Von Rohdaten zu Erkenntnissen
Was ist Business Intelligence?
Business Intelligence ist der Weg von verstreuten Rohdaten zu besseren Entscheidungen. Dafür werden Daten aus CRM, ERP, Buchhaltung und Excel zusammengeführt, geprüft und verbunden, bis ein verlässliches Bild entsteht. Gut gemacht zeigt es nicht nur, was passiert ist, sondern hilft zu verstehen, warum.
Qualitäts- und Unternehmenssteuerung
W. Edwards Deming
„W Edwards Deming“ von Andriana18, 2018
Quelle: Wikimedia Commons · Lizenz: CC BY-SA 4.0 · Bildnachweis
Bearbeitung: Bildlich bearbeitet (KI-gestützt) nach einer Vorlage von Andriana18, CC BY-SA 4.0. Änderungen: freigestellt, aus der sehr kleinen Vorlage (150 × 157 Pixel) KI-gestützt rekonstruiert und hochskaliert. Die Bearbeitung steht unter derselben Lizenz, CC BY-SA 4.0. Bearbeitet von Today is Life.
Deming war überzeugt, dass man Unternehmen nicht allein nach Erfahrung und Bauchgefühl steuern sollte. Man muss Prozesse messen, Zusammenhänge verstehen und aus den Ergebnissen lernen. Daten waren für ihn deshalb nie das Endprodukt. Sie waren die Grundlage für bessere Entscheidungen und kontinuierliche Verbesserung. Genau dort beginnt auch Business Intelligence: Nicht beim Dashboard – sondern bei der Entscheidung, die dadurch besser wird.
Auf dieser Seite
Die Daten müssen erst einmal zusammenkommen
Das Grundproblem von Business Intelligence hat sich in den vergangenen Jahrzehnten erstaunlich wenig verändert.
Die interessanten Informationen liegen fast nie an einer Stelle.
Der Kunde steht im CRM. Seine Rechnungen liegen im ERP. Kosten kommen aus der Finanzbuchhaltung. Produktionsdaten aus einem anderen System. Dazu gibt es Excel-Dateien, CSV-Exporte, APIs und meistens mindestens eine Datenquelle, von der niemand mehr genau weiß, wer sie eigentlich einmal gebaut hat.
Im Krankenhaus wird es nicht übersichtlicher. Patienten, Fälle, Diagnosen, Prozeduren, Bewegungen, Kosten, Erlöse, Personal- und Qualitätsdaten stammen aus unterschiedlichen Systemen und haben trotzdem miteinander zu tun.
Business Intelligence bringt diese Informationen zusammen.
Dafür werden Daten geladen, geprüft, vereinheitlicht und miteinander verbunden. Früher sprach man fast immer von ETL, also Extract, Transform, Load. Heute gibt es ELT, Data Lakes, Lakehouses, Streaming und noch einige Begriffe mehr, die man kennen kann, aber nicht kennen muss.
Die Aufgabe dahinter ist dieselbe geblieben: Aus vielen einzelnen Datenbeständen muss ein verlässliches Bild entstehen.
Denn eine KI macht aus schlechten Daten keine guten Daten. Sie macht höchstens schneller eine sehr überzeugend klingende falsche Auswertung daraus.
Dann kommt der Zusammenhang
Das ist für uns der eigentlich interessante Teil.
Ein Unternehmen besteht nicht aus Tabellen.
Kunden kaufen Produkte. Produkte werden geliefert. Mitarbeiter betreuen Kunden. Rechnungen gehören zu Aufträgen. Aufträge entstehen zu bestimmten Zeitpunkten und an bestimmten Orten.
Die Daten bilden diese Beziehungen ab.
Klassische BI hat daraus häufig Berichte gebaut. Moderne BI kann weitergehen und diese Beziehungen selbst zum Gegenstand der Analyse machen.
Wenn ich einen Kunden auswähle, möchte ich nicht nur seine Stammdaten sehen. Ich möchte sehen, welche Produkte er gekauft hat, wann er sie gekauft hat, welcher Verkäufer ihn betreut, welche Reklamationen es gab und welche anderen Informationen damit zusammenhängen.
Wähle ich zusätzlich ein Produkt aus, verändert sich dieser Datenraum. Bestimmte Werte gehören noch dazu. Andere nicht mehr.
Und auch das, was nicht dazugehört, kann ausgesprochen interessant sein.
Das ist der Unterschied zwischen einem Bericht und einer Analyse.
Ein Bericht beantwortet eine vorher bekannte Frage. Analyse führt meistens zur nächsten.
Und jetzt kommt KI
Seit generative KI in praktisch jede Software eingebaut wird, könnte man auf die Idee kommen, dass sich das ganze Thema Business Intelligence bald erledigt hat.
Man fragt einfach die KI: Warum ist unser Umsatz im Norden im zweiten Quartal zurückgegangen? Und die KI antwortet.
So wird ein Teil der Zukunft von BI tatsächlich aussehen.
Nur steckt hinter dieser scheinbar einfachen Frage ein ziemlich großes Problem.
Was ist Umsatz?
Netto oder brutto? Fakturiert oder gebucht? Mit oder ohne Storno? Nach Rechnungsdatum, Leistungsdatum oder Zahlungseingang?
