlen ein. Bitte die KI, daraus einen Executive Summary für den Vorstand zu schreiben. Das zeigt in 30 Minuten, ob die Textgenerierungs-Logik für eure Daten funktioniert, bevor du irgendetwas in eine Pipeline oder Automatisierung investierst.

Für die Ausstellerreports kannst du direkt mit folgendem Prompt arbeiten:

Quellen & Methodik

• Post-Event-Reporting von Wochen auf Stunden: Branchen-Berichte von Event-Technologieanbietern (Personify, engineerica.com, events.com), Stand 2024/2025. Konkrete Zeitangaben variieren stark nach Systemkomplexität und gelten als Orientierungswerte.
• Fehlerrate bei manuellen Copy-Paste-Aufgaben: Erfahrungswerte aus der Eventbranche; keine spezifische Studie zu Messenachberichten bekannt, Kategorie ist “Dateneingabefehler”, die branchenübergreifend bei 3–8 % liegen.
• Cvent Analytics, Make.com, Power BI, Notion AI: Produktdokumentation und Preisangaben der Anbieter (Stand April 2026).
• ChatGPT API, Claude API: Preise und Kapazitätsgrenzen laut Anbieter (Stand April 2026); Token-Kosten für Berichtsgenerierung geschätzt anhand typischer Berichtslängen.
• Art. 28 DSGVO (AVV), Aggregationsanforderungen: Datenschutz-Grundverordnung in der aktuell gültigen Fassung; Einschätzung zur Anonymisierungspflicht bei Weitergabe an externe KI-Systeme: eigene rechtliche Einschätzung, keine Rechtsberatung.

Du willst wissen, welche eurer Quellsysteme sich automatisiert anzapfen lassen und wie die Datenpipeline aussehen müsste? Meld dich, das klären wir gemeinsam in einem kurzen Gespräch.