Business Intelligence-Architektur: Schlüsselkomponenten, Vorteile und BI-Team

Obwohl erkenntnisorientierte Unternehmen bekanntermaßen bessere Chancen auf wirtschaftlichen Erfolg haben, geben laut dem Human Impact of Data Literacy Bericht von Accenture nur 32 % der befragten Führungskräfte an, dass ihre Unternehmen einen Mehrwert aus Daten schaffen können. Das sind schlechte Ergebnisse, vor allem vor dem Hintergrund aller hohen Investitionen in Business-Analytics-Initiativen in den befragten Branchen. Die Gründe dafür sind unter anderem:

• BI-Initiativen bleiben reine IT-Projekte, die nicht mit geschäftlichen Prioritäten verknüpft sind
• Niedrige Einführungsraten aufgrund schlechter Benutzererfahrungen und zögerlicher potenzieller Anwender
• Mangelnde Unterstützung durch die Geschäftsleitung
• Technologiebeschränkungen trotz hoher BI-Marktreife

Dieser Umstand hat natürlich viele Unternehmen gezwungen, auf Business-Intelligence-Dienste zurückzugreifen, um nach Möglichkeiten zu suchen, eine Business-Intelligence-Architektur aufzubauen, die perfekt auf die geschäftlichen Anforderungen abgestimmt ist und somit hilft, effektive Entscheidungen zu treffen.

5 Komponenten zum Aufbau einer Business Intelligence-Architektur

1. Datenquellen

Als Datenquelle wird alles bezeichnet, was die digitalen Informationen erzeugt, die BI-Systeme nutzen. Datenquellen können sowohl intern sein, wenn die Informationen innerhalb eines Unternehmens erfasst und gepflegt werden, als auch extern, wenn die Informationen außerhalb des Unternehmens erzeugt werden.

Wenn neue Geschäftsanforderungen formuliert werden, versorgen die Datenquellen die BI-Lösung mit verschiedenen Arten von Informationen (strukturiert, halbstrukturiert oder unstrukturiert), die in Strömen oder Stapeln kommen und in ihrem Volumen von Kilobyte bis Petabyte und mehr variieren. Allerdings sind nicht alle Datenquellen des Unternehmens für die BI-Lösung bestimmt, da einige Informationen möglicherweise unzugänglich, nicht vertrauenswürdig oder für die aktuellen Geschäftsanforderungen einfach irrelevant sind.

2. die Ebene der Datenintegration und des Datenqualitätsmanagements

Der zweite Schritt des BI-Prozesses zielt auf die Konsolidierung von Datensätzen aus verschiedenen Quellen für eine einheitliche Ansicht ab - so werden die Informationen für Analysen und betriebliche Zwecke nutzbar. Es gibt verschiedene Methoden der Datenintegration, deren Wahl von der Art, dem Format und dem Umfang der Informationen sowie dem Zweck - operative Berichterstattung, Geschäftsanalyse, ML-Anwendungsfälle usw.

Extrahieren, Transformieren und Laden (ETL)

Das Extrahieren, Transformieren und Laden (ETL) umfasst das Abrufen von Informationsstapeln aus den Datenquellen, die Konvertierung in ein anderes Format/eine andere Struktur und die Ablage im endgültigen Speicher. Während das Extrahieren und Laden eher mechanisch abläuft, ist die Umwandlungsphase eine komplexe Tätigkeit, die Folgendes umfasst:

• Datenprofilierung - eine detaillierte Untersuchung der Informationen, ihres Typs, ihrer Struktur und ihrer Qualität, die festlegt, welche Art von Transformationen sinnvoll sind.
• Datenmapping - Abgleich der Datenfelder der Quelle mit dem endgültigen Datenfeld.
• Codeerstellung und tatsächliche Ausführung zur Konvertierung von Daten gemäß den Mapping-Regeln.
• Datenaudit, um sicherzustellen, dass die durchgeführte Umwandlung korrekt ist und die Ausgabedaten den festgelegten Anforderungen entsprechen.

