19.12.2019
Von Peter Hecker, Inhaber von HECKER CONSULTINGBusiness Intelligence (BI) einfach erklärt: Definition, Bausteine von der Datenquelle bis zum Dashboard, gängige Werkzeuge und der Einstieg in fünf Schritten.
Montagmorgen, Besprechung der Geschäftsleitung. Der Vertrieb meldet ein Umsatzplus, das Controlling sieht ein Minus, und die Produktion hat wieder andere Zahlen. Alle drei haben recht – jeder hat nur aus einem anderen System, zu einem anderen Stichtag und mit einer anderen Definition von „Umsatz“ gerechnet. Die erste halbe Stunde der Sitzung geht für die Frage drauf, welche Zahl stimmt.
Genau dieses Problem löst Business Intelligence. Die kurze Antwort auf die Frage „BI – was ist das?“ lautet: Business Intelligence (BI) ist das Zusammenführen, Aufbereiten und Darstellen von Unternehmensdaten, damit Menschen auf einer gemeinsamen Zahlenbasis bessere Entscheidungen treffen. Dazu gehören Technik (Datenbanken, Schnittstellen, Auswertungsprogramme), Methoden (Kennzahlen, Berichte, Analysen) und Regeln (wer welche Zahl verantwortet). Am Ende stehen Berichte und Dashboards, die zeigen, was im Unternehmen passiert ist und gerade passiert.
Der Begriff ist älter, als viele denken. Schon in den 1950er-Jahren beschrieb ein IBM-Forscher ein „Business Intelligence System“; populär wurde der Ausdruck ab 1989, als der Analyst Howard Dresner, später lange beim Marktforscher Gartner, ihn als Oberbegriff für Software zur Entscheidungsunterstützung vorschlug. Seitdem hat sich die Technik stark verändert, das Ziel nicht: Daten, die in vielen Systemen verstreut liegen, sollen zu verlässlichen Informationen werden.
BI beantwortet vor allem drei Arten von Fragen:
Fachleute sprechen dabei von deskriptiver Analytik (beschreibend) und diagnostischer Analytik (ursachenforschend). Ein typisches BI-System liefert damit vor allem Kennzahlen, auch KPIs (Key Performance Indicators) genannt, sowie Vergleiche mit Vorjahr, Plan oder Benchmark. Wie man daraus ein übersichtliches Cockpit baut, zeigt der Beitrag KPI-Dashboard erstellen.
Ein BI-System ist kein einzelnes Programm, sondern eine Kette. Jedes Glied hat eine eigene Aufgabe, und die Kette ist nur so gut wie ihr schwächstes Glied.
Am Anfang stehen die Systeme, in denen die tägliche Arbeit stattfindet: das ERP-System (Warenwirtschaft und Buchhaltung, etwa SAP, Microsoft Dynamics 365 oder Mittelstandslösungen wie proALPHA), das CRM für Kundenkontakte, der Webshop, die Zeiterfassung, Maschinensteuerungen – und nicht zuletzt unzählige Excel-Dateien. Hinzu kommen externe Daten wie Wechselkurse, Wetter- oder Marktdaten.
Die Rohdaten müssen aus diesen Systemen geholt, bereinigt und vereinheitlicht werden. Klassisch heißt das ETL: Extract, Transform, Load – extrahieren, umwandeln, dann laden. Bei ELT werden die Rohdaten zuerst in die Zielplattform geladen und erst dort umgeformt, was mit günstigem Cloud-Speicher und viel Rechenleistung üblich geworden ist. In diesem Schritt passiert die eigentliche Fleißarbeit: doppelte Kunden zusammenführen, Artikelnummern aus zwei Systemen abgleichen, Datumsformate vereinheitlichen. Wer hier tiefer einsteigen will, findet im Seminar Business Intelligence (BI) in der Praxis den Weg von der Quelle bis zum Bericht.
Die aufbereiteten Daten landen in einem zentralen Speicher. Das Data Warehouse ist eine für Auswertungen optimierte Datenbank mit sauber strukturierten Tabellen. Der Data Lake nimmt auch unstrukturierte Daten wie Protokolldateien oder Dokumente in ihrer Rohform auf. Das Lakehouse verbindet beides: günstiger Speicher wie beim Data Lake, darüber Tabellen mit der Ordnung eines Warehouse. Plattformen wie Microsoft Fabric und Databricks setzen auf dieses Prinzip, Snowflake und Google BigQuery unterstützen es inzwischen über das offene Tabellenformat Apache Iceberg. Für ein kleines Unternehmen reicht anfangs oft auch eine gewöhnliche SQL-Datenbank.
Das Datenmodell beschreibt, wie die Tabellen zusammenhängen: Umsätze (die sogenannten Fakten) werden mit Kunden, Artikeln, Regionen und dem Kalender (den Dimensionen) verknüpft. Bewährt hat sich das Sternschema, bei dem eine Faktentabelle in der Mitte steht und die Dimensionen sternförmig darum liegen. Hier wird auch festgelegt, wie eine Kennzahl berechnet wird – zum Beispiel, ob „Umsatz“ mit oder ohne Gutschriften zählt. Früher sprach man von Datenwürfeln (OLAP-Cubes); heute erledigen das meist die Datenmodelle der BI-Werkzeuge selbst.
