Kommentar von W. Seybold und T. Martens, Cubeware, Teil 1

Business Analytics, die bessere Business Intelligence?

| Autor / Redakteur: Wolfgang Seybold und Thomas Martens* / Nico Litzel

Hat Business Intelligence noch einen dezidierten Bezug zu klassischen IT-Themen wie Datenintegration und -management, schlägt Business Analytics den Bogen verstärkt zur eigentlichen Auswertung durch Fachanwender.
Hat Business Intelligence noch einen dezidierten Bezug zu klassischen IT-Themen wie Datenintegration und -management, schlägt Business Analytics den Bogen verstärkt zur eigentlichen Auswertung durch Fachanwender. (Bild: Cubeware)

Es herrscht Goldgräberstimmung in der weltweiten IT-Szene. Dabei geht es um nicht weniger als die Zukunft. Um genau zu sein, um die beschreibbare, vorhersagbare Zukunft. Der Treibstoff: Daten. Der Gedanke: Mithilfe von Algorithmen-getriebenen Analysetools Datenkorrelation und Mustererkennung auf höchstem Niveau betreiben.

Das Jahr 2012 war ein bedeutendes Jahr für Barack Obama. Als erster schwarzer Präsident der Vereinigten Staaten von Amerika gelang ihm die Wiederwahl. Lange Zeit sah es für den Demokraten nicht gut aus. Konnte sein republikanischer Herausforderer Mitt Romney doch gerade zu Beginn des Wahlkampfes bei den Wählern punkten. Am Ende war das Ergebnis dann aber doch deutlich. Obama konnte seine zweite Legislaturperiode antreten.

Sorgen hätte sich Obama nicht machen müssen. Stand das Ergebnis doch bereits im Vorfeld fest – zumindest wenn man den Analysen des US-Statistikers und Autors Nate Silver Glauben geschenkt hätte. Silver sagte auf seinem Blog „FiveThirtyEight“ bei der New York Times die Ergebnisse aller 50 Bundesstaaten und des District of Columbia korrekt voraus.

Datenkünstler an Bord

Wahrscheinlichkeitsrechnung auf höchstem Niveau. Vielleicht hat sich Obama aber nur nichts anmerken lassen und sich insgeheim bereits über seinen Wahlerfolg gefreut. Denkbar wäre es, denn er selbst setzte mit Rayid Ghani an der Spitze seines Wahlkampfteams ebenfalls auf einen renommierten Statistiker und Datenkünstler. Dieser hatte die Aufgabe, auf Basis einer umfangreichen Datenanalyse, potenziell unentschlossene Wähler(-gruppen) zu identifizieren, anschließend für Obamas Wahlkampfthemen zu sensibilisieren und dadurch Wahlerfolge in den sogenannten Swing States herbeizuführen.

Dazu wurden die jeweiligen Kernthemen eruiert, Kosten der Überzeugungsarbeit berechnet und im Anschluss konkrete Handlungsanweisungen an die Wahlkampfteams übermittelt – optimal abgestimmt auf die verschiedenen Kommunikationskanäle und vor allem mit dem Wahlkampfbudget.

Was den Wahlkampfstrategen von Obama und dem Statistiker Silver gelungen ist, findet in der IT-Szene, vor allem im Bereich Business Intelligence, Widerhall in dem Begriff Business Analytics. Viele sprechen bereits von Business Analytics als der neuen, besseren Business Intelligence. Wer kann es ihnen verdenken, wenn dadurch die Zukunft doch nicht nur vorhersagbar, sondern gar beeinflussbar wird?

Zwei Seiten derselben Medaille

Was ist Business Intelligence? Laut dem Business Application Research Center (kurz: BARC) ist Business Intelligence die „softwaregestützte Sammlung, Verarbeitung und Analyse von geschäftskritischen Daten […], [welche auf] die kontinuierliche Verbesserung der Performance von Unternehmen in allen wesentlichen Prozessen [abzielt]“.

