Smart Data – Modernisierung der BI Landschaft

26.08.2016

< Zurück zur Übersicht

Mit „Smart Data“ wird eine geschickte und kluge Nutzung von Informationen zur Steuerung von Unternehmen, zum Treffen unternehmerischer Entscheidungen und zur umfassenden Einbindung von Informationen in die Geschäftsprozesse verbunden, ergänzt um die Erfüllung von Anwenderwünschen nach mehr Autonomie, Flexibilität und Benutzerfreundlichkeit sowie zur smarten Nutzung neuartiger, immer umfangreicherer Datenquellen. Um das zu realisieren, muss die bestehende Business Intelligence (BI)-Landschaft, die i.d.R. auf einer traditionellen BI-Architektur basiert, modernisiert werden.

 

Restriktionen traditioneller Business Intelligence und ihrer Architektur

In vielen Unternehmen wurde in den vergangenen Jahren oder sogar Jahrzehnten eine Data Warehouse (DWH)-basierte Anwendungslandschaft aufgebaut, um mit Hilfe von Berichten und Analysen das Performance Management und die strategische und taktische Entscheidungsfindung im Unternehmen zu unterstützen und so Business Intelligence (BI) zu etablieren. Die Basis hierfür bilden hauptsächlich unternehmensinterne, strukturierte Daten aus transaktionalen Systemen, die zu entscheidungsunterstützenden Informationen – meist in Form von Berichten oder Management Dashboards – aufbereitet werden. Die zur Verfügung stehenden Datenquellen und BI-Technologien sowie die organisatorischen Rahmenbedingungen in den Unternehmen bestimmen dabei maßgeblich, inwieweit sich der Anspruch von Business Intelligence in der Praxis tatsächlich umsetzen lässt. Erfahrungsgemäß gehören die folgenden Punkte zu den häufigsten Defiziten:

  • Mit Hilfe von Daten wird ein Bild oder Modell von Zuständen der realen Welt geschaffen. Je mehr relevante Daten in die Modellierung einfließen, umso genauer und aussagekräftiger kann ein solches Bild sein. Die in der traditionellen BI zur Verfügung stehenden internen Datenquellen können beispielsweise gut für das Controlling genutzt werden. In Bereichen wie der Markt- und Kundenentwicklung oder für strategische Geschäftsentscheidungen wird jedoch auf diese Weise nur ein eher grobes, unvollständiges Bild der realen Welt gewonnen, was sowohl die Aussagefähigkeit von Kennzahlen als auch die Qualität der entwickelten Modelle und darauf basierender Entscheidungsvorschläge oder Aktionen einschränkt.
  • Häufig befinden sich noch Versionen von Frontend-Werkzeugen im Einsatz, die Endanwendern die Analyse von Daten nur in begrenzten, vordefinierten Datenräumen mit vordefinierten Analysepfaden und im Rahmen der strikten Governance der traditionellen DWH/BI-Umgebung erlauben. Das ist für das Management Reporting durchaus ausreichend, nicht aber für Datenanalysen im Sinne von Smart Data.
  • Der Wunsch nach korrekten Daten, der sich im DWH als Single Point of Truth manifestierte, führt zu teils erheblichen Verzögerungen in der Informationsbereitstellung, so dass die Informationen nicht für zeitnahe Entscheidungen und die operative Entscheidungsfindung innerhalb der Geschäftsprozesse zur Verfügung stehen.
  • Das Anbinden neuer Datenquellen und die Aufbereitung und Integration der neu gewonnenen Informationen in das DWH bzw. die BI-Landschaft sind sehr zeit- und arbeitsaufwändig.
  • DWH/BI-Projekte sind häufig immer noch IT-getrieben und die zur Verfügung gestellten Kennzahlen und Datensichten entsprechen in puncto Informationsgehalt und Analysekomfort oder Flexibilität nur eingeschränkt dem tatsächlichen fachlichen Bedarf.
  • Häufige Datenreplikationen, z. B. vom DWH in unterschiedliche Data Marts mit speziellen Datensichten für einzelne Fachabteilungen oder für spezielle Analysen (Data Mining) führen zu einer komplexen Datenhaltungslandschaft mit hohen Kosten.

Innerhalb der traditionellen BI wurde und wird kontinuierlich an Verbesserungen gearbeitet, was sich in Konzepten wie operational BI, verbesserter Benutzerfreundlichkeit der Analyse- und Reportingwerkzeuge, der Einbindung regelbasierter Systeme für das Auslösen von Aktionen sowie der beginnenden Nutzung nicht-relationaler Datenbanken und in Memory Technologie zur performanten Verarbeitung großer Datenmengen widerspiegelt. Aber diese Modernisierungen verlassen nicht das Schema der klassischen DWH/BI-Schichtenarchitektur mit dem unternehmensweiten Data Warehouse (EDWH) als Idealbild und Zentrum. Die überwiegende Informationsnutzung bleibt auf das Management Reporting ausgerichtet, agiles Handeln auf Basis zeitnaher Informationen und Analysen kann nicht ausreichend unterstützt werden.

