Business Intelligence

Wofür steht eigentlich der Begriff „Business Intelligence“?

Der Begriff Business Intelligence ist bedingt durch eine Flut von Abkürzungen und Schlagworten zunehmend von Verwirrung geprägt. Dabei lässt sich Business Intelligence (BI) auf einen einfachen Nenner bringen: Business Intelligence (BI) soll im Idealfall die richtige Information zum richtigen Zeitpunkt an den richtigen Kunden bzw. Entscheider übermitteln.

Business Intelligence (BI) bezeichnet analytische Prozesse, die die in verschiedenen Unternehmensapplikationen verteilten Unternehmens- und Wettbewerbsdaten in handlungsorientiertes Wissen überführen sollen. Dabei kann Business Intelligence als Sammelbegriff verschiedener Tools, Methoden und Abläufe zur Analyse, Planung, Steuerung und Kontrolle von Unternehmensprozessen aufgefasst werden. Business Intelligence umfasst Tools, Datenbanken (relational, multidimensional), Architekturen und Anwendungen die im Rahmen der Entscheidungsvorbereitung im Hinblick auf interne und externe Entwicklungen eingesetzt werden. Business Intelligence ist also ein Oberbegriff, der verschiedene Methoden zur Analyse und Aufbereitung entscheidungsrelevanter Daten zusammenfasst.

Innovation im Hinblick auf die Entwicklung von Lösungen für Kundenprobleme erfordern vor dem Hintergrund zunehmender Volatilität der Märkte Schnelligkeit und Flexibilität. Dabei müssen Informationen und Wissen in zielorientiertes Handeln zur Erzielung bestmöglicher Resultate überführt werden. Vor diesem Hintergrund ist der Bereich der Umwandung von Daten zu Informationen und Wissen von entscheidender Bedeutung für den unternehmerischen Erfolg. Diese Erkenntnis ist einer der wesentlichen Treiber für das rasante Marktwachstum von Business Intelligence – Lösungen. 

Die Architektur von Business Intelligence - Sytemen

Ein BI-System verfügt über vier Hauptkomponenten: ein Data Warehouse als zentralem Speicher für planungs- und steuerungsrelevanten Quelldaten des Unternehmens; Business Analytik, eine Sammlung von Tools für die Selektion und Analyse der Daten aus dem Data Warehouse; Business Performance Management (BPM) zur Überwachung und Analyse der Unternehmensleistung; und Benutzer-Schnittstellen (bspw. Dashboards).

Dabei ist die Data-Warehouse-Umgebung vor allem in der Verantwortung der IT-Technik, während die analytischen Umgebungen (auch als Business-Analytics bezeichnet) meist vom Business-Anwender dominiert werden. Jeder Benutzer kann auf das System über die Anwenderschnittstelle auf Basis der ihm gewährten Schreib- und Leserechte zugreifen.

Data Warehousing der Data Warehouse und seine Varianten sind die Eckpfeiler eines jeden BI-Systems. Ursprünglich umfasste das Data Warehouse nur historische Daten.
Diese waren so organisiert und zusammengefasst, dass Endanwender die enthaltenen Informationen mehr oder weniger leicht selektieren konnte. Heute können die Aktualisierungsprozesse eines Data Warehouse nahezu in Echtzeit erfolgen, so dass in zunehmenden Maße eine Echtzeitsteuerung bzw. Echtzeitentscheidungsunterstützung möglich wird. Die meisten Geschäftsdaten aus Enterprise Resources Planning (ERP)-Systemen, Supply Chain Management-Systemen (SCM) oder Customer Relationship Management-Systemen (CRM) basieren auf dem Konzept der OLTP-Systeme. Das Design der OLTP-Systeme zielt auf eine effiziente Transaktionsverarbeitung, ist aber für Endbenutzer-Ad-hoc-Berichte, komplexe Abfragen und Analysen nicht geeignet. In den 1980er Jahren wurden die Mainframes der Unternehmen noch häufig als „das schwarze Loch“ bezeichnet, weil alle Informationen dort zwar hineingingen aber niemals wieder herauskamen. Alle Anfragen für Analysen und Ad Hoc-Berichte mussten durch IT-Mitarbeiter programmiert werden. Ad-hoc-Abfragen in Echtzeit waren also praktisch unmöglich. Zwar waren die Client-/Server basierten ERP-Systeme der 1990er-Jahre etwas bedienerfreundlicher und erlaubten einen größeren Umfang an vorkonfigurierten Standardberichten, interaktive Ad Hoc-Analysen durch den Endbenutzer waren hiermit aber immer noch kaum möglich.
Um diese Probleme zu beheben, wurden zur damaligen Zeit erstmals Vorstellungen im Hinblick auf Data Warehouses und Business Intelligence entwickelt.
Data Warehouses enthalten eine Vielzahl von geschäftsrelevanten Daten, die an einem einzigen Ort ein zusammenhängendes Bild der gegenwärtigen Geschäftssituation ermöglichen sollen. Die Idee war es, eine Datenbankinfrastruktur zu erstellen, die immer alle relevanten Informationen, einschließlich ihrer Historie, aus den OLTP-Systemen online bereithalten.  
Dabei sollten diese so organisiert und strukturiert werden, dass eine Abfrage schnell und effizient möglich war.  

