Was ist eigentlich…Business Intelligence?


Ein Fachbeitrag von Prof. Dr. Hubert Schüle (PFH Private Hochschule Göttingen)

Von Big Data zu Smart Data

Fachbeitrag von Prof. Dr. Hubert Schüle, Referent an der mtec-akademie
Autor: Prof. Dr. Hubert Schüle (PFH Private Hochschule Göttingen)

Unternehmen und Konsumenten erleben im Rahmen der so genannten Digitalisierung, wie immer mehr geschäftliche und private Bereiche durch moderne Informations- und Kommunikations-Technologien (IKT) durchdrungen werden und dabei im großen Umfang Daten entstehen. Unter dem Begriff "Business Intelligence" subsummiert man Prozesse, Methoden und Tools, mit denen aus diesen Daten wertvolle Erkenntnisse zur Entscheidungsunterstützung werden.

Diente bis weit in die 1990er Jahre hinein die Informationstechnologie (IT) vor allem der Optimierung und Automatisierung von Geschäftsprozessen und Arbeitsabläufen innerhalb und – in geringerem Umfang - zwischen Unternehmen, erleben wir seither eine erhebliche Ausweitung der Anwendungsbereiche. So führte die Mitte der 1990er Jahre einsetzende kommerzielle Nutzung des Internets u. a. dazu, dass praktisch alle Unternehmen und die überwiegende Mehrheit der Haushalte und Endkunden miteinander vernetzt sind und sukzessive integraler Bestandteil digitaler Wertschöpfungsketten wurden. Mit Hilfe von Web 2.0-Anwendungen, wie Social-Media-Netzwerken oder Bewertungsplattformen, erzeugen Konsumenten wertvolle Information über sich selbst sowie zu den von Unternehmen angebotenen Produkten und Dienstleistungen.

Auf Suchmaschinen, Onlineshops und digitalen Marktplätzen hinterlassen die Besucher vielfältige Daten zu Produktpräferenzen und Kaufverhalten. Via multifunktionellen Smartphones können mit Sensorik und Apps Bewegungsmuster und Verhaltensdaten erfasst, auf Server übertragen und dokumentiert werden. Mit mobilen Datenerfassungssystemen werden Warenbewegungen in Wertschöpfungsketten protokolliert und online überwacht. In automatisierten Produktions- und Logistikabläufen kommunizieren Maschinen mit Maschinen sowie Werkstücken autonom. Auf mächtigen digitalen Plattformen entstanden neue Geschäftsmodelle, etwa zur Vermittlung von touristischen Dienstleistungen.

In jedem der genannten und vielen weiteren Anwendungsbereichen erzeugen die Nutzer kontinuierlich eine Vielzahl von Daten, die in den Systemen gesammelt werden. Die entstehenden riesigen Datenmengen lassen sich plakativ durch den Begriff „Big Data“ charakterisierten. Nahezu jeder geschäftliche Aspekt, ob Produktionsprozesse, Verkäufe, Beschaffungsvorgänge, Marketingkampagnen, Lieferkettenüberwachung, Kundenverhalten, Weiterbildung der Mitarbeiter oder Kundenzufriedenheitserhebungen, ist heute für automatisierte Datenerhebung zugänglich und speist Big Data. Gleiches gilt für unternehmensexterne Ereignisse. Daten über Marktentwicklungen, Branchenneuigkeiten oder Wettbewerberaktivitäten werden massenhaft erhoben, gesammelt und analysiert. Herausforderung ist es, aus den vielen Daten passgenaue Erkenntnisse zu gewinnen, bzw. Big Data zu „Smart Data“ werden zu lassen.

Aus Daten Erkenntnisse gewinnen und Maßnahmen ableiten

Daten dokumentieren Zustände unternehmensrelevanter Sachverhalte und Vorgänge. Sammelt man diese Daten kontinuierlich und systematisch über Zeiträume, so entsteht in den Datenbeständen ein „digitales Gedächtnis“ eines Unternehmens. Ähnlich wie wir Menschen Lebenszustände als Erfahrungen im Gedächtnis abspeichern und diese Erfahrungen für Entscheidungen über unser zukünftiges Verhalten heranziehen, können Unternehmen aus Daten Erkenntnisse gewinnen. Dazu ist es notwendig, typische Muster oder Korrelationen in den Daten zu erkennen und diese zu extrahieren. Gelingt dies, können wichtige entscheidungsorientierte Ableitungen im Unternehmen getroffen werden. Dieses Prinzip ist nicht neu. Kennzahlen wie Kosten/Umsatz-Relationen, Liquiditätsgrade in der Bilanzanalyse oder Renner-/Pennerlisten helfen schon seit langem, die Effizienz der Unternehmensprozesse zu überwachen, die Qualität der Unternehmensfinanzierung zu bewerten oder das Angebot an den Kundenwünschen auszurichten. Neu ist die Fülle an Datenquellen und Daten, welche durch die Digitalisierung allgegenwärtig sind, etwa Meinungsbilder auf Social Social Media Plattformen oder in Themenforen. Neu ist auch die Dringlichkeit für Unternehmen, aus diesen Daten wirtschaftlichen Nutzen zu ziehen. Vor allem für das Marketing eröffnen sich zahlreiche Anwendungsfelder und Gestaltungsoptionen für die Interessenten- und Kundenansprache.

