In den vergangenen Jahren wurde viel darüber diskutiert, ob der Business Intelligence (BI) Begriff nicht veraltet sei. Inzwischen zeigt sich: BI erfreut sich bester Gesundheit, muss aber heutzutage breiter verstanden werden. Denn: Begreifen wir BI als eine datengetriebene Entscheidungsunterstützung, dann ist sie auch die Grundlage für alle modernen Digitalisierungsthemen aus den Bereichen Internet of Things (IoT) und Künstliche Intelligenz (KI).
Also alles in Ordnung und wir können so weitermachen wie gewohnt? Das sicherlich nicht. Denn: Viele BI-Systeme können in der bestehenden Form den neuen Anforderungen immer weniger gerecht werden und verlangen dringend nach einer Modernisierung. Aber was sind die Indikatoren? Woran können Sie erkennen, dass Ihr Business Intelligence System veraltet ist? In diesem Beitrag möchte ich Ihnen fünf typische Anzeichen vorstellen:
- Ihre Systemperformance ist zu niedrig
- Ihre Time-to-Market ist langwierig
- Ihre Kosten steigen stetig
- Ihre Datenqualität ist mangelhaft
- Ihre Analysemöglichkeiten sind unflexibel
1. Ihre Systemperformance ist zu niedrig
Stellen Sie sich vor: Je mehr Daten Sie in Ihr System integrieren, desto langsamer wird es. Bei Ihren Anwendern wächst aufgrund der mangelnden Performance zunehmend die Unzufriedenheit, worunter die Akzeptanz und Nutzung der gesamten Lösung leiden. Das kommt Ihnen bekannt vor? Dann skaliert Ihr System offenkundig nicht richtig.
Ein naheliegender Grund kann veraltete Technik sein. Tatsächlich geraten viele der klassischen Hardware-Lösungen mit den Anforderungen der modernen Datenanalyse zunehmend an ihre Grenzen. Hier hat es sich bewährt, den Schritt in die Cloud zu wagen. Der Vorteil: Sie müssen sich nicht von vornhinein auf schwer kalkulierbare Hardware-Spezifikationen festlegen. Vielmehr können Sie Ressourcen und Dienste flexibel und nach Ihrem aktuellen Bedarf in Anspruch nehmen. Dabei lassen sich Speicher- und Rechenkapazität sogar voneinander trennen. Entsprechend können Sie auch Kosten optimieren.
Allerdings sollte mangelnde Performance nicht reflexartig mit stärkerer Rechenleistung „erschlagen“ werden. Schließlich kann der Grund für die Probleme auch in der Architektur und dem Datenmodell liegen. Denn: Die meisten BI-Lösungen haben mal klein angefangen, etwa mit der einzelnen Anforderung eines Fachbereichs. Erweiterungen lassen sich zunächst problemlos umsetzen und wirken sich auch nicht negativ auf die Systemleistung aus. Mit der Zeit wachsen aber viele Systeme in einem Ausmaß, für das sie niemals konzipiert wurden. Das gilt erst recht in Zeiten von Big Data. Sprich: Irgendwann kippt die Situation und die Lösung wird von Tag zu Tag langsamer. Sie droht unter der Last zusammenzubrechen.
Abhilfe können Sie durch ein passendes Datenmodell schaffen. Beispielsweise ist eine dimensionale Modellierung nach Kimball in einem modernen Analyse-Umfeld gegenüber der dritten Normalform nach Inmon stets zu bevorzugen, da sie einfach, wiederverwendbar und erweiterbar ist. Ebenso gilt es, abhängig von den individuellen Voraussetzungen den richtigen Zeitpunkt für die Modellierung zu bestimmen – sprich: Sollte die Modellierung vor der Datenspeicherung, also „Schema on write“, oder zum Zeitpunkt des Lesens, also „Schema on read“, erfolgen.
