Wohin geht die Reise für die Business Intelligence (BI)? Alle Welt redet von Künstlicher Intelligenz (KI), während die konventionellen Ansätze der Datenanalyse aus dem Diskurs aktueller Trends und Themen weitestgehend verschwinden. Manch ein Expertenkommentar erweckt sogar den Anschein, sie seien inzwischen überflüssig. Aber handelt es sich bei BI tatsächlich um ein Auslaufmodell, das für die Zukunft der Datenanalyse irrelevant ist? Die Praxis in Unternehmen widerspricht dem. Denn: Viele KI-Anwendungen funktionieren nur mit Unterstützung der sorgsam aufbereiteten Daten eines BI-Systems. Im Gegenzug hilft auch die KI der BI, sich zukunftsgerecht weiterzuentwickeln. Es lohnt sich also, das Verhältnis von BI und KI genauer zu beleuchten.
BI unterstützt KI
Noch einmal kurz zum Einstieg: Was ist BI? Nun, im Kern verstehen wir darunter Auswertungen auf Basis historischer Unternehmensdaten, deren Ergebnisse in Reports und Dashboards visualisiert werden. Dafür werden unterschiedliche Datenquellen, wie CRM oder ERP, qualitätsgesichert an einem zentralen Ort – dem Data Warehouse (DWH) – zusammengeführt und bereitgestellt. Insofern dient BI seit jeher vor allem einer effektiven und zuverlässigen Entscheidungsfindung. Demgegenüber hat KI zunächst einmal eine ganz andere Auslegung. Datenaufbereitung ist hier kein Thema. Die Einsatzgebiete sind vielfältig und reichen von Prozessautomatisierungen in der Industrie über unterschiedlichste Prognoseszenarien bis hin zur Bild- und Gesichtserkennung. Ebenso zeigt sich, das KI immer mehr vom einzelnen Anwendungsfall zu einem Bestandteil intelligenter Produkte wird. Dabei kommen meist sehr große Datenmengen – die viel beschworenen Big Data – zum Einsatz, teils unstrukturiert und in Echtzeit.
Was aber hat das noch mit BI zu tun? Selbstverständlich lassen sich die beschrieben KI-Anwendungsfälle nicht allein mit einem DWH umsetzen. Normalerweise liegen solchen Lösungen moderne analytische Plattformen zugrunde, die verschiedene Themen und Technologien unter einem Dach vereinen. Allerdings gehören BI-typische Bausteine im Regelfall auch heute noch dazu. Und das nicht ohne Grund: Beispielsweise sind Echtzeitdatenströme aus Sensoren meistens erst dann verständlich und für KI nutzbar, wenn sie mit spezifischen Stammdaten zusammengebracht werden. Auf diese Weise lassen sich etwa die IDs von Messpunkten konkreten Bauteilen und Einheiten zuordnen. Ein weiteres Beispiel sind Prognosen zu Strommengen bei Energieerzeugern. Hierbei greift die KI laufend auf aktuelle Wetterdaten zu und kombiniert diese mit historischen Daten zur Kapazität, Lage, Leistung und produziertem Strom von Windkraftanlagen. Verknüpft werden die Daten bzw. Quellen jeweils über eine moderne Lambda-Architektur, wie Sie im Blog-Beitrag Erste Schritte: Mit Lambda ins Internet of Things dargestellt ist.
Auch KI braucht eine SVOT
Selbstverständlich gibt es KI-Use-Cases, bei denen Stammdaten nicht erforderlich sind, etwa wenn keine multidimensionalen Berechnungen „On-Demand“ benötigt werden oder Datentransformationen fast ausschließlich auf mathematischen Kalkulationen beruhen. Alles in allem lässt sich aber auch im Fall von KI feststellen: Wer sich verlässliche Prozesse und belastbare Ergebnisse wünscht, der kommt um eine stabile Datenbasis nicht herum. Diese Datenbasis liefert unter anderem die BI bzw. das DWH mit der Single Version of Truth (SVOT) – einem einheitlichen und konsolidierten Anlaufpunkt für sämtliche Analysen der Nutzer.
