Der Begriff Business Intelligence bezeichnet Verfahren und Prozesse zur systematischen Erhebung, Darstellung und Analyse von Daten in elektronischer Form. Ziel ist die Gewinnung von Erkenntnissen mit denen das Management bessere operative und strategische Entscheidungen treffen kann. Die Verwendung von Künstlicher Intelligenz (KI) kann hierbei zur Verbesserung und Automation der bestehenden Prozesse verwendet werden.

Mit Hilfe von analytischen Konzepten und den dazugehörigen Software bzw. IT-Systemen, um Daten über das eigene Unternehmen, die Mitbewerber oder die Marktentwicklung auszuwerten. Mit den gewonnenen Erkenntnissen können Unternehmen Geschäftsfelder, Aufbau- und Ablauforganisation optimieren und. Der Ablauf im Business Intelligence lässt sich in drei Phasen einteilen:

Die drei Phasen der BI

Wie bereits erwähnt, wird ein Business Intelligence System in drei Phasen unterteilt, welche aufeinander aufbauen:

Phase 1: Data Delivery – anhand von quantitativen und unquantitativen sowie strukturierten und unstrukturierten Eckdaten werden relevante Daten erfasst und gesammelt

Phase 2: Discovery of Relations – Die in Phase 1 gesammelten Daten werden abgeglichen, um etwaigen gemeinsamen Muster zu erkennen und sie mit vorherigen Hypothesen zu vergleichen 

Phase 3: Knowledge Sharing – Auf Basis der ersten beiden Phasen werden Ergebnisse generiert und innerhalb des Unternehmens kommuniziert. Die Erkenntnisse werden im Wissensmanagement des Unternehmens integriert.

Hierfür werden unterschiedliche BI-Tools und Anwendungen verwendet. Hierzu gehören unter anderem das Einrichten der Datenerfassung über ein operatives System (OLTP) oder aber das Data Warehouse.

Für die Analyse der Daten haben sich bestimmte Methoden etabliert. Neben dem Data-Mining werden auch das Text- und das Web-Mining sowie OLAP (Online Analytical Processing) und das Case-Based-Reasoning verwendet. Für Unternehmen, welche ihre Waren in bestimmte Regionen liefern, sind außerdem Informationen aus einem Geoinformationssystem ratsam beziehungsweise notwendig.

Moderne BI in der Praxis

Bei der alltäglichen Anwendung im Betrieb soll dank der Geschäftsanalytik insbesondere das Controlling, das Berichtswesen sowie die Planung möglichst automatisiert werden. Weitere Felder wären hier außerdem die Kunden- und Marktanalyse.

Die Unternehmensdaten der ERP-Systeme werden indes verwendet, um aus mehreren Perspektiven die Situation des Unternehmens zu analysieren. Die Analyse erfolgt in der Regel nicht im ERP-System sondern in einer getrennten Datenbasis, vorzugsweise dem Data Warehouse. Darauf baut außerdem die Bewertung der Prozesse auf.

Weshalb der Analysevorgang sozusagen ausgelagert wird, kann anhand einiger Punkte erklärt werden: 

  • ungeeignete Datenstruktur im ERP-System;
  • beschränkte der nicht vorhandene Auswertungsmöglichkeit über mehrere ERP-Systeme (Beispiel: Aggregation für einen Konzernbericht)
  • fremde Daten, beispielsweise von Mitbewerbern oder Forschungsinstituten, können nur unzureichend oder gar nicht integriert werden;
  • analytische Auswertungen überlasten das ERP-System;
  • laufende Änderung der Daten im ERP-System.

Die zentrale Herausforderung, um IT-gestützte BI-Lösungen in Betracht zu ziehen, ist der hohe Aufwand im Zuge der Datenaufbereitung anhand der gelieferten Kennzahlen. Ein Schlüsselfaktor hierbei ist, dass aufbereitete Daten üblicherweise aus dezentralen Quellen verschiedener Systeme exportiert werden. Insbesondere wenn dieser Export in Form von einer Vielzahl an Tabellen-Dateien erfolgt, leidet darunter der Überblick und somit die Effizienz.

Hieraus folgt, dass die erste Herausforderung jedes BI-Projekts ist, die Informationen des ERP-Systems bzw. der ERP-Systeme zur Verfügung gestellt werden. Schließlich fußt hierauf die weitere Analyse im Data Warehouse. Dazu werden die Daten des ERP-Systems extrahiert, transformiert und in das Data Warehouse hochgeladen.

In einem zweiten Schritt wird eine analytische Auswertung eingerichtet, um diese dann der Berichterstattung zuzuführen. Hierfür gibt es eine gewisse Bandbreite im Hinblick auf den Untersuchungsgegenstand: Von einfachen Aggregationen über minutiöse Berichte zu verschiedensten Kennzahlen innerhalb unterschiedlicher Zeiträume ist im Prinzip alles möglich.

Oftmals wird bei Business Intelligence-Projekten ein wichtiger Aspekt vernachlässigt: das Stammdatenmanagement. Dabei kann eine Controlling-Anwendung nur dann effektiv und effizient arbeiten, wenn die notwendigen Daten (aus den Vorsystemen) hierfür validiert wurden. Das Gleiche gilt ebenso für andere Anwendungen, die für die Ausübung ihrer Funktionen auf die gleichen Informationen und Stammdaten angewiesen sind.

Selbstverständlich ergibt sich aus einer komplexeren Unternehmens- und Datenstruktur üblicherweise auch eine größere Gefahr eines Datenchaos’. Stellen Sie sich ein großes Unternehmen mit verschiedenen Abteilungen vor, welche jeweils wiederum auf gänzlich andere Standards setzen. Der exakt gleiche Kunde könnte in Abteilung 1 unter Peter Müller, in Abteilung 2 als P. Müller und in Abteilung 3 als Herr Peter Müller aufgeführt sein. So ergeben sich drei Datensätze zu der exakt selben Person, die zusammengeführt müssen, was eine gute Kommunikation zwischen den verschiedenen Systemen erfordert.

Dieses Beispiel mit dem Namen ist nur eines von vielen. Ähnliche Herausforderungen gelten ebenso für andere personenbezogene Daten wie Anschrift, Mailadresse und dergleichen. In anderen Bereichen werden wiederum Informationen über Lieferanten, Mitarbeiter, Produkte oder Dienstleistungen gesammelt, die natürlich die gleiche Sensibilität und Aufmerksamkeit erforden.

Siehe auch:

Dokumente und Downloads:

  • keine Dokumente zum Download verfügbar.

Literatur: 

  • Literatur Radar
  • Wertschöpfung steigern: Ergebnisse der Datenerhebung über die Verbreitung und Ausgestaltung von Methoden zur Prozessoptimierung in der Produktion mit besonderem Fokus auf die Wertstrommethode
  • Multivariate Analysemethoden: Eine anwendungsorientierte Einführung

Quellen und Einzelnachweise:

Weblinks:

Wissendatenbank-Partner und Autoren:

Autoren:

  • Michael Durst (Xing-Profil)
  • Sascha Hertkorn
  • Christopher Eischer
  • Nico Schweisser