2. Ihre Time-to-Market ist langwierig
„Warum dauert es drei Monate, bis ihr uns eine Kennzahl zur Verfügung stellen könnt? Das kann doch nicht so aufwändig sein!“ Diese oder ähnliche Fragen häufen sich, wenn ein Business Intelligence System veraltet ist. Selbst kleine Änderungen erfordern lange Entwicklungszeiten. Das führt nicht nur zu Unzufriedenheit in den Fachbereichen, sondern kann ebenso finanzielle Auswirkungen haben, etwa wenn für neue Produkte entsprechende Kennzahlen erst verspätet bereitstehen.
Der Ursprung liegt auch hier zunächst in einem starren Datenmodell, bei dem sich Anpassungen nur noch mit hohem Zeit- und Kostenaufwand vornehmen lassen. Ein weiterer Grund kann das Vorgehen bei der Entwicklung sein. Zeitdruck führt häufig dazu, dass Änderungswünsche kurzfristig und unkonsolidiert in ein System einfließen. Solche Behelfslösungen werden allenfalls partiell dokumentiert. So entsteht nach und nach eine Art Black Box, die nur noch einzelne Personen durchschauen. Mit diesen Kopfmonopolen und der fehlenden Transparenz nimmt schließlich die Steuerungsfähigkeit des Systems rapide ab.
Agiles Projektmanagement und agile Entwicklungsmethoden können eine mögliche Antwort auf diese Problematik sein. Im Unterschied zu sequentiellen Methoden – wie wir sie aus der IT kennen – bringen sie Dynamik und Flexibilität in Ihr BI-Projekt. Bei uns hat sich beispielsweise ein an Scrum angelehntes Vorgehen etabliert. So können Sie neue Anforderungen umgehend in Ihre Lösung einfließen lassen und bei Bedarf einzelne Funktionen schon frühzeitig in Betrieb nehmen. Wobei so viel klar sein muss: Ist bei einem BI-System erstmal „das Kind in den Brunnen gefallen“, dann hilft oftmals nur ein umfangreiches Redesign.
3. Ihre Kosten steigen stetig
Komplexe, intransparente Systeme sowie veraltete Hard- und Software sorgen natürlich auch für steigende Kosten. Einerseits wächst der Personalaufwand für die Wartung und den Betrieb. Andererseits schlagen Ausgaben für Strom und das eigene Rechenzentrum zu Buche. Nicht zuletzt entgehen Unternehmen handfeste Einkünfte, wenn aktuelle Geschäftsanforderungen nicht zeitnah bedient werden können, weil das Business Intelligence System veraltet ist.
Sinnvolle Einsparpotenziale lassen sich auch in diesem Zusammenhang über die Cloud generieren. Orientierung geben dabei sogenannte Total-Cost-of-Ownership-Rechner, wie ihn beispielsweise Microsoft für sein Azure-Angebot bereitstellt. Auf diese Weise können Sie sich einen ersten Überblick über die Kostenunterschiede verschaffen, die Ihre Lösung im eigenen Rechenzentrum gegenüber einem Cloud-Ansatz aufweist.
4. Ihre Datenqualität ist mangelhaft
Eine hohe Datenqualität ist die Grundvoraussetzung für zuverlässige Analyse-Ergebnisse und somit das Vertrauen Ihrer Anwender in datengetriebenes Arbeiten. Darum sollten bei Ihnen die Alarmglocken lautstark läuten, wenn Ihr System keine konsistenten Aussagen mehr liefert und im Unternehmen abweichende Kennzahlen kursieren.
Der Ursprung eines solchen Wildwuchses liegt oftmals in der bereits angesprochenen, langatmigen Time-to-Market. Fachbereiche nutzen in der Folge immer häufiger das breitgefächerte Angebot an Self-Service-Werkzeugen und Cloud-Diensten, um eigene, „kleine“ Analyselösungen vorbei am unternehmenseigenen BI-System aufzubauen. Das Ergebnis sind voneinander losgelöste Datensilos, die höhere Kosten und mitunter sogar schwerwiegende Fehlentscheidungen herbeiführen.