Die genauen Transformationen (die vielfältig sind) werden durch Geschäftsregeln definiert. Sie können sein:

• Zusammenfassen mehrerer Spalten zu einer einzigen oder umgekehrt, Aufteilung einer Spalte in mehrere Spalten.
• Das Einfügen von Werten oder die Umrechnung vorhandener Werte ('Männlich' zu 'M', 'Weiblich' zu 'F', oder '1' zu 'Weiblich', '2' zu 'Männlich', usw.).
• Erstellung neuer Berechnungen (z. B. zur Einhaltung unterschiedlicher Buchführungsregeln).
• Umwandlung von Low-Level-Datenattributen in High-Level-Attribute.
• Ableitung neuer Attribute aus den vorhandenen usw.

Extrahieren, Laden und Transformieren

Eine Alternative zum ETL-Prozess ist der ELT-Ansatz, bei dem die Transformation nach dem Laden der Daten erfolgt. Zum einen spart dieser Ansatz Zeit und Ressourcen, zum anderen entspricht er besser den Bedürfnissen von Datenwissenschaftlern und Datenanalysten, die oft mit Rohdaten experimentieren und eine nicht-triviale Transformation durchführen wollen. Das erklärt die vorherrschende Anwendung dieses Ansatzes für ML-, KI- und Big-Data-Szenarien.

Datenreplikation

Der Prozess kann entweder in Stapeln oder in Echtzeitströmen erfolgen und umfasst das Kopieren von Informationen vom Quellsystem zum Zielsystem ohne oder mit nur minimalen Transformationen. Die Datenreplikation wird als optimale Datenintegrationsmethode eingesetzt, wenn ein Unternehmen Daten für die Datensicherung, die Notfallwiederherstellung oder die betriebliche Berichterstattung kopieren muss.

Erfassung von Änderungsdaten

Es handelt sich hierbei um eine Echtzeit-Datenintegrationsmethode, die darauf abzielt, zu erkennen, welche Datenänderungen in den Quellsystemen stattgefunden haben, und den Zielspeicher entsprechend zu aktualisieren.

Datenintegration durch Streaming

Diese Methode impliziert die kontinuierliche Integration von Echtzeitdaten für die betriebliche Berichterstattung, Echtzeitanalysen oder die vorübergehende Speicherung vor der weiteren Verarbeitung.

Datenvirtualisierung

Diese Methode der Datenintegration hebt sich von den anderen ab, da sie keine physische Bewegung von Informationen voraussetzt und eine konsolidierte Datenansicht bietet, indem sie eine einheitliche logische Ansicht schafft, die über eine semantische Schicht zugänglich ist.

Datenqualitätsmanagement

Datenintegration und Datenbereinigung sind zwei parallel ablaufende Prozesse. Daten, die aus mehreren Quellen stammen, können inkonsistent sein, oder es können doppelte Datensätze vorhanden sein. Zusätzlich zu den Problemen, die auftreten, wenn Daten aus zahlreichen Quellen gesammelt werden, können die Daten auch einfach nur von schlechter Qualität sein, da einige Informationen fehlen, in Bezug auf Zeit oder Wert irrelevant sind, usw. Um diese Probleme zu bewältigen, ist die Komponente mit den Technologien strukturiert, die automatisieren:

• Bewertung der Datenqualität und Identifizierung von Datenproblemen (Data Profiling)
• Korrektur von Datenfehlern, Data Scrubbing (Entfernen von doppelten und schlechten Daten), Datenanreicherung, etc.
• Prüfung der Datenqualität anhand der festgelegten Datenqualitätskennzahlen
• Berichterstattung über Datenqualitätsprobleme, Trends, durchgeführte Aktivitäten usw.

3 Datenspeicher

Diese Komponente umfasst verschiedene Repositories, die Daten für die weitere Verarbeitung strukturieren und speichern. Es gibt zwei große Gruppen von Datenspeichern:

Analytische Datenspeicher

Enterprise data warehouse - ein einheitliches Repository mit bereinigten, konsolidierten Daten. Unternehmen verwenden zu diesem Zweck verschiedene Arten von Datenbanken:

• relational (speichert Daten in Zeilen)
• spaltenorientiert (speichert Daten in Spalten)
• multidimensional (speichert Daten in einem Datenwürfelformat)

Data Marts - Datenspeicher, die auf die Analyse- und Berichtsanforderungen bestimmter Benutzergruppen (Abteilungen, Bereiche usw.) zugeschnitten sind. Sie können ein EDW ergänzen oder als eigenständige analytische Repositories fungieren, wie der Ansatz zum Aufbau eines Data Warehouse es definiert.

