Business Analytics

Business Analytics steht für die softwaregestützte Analyse der Daten des Unternehmens. Business Intelligence steht für die Auswertung und Aufbereitung von geschäftlichen Daten. BigData (Analytics) steht für die Erschließung und Auswertung von Daten.

Alles gleich?
Alles sich überschneidend?

Schließlich bedeutet „Business Analytics“ auch die Analyse der Geschäftstätigkeit und Geschäftspropzesse, z.B. bei der Planung der Einführung einer Informationsmanagement-Lösung.

Definition aus Wikipedia:

Geschäftsanalytikenglisch Business Intelligence (Abkürzung BI), ist ein der Wirtschaftsinformatik zuzuordnender Begriff, der Verfahren und Prozesse zur systematischen Analyse des eigenen Unternehmens bezeichnet. Dies umfasst die Sammlung, Auswertung und Darstellung von Daten in elektronischer Form.
Im engeren Sinn bezeichnet Geschäftsanalytik nur die Methodik der Datenerfassung. Im weiteren Sinn wird auch die Gesamtheit von Managementgrundlagen wie beispielsweise Wissensmanagement, Kundenbeziehungsmanagement oder Balanced Scorecard, die bei einem prozessorientierten Begriffsverständnis auch die permanente Datenpflege und Anpassung an ein sich veränderndes Umfeld umfassen, verstanden. Das Institut für Business Intelligence[5] versteht unter „Business Intelligence“ die Integration von Strategien, Prozessen und Techniken, um aus verteilten und inhomogenen Unternehmens-, Markt- und Wettbewerberdaten erfolgskritisches Wissen über Status, Potenziale und Perspektiven zu erzeugen.

Der Begriff Business Intelligence wird hier gleichbedeutend mit Business Analytics verstanden. Business Intelligence war bisher immer ein Spezialisten-Job – und dies mit Grund. Informationen aus verschiedensten Quellen mit unterschiedlicher Qualität und inhaltlicher Bedeutung müssen für die Auswertung in Beziehung gesetzt werden. Hierzu sind Kenntnisse nicht nur über Datenstrukturen und deren Inhalte sondern über deren Kontext wichtig. „SelfService-BI“ ist daher in der Gefahr im „wilden Zusammenklicken von irgendwelchen Feldern zu enden“. Der gelegentliche Nutzer braucht Schulung über die Nutzung, die Wirkungsweise und die Interpretation der Ergebnisse. Eine Chance gibt es dann, wenn sinnvoll vorgefertigte Schemas angeboten werden, die vom gelegentlichen Nutzer gestartet und gegebenenfalls parametrisiert werden können. Sonst gibt der Satz „A fool with a tool is still a fool“. Ohne Ausbildung geht gar nichts.

Predictive Analytics

„Predictive Analytics“ ist nichts Neues. Seit den Zeiten, wo man sich mit Expertensystemen der wissensbasierten Systemen beschäftigt hat oder heute im Umfeld von BI und BDA Big Data Analytics, galt es, aus den Daten Rückschlüsse auf zu erwartende, zukünftige Zustände oder Entwicklungen zu ziehen. „Predictive Analytics“ ist das Berechnen von möglichen wahrscheinlichen Entwicklungen. Predictive Analytics ist von der Art und der Qualität
der Daten und der Auswertungsalgorithmen abhängig. Eine komplette automatisierte Ableitung für eine „Steuerung von Unternehmen“ ist Zukunftsmusik, wenn nicht sogar eine Gefahr. Allerdings in Bereichen der Produktion, der Lagerhaltung, der Logistik, der Angebotssteuerung in
Medien sind solche Techniken bereits weit verbreitet. Hierbei geht es aber eher um saisonale Effekte oder Käuferverhalten, aber auch um Abarbeitung von Prozessen der eigenen Mitarbeiter im Unternehmen an Hand von Daten fassbarer Prozesse – jedoch nicht um die Steuerung des Gesamtunternehmens. Letztlich sind die Ergebnisse, die „Predictive Analytics“ liefert zu interpretieren und damit ein Hilfsmittel für Entscheider im Unternehmen.