Somit ist es wenig überraschend, dass die Digitalisierung zu einem gestiegenen Interesse an einschlägigen Methoden und Werkzeugen führt, um aus den Daten nützliche Informationen und Erkenntnisse zu gewinnen. Insbesondere solche, die einen Wettbewerbsvorsprung gegenüber Konkurrenzunternehmen darstellen, sind aktuell und zukünftig von grundlegender Bedeutung für die Stärke eines Unternehmens und von hohem Wert. Sehr deutlich wird dies an den Beispielen führender Internetunternehmen. Die wertvolle Position von Google als führende Suchmaschine im Internet verdankt das Unternehmen nicht zuletzt der Fähigkeit, aus den Daten über die Suchanfragen und dem Nutzungsverhalten der Kunden kontinuierlich zu lernen, die Suchdienste entsprechend konsequent qualitativ zu verbessern sowie verbesserte Dienste zu entwickeln. Gleiches gilt auch für Amazon als führendes Onlinehandelsunternehmen.

Datenanalysen sind jedoch nicht nur für große Internetkonzerne von Relevanz. Jedes Unternehmen kann in seinem Marktsegment beispielsweise produkt- oder themenspezifische Meinungsbilder seiner Zielgruppen erheben oder die Kundendaten nach den Merkmalen der besonders treuen Kunden analysieren. Aufbauend auf diesen Erkenntnissen, lassen sich dann zielgerichtet Maßnahmen zur Kundenbindung oder Verbesserung des Leistungsangebotes ableiten.

Big Data-Analysen sind im Vergleich zur Ermittlung typischer Unternehmenskennzahlen zu Kosten, Umsatz, Liquidität, etc. deutlich anspruchsvoller. Zum einen sind die auszuwertenden Datenbestände wesentlich umfangreicher. Zum anderen sind die anzuwendenden statistischen Methoden komplexer. Manuell gestützte Vorgehensweisen führen nicht zum Ziel. IT-Tools und automatisierte Methoden sind notwendig. Benötigt wird vor allem ein klar definierter Analyseprozess. Zunächst ist die fachliche Fragestellung klar und präzise zu formulieren. In weiteren Schritten werden die relevanten Datenquellen identifiziert, die Daten gesammelt und aufbereitet, geeignete Analysemethoden auswählt, Datenanalysen durchführt, die Ergebnisse visualisiert und interpretiert sowie Schlussfolgerungen gezogen und Maßnahmen angestoßen.

Momentan sind keine Seminare vorhanden. Gern vereinbaren wir individuelle Termine.


Business Intelligence umfasst Prozesse, Methoden und Tools

In den vergangenen Jahren entwickelten IT- und Analysespezialisten unter dem Oberbegriff Business Intelligence (BI) Lösungen für diesen Einsatzbereich. BI umfasst Prozesse, Methoden und Tools zur systematischen Sammlung, Auswertung und Visualisierung entscheidungsorientierter Daten. Zweck ist die Gewinnung von Erkenntnissen, die hinsichtlich der Unternehmensziele bessere operative oder strategische Entscheidungen ermöglichen. Grundlegende Annahme dabei ist, dass in die Zukunft gerichtete Unternehmensentscheidungen aus vorhandenen Daten ableitbar sind.

Bis vor wenigen Jahren war es oft nur großen und/oder spezialisierten Unternehmen möglich, BI-Spezialisten für die Datenanalyse zu beschäftigen sowie IT-Systeme mit aufwändigen analytischen Anwendungssystemen zu betreiben. Weiterentwickelte Analysemethoden, das verbesserte Preis-/Leistungsverhältnis von Computern und Fortschritte in der Softwareentwicklung sowie bei den Analysemethoden vereinfachen den Einsatz von Datenanalyse und verbreitern deren Anwendungsspektrum. Somit rückt Datenanalyse auch in den Fokus von kleineren und mittelgroßen Unternehmen.

Von der Berichterstattung bis zur Prognose – das Aufgaben- und Methodenspektrum des BI

Etwas vereinfacht dient BI dazu, über relevante betriebliche Sachverhalte möglichst qualifizierte Antworten zu den folgenden vier grundlegenden Fragen zu finden.

