Business Intelligence stärkt KMUs

Viele kleine und mittlere Unternehmen stehen heute vor ganz anderen Herausforderungen als noch vor ein paar Jahren. Um die digitale Transformation bewusst zu gestalten, benötigt das Management geeignete Analysewerkzeuge. Gefragt sind Software-Lösungen, die aus möglichst beliebigen Rohdaten konkret umsetzbare Erkenntnisse gewinnen können. Eine solche verbesserte Entscheidungsgrundlage schafft klare Wettbewerbsvorteile – von möglichen Kostensenkungen über Qualitätssteigerung bis hin zum Erschließen neuer Märkte und Geschäftsmodelle. Aus diesem Bedürfnis nach einem besseren Verständnis für die internen Geschäftsabläufe wie auch für externe Marktentwicklungen he­raus ist das Fachgebiet der Business Intelligence (BI) entstanden.

Business Intelligence hat zum Ziel, durch die systematische Auswertung einer Vielzahl sehr unterschiedlicher Datenquellen eine verbesserte Basis für die operative und strategische Entscheidungsfindung zu schaffen. Zahlreiche Praxisbeispiele zeugen von den vielseitigen Vorteilen von BI. Die itelligence AG aus Bielefeld, einer der international führenden SAP-Partner, berichtet beispielsweise von dem Erfolg eines Kunden, der mit Hilfe von BI ein gravierendes Produktionsproblem lösen konnte. Der Maschinenbauer hatte bei der Fertigung komplexer Präzisions-Metallteile in großen Stückzahlen eine hohe Ausschussquote und konnte der Ursache mit althergebrachten Analysemethoden nicht auf die Spur kommen.

Um das Problem zu entschärfen wurde eine BI-Lösung implementiert, in der die vielen möglichen Einflussfaktoren abgebildet und Geschäftsprozesse modelliert werden. Die Analyse-Software fand heraus, dass die Bearbeitungswerkzeuge zu ganz bestimmten Zeitpunkten gewechselt werden mussten. Dadurch ließen sich die Fertigungstoleranzen durchgängig einhalten und die Ausschussquote entscheidend verringern. Bereits nach wenigen Wochen habe sich die sechsstellige Investition für das Projekt amortisiert.

Das Beispiel verdeutlicht, warum Lösungen rund um Business Intelligence gefragter sind denn je. Forschungsinstitute prognostizieren dem gesamten BI-Markt ein solides Wachstum. Die weltweiten Umsätze im Bereich Big Data und Business Analytics sollen laut IDC bis 2019 sagenhafte 187 Milliarden Dollar erreichen. Davon entfallen rund 48,6 Milliarden Dollar auf die Verarbeitung von Big Data. Ausgaben für Cloud-Technologien sollen insgesamt 4,5-mal schneller wachsen als Investitionen in reine On-Premise-Lösungen, sagt IDC voraus. Und: Bis zum Jahr 2020 wird jede zweite BI-Lösung nicht nur rein deskriptive, interpretierende und prädiktive Analysen bieten, sondern auch präskriptive Analytik-Funktionen auf der Basis kognitiver Systeme bereitstellen – konkrete Handlungsanweisungen auf der Basis Künstlicher Intelligenz.

Big Data, IoT, Industrie 4.0, Robotik und andere Entwicklungen erzwingen neue Investitionen. Kreditvergaberichtlinien gemäß Basel III und IV haben dazu geführt, dass Banken mehr Wert auf nachprüfbare Bilanzkennzahlen und ein funktionierendes Berichtswesen (Reporting) legen. Zudem müssen sich deutsche KMUs immer öfter im globalen Wettbewerb bewähren. Business Intelligence entwickelt sich zum unverzichtbaren Instrument der Entscheidungsfindung.

Die erste Generation von BI-Software war teuer und unflexibel. Die Integration dieser Lösungen erforderte die Zusammenführung verschiedener Datenquellen zu einem Data Warehouse, einem zentralen Lager für strukturierte Datenbestände. Diese Data Warehouses und die unterstützten Datenabfragen musste jedes Unternehmen individuell entwickeln lassen. BI-Lösungen waren daher historisch gesehen sehr IT-zentriert und IT-getrieben: Die verschiedenen Entscheidungsträger im Unternehmen mussten diverse Hürden überwinden, um der eigenen IT-Abteilung die benötigten BI-Berichte zu entlocken; sie mussten zudem eine lange Vorlaufzeit in Kauf nehmen und sich mit der geringen Anpassungsfähigkeit der Lösung zufriedengeben, etwa eines konkreten BI-Berichts aufgrund komplexer SQL-Anfragen.

BI-Projekte mit klassischer ETL-basierter Datenintegration weisen einen Entwicklungszyklus von sechs bis neun Monaten auf, berichtet das Leipziger Start-up Data Virtuality mit Bezug auf Gartner. Rund zwei von drei dieser Projekte würden scheitern. ETL steht für Extract, Transform and Load (extrahieren, transformieren und einlesen), einen Vorgang, bei dem Daten aus diversen unterschiedlich strukturierten oder auch unstrukturierten Datenquellen in einer Zieldatenbank zusammengeführt werden.

Das häufige Scheitern ist nicht verwunderlich, denn das hohe Innovationstempo der digitalen Transformation führt zur kontinuierlichen Entstehung neuer Datenquellen und neuer Arten von Daten – von Aktivitätslogs mobiler Apps über Industrie-4.0-Sensorik und Social-Media-Feeds bis hin zum Geolocation-Tracking. Klassische BI-Ansätze auf der Basis eines Data Warehouses schlagen zum einen aufgrund der Heterogenität der neuartigen Daten fehl, zum anderen aufgrund der hohen Veränderlichkeit der Datenquellen im schnelllebigen Geschäftsumfeld. Erschwerend hinzu kommt der Umstand, dass sich manche Daten, falls überhaupt, dann nur schwer in relationale Strukturen überführen lassen.