04.01.2019
Von Peter Hecker, Inhaber von HECKER CONSULTINGFrüher ein Modewort rund um Data Warehouse, Data Mining, Berichte und OLAP: wie sich Business Intelligence entwickelt hat und wofür Unternehmen sie nutzen.
Business Intelligence ist schon seit einigen Jahren ein Modewort. Es wurde meist in Verbindung mit Entscheidungsunterstützungssystemen, Data Warehouse, Data Mining, Berichten, Abfragen und OLAP genannt. Die meisten von uns haben Business Intelligence (BI) mit einem Entscheidungsunterstützungssystem verwechselt, da BI zwar eine breite Kategorie von Anwendungen und Technologien zum Sammeln, Speichern, Analysieren und Bereitstellen des Zugriffs auf Daten ist, aber hauptsächlich von Unternehmen für die Analyse von Geschäftsdaten und deren Präsentation für das Management zur Entscheidungsfindung verwendet wurde. In letzter Zeit haben sich die Dinge geändert. Jetzt hat jede Anwendung oder Lösung, die wir betrachten, Business Intelligence-Funktionen, ein Dashboard, Analysen, Berichte und manchmal sogar Abfragen eingebaut.
Wenn Unternehmen in ein Tool oder eine Technologie investieren, suchen sie immer nach einem Return on Investment, den sie messen und verfolgen wollen.
Diese Geschäftsphilosophie hat die Tool-Anbieter dazu veranlasst, mehr und mehr Datenanalyse-, Dashboard- und Berichtsfunktionen hinzuzufügen. Wenn man sich heute in ein Tool einloggt, ist die Standard-Landing-Page ein Dashboard mit Analysen und Einblicken, was mittlerweile eine selbstverständliche Erwartung geworden ist. Bis vor ein paar Jahren war das noch nicht der Fall. Früher war BI ein Spezialgebiet, das Spezialisten für Data-Warehouse-Technologien, Data Mining, OLAP, statistische Techniken und Reporting erforderte, aber mit dem Aufkommen von spaltenorientierten Datenbanken, Blob- und Objektspeichern mit einer SQL-ähnlichen Abfrageschicht ist es viel einfacher geworden. Außerdem sind sowohl die Rechen- als auch die Speicherkosten erheblich gesunken, was es den Anbietern von Tools ermöglicht hat, diese Funktionen zusammen mit dem Kernproblem des Unternehmens hinzuzufügen.
Produkte und Lösungen, ganz gleich, ob es sich um Marketing-Automatisierung, Kundenbeziehungen, ein Bankensystem, Reisebuchungen, eLearning, Versorgungsmanagement, eCommerce, Einzelhandel, Landwirtschaft usw. handelt, alle haben Analysefunktionen integriert. Alle verfolgen KPIs, erfassen Daten, führen statistische Analysen durch und liefern Erkenntnisse. Experten nutzen nun künstliche Intelligenz und Techniken des maschinellen Lernens, um nicht nur Vorhersagen zu treffen, sondern auch versteckte Erkenntnisse aus den erfassten Daten aufzudecken und diese als differenzierte Angebote einzuführen.
Business Intelligence (BI) ist nicht mehr auf das Datenmanagement, die Datengewinnung, die Analyse und das Reporting zur Entscheidungsunterstützung einer Organisation beschränkt. Es hat sich von den Vorstandsetagen hinunterbewegt, um den täglichen Geschäftsbetrieb mit Daten zu unterstützen und zu verbessern. Sie verbessert jetzt die digitale Erfahrung und unterstützt sowohl Spezialisten als auch den Normalbürger.
Business Intelligence (BI) ist immersiv geworden.
Daten sind das neue Öl. Daten werden als Informationen definiert, die in eine Form übersetzt wurden, die für die Bewegung oder Verarbeitung effizient ist. Heute sind sowohl die Bewegung als auch die Verarbeitung von Daten einfach, zugänglich und erschwinglich. Big-Data-Tools und -Techniken können viel leichter mit Datensätzen umgehen, die zu groß oder zu komplex für herkömmliche datenverarbeitende Anwendungssoftware sind.
Big Data wird durch die 6 Vs charakterisiert:
Es sind die drei letztgenannten Vs: Veracity, Value und Variability, die verschiedene Arten von Daten in einem geschäftlichen Kontext nützlich machen.
Durch diese Kombination können Lösungen entwickelt werden, die verschiedene Daten zusammen mit Geschäftsdaten nutzen, um neue Wertangebote zu schaffen, die früher nicht möglich waren, wie z.B.:
Business Intelligence ist heute ein fester Bestandteil jedes Produkts und jeder Lösung, unabhängig von der Domäne und dem Nutzen. Das hat die Art und Weise verändert, wie heutige Systeme architektonisch und gestalterisch aufgebaut sind. Architekten bevorzugen immer häufiger eine polyglotte Persistenzschicht gegenüber einem einzelnen Datenspeichermodell, bei dem mehrere Datenspeichertechnologien auf der Grundlage der Art und Weise ausgewählt werden, wie die Daten von den einzelnen Komponenten des Produkts/der Lösung verwendet werden.
