Business Intelligence

Historie

Bei seinen Forschungen zur selektiven Verbreitung von Informationen prägte Hans Peter Luhn 1958 den Begriff Business Intelligence System [Luhn 1958, S. 314]:

• Business: “Business is a collection of activities carried on for whatever purpose, be it in science, technology, commerce, industry, law, government, defense, et cetera.”

• Intelligence: “Intelligence is … the ability to apprehend the interrelationships of presented facts in such a way as to guide towards a desired goal“.

• Business Intelligence System: „An automatic system is being developed to disseminate information to the various sections of any industrial, scientific or government organization. This intelligence system will utilize data-processing machines for auto-abstracting and auto-encoding of documents and for creating interest profiles for each of the ‘action points’ in an organization.” Both incoming and internally generated documents are automatically abstracted, characterized by a word pattern, and sent automatically to appropriate action points.”

Durch Nutzung der Informationstechnologie sollten das Dokumentenmanagement effizienter gestaltet und die Ausführung spezieller Aktivitäten durch Bereitstellung der für sie relevanten Informationen am Ort der Handlung unterstützt werden. Beim „action point“ kann es sich um einzelne Personen, Gruppen oder eine ganze Organisation handeln.

Luhn’s weit gefasste Definitionen erlauben eine Unterscheidung

1. zwischen individueller, kollektiver und organisationaler Intelligenz,

2. nach Organisationstypen (Enterprise Business Intelligence [Töpfer, Winter 2008], University Business Intelligence [Hummeltenberg 2008b] usw.) und

3. nach Aufgabenfeldern (Operational Intelligence / Process Intelligence, Competitive Intelligence / Strategic Intelligence, Market Intelligence etc.).

Die Geschichte von Business Intelligence-Systemen und (Decision Support-Systemen / DSS) ist vielschichtig, technikgetrieben und durch parallele Entwicklungspfade und Spezialisierungen geprägt [Hummeltenberg, 2010; Power 2007]. Howard Dresner gelang es 1989 im Umfeld eines auf multidimensionalen Datenmodellen aufbauenden Online Analytical Processing (OLAP) [Codd. Et al. 1993], den Begriff Business Intelligence zu popularisieren und auf das Business Performance Measurement zu fokussieren. In Folge entwickelten sich „Data Warehousing“, „Business Intelligence“, „Enterprise Content Management“ und „Knowledge Management“ relativ isoliert. Business Intelligence-Systeme werden vor allem im deutschen Sprachraum als Analytische Informationssysteme verstanden. Seitdem haben Data Warehousing und Business Intelligence-Systeme ein gewaltiges Wachstum, eine zunehmende Bedeutung für das Informations- und Wissensmanagement sowie Paradigmenwechsel und Erweiterungen erfahren:

• ETL-Prozesse wurden um Formen der Daten- und Informationsintegration inkl. Data Cleansing erweitert.
• OLAP wurde um vorhersagende Analysen (Data Mining, Statistik) ergänzt.
• Intranets und Portale erlauben, die Personalisierung und Verteilung der Informationen zu verbessern und die Kommunikation zu beschleunigen.

  BI-Systeme bilden heute einen wesentlichen Baustein zur Umsetzung profitabler, arbeitsteiliger Geschäftsmodelle. Um zu verdeutlichen, daß ihr Einsatz unternehmensweit, unter Einbeziehung von Kunden, Partnern und ggf. weiteren Stakeholdern erfolgt sowie um Funktionen der Entscheidungsunterstützung ergänzt wird, erfährt der Begriff Business Intelligence zuweilen Erweiterungen wie Enterprise Intelligence [Töpfer, Winter 2008] und Enterprise Decision Management (EDM) [Taylor, Raden 2007]. Um einen effektiven organisationsweiten Einsatz von BI-Systemen zu erreichen, empfiehlt es sich, funktionsübergreifende Teams in Form von Business Intelligence Competency Centers (BICC) [Gansor/Totok/Stock 2010] zu bilden.