  1. Was geschah bisher?
    Hier geht es vor allem darum das vergangene wirtschaftliche Geschehen zu beschreiben, was auch als deskriptive Analyse bezeichnet wird.

  2. Warum geschah das?
    Hier forscht man in den Daten nach den Ursachen für die bis zum aktuellen Zeitpunkt eingetretenen Situationen und bezeichnet dieses als diagnostizierende Analyse.

  3. Was wird in der Zukunft geschehen?
    Auf Basis der Daten werden Voraussagen darüber getroffen, wie sich eine wirtschaftliche Situation in Zukunft entwickeln wird oder kann. Man bezeichnet dies als das Prädiktive Analyse.

  4. Was muss in der Zukunft getan werden?
    Diese Analysemethoden kombinieren Prognose zukünftiger Entwicklungen mit Implementierungsempfehlungen und werden als Präskriptive Analyse bezeichnet.

Eine trennscharfe Abgrenzung zwischen den Analysebereichen, insbesondere zwischen Prädiktiver und Präskriptiver Analyse ist nicht immer möglich.


Deskriptive Analysen

In der deskriptiven Analyse geht es vor allem darum Kennzahlen zu ermitteln – zum Beispiel mittels Datenbankabfragen. Diese Kennzahlen verdichten zeitpunkt-/zeitraumbezogene Mengen- und Wertgerüste aus den operativen Vorgängen und gleichen sie mit geplanten Werten für die entsprechenden Zeiträume ab. Betriebliche Kennzahlen wie Umsätze, Deckungsbeiträge, verkaufte Stückzahlen, Neukunden etc. werden über relevante Dimensionen, etwa Regionen, Kundengruppen oder Produktgruppen und verschiedenen Zeiträume (Tage, Monate, Quartale, etc) ermittelt. Sogenannte OLAP-Werkzeuge (Online Analytical Processing) helfen bei der Navigation zwischen unterschiedlichen Dimensionen und verschiedenen Hierarchieebenen der Dimensionen. Diese Tools sind sehr ausgereift, weshalb OLAP-Analysen zu den häufig genutzten BI-Methoden gehören, in vielen Unternehmen etabliert sind und schon länger zum Standard für die Aufgaben Berichtswesen und Reporting gehören. Besondere Herausforderung bei der deskriptiven Analyse ist die Ergebnisvisualisierung. Aus der Masse vorliegender Daten und Kennzahlen müssen die wirklich wichtigen schnell erkannt werden können. Dies gelingt beispielsweise mit visuell aufwändig gestalteten Dashboards.

Sind Auffälligkeiten identifiziert, wird im Rahmen einer diagnostizierenden Analyse tiefergehende Ursachenforschung betrieben. So kann beispielsweise ein im Rahmen der deskriptiven Analyse festgestellter Umsatzrückgang in einem bestimmten Geschäftsfeld bei einem Telekommunikationsdienstleister darauf zurückzuführen sein, dass mehr Kunden als erwartet auslaufende Verträge nicht verlängerten. Mit weiterführenden Analysen kommt man dann zur Erkenntnis, dass vor allem eine ganz bestimmte Vertragsart eine hohe Kündigungsquote aufweist und erkennt darüber hinaus das Muster, dass überwiegend männliche Kunden einer bestimmten Altersgruppe eine hohe Wechselaffinität zum Wettbewerb haben.

Prädiktive und präskriptive Analysen

Mit prädiktiven und präskriptiven Analysen lässt sich beispielsweise ermitteln, wie sich bei gleich bleibender Kündigungsquote, einem geplanten Neukundenzuwachs und unter Berücksichtigung der zu erwartenden allgemeinen konjunkturellen Entwicklung Umsatz- und Ergebnisgrößen in den Folgeperioden ergeben könnten sowie welche Marketingmaßnahmen für die ermittelte Zielgruppe bestmögliche Wirkung entfalten, um die Wechselbereitschaft zu vermindern.

Das Methodenspektrum für diagnostizierende, prädiktive und präskriptive Analyse umfasst Klassifikationsmethoden, wie z.B. Entscheidungsbäume, Clusteranalysen, Korrelationsanalysen, Regressionsverfahren oder Szenarioanalysen. Neuere Analyseverfahren setzen zunehmend auf Künstliche Neuronale Netze (KNN). Welcher dieser Methoden im jeweiligen Anwendungsfall zum Einsatz kommt, hängt von der spezifischen betriebswirtschaftlichen Fragestellung sowie von der Quantität und der Qualität der zu Verfügung stehenden Daten ab. Für diagnostizierende, prädiktive und präskriptive Analysen verwendet man häufig den Begriff Data Mining. Die Analogie zum Bergbau soll zum Ausdruck bringen, dass man in Rahmen des Data Mining insbesondere nach neuen Erkenntnissen und Zusammenhängen sucht („schürft“), welche von Wert für das Unternehmen sind.