Die heutzutage übliche Microservice-Architektur propagiert ebenfalls das Konzept der polyglotten Persistenzschicht. Produkte/Lösungen, die als Microservices aufgebaut sind, können in mehrere Komponentendienste zerlegt werden, so dass jeder dieser Dienste unabhängig eingesetzt werden kann, ohne die Integrität des Produkts zu beeinträchtigen. Kleinere Teams, die sich auf Business-Microservices konzentrieren, besitzen und verwalten die End-to-End-Devops dieser Services. Business Intelligence (BI) ist in einer solchen Lösung ein Business-Microservice mit eigener Datenspeichertechnologie und wird von einem eigenen Team betrieben. Messaging-Middleware, die häufig in hochvolumigen Transaktionssystemen eingesetzt wird, hat einen neuen Nutzen als Datenpipeline-Schicht für Data-Lake-Anwendungsfälle, die maschinelles Lernen (ML) und künstliche Intelligenz (KI) unterstützen.
Es wird erwartet, dass mehr und mehr differenzierte Angebote auf der Basis von BI-, ML- und KI-Funktionen in Geschäftslösungen für verschiedene Bereiche entstehen werden.
Wir erweitern ständig unser Beratungsportfolio. Über 600 Beratungsleistungen haben wir für Sie im Programm. Selbstverständlich lassen sich die einzelnen Themen kombinieren. So erhalten Sie genau die Beratung, die Sie wünschen und brauchen.
Mehr IT-, Online-, Digital-Beratungsleistungen anzeigen >>Sie lernen Power BI als Ganzes kennen – vom Datenimport in Power BI Desktop über Bericht und Dashboard bis zur App im Arbeitsbereich – und wissen danach, welche Lizenz Sie für welchen Schritt brauchen.
Sie erstellen mit Report Builder paginierte SSRS-Berichte, die auf jeder Seite stimmen – mit Parametern, Gruppen, Diagrammen und Indikatoren – und verteilen sie über Webportal, Abonnements und Momentaufnahmen.
Mit SSAS Tabular in Microsoft SQL Server bauen Sie ein zentrales Datenmodell mit Beziehungen, DAX-Measures und Zeitintelligenz, sichern es auf Zeilenebene ab, stellen es bereit und vergleichen es mit semantischen Modellen in Power BI.
Sie entwerfen ein Data Warehouse in SQL Server mit Dimensionen, Faktentabellen und Columnstore-Indizes, sichern Datenqualität und Stammdaten ab und beurteilen, wann Azure Synapse oder ein Fabric Warehouse der bessere Ort ist.
Sie verstehen, wie Daten aus Quellsystemen verlässlich in Auswertungen gelangen, und bauen selbst eine geplante ETL/ELT-Pipeline mit Python, SQL, Spark und Airflow – inklusive Datenqualitätsprüfungen.
Sie entwickeln SSIS-Pakete mit Ablaufsteuerung, Datenfluss und Fehlerbehandlung, stellen sie im SSIS-Katalog bereit und planen sie mit dem SQL Server Agent – und wissen, wie es mit Azure Data Factory und Fabric weitergeht.
Aktuelle und interessante Themen und Beiträge für Sie zusammengetragen und aufbereitet.
Datenkompetenz ist heute so wichtig wie nie zuvor, besonders im Zeitalter von generativer KI wie ChatGPT, Copilot und Gemini. Unternehmen, die ihre Mitarbeitenden im Umgang mit Daten schulen, sichern sich entscheidende Wettbewerbsvorteile. Der Artikel zeigt, warum Daten die Grundlage für intelligente Entscheidungen und Innovation sind und wie du Datenkompetenz in deinem Team gezielt aufbaust. Erfahre, wie KI und Datenkompetenz zusammen ein unschlagbares Duo für die Zukunft bilden.
Die Menge an Daten, die Unternehmen produzieren, wächst jährlich um 40 bis 60 %. Viele Unternehmen stehen vor der Herausforderung, all diese Daten zu verwalten, zu analysieren und zu interpretieren, um Lösungen zu ermöglichen, ihre datenorientierten Teams zu unterstützen und wertvolle Geschäftserkenntnisse zu gewinnen. Hier kommen DataOps (Data Operations)-Methoden ins Spiel.
Ein KPI-Dashboard zeigt auf einen Blick, wo Ihr Unternehmen steht. Wie Sie die richtigen Kennzahlen auswählen, das Dashboard übersichtlich aufbauen und welche Fehler Sie vermeiden sollten – mit Beispielen je Abteilung.
Was bringt Business Intelligence wirklich? Beispiele aus Vertrieb, Controlling, Einkauf, Produktion und Personal, dazu Kosten, Voraussetzungen und typische Fehler – damit Sie den Business Case für Ihr Unternehmen einschätzen können.
Unternehmen waren schon immer auf der Suche nach Tools und Technologien, von denen sie insgesamt profitieren können. Ein wichtiger Schritt in Richtung Digitalisierung ihrer durchgängigen Geschäftsprozesse war die Migration auf ein ERP-System. Um die Einschränkungen der Altsysteme zu umgehen, investieren Unternehmen heute in ERP-Systeme, die ihre Aktivitäten rationalisieren.
Die Welt braucht kluge Entscheidungen. Datenkompetenz ist ein Weg, genau das zu erreichen. Das Erlernen von Datenkompetenz ist vergleichbar mit der Art und Weise, wie man Lesen und Schreiben gelernt hat.
Business Intelligence (BI) führt Unternehmensdaten zusammen und macht sie als Kennzahlen, Berichte und Dashboards nutzbar. Was dazugehört, welche Werkzeuge es gibt und wie Sie Schritt für Schritt einsteigen.