Analytics vs. Datenschutz

Wir leben hier bereits in einer Welt der Doppelmoral. Das Unternehmen möchte natürlich alle greifbaren Daten über Lieferanten, Partner, Kunden, Öffentlichkeitsstellungnahmen usw. vollständig sammeln, auswerten und nutzen. Nutzen zum Beispiel um Lieferanten zu günstigeren Konditionen zu zwingen, nutzen um Kunden zusätzliche Geschäfte vorzuschlagen, nutzen um Entwicklungen in der Öffentlichkeit zu erkennen, die der Reputation des Unternehmens gefährlich werden können. Hier werden die Grenzen der rechtlich zulässigen Auswertung und Datenbevorratung (z.B. dauerhafte
Speicherung von Informationen über Interessenten, die jedoch nicht zum Kunden geworden sind; Beziehungen zwischen verschiedenen Kunden über Adressen, benutzten Kreditkarten und Social-Media-Vernetzung; etc.) schnell einmal überschritten. Im Unternehmen ist die Situation noch etwas anders, weil hier hausinterne Datenschützer und Betriebsräte schon eher auf die Einhaltung von BDSG und Landesdatenschutzgesetzen
dringen. Dies zeigt sich zum Beispiel an der Umsetzung der elektronischen Personalakte, die hohen Sicherheits- und Vertraulichkeitsanforderungen unterliegt. Die Problematik der personenbezogenen Auswertung gibt es dabei nicht erst mit BI sondern schon mit Workflow und BPM Business Process Management. Audit-Trails erlauben das Nachvollziehen aller Arbeitsschritte. Daher sind die Informationen aus Workflow- und BPM-Systemen
im Unternehmen eine gern genutzte Quelle für die Auswertung mit BI. Die Grenzen sind hier fließend, denn einerseits braucht das Unternehmen um Prozesse technisch stabil, nachvollziebar und compliant abzuwickeln, andererseits sind der personenbezogenen Auswertung von Daten Grenzen gesetzt. Ob diese heute in der bestehenden Form noch sinnvoll und praktikabel sind, ist fraglich. Denn es gibt schon die Grauzone – als Mitarbeiter im
Unternehmen einigermaßen geschützt, als Kunde des Unternehmens, in dem man auch arbeitet, aber voll transparent und ausgewertet.

Analytische Unternehmenskultur?

Analytik von Informationen im Unternehmen (Mitarbeiter, deren direkten Bezugs-personen), von Partnern (Kunden, Lieferanten, Behörden etc.) außerhalb des Unternehmens und von den Metadaten-Profilen über den eigentlichen Metadaten braucht Regeln und Vereinbarungen. Intern braucht man auch eine „Kultur des Vertrauens“, da nicht alles technisch abgesichert werden kann (Datenschutz, Datensicherheit). Diese „Kultur des Vertrauens“ beinhaltet selbstverständlich auch das Thema „Analytics“, Analyse. Im „Ersten Vertrauenskreis“ müssen für die Entscheider und diejenigen, die Auswertungen durchführen, entsprechende Regeln vereinbart werden. Hier geht es nicht nur um die rechtlichen Grenzen, sondern auch um das Thema Qualität, um Fehlentscheidungen auf Grund unglücklich zusammengewürfelter Eingangsdaten zu vermeiden. Im „Zweiten Vertrauenskreis“ geht es um alle Mitarbeiter im Unternehmen – auch die temporären und freien Arbeitskräfte, da sich die Arbeitskultur verändert. Es muss dokumentiert und aktiv kommuniziert werden, was für welchen Zweck ausgewertet wird, wie lange welche Informationen gespeichert werden, wie die Entpersonalisierung für statistische Auswertungen vorgenommen wird, welche Informationen in Audit-Trails landen. Und natürlich, welche Möglichkeiten der Mitarbeiter hat, Auskunft über die gespeicherten Informationen zu erhalten. Im „Dritten Vertrauenskreis“ geht es um die Partner wie Lieferanten, denen auch Klarheit über die Nutzung ihrer Daten gegeben werden muss um z.B. Überraschungen bei Reklamationen und im Qualitätsmanagement zu vermeiden. Im „Vierten Vertrauenskreis“ geht es um die für das Unternehmen wichtigste Ressource, den Kunden. Hier gibt es gesetzliche Vorschriften, die die Datenspeicherung und Auswertung einschränken, aber im Zeitalter des „Amazon-Vorschlagwesens“ quasi wirkungslos geworden sind. Die Unternehmen sind jedoch gehalten, auch diesem Kreis offen zulegen, was wie gespeichert und verarbeitet wird, wie man darüber Nachweise erhält und was das Unternehmen tut, dass diese Grundsätze auch eingehalten werden. Der „Fünfte Vertrauenskreis“ ist die Öffentlichkeit – Presse, Interessenten, Behörden und „der Rest der Welt“. Eine aktive und offene Kommunikation des Umgangs mit Daten und deren Auswertung ist heute fast eine Selbstverständlichkeit. Die Ängste, die der NSA-Skandal im öffentlichen Bereich geweckt hat, schlagen sich auch auf das Thema Analytics in und durch Unternehmen nieder. Vertrauen zu schaffen und ehrlich zu bleiben, sind daher wichtige Faktoren für erfolgreiche Unternehmen. 