Ergänzende Repositories

Da die Datenmengen und -inhalte heutzutage sehr unterschiedlich sind, reicht es für ein Unternehmen möglicherweise nicht aus, nur die analytischen Repositories zu haben. Die Speicherung aller Daten in solchen Repositories ist ressourcen- und zeitaufwändig, von den Kosten ganz zu schweigen. Aus diesem Grund richten viele Unternehmen heute, wenn sie nicht über ergänzende Speicher-Repositories verfügen, eine solche Technologieumgebung ein, die eine schnelle Implementierung zusätzlicher Speicher in der Zukunft ermöglicht. Solche Repositories könnten sein:

Operationale Datenspeicher - bevor sie in das Data Warehouse hochgeladen werden, können die Daten in operative Datenspeicher repliziert und dort in ihrem Rohformat gespeichert werden, bis sie mit dem neueren Format überschrieben werden. ODSs speichern aktuelle Informationen zur Unterstützung von Anwendungsfällen wie operativen Berichten und leichtgewichtigen Analyseabfragen (die nicht komplex sind und keine historischen Informationen benötigen).

Ein Data Lake ist ein weiteres Daten-Repository, das in der BI-Umgebung als Ergänzung zu einem EDW eingesetzt werden kann. Meistens wird er verwendet, um umfangreiche Daten in ihrem nativen Format für die Sicherung und Archivierung, die Zwischenspeicherung vor dem Laden von Daten in das EDW oder die weitere Verarbeitung mit ML- und Big-Data-Technologien zu speichern.

4. BI- und Analyseschicht

Diese Schicht umfasst Lösungen für den Zugriff auf und die Arbeit mit Daten und richtet sich an Datenanalysten, Datenwissenschaftler oder Geschäftsanwender.

Diese Schicht spiegelt natürlich den BI-Reifegrad des Unternehmens und seine Datenanalyseziele wider: Für einige Unternehmen sind beschreibende und diagnostische Analysemöglichkeiten ausreichend, andere benötigen umfassende Analysen, die mit ML und KI über eine Self-Service-Benutzeroberfläche unterstützt werden.

Das Portfolio an Tools kann Folgendes umfassen:

• Abfrage- und Berichtstools, um spezifische Informationen abzufragen und Berichte mit den abgeleiteten Erkenntnissen zu erstellen. Die Berichte können den Geschäftsanwendern planmäßig per E-Mail zugestellt werden oder durch bestimmte Ereignisse ausgelöst werden (z. B. durch einen plötzlichen Umsatzrückgang). Sie können auch in Anwendungen eingebettet werden, die Geschäftsanwender täglich nutzen, um die Benutzerfreundlichkeit zu erhöhen und eine schnelle Operationalisierung zu ermöglichen.
• Online-Analytical-Processing-Tools (OLAP-Tools) zum Auf- und Abwärtsrollen, Drilldown, Aufschneiden und Zerlegen usw. von Geschäftsdaten, die zuvor in multidimensionalen Würfeln abgelegt wurden.
• Data-Mining-Tools für die Suche nach Trends, Mustern und verborgenen Korrelationen in Daten.
• ML- und KI-Tools zur Erstellung von Modellen, die Unternehmen bei der Vorhersage zukünftiger Ereignisse, der Modellierung von Was-wäre-wenn-Szenarien, der Automatisierung analytikbezogener Prozesse für Mitarbeiter ohne Fachwissen usw. unterstützen.
• Datenvisualisierungstools zur Erstellung von Dashboards und Scorecards, die dann in einer sicheren Viewer-Umgebung, über eine öffentliche URL oder durch Einbettung in Benutzeranwendungen gemeinsam genutzt werden können.