Konzepte

Business Intelligence unterstützt organisationale Intelligenz bei Wahrnehmung und Monitoring sowie Interpretation und Verstehen. [Nonaka, Takeuchi 1995] beschreiben im SECI-Modell die Wissensgenerierung anhand der Phasen Socialisation, Externalisation, Combination und Internalisation (Wissenskonversion, Wissensspirale). Bei der Externalisierung wird implizites Wissen externalisiert, um seine Kombination zu ermöglichen; bei der Internalisierung wieder in implizites Wissen überführt und anschließend sozialisiert. Das SECI-Modell gilt für Individuen, Gruppen und Organisationen. Es begründet den Intelligence Cycle:

1. Direction: Feststellung der Erkenntnisziele und –bedarfe

2. Collection: Informationssammlung und –integration

3. Processing: Informationstransformation und Analysen

4. Dissemination: Informationsaufbereitung und –verteilung an die Akteure.

Erkenntnisfeld und Charakter der Entscheidungssituation (strategisch vs. taktisch / operativ) bestimmen die Ausprägung der Phasen und die eingesetzten Techniken.

Strategische Entscheidungssituationen haben häufig einen spieltheoretischen, zuweilen militärischen Charakter; sie erfordern ein rasches Agieren. Der Militärstratege John Boyd konzipierte den „Observe – Orient – Decide – Act (OODA) Loop; er zeigt, wie Individuen oder Organisationen auf Umwelteindrücke reagieren [Ullmann 2007]:

• Observation: (1) Sammeln externer Daten, (2) Feststellen von Trends, (3) Beobachtung von Interaktionen mit der Umgebung
• Orientation: (1) Sammeln zusätzlicher Informationen, (2) Analyse und Synthese vor dem Hintergrund bisheriger Erfahrungen, (3) Einordnen der Erkenntnisse
• Decision: (1) Hypothesentests, (2) Entscheiden
• Action: (1) Agieren und Reagieren, (2) Ergebnisse und Reaktionen kontrollieren.

Je schneller der OODA Loop durchlaufen wird, um so eher lassen sich Erkenntnisse über die Umwelt und Reaktionen von Mitbewerbern gewinnen, Aktionen planen und Vorteile erzielen. Training, aber vor allem BI-Systeme vermögen, OODA Loops zu beschleunigen, indem Wahrnehmungszeiten verkürzt, Komplexität reduziert und menschliche Faktoren wie „Verleugnung“ und „emotionale Filter“ unterdrückt werden.

Taktische Entscheidungen betreffen vor allem Prozessgestaltung (Geschäftsprozessmodellierung) und Ressourceneinsatz; operative Entscheidungen und Monitoring sollen eine störungsfreie, optimale Durchführung garantieren. Ein Konzept für die Umsetzung taktischer und operativer BI-Prozesse liefert das Qualitätsmanagement mit dem „geschachtelten“ Plan – Do –Check – Act (PDCA) Cycle (Abbildung 1), wobei der innere Kreis die operative und der äußere die taktische Ebene widerspiegelt:

• Plan: Erkenne eine Verbesserungsmöglichkeit, plane ihre Umsetzung.
• Do: Führe Pilotstudie aus, teste die Auswirkungen der Maßnahme.
• Check: Analysiere und bewerte die Testergebnisse.
• Act: Setze die Maßnahme um und bewerte sie. Berichte über erfolgreiche Implementierungen, revidiere Fehlschläge durch erneutes Durchlaufen des PDCA Cycle.

Abbildung 1: PDCA Cycle

Im PDCA Cycle werden im Gegensatz zum OODA Loop vor allem unternehmensinterne Informationen verarbeitet. Pionieren des Qualitätsmanagements zu Ehren wird er auch als Deming Cycle oder Shewart Cycle bezeichnet.

Design

Eine IT-Unterstützung für BI-Prozesse läßt sich am leichtesten für jene Phasen des SECI-Modells erzielen, in denen explizites Wissen verarbeitet wird. So erklären sich die Kernelemente und Transformationen in Abbildung 2. Vorher erfolgen Problemerkennung und Aufgabenstellung; die gewonnenen Erkenntnisse werden in Form von Berichten, Grafiken, Modellen oder über Datenschnittstellen / Server-Funktionalitäten den Akteuren zur Verfügung gestellt. Die wichtigsten Analysetechniken sind das auf eine retrograde Datenanalyse ausgerichtete OnLine Analytical Processing (OLAP) und die prospektiven Techniken aus Data Mining und Statistik. Die Qualität der gewonnenen Erkenntnisse hängt vom „Information Enhancement“ bei Selektion, Abgleich und Integration von Daten unterschiedlicher Quellen sowie der Datenqualität (Data Cleansing im ETL-Prozeß) ab. Eine abschließende Evaluation kann weitere Intelligence-Prozesse initiieren.