Agilität ist in diesem Zusammenhang nur eine Maßnahme, um dem Problem Herr zu werden. Idealerweise gründen Sie eine eigenes BI-Gremium, das IT und Fachbereiche eng miteinander verknüpft. Es gilt Regeln und Standards für den Umgang mit Daten aufzusetzen. Zielsetzung ist dabei eine einheitliche, qualitätsgesicherte Datenbasis, die alle Datensilos zusammenführt und zum Anlaufpunkt für sämtliche Analysen der Nutzer wird – und die letztendlich absolut verlässliche Erkenntnisse liefert.
Weitere Ansätze zur Steigerung Ihrer Datenqualität finden Sie in meinem Blog-Beitrag 5 Maßnahmen, durch die Sie Ihre Datenqualität verbessern.
5. Ihre Analysemöglichkeiten sind unflexibel
Keine Frage: Statische Reports auf Basis von historischen Daten haben bis heute ihre Daseinsberechtigung und können in vielen Situationen eine wertvolle Entscheidungshilfe darstellen. Aber was hat Ihr System noch so drauf? Können Ihre Nutzer kreativ mit Daten arbeiten und mal in die Zukunft blicken? Wenn nicht, dann ist auch dies ein Zeichen dafür, dass Ihr Business Intelligence System veraltet ist und eine Modernisierung sinnvoll sein könnte.
Schließlich sind Möglichkeiten der Datenanalyse heutzutage sehr breitgefächert – und damit auch die Ansprüche Ihrer Nutzer. Eine moderne digitale Plattform muss Ad-hoc-Analysen genauso ermöglichen, wie Prognoseszenarien und Ansätze der Künstlichen Intelligenz. Und vieles davon auch gerne automatisiert. Voraussetzung hierfür ist eine geeignete Systemarchitektur sowie ein Datenmodell, das mit Weitsicht geplant und umgesetzt wurde und vor allem leicht erweiterbar ist. Zudem müssen Sie Ihren Mitarbeitern den Zugriff auf relevante Daten und handhabbare Analyse-Werkzeuge gewähren. In unseren Projekten geschieht dies beispielsweise im Rahmen einer Self-Service-Strategie mit interaktiven Power BI Dashboards und Reports, die sich auch mobil abrufen lassen. Ergänzend können Sie Ihren Data Scientists die Möglichkeit geben, mittels Databricks auf einen Data Lake zuzugreifen, um schwierigere Aufgabenstellungen zu lösen oder auch vollkommen neue Zusammenhänge aus Daten zu erschließen.
Und noch ein Hinweis: Richten Sie nicht nur Ihren Blick nach innen. Neben Ihren eigenen Daten gibt es viele externe Einflussfaktoren und Quellen, durch deren Hinzunahme Sie Ihre Analysen flexibler gestalten können und letztlich bessere Erkenntnisse erzielen. Dabei reicht das Spektrum von Daten zum Wetter über den Verkehr bis hin zur Demografie oder Geografie.
Ein kurzes Fazit
Wie Sie sehen, gibt es diverse Faktoren, an denen Sie erkennen können, dass Ihre BI-Lösung in die Jahre gekommen ist. Die Gründe hierfür liegen meist irgendwo zwischen veralteter Technologie, einer starren Architektur mit entsprechendem Datenmodell, mangelnder Agilität sowie fehlender Organisation. Der Effekt ist jedoch immer der gleiche: Ihr System wird von den Anwendern immer weniger genutzt und liefert somit keinen Mehrwert mehr. Gleichzeitig laufen Sie Gefahr, dass Ihr Wettbewerb mit datengetriebenen Lösungen an Ihnen vorbeizieht.
Mitunter reichen einige Modernisierungsmaßnahmen, um die Datenanalyse in Ihrem Unternehmen auf den aktuellen Stand zu bringen. Genauso gibt es aber auch Ausgangslagen, in denen es sinnvoll erscheint, das System vollkommen neu aufzubauen. Wollen Sie wissen, welche Lösung für Sie die richtige ist? Dann informieren Sie sich weiter auf der Seite BI & Data Analytics oder laden Sie unser Whitepaper In 6 Schritten zur Data Driven Company herunter.
Kommentare (0)