Eine solche „Kultur des Vertrauens“ ist Voraussetzung für eine „Analytics-Kultur“ und schließt diese unbedingt ein. Es kann kein Vertrauen geben, wenn man nicht weiß was analysiert und für welchen Zweck verwendet wird.

Big Data (Analytics)

Aus der Informationsflut ging Big Data hervor: Eine so große, so schnellebige oder so vielschichtige Menge an Informationen, das sie mit herkommenlichen Mitteln nicht auswertbar ist. Wie schon Enterprise Search in der Vergangenheit, verspricht uns Big Data Analytics noch mehr die Erschließung beliebig großer heterogener Informationsbestände ohne vorher Ordnung zu schaffen. Entscheidend für die Qualität der Ergebnisse von Search und Big Data wird zukünftig die Informationsqualität sein. (Dr. Ulrich Kampffmeyer, 2014)

Business Intelligence

Business Intelligence, kurz (BI) ist die Erzeugung von wirtschaftlich relevantem Wissen welches die Sammlung und Aufbereitung von Daten, die Entscheidungsorientierung im Unternehmen sowie die Darstellung von, für das Unternehmen relevanten Informationen beinhaltet. Die hierbei gewonnenen Perspektiven zielen auf das eigene Unternehmen sowie auch auf das Unternehmensumfeld ab. Bereits ab den 1960er Jahren wurden IT-basierte Systeme zur Unterstützung von Geschäftsprozessen entwickelt um große Datenmengen automatisch verwalten und auswerten zu lassen. Dies wurde gemacht um beispielsweise Entscheidungsträgern eine anschauliche Datenpräsentation gewonnener Information in Form eines Datenmodels liefern zu können.

Eine klare Definition des Begriffs Business Intelligence ist jedoch trotz mittlerweile längerer Marktetablierung nicht in Aussicht da viele Auffassungen vom Konzept „BI“ immer noch viel Raum für Interpretation lassen. Eine dieser Interpretationen kommt in Form einer Definition vom Analysten Howard Gardner, welcher Business Intelligence als klassischen Ansatz für alle Prozesse und Systeme welche sich als Wettbewerbs- und unternehmenswichtigen Daten zusammensetzt. Aus Sicht einer IT-basierten Organisation macht es daher vor allem sinn entscheidungsorientiert Informationen zu sammeln, aufzubereiten und im richtigen Maße darzustellen.

Heutzutage laufen nahezu alle BI-Systeme automatisch, was eine schnelle Reaktionsgeschwindigkeit auf neue und relevante Daten als Folge hat. Diese können dann aufbereitet unternehmensintern auf einem Dashboard eingesehen werden. Wo sich Business Intelligence um die Fragen: „Was wissen wir“ und „Was müssen wir von diesem Wissen aufbereiten“ drehen, gibt Business Analytics hingegen den Anstoß auch an morgen zu denken.
Mit Simulationen und den zugehörigen Programmen kann somit im Business Intelligence vom „Ist-Zustand“ auf den „Soll-Zustand“ von Morgen kalkuliert werden.
 

Business Analytics, BigData & Business Intelligence im funktionalen EIM Modell von PROJECT CONSULT 2012

Analytics in Gestalt von BigData Analytics und Business Analytics sind wesentliche Komponenten des Enterprise Information Management. Analytics und BI Business Intelligence ergänzen und vereinigen sich.

Analyse-Tools wie BI und BigData untersuchen jede verfügbare Informationsquelle und generieren neue Informationen von besserer Qualität um Sie in der Planung, Kontrolle oder bei Unternehmensentscheidungen zu verwenden.
EIM sorgt dafür, dass diese Informationen behalten werden und ist selbst für diese Analyse-Tools eine Informationsquelle von hoher Qualität mit Metadaten, Audit Trails, Prozessen, großen Content Speichern und Archiven.
BigData fördert die versteckten Schätze im Informationsbestand zutage.

BI Business Intelligence dient nur dazu, mannigfaltige Geschäftsdaten so zusammenzustellen und aufzubereiten, daß sie auch das Management versteht.

Dr. Ulrich Kampffmeyer,
Update Information Management, 2019

Ressourcen