Abbildung 2: Kernelemente und Transformationen in Business Intelligence-Prozessen

Das Design erfordert eine datenzentrierte Architektur mit einheitlichen Datenstrukturen und Semantiken in einem oder mehreren Datenzentren (Data Warehouse / Data Marts). Die Implementierung hängt davon ab, wie die Daten vorliegen (strukturiert / semi-strukturiert / unstrukturiert). Abbildung 3 zeigt eine Hub and Spoke (Nabe- und Speichen-) Architektur zur organisationsweiten Umsetzung von BI-Prozessen, bei der die Datenintegration im Data Warehouse erfolgt.

Abbildung 3: Rahmenarchitektur für Business Intelligence-Systeme

Business Intelligence-Plattformen und Services

Zur Umsetzung der Rahmenarchitektur in Abbildung 3 bieten SQL-Server auf Basis Relationaler Datenbanksysteme (RDBMS) mit Ergänzung um prozedurale SQL-Erweiterungen und

Analysis Services für Online Analytical Processing (OLAP) und Data Mining universelle IT-Infrastrukturen. Beim Online Analytical Processing dominiert das Stern-Schema, bei dem sich der Primärschlüssel der Fakt-Tabelle aus den Fremdschlüsseln der referenzierten Dimensionstabellen zusammensetzt. Bildlich gesprochen bilden die Dimensionstabellen, indem sie sich im Entity-Relationship-Modell um die Fakt-Tabelle gruppieren, einen Stern. Für Data Mining werden folgende Services angeboten:

1. Verfahren für Assoziationsanalysen
2. Cluster-Verfahren (siehe Clustering)
3. Entscheidungsbäume (siehe Klassifikation, statistische Methoden)
4. Naive Bayes-Algorithmen
5. Konstruktion Neuronaler Netze
6. Algorithmen zur Clusterung von Reihenfolgen
7. Zeitreihen-Analysen
8. Lineare Regressionsanalysen
9. Logistische Regressionsanalysen (siehe Logistische Kennlinien)
10. Techniken für das Aufsetzen individueller Data Mining-Modelle.

Zu den Marktführern in diesem Segment zählen Oracle, Microsoft und IBM. Mit dem Excel Add-In Power Pivot bietet Microsoft eine Self-Service Business Intelligence-Plattform am Arbeitsplatz des Endanwenders an. Sie erlaubt ein Online Analytical Processing auf Basis des Pivot-Tabellen-Berichtsgenerators, ggf. ergänzt um weitere von Excel unterstützte Analyse-Techniken inkl. Risiko-Simulation (siehe Risikomanagementsystem) und Tests.

Disziplinen von Business Intelligence

Erkenntnisprozesse laufen in Organisationen auf unterschiedlichen Ebenen und in unterschiedlichen Strukturierungsgraden ab. Sie lassen sich nicht nur nach der Ausrichtung der Entscheidung (strategisch, taktisch, operativ) differenzieren, sondern bedingen auch unterschiedliche Arten an Intelligenz. Eine systemische Betrachtung von organisationaler Intelligenz führt auf fachliche und symbiotische Disziplinen mit verschiedenen Arten von Business Intelligence.

Fachliche Disziplinen

Process / Operational Intelligence: Je nach Anforderungen an die Durchführung und Leistungsmessung (Performance Measurement) unterscheidet man zwischen Process Intelligence und Operational Intelligence. Erstere dient einer effizienten Prozessgestaltung (taktische Sicht); für sie genügt ein periodenorientiertes Update der Prozessinformationen (Periodic Monitoring). Letztere dient einer effektiven Prozessführung und –kontrolle; sie bedingt ein Realtime Monitoring von OLAP- und Data Mining-Analysen. Drohende Engpasssituationen oder Terminüberschreitungen können mittels Simulation erkannt werden. Eine proaktive Operational Intelligence für die Qualitätsüberwachung (Rechnerunterstützte Qualitätssicherung) schließt statistische Methoden / Data Mining ein.

