Daten in Informationen für Entscheidungen transformieren

Ilse u. Rudolf Wolf

Diese werden unter dem Begriff "Business Intelligence" zusammengefasst. Übersetzt man "Intelligence" mit "Informationen, Nachrichten, Meldungen, Nachrichtendienst" (Duden-Oxford-Standardwörterbuch, Duden-Verlag), so bedeutet der Term "Intelligence" den Austausch von Nachrichten und Informationen (hier im Kontext des innerbetrieblichen Geschäftes).

Die BI-Plattform

Hinter "Business Intelligence" (BI) verbirgt sich eine begriffliche Klammer für ein breites Spektrum von Anwendungen und Technologien zur entscheidungsorientierten Sammlung, Aufbereitung und Darstellung geschäftsrelevanter Informationen. Es bezeichnet den analytischen Prozess, der Unternehmens- und Wettbewerbsdaten in handlungsgerichtetes Wissen transformiert.

Die klassische BI-Plattform besteht in der Regel aus mehreren integrierten Komponenten:

• Ein Data Warehouse oder Datamart steht im Mittelpunkt fast jeder Business Intelligence-Lösung. Damit können unterschiedliche Informationsquellen zusammengefasst werden.
• Eine Lösung für die Informationsversorgung, die einen Zugriff auf alle verfügbaren Datenquellen ermöglicht.
• Eine unternehmensweit skalierbare, Server-basierende Architektur, deren Kernmodule für Adhoc-Reporting, OLAP (Online Analytical Processing)-Analyse, Visualisierung und Data Mining das gesamte Spektrum an BI-Funktionen umfassen.
• Eine Oberfläche für das Verwalten der Metadaten des Data Warehouse.
• Ein vorkonfiguriertes BI-Frontend, das den Endanwendern eine Benutzeroberfläche zur Verfügung stellt, die beliebig auf den jeweiligen Informationsbedarf angepasst werden kann.
• Eine über alle Komponenten hinweg durchgehende Lösung für die Informationssicherheit.

Das Data Warehouse und die Business-Intelligence-Tools

Durch ein Data Warehouse wird die Datenbasis einer Analyse bereitgestellt. Der Aufbau eines Data Warehouse dient nur einem Zweck: Informationen entscheidungsorientiert zu analysieren und den Anwendern zu präsentieren. Für diesen Zweck werden Business-Intelligence-Tools (BI-Tools) eingesetzt. Ihr Einsatz kann sich von der Etablierung eines Berichtswesens für die Unternehmensführung bis hin zur Unterstützung von strategischen Aufgaben ziehen.

Das Data Warehouse ist im Prinzip ein "Daten-Lagerhaus". Es stellt die zentrale Sammelstelle für Unternehmensdaten dar. Es ist eine Datenbank, die alle Informationen und Daten eines Unternehmens in eine sinnvolle Struktur bringt, da es sonst so gut wie unmöglich wäre, aus allen unternehmensweiten Daten wertvolles Wissen zu extrahieren.

Dazu sind Datenstrukturen und eine Organisation der Daten notwendig, die es einfach machen, mittels Software Anfragen, Grafiken und Analysen zu erstellen. Vor allem ist die Tatsache wichtig, dass erst nach spezieller Behandlung der Daten eine Extraktion von Information stattfinden kann: Die Rohdaten, die von den meist vielen verschiedenen operativen Systemen kommen, müssen nach langen Planungsphasen integriert, konvertiert, gefiltert, verdichtet und standardisiert werden. Der grundlegende Unterschied zu konventionellen Datenbanken ist allerdings, dass das Data Warehouse historische, zusammengefasste und konsolidierte Daten speichert.

Während das Data Warehouse eine unternehmensweite Datenbasis darstellt, sind Data Marts kleinere Data Warehouses, z.B. auf Abteilungsbasis. Bei der Planung eines Data Marts wird auf die Anforderungen eines Teilbereichs eines Unternehmens eingegangen. Der Vorteil liegt darin, dass nicht die komplette Datenbasis eines Unternehmens sofort abgebildet werden muss, sondern nur die Daten, die für Fragestellungen des jeweiligen Bereichs oder der jeweiligen Abteilung benötigt werden.

Voraussetzung einer zielgerechten BI-Lösung ist eine genaue Bedarfsanalyse. Diese muss klären, welche Kennzahlen durch das BI-System vorbereitet werden sollen, für welche Anwender, mit welchen Anforderungen und aus welchen Datenquellen. Ungenaue Bestimmungen in diesem Bereich führen später zu Unklarheiten und Enttäuschungen. Für die spätere Analyse ist es daher wichtig, dass die Anwender wissen, was sich eigentlich hinter den jeweiligen Datenfeldern verbirgt. Folglich müssen die Informationen zu diesen Daten in so genannten Metadaten bereitgestellt werden. Unter Metadaten (Daten über Daten) versteht man strukturierte Daten, mit deren Hilfe eine Informationsressource beschrieben und dadurch besser auffindbar gemacht wird. Metadaten liefern also Grundinformationen über ein Dokument.

Diese Datenstruktur bietet eine hervorragende Datengrundlage für BI-Tools wie OLAP (Online Analytical Processing) oder Data Mining.

OLAP (OnLine Analytical Processing) dient der Entscheidungsunterstützung, indem damit relevante Daten für die Analyse aufbereitet werden. Die Hauptfunktionen von OLAP sind die Aggregation, Verdichtung, Visualisierung und Analyse von Daten entlang einer oder mehrerer Dimensionen. Dabei ist das Hauptmerkmal von OLAP von entscheidender Bedeutung: die multidimensionale Sichtweise auf die für die Analyse relevanten Daten.

