Wissen, was läuft

René Balzano, Dipl. Informatik-Ing. ETH, ist Leiter des Instituts für Wirtschaftsinformatik der Kalaidos Fachhochschule

Seit bald 20 Jahren wird der Begriff Business Intelligence (BI) verwendet. Und doch gibt es weiterhin kein Äquivalent in Deutsch, dessen Präzision der englischen Bezeichnung nahe käme. «Geschäftsanalytik», «Unternehmensdatenanalyse» und weitere Übersetzungsversuche von Wikipedia & Co. entsprechen eher der Optik des Buchhaltungsrevisors als jener des Unternehmers. Leider ist dies auch noch bei vielen BI-Tools der Fall. Dabei ist die Business Intelligence definitiv eine Aufgabe für Management und Firmenleitung, weniger für IT-Spezialisten und Buchhalter.

Clevere IT-Lösungen entstehen nur, wenn sie auf klaren Anforderungen aus dem Management basieren. Diese altbekannte Wahrheit gilt für BI ganz besonders. Damit man Anforderungen an BI-Lösungen klar und umsetzbar formulieren kann, ist eine tiefere Kenntnis der BI-Konzepte unabdingbare Voraussetzung. Wenn das Potenzial von Business Intelligence auf der Managementebene unterschätzt oder ignoriert wird, entstehen keine vernünftigen BI-Lösungen. Das ist hierzulande vermutlich öfters der Fall. Dabei wäre es so einfach: BI manifestiert die Essenz der Informatik im ökonomischen Umfeld - aus Daten relevante Informationen gewinnen.

Datenanalyse auf drei Ebenen

Jeder, der schon einmal eine Bilanz gelesen hat, wendet BI an: Anstatt die Liste aller Buchungen zu studieren, verarbeitet man diese mittels simpler Statistik zu einem Substrat, der Bilanz. Aus einer grossen Menge an Fakten werden einige wenige abgeleitet. Das Resultat lässt schnell wesentliche Herleitungen erkennen. Auf BI umgedeutet, stellen die einzelnen Buchungen das Data Warehouse dar, welches in der Regel die Basis einer BI-Lösung bildet: eine Sammlung aller für ein Unternehmen relevanten Transaktionen und Fakten in einer zentralen Datenbank. Diese Transaktionen werden typischerweise aus einem ERP- oder OLTP-System (Online Transaction Processing) in das Data Warehouse transferiert. Ein Prozess, der auch mit ETL (Extract, Transform and Load) abgekürzt wird.

Die Quelldaten sind zunächst aufzubereiten, bevor sie für die statistische Auswertung im Data Warehouse bereitgestellt werden. Vom simplen Umformatieren bis zur Vorausberechnung statistischer Aggregate kann dieser Schritt im Umfang recht variieren. Je genauer man weiss, welche Antworten ein BI-System liefern soll, desto präziser kann diese Vorbereitung erfolgen. Und desto schneller und effektiver erhält man Antworten in Form von Reports und Dashboards.

Ebene 1: Reports & Dashboards

Die Analyse der Inhalte eines Data Warehouse informiert das Management über den Stand der Dinge. Dies geschieht in den meisten Fällen via Reporting in Dokumentform, wie auch das Beispiel der Bilanz illustriert. Eine modernere Form der Beantwortung von Fragen ist das Dashboard: Eine Bildschirmdarstellung - heute meist per Webbrowser -, aus der Signale zum Unternehmenszustand schnell und im Idealfall in Echtzeit ablesbar sind: Rote und grüne Symbole visualisieren, auf welchen Unternehmensbereich das Augenmerk aktuell zu richten ist. Mittels Drilldown klickt sich die Führungskraft anschliessend in die Details, d.h., in die aggregierten statistischen Zahlen und Aussagen des entsprechenden Bereichs.

Ebene 2: Analytical Processing

Das Aggregieren neuer Datenwerte, aus denen sich Informationen ableiten lassen, erfolgt auf der zweiten BI-Ebene per OLAP (Online Analytical Processing): Aus den elementaren Daten werden neue Fakten aggregiert, d.h., neue Werte zu bekannten Messgrössen berechnet. Werden diese vorausberechneten Werte für die spätere Ad-hoc-Abfrage gespeichert, so geschieht dies oftmals mehrdimensional in OLAP-Cubes. Solche Würfel erlauben die Ad-hoc-Abfrage von statistisch berechneten Werten unter Angabe einer grossen Zahl an Selektionsparametern: Umsatz pro Zeitperiode, Region, Produktgruppe etc. - um beim Beispiel Rechnungswesen zu bleiben.

Diese zweite Ebene beantwortet Detailfragen, die zuvor gestellt worden sind. Dies bedeutet, dass man sich gewisser Zusammenhänge bereits bewusst sein muss, zu denen man nun eine Kennzahl oder den Wert eines KPI (Key Performance Indicator) erhalten möchte.

Ebene 3: Data Mining

Die dritte und oberste Ebene der BI-Architektur verfügt über das grösste Begeisterungspotenzial. Sie ist aber auch am schwierigsten zu verstehen. Anstatt bekannte Messgrössen zu bestimmen, liefert das Data Mining Aussagen zu bisher unbekannten Zusammenhängen aufgrund mathematischer Korrelationen. Es werden also keine konkreten Fragen gestellt, sondern lediglich Daten, in denen man Korrelationen vermutet, an das Data Warehouse geliefert. Auch dies setzt voraus, dass man sein Geschäft und die potenziellen Zusammenhänge kennt. Data Mining ist auch ein Tummelfeld für Marketingstrategen: Webbesucher-gruppen, Produktkategorien, Jahreszeiten, aktuelle Börsenlagen etc. werden zueinander in Bezug gebracht. Hieraus soll etwa die Zielgruppenadressierung für Onlinewerbung noch präziser erfolgen können. Solche Zusammenhänge werden in den Unternehmen aufgrund ihrer Komplexität oft nicht genutzt. Mittels Data Mining wendet man von statistischen Aggregaten bis zu Algorithmen der künstlichen Intelligenz allerlei Methoden an, um bisher unbekannte Korrelationen in einem Datenbestand aufzudecken.