Die folgende Grafik zeigt grob den Aufbau einer KI-Lösung, die auf diesen SVOT verzichtet:
Als Datenlieferant fungieren mehrere Anwendungen und Quellen, die nicht miteinander kompatibel sind. Dadurch existieren beispielsweise keine einheitlichen Fakten, Dimensionen und Zeitformate, wie es bei dem aufbereiteten Datenbestand eines DWHs der Fall ist. Das Ergebnis ist ein unübersichtliches System, das Daten mit verschiedenen Tools auf unterschiedliche Weise transformiert. Tatsächlich handelte es sich hierbei um einen real existierenden Lösungsaufbau in einem Unternehmen. Diese Architektur zeigt sich als kaum skalierbar, operativ aufwendig und bietet wenig Synergien für weitere Projekte.
Demgegenüber steht eine Architektur, bei der die gesamte Datenorchestrierung und -transformation vom SVOT der klassischen BI übernommen wird:
In diesem Fall stützt sich die KI-Anwendung also vollständig auf historische BI-Daten. Ein solcher Lösungsaufbau bildet beispielsweise eine stabile Basis für ein Churn-Management, wie es im Projektbericht Wie ein Energieversorger Kundenabwanderungen verhindert. dargestellt ist.
KI unterstützt BI
Im Gegenzug kann auch die KI dazu beitragen, die Qualität des BI-Reportings und damit von Geschäftsentscheidungen nachhaltig zu verbessern. Und dabei geht es nicht nur um sprachliche Interaktion beim Aufruf von Informationen oder automatisierte Empfehlungen zum Einsatz von Grafiktypen. Vielmehr können Entwickler bei rückblickenden, deskriptiven Analysen auch sogenannte Clustering Algorithmen nutzen, um Daten automatisch zu gruppieren und strukturieren. Beispielsweise ist bei Kundensegmentierungsanalysen der Kunde eine typische Dimension, die es zu gruppieren gilt. Der Algorithmus kann in diesem Kontext oft viel effektiver eine Klassifikation vornehmen als Menschen.
Ein weiterer Einsatzbereich findet sich bei den „Diagnostic Analytics“, die Fragen nach dem „Warum“ eines Ereignisses beantworten. Dabei werden Eventualitäten mittels Drilldown Suche in hierarchischen Daten diagnostiziert. KI-Algorithmen können in diesem Kontext dazu beitragen, ungewöhnliche Muster als Begründung für ein Ereignis aufzudecken. In der Industrie wird dieses Vorgehen beispielsweise genutzt, um mögliche Indikatoren für Maschinenausfälle zu bestimmen.
Zudem haben wir bereits festgestellt, dass auf der Basis von historischen BI-Daten sehr wohl auch handfeste Prognosen für die Zukunft getätigt werden können. Hierbei leisten KI-Methoden wie Gradient Boosting oder Deep Learning hilfreiche Unterstützung.
Fazit
Wir stellen fest: Heutzutage wird zwar nicht mehr gerne über BI gesprochen. Ihre Verfahrensweisen und Technologien sind aber aus dem KI-Zeitalter nicht wegzudenken. Der Erfolg vieler KI-Anwendungen ist von den qualitätsgesicherten Massendaten im DWH abhängig. Und so bleibt auch die SVOT ein fester Bestandteil von modernen analytischen Plattformen. Damit ist BI zwar nicht mehr der einzige Mittelpunkt der unternehmensweiten Datenanalyse, wie es in früheren Zeiten der Fall war. Die entsprechenden Verfahrensweisen und Technologien gehen zunehmend in den modernen Konzepten auf. Aber sie leistet weiterhin einen wichtigen Beitrag zu klassischen wie auch zukunftsweisenden Analysethemen.
Wollen Sie mehr zu den Möglichkeiten erfahren, die Ihnen BI und KI für Ihr künftiges Wachstum bieten? Dann schauen Sie doch mal auf den Seiten BI & Analytics und Künstliche Intelligenz vorbei oder informieren Sie sich zu unserem Training Künstliche Intelligenz: Einstieg in die Planung von KI-Projekten vorbei.
Kommentare (0)