Was ist Norden?
Und welches zweite Quartal meinen wir eigentlich?
Menschen in einem Unternehmen wissen häufig aus dem Zusammenhang, was gemeint ist. Eine Maschine braucht diesen Zusammenhang ebenfalls.
Deshalb wird ein sauberer semantischer Unterbau mit KI nicht überflüssig. Er wird wichtiger.
Ein modernes BI-System muss nicht nur wissen, wo eine Zahl gespeichert ist. Es muss ihre Bedeutung kennen. Welche Dimensionen gehören dazu? Wie wird eine Kennzahl berechnet? Welche Tabellen hängen miteinander zusammen? Welche Zeitlogik gilt? Welche Einheit wird verwendet?
Erst dann kann eine KI sinnvoll mit Unternehmensdaten arbeiten.
Sonst haben wir einen ausgesprochen eloquenten Praktikanten mit Zugriff auf die Datenbank.
Die Oberfläche wird sich verändern
Dashboards werden deshalb nicht verschwinden.
Manche Dinge möchte man einfach sehen. Umsatzentwicklung, Auslastung, Kosten, Qualität oder Planabweichungen muss niemand jeden Morgen neu erfragen.
Aber neben das Dashboard tritt etwas Neues.
Wir können mit Daten sprechen.
Warum ist diese Zahl so hoch?
Welche Kundengruppe ist dafür verantwortlich?
Zeig mir nur Fälle, bei denen dieser Effekt ebenfalls auftritt.
Was unterscheidet diese Kunden von den anderen?
Eine KI kann solche Fragen übersetzen, Analysen durchführen, Auffälligkeiten suchen und mögliche Erklärungen liefern.
Interessant wird es aber, wenn sie dabei nicht jedes Mal eine isolierte SQL-Abfrage erzeugt, sondern sich in demselben Datenmodell bewegt wie der Benutzer.
Der Mensch wählt etwas aus. Die KI untersucht es weiter. Die KI findet eine Auffälligkeit. Der Mensch verfolgt sie.
Aus Business Intelligence wird damit weniger ein Stapel fertiger Auswertungen und mehr ein gemeinsamer Arbeitsraum für Mensch, Daten und KI.
Genau in diese Richtung entwickeln wir unsere eigene Technologie.
Wer darf eigentlich was sehen?
Mit KI wird noch ein anderes, ziemlich altes BI-Thema plötzlich wieder sehr aktuell: Berechtigungen.
Ein Dashboard ist relativ einfach zu kontrollieren. Der Benutzer bekommt bestimmte Berichte und innerhalb dieser Berichte bestimmte Daten.
Eine KI ist neugieriger.
Wenn sie selbstständig Fragen beantworten, Zusammenhänge untersuchen und Daten aus unterschiedlichen Bereichen kombinieren darf, reicht es nicht mehr, einfach einen Menüpunkt auszublenden.
Die Berechtigung muss an den Daten hängen.
Ein Vertriebsmitarbeiter darf vielleicht seine Kunden sehen, der Vertriebsleiter seine Region und die Geschäftsführung das gesamte Unternehmen. Personaldaten dürfen nur bestimmten Rollen zur Verfügung stehen. Im Krankenhaus kommen besonders geschützte Gesundheitsdaten hinzu.
Und diese Regeln müssen auch dann gelten, wenn niemand mehr auf einen Bericht klickt, sondern einfach fragt: Zeig mir alle Mitarbeiter mit ungewöhnlich vielen Krankheitstagen.
Technisch kann eine KI diese Frage vielleicht beantworten. Das bedeutet noch lange nicht, dass sie es darf.
Deshalb gehören Berechtigungen für uns in das Datenmodell selbst. Sie müssen für Dashboards, freie Analyse, APIs und KI gleichermaßen gelten.
Die KI bekommt keine Sonderrechte, nur weil sie freundlich formuliert.
Business Intelligence wird damit eigentlich wieder interessanter
Wir arbeiten deshalb an einer BI-Architektur, die einige Dinge zusammenführt, die heute häufig getrennt betrachtet werden.
Daten werden aus unterschiedlichen Quellen geladen und miteinander verbunden. Ihre Beziehungen bleiben erhalten und können assoziativ untersucht werden. Kennzahlen und Dimensionen bekommen eine eindeutige fachliche Bedeutung. Berechtigungen werden Bestandteil dieses Modells.
Und darüber können unterschiedliche Arten der Nutzung entstehen.
Ein klassisches Dashboard.
Eine freie Analyse.
Eine Anwendung.
Eine API.
Oder eine KI, die das Modell versteht und innerhalb der für den jeweiligen Benutzer geltenden Regeln damit arbeitet.
Dabei soll die KI nicht einfach Antworten erfinden, die irgendwie plausibel klingen. Sie soll nachvollziehen können, welche Daten und Zusammenhänge zu einer Aussage geführt haben.
Denn spätestens wenn jemand aufgrund einer Analyse Geld ausgibt, einen Prozess verändert oder eine medizinische, wirtschaftliche oder organisatorische Entscheidung trifft, wird eine Frage wieder erstaunlich wichtig: Wie sind wir eigentlich darauf gekommen?
Das war schon bei Deming eine ziemlich gute Frage. Mit KI wird sie nicht schlechter.