Die Grundelemente der multidimensionalen OLAP-Navigation sind Daten-Würfel (OLAP-Cubes). Diese bilden eine multidimensionale Welt ab, in der mittels "drill-down, slice and dice, expand und rotate" navigiert werden kann:

• Drill-Down und Roll-up: schrittweise Verfeinerung beiziehungsweise Verdichtung von Analyseergebnissen, zum Beispiel von Jahres­ über Monats- zu Tagesauswertungen. Die Verdichtung von Analyseergebnissen nennt man auch Aggregation.
• Slice-and-Dice: Navigation in einem multidimensionalen Datenraum durch Fokussierung auf einzelne Aspekte, zum Beispiel Verteilung der Umsätze für ein bestimmtes Produkt auf unterschiedliche Regionen und Zeiträume.
• Drill-Through: direkter Zugriff aus analytischen Systemen auf operative Basisdaten, zum Beispiel auf einzelne Verträge. Ein Bindeglied zwischen operativem Geschäft und dispositivem Einsatz bilden vordefinierte Standardberichte, die in der Regel einen großen Teil der DW-Nutzung ausmachen.

Im Gegensatz zu einer relationalen Datenbank, die nur zwei Dimensionen aufweist, können multidimensionale Datenwürfel aus nahezu beliebig vielen Dimensionen bestehen. Die Grafik zeigt einen einfachen Datenwürfel, der aus drei Dimensionen der Zeit, den Regionen und den Produkten besteht. Jede dieser Dimensionen kann wiederum verschiedene hierarchische Gliederungsstufen enthalten.

Die Bestandteile einer Dimension werden als Element bezeichnet. Die mehrdimensionale Struktur einer OLAP-Datenbank soll die Grafik verdeutlichen: Die so genannte Zelle ist der Schnittpunkt beliebiger Dimensionen. Abhängig von den definierten Dimensionen und Elementen könnte beispielsweise eine Zelle den Ist-Wert des Umsatzes für den Oktober des laufenden Geschäftsjahres in der Region X bei Kunde Y Produkt Z beinhalten.

OLAP konzentriert sich bei der Analyse hauptsächlich auf das Berichtswesen, wobei die Berichte in Form von Tabellen und Grafiken angezeigt werden. Der Anwender kann sich die Kriterien, die für ihn interessant sind, auswählen und miteinander kombinieren. Voraussetzung für eine OLAP-Anwendung ist aber in jedem Fall ein Data Warehouse oder ein Data Mart. Während OLAP die Antwort auf gezielte Fragen gibt, schürfen Data Mining-Tools nach unbekannten Zusammenhängen innerhalb der Unternehmensdaten.

Data Mining bezeichnet nicht eine einzelne Technik, sondern umfasst den gesamten Prozess von der Bereitstellung der Daten bis zur Anwendung der Erkenntnisse. Der Data Mining Prozess gliedert sich in fünf Aktionen: Datenauswahl, Datentransformation, Data Mining, Interpretation und Präsentation des neuen Wissens.

Mit wachsender Bedeutung der Pflege der Kundenbeziehungen, auch Customer Relationship Management (CRM) genannt, ist Data Mining eine wichtige Technologie. Mit Data Mining lassen sich beispielsweise Kundenprofile erstellen, Korrelationen zwischen Produktverkäufen aufdecken und Markttrends identifizieren. Dazu gehört auch die Warenkorbanalyse, also die Analyse über das Kaufverhalten im Produktmix, d.h. welche Käufergruppen sind die profitabelsten Kunden, um so diese Bereiche auszubauen.

Weitere Tools und Methoden wurden speziell für den Bereich des Business Intelligence entwickelt: Business Workflow Analysis, Business Performance Management, Document Warehouses, Case-Based Resoning.

Wie erbringt eine Business Intelligence Lösung konkreten Nutzen?

Business-Intelligence-Projekte sind komplexe Integrationsprojekte. Eine nahtlos integrierte und individuell angepasste Business-Intelligence-Lösung liefert eine solide Informationsbasis. Eine solche BI-Lösung ermöglicht eine vollständige Sicht auf das Unternehmen, denn man kann:

• Daten aus allen Unternehmensquellen effizient zusammenführen und umfassend analysieren (Data-Warehousing).
• Erfolgskritische Faktoren durch externe und interne Benchmarks überwachen.
• Die wichtigsten Leistungskennzahlen zeitnah an alle relevanten Personenkreise im Unternehmen und im Unternehmensverbund über unterschiedliche Kommunikationskanäle (Internet, Extranet, Intranet und mobil) weitergeben.
• Strategien schnell an veränderte Marktbedingungen anpassen (Planung und Simulation).
• Analyseergebnisse in einer Vielzahl von Formaten grafisch darstellen
• Alle relevanten Informationen in Echtzeit abrufen.

Indem sich eine BI-Lösung an der Strategie und dem Geschäft des Unternehmens ständig orientiert erbringt sie konkreten Nutzen. BI wird daher heute nicht mehr losgelöst vom operativen Geschäft betrachtet. Im Gegenteil sollen die ausgereiften Methoden und Tools der BI gerade auch für operative und taktische Entscheidungen eingesetzt werden. Entscheidungen, die sowohl aktuelle als auch historische Daten verlangen.