Die sichtbare Spitze sind Berichte und Dashboards: Tabellen, Diagramme, Ampeln und Filter, die im Browser, in Teams oder auf dem Smartphone erscheinen. Self-Service-BI bedeutet, dass Fachabteilungen eigene Auswertungen bauen, ohne für jede neue Frage die IT einzuschalten. Das funktioniert gut, wenn das Datenmodell zentral gepflegt wird und die Fachabteilungen darauf aufsetzen. Ohne diese gemeinsame Basis entsteht dagegen schnell wieder das Montagsproblem vom Anfang – nur mit schöneren Diagrammen.
Der Markt ist groß, doch einige Namen begegnen Ihnen immer wieder:
Meine Einschätzung: Die Werkzeugwahl wird überschätzt. Die großen Produkte können alle Diagramme zeichnen, Daten filtern und Berichte verteilen. Entscheidend ist, was schon im Haus ist (Microsoft 365, SAP, Google), wer die Lösung betreuen soll und wie gut die Datenbasis ist. Ein Überblick über Werkzeuge und Seminare findet sich im Themenbereich Analytics und Business Intelligence (BI).
Die Begriffe werden oft durcheinandergeworfen. Eine grobe Faustregel hilft:
In der Praxis verschwimmen die Grenzen. Moderne BI-Werkzeuge bringen einfache Prognosen und KI-Funktionen mit, und Data-Science-Modelle liefern ihre Ergebnisse häufig über ein BI-Dashboard aus. Die Faustregel bleibt trotzdem nützlich: BI schafft die verlässliche Zahlenbasis, auf der weiterführende Analysen aufbauen.
BI ist längst kein Spielzeug für Statistiker mehr. Typischerweise gibt es vier Gruppen:
Neu hinzugekommen ist eine fünfte Rolle, die in kleinen Unternehmen oft dieselbe Person übernimmt: der oder die Datenverantwortliche, die festlegt, wie eine Kennzahl definiert ist und welche Quelle als maßgeblich gilt. Ohne diese Rolle bleibt jedes BI-Projekt ein Technikprojekt.
Viele BI-Vorhaben scheitern nicht an der Technik, sondern daran, dass sie zu groß anfangen. Ein schrittweiser Einstieg hat sich bewährt:
Für den Start genügt oft ein Werkzeug, das ohnehin lizenziert ist. Power BI Desktop ist ein kostenloser Download, mit dem Sie Berichte bauen können; erst das Teilen im Unternehmen erfordert in der Regel Lizenzen wie Power BI Pro oder Premium Per User.
Zwei Entwicklungen verändern BI derzeit spürbar. Erstens die Cloud: Datenplattformen lassen sich mieten statt selbst betreiben, was den Einstieg auch für kleinere Unternehmen erschwinglich macht. Zweitens generative KI: Assistenten wie Copilot in Power BI erstellen auf Zuruf Diagramme, fassen Berichte zusammen oder beantworten Fragen wie „Welche Region ist im September am stärksten gewachsen?“ – offiziell unterstützt Microsoft dabei bislang nur Englisch.
Überschätzt wird dabei, was die KI aus schlechten Daten machen kann. Sind Kundenstämme doppelt angelegt oder Kennzahlen unklar definiert, liefert auch der beste Assistent nur schnell formulierte falsche Antworten. Datenschutz bleibt ebenfalls ein Thema: Sobald personenbezogene Daten im Spiel sind, gelten die Regeln der DSGVO, und bei Auswertungen über Beschäftigte hat in vielen Unternehmen der Betriebsrat mitzureden. Für die meisten Unternehmen lohnt sich BI trotzdem – nicht wegen bunter Diagramme, sondern weil sie endlich mit einer gemeinsamen Zahl arbeiten. Welche Entscheidungen dadurch konkret besser werden und was das kostet, zeigt der Beitrag Der Nutzen von Business Intelligence.
Excel ist das meistgenutzte Auswertungswerkzeug überhaupt, und mit Power Query und Power Pivot steckt sogar BI-Technik darin. Zur Business Intelligence wird es aber erst, wenn Daten automatisch aus den Quellen kommen, Kennzahlen einheitlich definiert sind und nicht jede Abteilung ihre eigene Kopie pflegt.
Ja, wenn es eine konkrete Frage gibt, die regelmäßig Zeit kostet – etwa das monatliche Zusammenkopieren von Umsatzzahlen. Mit Cloud-Werkzeugen und einem überschaubaren Datenmodell ist ein Einstieg ohne eigene Server möglich.
Ein erster, gut abgegrenzter Anwendungsfall ist oft in wenigen Wochen umsetzbar. Eine unternehmensweite BI-Landschaft mit vielen Quellen ist dagegen ein Vorhaben über Monate und Jahre – und eigentlich nie ganz fertig.
Für das Lesen von Dashboards genügt Zahlenverständnis. Wer Berichte baut, sollte Grundlagen der Datenmodellierung und eine Abfragesprache wie DAX oder SQL kennen. Wichtiger als jede Technik ist aber das Verständnis für die Geschäftsprozesse, die hinter den Zahlen stehen.
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 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.