 
Business Analytics: Endanwender können die Daten und Informationen aus einem Data Warehouse unter Verwendung einer Vielzahl von Werkzeugen und Techniken nutzen.

Diese Werkzeuge und Techniken lassen sich in zwei Hauptkategorien einteilen:

 
1. Berichte und Abfragen.

Zu dem Bereich Business Analytics gehören statische und dynamische Reports, alle Arten von Ad Hoc Abfragen wechselnden Inhalts zur Gewinnung von relevanten Informationen für die jeweilige Entscheidungssituation, mehrdimensionale Ansichten, Drill-Down auf Details usw.

2. Daten-, Text- und Web Mining und andere mathematische/statistikgetriebene Tools. Data Mining ist ein Prozess der Suche nach bisher unbekannten Zusammenhängen in großen Datenbeständen, der mit  Methoden der schließenden Statistik auf Basis bestimmter Wahrscheinlichkeitstheorien versucht, zukünftige Entwicklung zu prognostizieren. Dieser früher mit Data Mining bezeichnete Prozess wird heute zunehmend mit Predictive Analytics umschrieben.

BUSINESS PERFORMANCE MANAGEMENT, auch als Corporate Performance Management (CPM) bezeichnet, beschreibt ein Portfolio von Anwendungen und Methoden, die der erweiterten Überwachung, Messung und Analyse von überwiegend finanziellen Zielgrößen wie Umsatz, Gewinn, Kosten, Rentabilität und anderen Performance-Indikatoren dienen. BPM umfasst dabei überwiegend Prozesse wie Unternehmensplanung und –prognose, die Ausgangspunkt und Vergleichsbasis für die im Rahmen von Business Analytics beschriebenen Analyse-Prozesse sind.

Benutzer-Schnittstellen: die UI (User Interfaces) integrieren Informationen aus mehreren Geschäftsbereichen, die tatsächliche Leistungen mit geplanten/gewünschten Leistungen vergleichen.  
Dabei werden die Informationen tabellarischer und/oder grafischer Form möglichst empfänger- und entscheidungsgerecht aufbereitet. Unternehmensportale, digitale Cockpits, geografische Informationssysteme und andere Visualisierungstools sind integraler Bestandteil von BI-Applikationen und sollen die relevanten Aspekte der mehrdimensionalen Realität möglichst in einer virtuellen Realität nachbilden.

Die Vorteile von Business Intelligence

Der Hauptvorteil von Business Intelligence (BI) besteht in der Möglichkeit problem- und entscheidungsrelevante Informationen, wenn nötig auch in Echtzeit, bereitzustellen. Solche Informationen sind ein Muss für alle Arten von Entscheidungen.