Competitive Intelligence: Competitive Intelligence fußt auf der von Porter begründeten Competitive Analysis. Sie betont die Herausforderungen, die sich durch technischen Fortschritt und zunehmenden Wettbewerb ergeben. Sie soll Informationen über Mitbewerber (Patente, Produkte, Technologien), die Wettbewerbssituation und die ökonomischen Rahmenbedingungen auf den Märkten (Intelligence économique) liefern. Ziel ist, frühzeitig Strategien und taktische Maßnahmen zu ergreifen, um auf sich ändernde Märkte und Wettbewerbssituationen reagieren zu können. Charakteristisch für Competitive Intelligence-Prozesse ist ihr Ad hoc-Charakter (Information on Demand), weshalb die einzusetzenden Techniken und die IT-Workload weniger prognostizierbar sind als bei Process / Operations Intelligence.

Location Intelligence: Globalisierung erfordert umfassende Kenntnisse über Geographie, Kultur und Konsumgewohnheiten. Location Intelligence betont, dass Objekte oder Prozesse stets in einen geographischen Kontext eingebunden sind und Fakten über sie leichter verständlich sind, wenn sie kontextbezogen interpretiert werden. Location Intelligence ähnelt Competitive Intelligence, ist jedoch unabhängig von der Wettbewerbssituation zu sehen. Beispiele für Locational Intelligence-Systeme sind „Geographische Informationssysteme“.

Market Intelligence: Market Intelligence hat ihre Wurzeln in der Marktforschung. Sie zielt auf Informationen über Märkte ab, in denen eine Organisation agiert oder eine Präsenz prüft. Sie dient der Transparenz über den Markt und über künftige Marktentwicklungen.

Customer Intelligence: Customer Intelligence basiert auf aus Kundenhistorien verfügbaren Daten. Die Anforderungen an sie resultieren aus den im Customer Relationship Management (CRM)wahrzunehmenden Aufgaben, wobei zwischen (1) aktivem CRM, (2) operativem CRM, (3) kollaborativem CRM und (4) analytischem CRM differenziert wird. Bei einer Ausrichtung auf die Informationsbedürfnisse im Vertrieb unter Einbeziehung von Daten über das Produkt- bzw. Dienstleistungsangebot spricht man auch von Sales Intelligence. Die unterschiedlichen Aspekte von Customer Intelligence lassen keine einheitliche Beschreibung ihres Prozesses und der im CRM einzusetzenden Techniken zu.

Symbiotische Disziplinen

Collective Intelligence: Collective Intelligence entsteht durch das Zusammenwirken der Elemente einer Organisation. Sie erscheint in unterschiedlichen Ausprägungen bei Meinungsbildung, Koordination und Kooperation / Mensch-Maschine-Interaktion.

Collaborative Intelligence: Collaborative Intelligence beschreibt die Fähigkeit der Mitglieder einer Organisation zur Interaktion und Kooperation.

Fortgeschrittene BI-Analysen

BI-Systeme sind traditionell auf deskriptive Analysen ausgerichtet. Sie erlauben, Vergangenheitsdaten systematisch auszuwerten, und sollen ein flexibles Ad hoc-Berichtswesen mit geeigneter Visualisierung ermöglichen. Die Auswertungen basieren entweder auf einem multidimensionalen Datenmodell (OnLine Analytical Processing / OLAP im klassischen Sinn) oder auf der Anwendung intelligenter Algorithmen zur Analyse und Mustererkennung in Datenbeständen (Data Mining, Text Mining, Web Mining). Jene traditionellen BI-Methoden wurden um folgende Analysetechniken erweitert:

1. Prädiktive Analysen: Mit dem Aufkommen von Data Mining trat zugleich eine zukunftsbezogene Orientierung in Form von Prognosen und Realtime Scoring (Predictive Analytics) hinzu. Prädiktive Analysen erlauben durch Vergleich von aktuellen und Vergangenheitsdaten, Chancen (z.B. Erkennen von Kundenverhalten mittels Warenkorb oder Clickstream-Analysen) und Risiken (z.B. bei Qualitätssicherung, Betrugsverdacht) zu erkennen.

2. Präskriptive Analysen: Gelingt es, Entscheidungsprozesse zu automatisieren, indem die Ergebnisse aus prädiktiven Analysen mit Geschäftsregeln oder Modellen verknüpft werden, um Aktionen vorzuschlagen, so spricht man von Präskriptiven Analysen beim Decision Engineering.

Die klassischen BI-Systeme werden zusammen mit diesen beiden Erweiterungen unter „Advanced Analytics“, „Business Analytics“ oder „Analytischen Informationssystemen“ (Chamoni, Gluchowski 2010) zusammengefasst.