Die Digitalisierung als Treiber für Smart Data

Aber nun rüttelt die rasant zunehmende Digitalisierung der Informations- und Kommunikationsprozesse mit neuartigen Datenquellen und stetig wachsenden Datenvolumina an den Grundfesten der Informationsnutzung durch die traditionelle BI. Kaum ein Unternehmen kann sich den Auswirkungen der umfassenden Digitalisierung entziehen. Um wettbewerbsfähig zu bleiben, müssen Unternehmen kurzfristig auf immer mehr Signale von außerhalb des Unternehmens, d. h. des Marktes, ihrer Kunden oder selbst auf politische Ereignisse, adäquat und in kürzester Zeit reagieren oder sogar proaktiv agieren können. Das bedeutet, Informationen nicht nur für ein Management- Reporting, sondern umfassend zur Analyse und Steuerung aller Unternehmensbereiche zu nutzen, die eigenen Geschäftsmodelle auf den Prüfstand zu stellen und interne Prozesse durch Digitalisierung besser an die Markt- und Kundendynamik anzupassen. Dies verlangt geradezu danach, die Umsetzung des ursprünglichen Anspruchs von Business Intelligence mit neuen Mitteln zu ergänzen und sich zu einem geschickt und agil agierenden Unternehmen zu wandeln.

Wenn die Überzeugung zu diesem Wandel im Unternehmen erst einmal da ist, so wächst der Bedarf an Informationen und ihrer Verfügbarkeit rapide. Entscheider wollen alle Möglichkeiten ausschöpfen, um ein genaueres Abbild der Realität und damit eine bessere Entscheidungsgrundlage zu erhalten. Die Informationen sollen möglichst sofort und ohne große Vorverarbeitung für Analysen und Entscheidungsprozesse zur Verfügung stehen oder auch direkt in die Geschäftsprozesse integriert werden, je nach Erfordernis auch in Real-time. Entscheider wollen selbst in der Lage sein, Daten aus ihrem fach- Smart Data braucht eine Modernisierung der BI-Landschaft Dr. Gisela Löbel lichen Kontext heraus zusammenzuführen, zu analysieren und aufzubereiten. Und das auf ihnen gemäße, smarte Art und Weise. Für die Realisierung dieser Ansprüche hat sich der Begriff „Smart Data“ eingebürgert, worunter man eine smarte, d.h. geschickte und kluge Datennutzung versteht, die die Restriktionen der traditionellen BI überwindet.

Somit werden die Herausforderungen der Digitalisierung in Verbindung mit neuen Technologien zur Verarbeitung von Big Data zum Haupttreiber für die Modernisierung der BI-Landschaft.

Für eine smarte Datennutzung benötigte Fähigkeiten

Zurzeit probieren etliche Unternehmen die Verarbeitung von Big Data mit Hadoop und weiteren damit verbundenen Technologien und Systemen aus. Etwas überraschender Weise wird dabei manchmal händeringend nach geeigneten Use Cases gesucht, d.h. die Unternehmen sind noch nicht überzeugt davon, ob sie die neuen Technologien benötigen, haben andererseits aber auch Angst, eine Entwicklung zu verschlafen. Deshalb hat das Ausprobieren seine Berechtigung. Es kann aber eine Modernisierungsstrategie nicht ersetzen.

Ein sicherer Weg zu einer zukunftsorientierten BI-Architektur für eine smarte Datennutzung verläuft über den klassischen Ansatz einer BI-Strategieentwicklung, der sich an den geschäftlichen Anforderungen und den zu ihrer Umsetzung benötigten Fähigkeiten zur Gewinnung, Bereitstellung und Handhabung von Informationen orientiert. Bei der Entwicklung einer Strategie und Roadmap für eine BI-Modernisierung im Kontext von Smart Data liegt der Schwerpunkt auf der Ausbildung organisatorischer und IT-gestützter informatorischer Fähigkeiten, um sich den oben genannten Herausforderungen zu stellen.

Dazu zählen Fähigkeiten wie

  • Erkennen und Nutzbarmachen relevanter unternehmensinterner und -externer, auch nichttransaktionaler Datenquellen. Dazu gehören beispielsweise Informationen aus allen digitalen Kanälen, über die ein Kunde mit einem Unternehmen direkt kommuniziert, Informationen aus Social Media (z. B. Twitter, Foren, Blogs), RFID-Daten, Daten von Sensoren, aus M2M-Kommuniktion oder aus dem Internet of Things (IoT).
  • Aus diesen Daten aus unterschiedlichen Blickwinkeln heraus Informationen effizient zu extrahieren und mit der vorhandenen BI-Architektur zu integrieren. Dabei auch absichtslos auf die Daten zu schauen, sie für sich sprechen zu lassen und daraus neue Ideen zu generieren oder bisher unbekannte Wechselwirkungen aufzudecken.
  • Die Daten aus den neuen Quellen unter Einbeziehung von Informationen aus dem traditionellen DWH umfassend und mit fortgeschrittenen Methoden (Advanced Analytics) – bei Bedarf auch in Real-Time – zu analysieren. Dabei auch Verfahren zur Vorhersage einzusetzen oder sogar vorschrebende, d.h. eine vordefinierte Reaktion auslösende, Modelle zu entwickeln.
  • Offline entwickelte Modelle direkt in Geschäfts- oder Entscheidungsprozessen verfügbar zu machen.
  • Den Anwendern größtmögliche Freiheit und Flexibilität zu geben, um aus ihrem fachlichen Blickwinkel heraus Daten auszuwählen, zusammenzuführen und zu analysieren, und zwar ohne zeitliche Verzögerung durch den Umweg über das DWH.
  • Informationen zu teilen und damit die Zusammenarbeit bei der Entscheidungsfindung zu unterstützen (kollaborative BI).
  • Auf eingehende Informationen (Events) in (near) Real-Time reagieren zu können.
  • Systemseitig mit den wachsenden Datenvolumina zu skalieren und die Kosten im Zaum halten zu können.