Data Mining - Methoden mathematisch und statistisch anspruchsvoll

Im Vergleich zur deskriptiven Analyse ist Data Mining in den Unternehmen nicht so stark verbreitet. Das liegt u. a. daran, dass die Data Mining-Methoden mathematisch und statistisch anspruchsvoller sind als Kennzahlenanalysen, bei den Anwendern entsprechende Qualifikationen voraussetzen und die Analysemodelle teilweise erhebliche Rechnerressourcen erfordern. Darüber hinaus ist für die Datenaufbereitung oft ein gewisser Aufwand zu leisten. Vor allem aber sind die vielerorts für Data Mining interessanten und notwendigen Datenbestände erst in der jüngeren Zeit durch die zunehmende Digitalisierung entstanden bzw. in elektronisch verarbeitbarer Form verfügbar. So erlauben beispielsweise ERP-Systeme zur Auftragsabwicklung schon seit langem kennzahlenorientierte Umsatzanalysen. Für kundenbezogenes Data Mining sind jedoch Kundenprofildaten notwendig, wie man sie beispielweise erst durch die Daten aus CRM-Systemen oder Social-Media-Daten gewinnen kann. Diese sind häufig erst seit wenigen Jahren digital verfügbar.

Ein weiterer Punkt ist die Verwendung der gewonnenen Erkenntnisse. Bekommt man durch BI-Methoden ein genaues und präzises Bild über die Kunden, ist diese Information erst dann wirklich hilfreich, wenn entsprechend zielgruppengenaue Marketingmaßnahmen bzw. Kundenansprachen umgesetzt werden können. Dies gelingt beispielsweise durch eine von den Kunden auf deren Smartphone genutzte Unternehmens-App. Dieser Anwendungsbereich befindet sich erst in den Anfängen, weist jedoch hohe Wachstumsraten auf und wird zukünftig an Relevanz gewinnen.

Anwendungsbereiche für Business Intelligence vielfältig

Business Intelligence kann in allen Unternehmen, unabhängig von Branche und Unternehmensgröße angewendet werden. Innerhalb der Unternehmen finden sich in jedem Fachbereich interessante Fragestellungen für entsprechende Analysen.

 

  • Für im Onlinehandel tätige Handelsunternehmen sind beispielsweise Analysen von Retouren zum Erkennen von Retourengründen und für das Ableiten von Maßnahmen zur Reduzierung der Retourenquote hilfreich.

  • Im Finanzbereich ist die Analyse und Prognose von Zahlungsausfällen von hohem Stellenwert. Hier kann man mittels Data Mining beispielsweise erkennen, bei welchen Kunden überdurchschnittliche Zahlungsausfallrisiken bestehen und wie durch verbesserte Kreditvergabeprozesse Ausfallquoten gesenkt werden können.

  • Der Personalbereich interessiert sich beispielsweise dafür, Muster zu erkennen, wann und welche Mitarbeiter ein Unternehmen verlassen wollen oder wie neue Mitarbeiter sich leistungsmäßig entwickeln werden.

  • Der Vertrieb möchte wissen, wie Rabattaktionen wirken und wie hoch Rabatte tatsächlich sein müssen, um verkaufserhöhende Wirkungen zu erzielen. Zu hohe Rabatte an Kunden, die ohnehin kaufen, wirken sich negativ auf die Erträge auf. Rabattoptimierung vermindert Druck auf die Margen und verbessert die Ertragssituation.

  • Die Unternehmenskommunikation kann durch Analyse der Klickpfade der Unternehmenswebsite feststellen, welche Informationen für Besucher der Website besonders interessant sind und durch entsprechende Gestaltung Attraktivität und Besuchsfrequenz der Unternehmenswebsite erhöhen.

BI-Methoden sind nicht nur für kommerziell ausgerichtete Unternehmen sondern für jegliche Organisationen interessant, etwa im Bereich des Gesundheitswesens oder in der öffentlichen Verwaltung. Städte und Ballungsräume können beispielsweise durch die Analyse von Verkehrsströmen Routenempfehlungen geben, dynamisch Ampelanalagen steuern oder Parkräume effizienter bewirtschaften.

Damit Unternehmen und Organisationen bei zunehmender Digitalisierung auch zukünftig ihre Leistungsfähigkeit und Wettbewerbsfähigkeit behalten ist BI ein zunehmend wichtiger Baustein.


Bleiben Sie auf dem Laufenden: Alle News, Fachartikel und Seminarhinweise hier abonnieren





* Pflichtfelder
Unser Newletter erscheinen 1-2 mal monatlich. Newsletter-Abo kann hier jederzeit widerrufen werden.