Wenn die Lösung mit Selbstbedienungsfunktionen ausgestattet ist, können Geschäftsanwender die von speziellen Teams für sie erstellten Berichte und Dashboards nicht nur passiv konsumieren, sondern auch ihre Analysen durchführen, Dashboards und Scorecards erstellen, die vorhandenen Inhalte bearbeiten und ihre Ergebnisse mit Kollegen teilen.

5. Ebene der Datenverwaltung

Dieses Element ist eng mit den anderen vier verflochten, da sein Hauptziel darin besteht, den durchgängigen BI-Prozess zu überwachen und zu steuern. Mit Hilfe von Data-Governance-Standards und -Richtlinien kann ein Unternehmen kontrollieren, wer wie auf die Informationen zugreift, ob die für die Analyse verwendeten Informationen von angemessener Qualität sind und gut geschützt werden usw. All diese Richtlinien und Standards bilden ein Datenverwaltungsprogramm, das mit Data-Governance-Tools mit Funktionen wie den folgenden automatisiert werden kann:

• Datenkataloge - Erfassung von Daten und Katalogisierung mit Kategorien, Tags, Indizes usw., damit sowohl technische als auch geschäftliche Benutzer wissen, welche Daten verfügbar sind, wo sie verwaltet werden, wer auf sie zugreifen kann, welche Sensibilitätsrisiken bestehen usw.
• Geschäftsglossare - maßgebliche Quellen mit den gemeinsamen Definitionen von Geschäftsbegriffen für Geschäftsanwender aus verschiedenen Abteilungen, um Unklarheiten zu beseitigen.
• Low-Code- oder No-Code-Erstellung und -Konfiguration von Data-Governance-Workflows und integrierte Data-Stewardship-Funktionen für Data-Governance-Teams zur Verwaltung datenbezogener Probleme (z. B. Freigabe von Geschäftsglossareinträgen).
• Automatisierte Datenverlaufsdokumentation für das Datenqualitätsmanagement und die Einhaltung von Datenschutzgesetzen.
• Rollenbasierte Zugriffskontrolle zur Festlegung von Benutzerrechten.
• Automatisierte Erstellung von Datenqualitätsmetriken, Messung, Überwachung der Qualitätsstufen usw.
• Zentrales Management von Datenrichtlinien und Standards (Erstellung, Konfiguration, Überwachung der Übernahme und Einhaltung usw.) usw.

Vorteile der BI-Architektur

Maximierter Datenwert

Durch die Implementierung einer BI-Architektur erhält ein Unternehmen eine hochleistungsfähige Informationsmanagement-Umgebung, in der alle Komponenten miteinander verbunden sind und zusammenarbeiten. Mit einem solchen System können Unternehmen bei minimalen manuellen Eingriffen einen maximalen Wert aus ihren Daten ziehen und die Menge an dunklen Daten verringern.

Entlastung der IT-Abteilung

Auch wenn eine BI-Architektur nicht gleichbedeutend ist mit der Selbstständigkeit von Geschäftsanwendern und sie dedizierte IT- und Datenanalyseteams nicht vollständig entlasten kann, entlastet sie die IT- und DA-Abteilungen erheblich von mühsamen Datenverwaltungsaufgaben wie dem Sammeln von Informationen aus Unternehmenssystemen, der Modellierung, der Erstellung von Routineberichten usw.

Steigerung der Effizienz der Geschäftsanwender

Da die Implementierung der BI-Architektur zu gestrafften Informationsmanagement- und Analyseprozessen führt, müssen Geschäftsanwender Entscheidungen nicht mehr aufschieben oder intuitiv treffen.

Kosteneinsparungen

Obwohl die Implementierung einer umfassenden BI-Architektur eine teure Initiative ist, verspricht sie Kosteneinsparungen, denn ein Unternehmen:

• Es müssen nicht mehrere Systeme eingesetzt und betrieben werden, um die spezifischen Analyseanforderungen verschiedener Abteilungen zu erfüllen
• Automatisierung und Vereinheitlichung aller Datenverwaltungsaktivitäten
• Minimiert Fehler, die durch schlechte Datenqualität, ineffiziente Sicherheit usw. entstehen
• Verhindert Schatten-IT