Vor einer BI-Modernisierung sollte im Unternehmen geklärt werden, in welchem Tempo und mit welchen Prioritäten die einzelnen Aspekte von Smart Data umgesetzt werden sollen, welche Fähigkeiten in welcher Ausprägung wann und wofür konkret benötigt werden. Für welche Fragestellungen können neue Datenquellen tatsächlich geschäftlichen Nutzen bringen? Für welche Geschäftsprozesse ist Kundeninteraktion in Real-Time tatsächlich erforderlich? Welche neuen Analysen sollen von wem und für welchen Zweck durchgeführt werden? Welcher Grad an Autonomie wird für welche fachlichen Nutzer und für welche Aufgaben benötigt? Welche Anforderungen an Datenqualität, Governance und Datenmanagement ergeben sich aus den neuen Aufgabenstellungen? Wie hoch sind die Last und die Performance in der vorhandenen BI-Architektur? Wie hoch sind die Kosten und mit welchem Wachstum muss bei steigenden Datenvolumina gerechnet werden? Kurz gesagt: Es sind alle typischen Schritte von der Datenakquise über die Speicherung und das Datenmanagement bis hin zur Nutzung durch die Endanwender sowie zu Kosten und Performance zu hinterfragen und in Architekturanforderungen zu übersetzen. Wobei eines klar ist: smarte Datennutzung durch die Endanwender bedingt einen passenden Unterbau, der alle Schichten der Architektur und die übergreifenden Datenmanagementkomponenten tangiert.

Neue BI-Architekturkomponenten und ihre Integration mit dem traditionellen DWH

In der gegenwärtigen Diskussion zur BI-Modernisierung besteht weitgehende Einigkeit darüber, dass das traditionelle DWH mit seinen qualitativ hochwertigen Daten weiter seine Daseinsberechtigung hat. 1 Nur sehr wenige Unternehmen planen eine komplette Ablösung in einer Hadoop-basierten Umgebung. Dagegen findet ein hybrider Modernisierungsansatz, der eine Erweiterung der traditionellen DWH/BI-Architektur und ihre Integration mit neuen Komponenten unterstützt, breite Resonanz.

Die neuen, zusätzlichen BI-Architekturkomponenten fokussieren auf die Verarbeitung polystrukturierter Daten aus neuen, digitalen, meist unternehmensexternen Datenquellen (Big Data). Wenngleich Informationen aus den neuen Datenquellen auch in das Management Reporting einfließen können (z. B. zur Auswertung der Effizienz des Internetauftritts), so liegt der Schwerpunkt doch eindeutig auf der Seite von Analytics mit einer hohen Dynamik. Von verschiedenen Anbietern werden Architekturmodelle für die DWH-Erweiterung vorgeschlagen und auch mit entsprechenden Plattformen und Softwarelösungen untersetzt. Dieser Beitrag beschränkt sich toolunabhängig auf die logischen Architekturkomponenten wie sie z. B. von Claudia Imhoff und Colin White 2 beschrieben werden. In Anlehnung an diese Quelle sind es vor allem drei neue Komponenten, die für die agile Verarbeitung polystrukturierter Daten benötigt werden:

(…)

 

Download

Laden Sie sich hier den vollständigen Artikel zum Thema “Smart Data” herunter und erfahren Sie, wie Sie Ihre BI-Landschaft modernisieren können.

Download-Anforderung

FrauHerr

Ja, ich erteile meine ausdrückliche Einwilligung in die Verarbeitung meiner personenbezogenen Daten und stimme der Datenschutzerklärung zu. Mit meiner Anforderung erkläre ich mich damit einverstanden, dass die Cintellic GmbH mir zum Zwecke des Downloads eine automatisierte E-Mail mit dem Downloadlink zusendet und weiterhin über Angebote (werbliche Ansprache) mittels E-Mail informiert. Ich kann die Einwilligung jederzeit mit Wirkung für die Zukunft widerrufen.

Unsere Datenschutzerklärung sowie Widerrufsmöglichkeiten finden Sie hier.

CINTELLIC Consulting - Social Media