Die häufisten BI-Anwendungen sind die allgemeinen Berichterstattung, Vertriebs-und Marketing-Analyse, Planung und Prognose, Finanzkonsolidierung , legales Reporting, Budgetierung und Ergebnisrechnung. Organisationen sind gezwungen, Daten zur Entscheidungsfindung zu erfassen, zu verstehen und zu nutzen, um den Geschäftsbetrieb zu verbessern. Gesetzgebung und Regulierung (z.B. der Sarbanes-Oxley Act von 2002) erfordern zusätzlich umfangreiche Dokumentationspflichten. Darüber hinaus sind Unternehmen zunehmend gezwungen, aufgrund extrem gestiegener Volatilität immer schneller auf geänderte Umfeldbedingungen zu reagieren. Vor diesem Hintergrund ist die jederzeitige Verfügbarkeit von verlässlichen Geschäftsinformationen im Wettbewerb überlebenswichtig. Manager müssen die richtigen Informationen zur richtigen Zeit und am richtigen Ort zur Verfügung haben. Dabei müssen die BI-Systeme die Informationen nicht nur auf Anforderung liefern können, sondern auch automatisiert bei Eintritt bestimmter Ereignisse. Im Rahmen des sogenannten Exception Reportings werden Informationen automatisch an die verantwortlichen Manager geliefert, wenn bestimmte Abweichungen außerhalb definierter Schwellwerte eintreten.

OLAP versus OLTP

OLTP steht für Online Transaction Processing und ist ein Begriff für Transaktionssysteme, die in erster Linie für die Erfassung und Speicherung von Daten im Rahmen des Tagesgeschäftes entwickelt wurden. Funktionen wie ERP, CRM, SCM, PPS sind Beispiele für Transaktionssysteme.

OLTP-Systeme unterstützen die Automatisierung von täglichen Geschäftsvorfällen wobei diese Systeme für die möglichst effiziente Durchführung von Transaktions- und Speichervorgängen konzipiert wurden. Solche Systeme beinhalten in der Regel auch vorkonfigurierte Standard-Berichte, die Auswertungen zu bestimmten Routineabläufen liefern. OLTP-Systeme sind jedoch nicht dafür konzipiert, Ad-hoc-Analysen und komplexe Abfragen, die mit einer Vielzahl unterschiedlicher Datenquellen operieren, effizient zu unterstützen. Für diesen Zweck wurden sogenannte OLAP-Systeme entwickelt. OLAP verwendet die im Rahmen der OLTP-Prozesse erfassten Daten und OLTP automatisiert die Geschäftsprozesse.

OLAP-Operationen

Der Hauptbetriebsstruktur in OLAP basiert auf einem sogenannten Cube-Konzept, also Würfel-Konzept. Ein Würfel in OLAP ist eine multidimensionale Datenstruktur (tatsächlich oder virtuell), die eine schnelle Analyse der Daten ermöglicht. Dabei hat sich der Begriff Cube/Würfel in der OLAP-Terminologie als anschauliches Gleichnis durchgesetzt. Mathematisch ist dieser Begriff allerdings nicht korrekt, da Datenobjekte selbstverständlich auch mehr als 3 Dimensionen haben können.

Diese im OLAP-Konzept verankerte Mehrdimensionalität erlaubt die effiziente Manipulation und Analyse von Daten aus mehreren Perspektiven. Diese speziellen OLAP-Speicherstrukturen überwinden die Begrenzungen von relationalen Datenbanken, da diese für performante Analysen großer Datenmengen nicht gut geeignet sind. Relationale Datenbanken sind optimiert für das Hinzufügen, Ändern, Aktualisieren und Löschen von Datensätzen.
Es existiert zwar eine Vielzahl von sogenannte Reportwriter - Tools relationale Datenbanken, diese sind jedoch extrem langsam wenn mehrdimensionale Abfragen, die viele Datenbanktabellen umfassen, ausgeführt werden müssen.

Mit OLAP, kann ein Analyst über die Datenbank für eine bestimmte Ebene Teilmengen von Daten (und deren zeitlichen Verlauf) betrachten. Die vom Benutzer initiierte Anforderung von „Datenscheiben“ zur Navigation durch die Daten werden üblicherweise mit Begriffen wie Rotation, Aggregation, Slice and Dice", Drill Down, Roll-up und Pivot bezeichnet.