Insbesondere die Begriffe Sammlung und Verarbeitung weisen auf den informationstechnischen Charakter von BI-Systemen hin. Verbirgt sich doch dahinter die Extraktion von Daten aus operativen Systemen sowie die Aufbereitung und Speicherung dieser in Data Warehouse und OLAP-Systemen. Erst wenn diese Datengrundlage gesichert ist, geht es an die Auswertung der Daten.

Für den Datenzugriff bieten BI-Lösungen heutzutage vielfältige Methoden – angefangen bei interaktiven Dashboards über verschiedene Visualisierungsmöglichkeiten und Möglichkeiten zur Exploration bis hin zu zeit- und ereignisgesteuerten standardisierten Reports.

Folgt man der Definition des Analystenhauses Gartner, ist Business Intelligence „an umbrella term that includes the applications, infrastructure and tools, and best practices that enable access to and analysis of information to improve and optimize decisions and performance”. Auch hier wird durch den Begriff der Infrastruktur das Zusammenspiel von BI-Lösungen mit anderen Vorsystemen deutlich.

Mobile BI gewinnt an Bedeutung

Dieser Fokus auf die IT-Architektur als Ganzes hat sich in den letzten zwei Jahren, durch die zunehmende Bedeutung mobiler Zugriffe auf Daten innerhalb von BI-Systemen, weiter verstärkt. Vor allem auch deshalb, weil mobile Endgeräte wie Tablets und Smartphones schon lange nicht mehr nur den Vorstandsetagen vorbehalten sind, sondern überall Eingang in bestehende Geschäftsprozesse finden.

Im Unterschied hierzu definiert Gartner Business Analytics als Oberbegriff für „solutions used to build analysis models and simulations to create scenarios, understand realities and predict future states. Business analytics includes data mining, predictive analytics, applied analytics and statistics, and is delivered as an application suitable for a business user“.

Hat Business Intelligence noch einen dezidierten Bezug zu klassischen IT-Themen wie Datenintegration und -management, schlägt Business Analytics den Bogen verstärkt zur eigentlichen Auswertung durch Fachanwender. Die Datenexploration rückt verstärkt in den Fokus. Fachanwender sollen gezielt in ihrer Arbeit unterstützt werden und unabhängig von der IT, und ohne Programmierkenntnisse, eigenständig mithilfe der Tools Probleme lösen können.

Das ist auf den ersten Blick nichts Neues. Auch BI-Lösungen bieten bereits am Fachanwender orientierte Visualisierungs- und Explorationstools unter dem Schlagwort Self-service BI. Der Unterschied liegt aber im Erkenntnisinteresse. Zeichnet sich Business Intelligence vor allem durch die rückwärtsgewandte Datenbetrachtung aus, ist Business Analytics an der Deutung zukünftiger Entwicklungen interessiert. Die Fragen „Was ist in der Vergangenheit passiert?“ (descriptive analytics) und „Warum ist es dazu gekommen?“ (diagnostic analytics) werden durch die Fragen „Was wird in Zukunft wahrscheinlich passieren?“ (predictive analytics) und „Welche Schritte sind für die Erreichung der Zielvorgaben notwendig?“ (prescriptive analytics) ersetzt.

Die Welt der Algorithmen

Doch was steckt hinter der Glaskugel? Hier lohnt ein Blick auf den Begriffsbestandteil „Analytics“. Der Begriff Analytics ist selbst wieder ein Sammelbegriff verschiedener Technologien, Anwendungen und Methoden aus den Bereichen Data Mining, Statistik und Operations Research. All diesen Methoden gemein ist ihre Abbildung durch Algorithmen in IT-Systeme. Ziel dieser Algorithmen ist dabei die Gewinnung neuer Erkenntnisse und die Generierung neuer Datensets auf Basis der vorhandenen Daten – die Gewinnung von Daten aus der Zukunft.

