Business Analytics versus Business Intelligence

(Artikel vom 09.10.2023) Die verfügbaren Datenmengen wachsen im digitalen Zeitalter stetig. An Chat-GPT erfahren wir momentan, welche Veränderungen in kürzester Zeit in Gang kommen, sobald ein neuer Algorithmus die Welt betritt. Nachfolgend wird gezeigt, welche IT-Architektur Unternehmen für Business Analytics und den Umgang mit Big Data benötigen.

Mit Business Analytics große Datenmengen verarbeiten

Im Zuge der Digitalisierung erleben wir eine enorme Beschleunigung durch die permanente Weiterentwicklung der Technologie. Experten haben errechnet, dass sich die Datenmengen innerhalb der kommenden 3 Jahre verfünffachen werden. Mehr als 50 Prozent der Unternehmen geben zu, dass sie mit dem wachsenden Datenvolumen nicht mehr Schritt halten können. Schon heute bleiben 70 Prozent aller Daten ungenutzt.
Führungskräfte sind sich einig: Unternehmensdaten sind das wertvollste Kapital und sichern langfristig ihre Geschäftsfähigkeit. Doch sie haben vielfach keine Vorstellung, wie sie die Datennutzung technologisch organisieren, die Daten besser vernetzen und daraus einen Mehrwert für ihr Unternehmen generieren. Mit Business Analytics lassen sich deutlich mehr Daten verarbeiten als mit Business Intelligence. Zudem können durch eine erweiterte Analytics-Architektur erweiterte Analyse-Techniken zum Einsatz kommen, wodurch sich Entscheidungen verbessern und Leistungen gesteigert werden.

Eine Vorbereitung auf Big Data ist erforderlich

Big Data verlangt es, nicht nur die internen strukturierten Daten, sondern auch externe und semistrukturierte Daten (z.B. Texte aus Kundenabfragen im Web oder Mobilfunk) sowie unstrukturierte Daten (z.B. Bilder und Tonaufnahmen, die nur mittels KI ausgewertet werden können) zu verarbeiten. Darin liegt der Beginn des Wandels von Business Intelligence (BI) zu Business Analytics (BA). Wer ihn vollziehen will, braucht u.a. eine moderne und agile Daten-Architektur, die mit den neuen Herausforderungen mitwächst und sich an verändernde Bedürfnisse des Managements flexibel anpasst.

Die Grenzen des Data Warehouse

Die meisten Organisationen arbeiten bisher ausschließlich mit Data Warehouse (DWH): einer zentralen Datenbank, die alle unternehmensweit gespeicherten Daten für die Analyse bereitstellt und zur Entscheidungsfindung heranzieht. Doch das DWH ist eine statische, nur für Business Intelligence geeignete Architektur. Aufgrund des rigiden Daten-Ablageschemas wird es vielen dynamischen Anforderungen nicht gerecht. Sobald neue Datenquellen hinzukommen oder sich Geschäftsziele oder Entscheidungskriterien ändern, geraten statische IT-Architekturen an ihre Grenzen.
Versuchen Unternehmen, am DWH festzuhalten, entstehen oft Notlösungen: Mit erheblichem manuellen Aufwand werden abteilungsspezifische Lösungen aufgebaut oder aufrecht erhalten, die ohne Integration teilweise "neben" der IT laufen und fehleranfällig, langsam und kaum verwertbar sind. Im Laufe der Zeit wächst oft die Anzahl der improvisierten Lösungen so an, dass ein "IT-Flickenteppich" - eine gewachsene statt geplante Architektur - entsteht. Es wird "angebaut, umgebaut, eingebaut", dennoch funktioniert das Ganze nicht optimal.

Die Flexibilisierung der Analytics-Architektur: Data Lake und Data Lakehouse

Um das Data Warehouse zu flexibilisieren, empfiehlt sich zunächst, eine bimodale IT einzuführen. Dabei kombiniert man den stabilen, auf Effizienz ausgerichteten Betrieb des DWH (Modus 1) mit einer agilen Struktur zur Bewältigung neuer datentechnischer Herausforderungen (Modus 2). In Ergänzung zum Data Warehouse wird oft ein Data Lake oder ein Data Lakehouse eingeführt. Ein Data Lake ist von vornherein auf die automatisierte Verarbeitung großer Datenmengen ausgelegt, die im Rohformat gespeichert werden und flexibel ohne manuellen Aufwand für sehr unterschiedliche Zwecke verarbeitet werden können.
Das Data Lakehouse ist eine moderne Datenarchitektur, die Elemente von Lake und Warehouse kombiniert. Das ermöglicht die zentrale Speicherung großer Mengen strukturierter und unstrukturierter Daten in einem Repository; gleichzeitig werden Funktionen wie Datenverarbeitung, Abfrageoptimierung und Zugriffskontrolle für analytische Zwecke optimiert. Im Data Lakehouse wird also eine Integration beider Welten angestrebt.
Außerdem sind in einer Analytics-Architektur spezielle Werkzeuge integriert für maschinelles Lernen (Muster-Identifikation), die Vorhersage von Trends und zur Beantwortung komplexer Optimierungsfragen. Eine analytische Architektur erlaubt es beispielsweise, durch Anwendung von Algorithmen - mit einer Eintrittswahrscheinlichkeit von 70 und mehr Prozent - Erkenntnisse darüber zu gewinnen, was zukünftig passieren wird (Predictive Analytics). So lassen sich frühzeitig angemessene und vorausschauende Entscheidungen treffen. Das ist ein wesentlicher Vorteil von Business Analytics.
Im Vergleich dazu kann man mit Business Intelligence bzw. einem Data Warehouse nur strukturierte und vergangenheitsorientierte Daten auswerten (Descriptive Analytics). Es handelt sich um ein Reporting, das nachträglich analysiert, warum und was geschehen ist.
Auf der Basis einer analytischen Architektur - der Voraussetzung für die Anwendung von Business Analytics - kann sich ein Unternehmen aus einer schlüssigen Datenwelt mit entscheidungsrelevanten Informationen versorgen lassen. Das ist der Weg zur datengetriebenen Entscheidungsfindung.

Buch zum Thema "Agile Analytics"

In seinem Buch "Agile Analytics" (Haufe Verlag 2023, ISBN 978-3-648-16435-8) zeigt Dirk Böckmann auf, wie Unternehmen Business Analytics für bessere Entscheidungen nutzen und mithilfe von Agilität architektonisch, prozessual und strukturell so organisieren, dass sie der Dynamik des Wettbewerbs und Big Data gewachsen sind. Sie erfahren, wie Advanced Analytics mit agilen Methoden im Unternehmen implementiert und betrieben werden kann. Dadurch können sie fundiertere Entscheidungen treffen und ihre Leistungsfähigkeit spürbar steigern.
https://www.amazon.de/Agile-Analytics-Unternehmen-Entscheidungen-Leistungen/dp/364816435X/

---