Technologische Entwicklung

Die Technologische Entwicklung von BI-Systemen ist eng mit der des WWW verknüpft, so dass man folgende Nachfolgegenerationen (Versionen) klassischer BI-Systeme unterscheidet:

• Business Intelligence 2.0, kurz: BI 2.0

• Business Intelligence 3.0, kurz: BI 3.0

Business Intelligence 2.0 bezeichnet in Analogie zu Web 2.0 jene Generation von BI-Systemen, die infolge des WWW und von Web Services entstand. Die Web-Technologie erlaubt Anwendern, sich von proprietären BI-Frontends unabhängig zu machen, indem sie sich über Thin Clients mit Browsern den Zugang zu BI-Systemen verschaffen. Web Services liefern eine adaptive Middleware für einen flexiblen Zugang zu Realtime-Daten und fördern den Datenaustausch über HTML-Seiten und XML-Files. So erlaubt Information Dashboard Design (Few 2006), in einem Portal verschiedene Web-Komponenten zu benutzerindividuellen Berichten (Interactive Digital Dashboards) zusammenzustellen. Mit den Kollaborationsmöglichkeiten unter Web 2.0 fördert Business Intelligence 2.0 die Organisationale Intelligenz.

Bei Business Intelligence 3.0 werden BI-2.0-Systeme um Komponenten des Semantischen Web (Web 3.0) ergänzt. Hierzu bedarf es der Entwicklung von Konzepten zur Wissenspräsentation und des Text Mining resp. der Analyse von Kommunikationsinhalten. Durch Erstellen von Kontextbezügen erlauben BI 3.0-Systeme eine Personalisierung von Präsentation und Analysen, eine situationsgerechte Informationsverteilung (Dissemination) und mittels Social Media Analytics eine aktive Steuerung der Kommunikation in sozialen Netzen. Vision von BI 3.0 ist eine service-orientierte BI-Architektur: (1) BI on Demand, (2) BI im Abonnement, (3) Pay BI, i.e. BI-Plattformen und -Analysen als Service.

---

Literatur

Chamoni, P.; Gluchowski, P. (Hrsg.): Analytische Informationssysteme, 4. Aufl., Berlin/Heidelberg 2010.

Codd, E.F.; et al.: Providing OLAP to User-Analysts: An IT Mandate. Ohne Ortsangabe 1993.

Few, Stephen: Information Dashboard Design: The Effective Visual Communication of Data. Sebastopol, CA, 2006.

Gansor, T.; Totok, A.; Stock, St.: Von der Strategie zum Business Intelligence Competency Center (BICC). München/Wien 2010.

Hummeltenberg, W.: Disziplinen von Business Intelligence. In: von Kortzfleisch, H.F.O.; Bohl, O. (Hrsg.): Wissen, Vernetzung, Virtualisierung, Lohmar – Köln 2008a, S. 41-56.

Hummeltenberg, W.: Business Intelligence im Universitätsmanagement. In: Freidank, C.-Chr.; Schäfer, W. (Hrsg.): Lehre und Forschung – Zur Neuordnung der Universitäten in Deutschland, München 2008b, S. 239-258.

Hummeltenberg, W.: Vom Content Management zum Enterprise Decision Management – eine Chronologie der Business Intelligence-Systeme. In: (Chamoni, Gluchowski 2010, S. 17-36).

Luhn, H. P.: A Business Intelligence System. IBM Journal, Oct. 1958, 314-319.

Nelson, G.S.: Business Intelligence 2.0: Are we there yet? SAS Global Forum 2010,http://support.sas.com/resources/papers/proceedings10/040-2010.pdf (Abruf 5.9.2012).

Nonaka, I.; Takeuchi, H.: The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation. New York 1995.

Power, D.J.: A Brief History of Decision Support Systems, Version 4.0. DSSResource.COM, http://DSSResources.COM/history/dsshistory.html, version 4.0, March 10, 2007 (Abruf 11.8.2008).

Taylor, J.; Raden, N.: Smart Enough Systems: How to Deliver Competitive Advantage by Automating Hidden Decisions. Indianapolis 2007.

Töpfer, J.; Winter, R. (Hrsg.): Active Enterprise Intelligence – Unternehmensweite Informationslogistik als Basis einer wertorientierten Unternehmenssteuerung. Berlin/Heidelberg 2008.

Ullmann, D.G.: „OO-OO-OO!“ The Sound of a Broken OODA Loop. CrossTalk, Apr 2007 Issue.