Die gegenwärtig große Aufmerksamkeit verdanken analytische Methoden (Algorithmen) vor allem der Auseinandersetzung mit Big Data. Dadurch, dass Unternehmen immer mehr Daten zur Verfügung stehen, ist an eine manuelle Auswertung dieser Datenbestände nicht mehr zu denken. Gleichzeitig lockt dieses Datenpotenzial mit dem Versprechen, neue Erkenntnisse zu liefern und damit Mehrwert für Unternehmen zu schaffen. Das automatisierte Verfügbarmachen dieser Erkenntnisse mittels Algorithmen ist die große Hoffnung.

Dafür sind neue Technologien und Methoden erforderlich, um in der schieren Masse an Daten die relevanten Informationen identifizieren sowie nachhaltige Entscheidungen treffen zu können. Mitunter sind Methoden der Datenvisualisierung nicht ausreichend, Anwender zu befähigen, aus der bloßen Visualisierung entscheidungsrelevante Aktionen abzuleiten. Für das Erkennen von Mustern und der Ableitung von zukunftsorientierten Aktionen in einer bestehenden und immer weiter wachsenden Datenmenge spielt die Anwendung von Algorithmen deshalb zukünftig eine immer größere Rolle.

Entscheidungsprozesse unterstützen und optimieren

Das Ziel von Business Intelligence und Business Analytics ist also dasselbe: beide Ansätze wollen Entscheidungsprozesse unterstützen und optimieren. Der entscheidende Unterschied findet sich also nicht in der Zielsetzung, sondern in der Methodik beziehungsweise in der Herangehensweise. Die beiden Disziplinen erscheinen also vielmehr komplementärer als gegensätzlicher Natur. Am Beispiel der Wahlkampagne von Obama lässt sich dieses Zusammenspiel nachvollziehen.

Laut Rayid Ghani hatte das Wahlkampfteam zu Beginn vor allem mit dem dürftigen Datenmaterial zu kämpfen. Anders als in Deutschland existiert in den USA kein zentrales Einwohnermeldeamt, über das eine Aufstellung aller Wahlberechtigten bezogen werden könnte. Vielmehr musste der Umweg über öffentliche Wählerlisten gegangen werden, die aber oft die gewünschte Datenqualität vermissen ließen. So konnte es durchaus vorkommen, dass ein und dieselbe Person in drei verschiedenen Staaten gleichzeitig gelistet war. Die Daten mussten also aufwendig bereinigt werden.

Im nächsten Schritt wurden sogenannte Neighbourhood Teams aus den Reihen der freiwilligen Helfer und Spender rekrutiert, die gezielt in ihren persönlichen Netzwerken potenzielle Wähler selektieren und befragen sollten. Im Besonderen ging es darum, die jeweiligen politischen Ansichten und die persönliche Wahlhistorie kennenzulernen sowie herauszufinden, inwieweit die Person offen für Argumente und Überredungsversuche ist, ohne sich belästigt zu fühlen. Mit den neu gesammelten Daten und historischen Beständen aus den Wahljahren zuvor wurde ein Data Warehouse gefüllt, das die Grundlage für die Datenmodelle und kommenden Analysetätigkeiten bildete.

Valide Datengrundlage ist Pflicht

Hier wird eine zeitliche Abfolge in der Analysetätigkeit erkennbar, die mit tausenden von Unternehmensprojekten deckungsgleich ist, im aktuellen Diskurs um Themen wie Big Data und Advanced Analytics jedoch untergeht: Zuerst muss eine valide Datengrundlage gewährleistet werden, bevor aufwendige Analyseansätze sinnvoll ausgerollt werden können.

Im zweiten Teil werden W. Seybold und T. Martens erklären, warum nicht die Größe der Datenmenge das ausschlaggebende Kriterium für den Erkenntnisgewinn ist, sondern die Verwendung der richtigen Daten und der richtigen Fragen.

* Wolfgang Seybold ist CEO der Cubeware Group und Thomas Martens Vice President Product Marketing bei der Cubeware GmbH.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 43246703 / Analytics)