Start BI Business Intelligence 3.0 nutzt Smart Data

Business Intelligence 3.0 nutzt Smart Data

In den meisten Unternehmen zählen Berichtswesen, Performance-Management, Planung und Controlling mittlerweile zum Business Intelligence (BI)-Repertoire. Die Möglichkeiten von Predictive und Prescpriptive Analytics sowie Big Data und Machine Learning nutzen dagegen noch die wenigstens – eine liegengelassene Chance für Umsatzwachstum und Kostensenkung.

KOSTEN RUNTER, UMSATZ RAUF. Es gibt wohl kaum einen Unternehmenslenker, der dieses Ziel nicht anstrebt. Um es zu erreichen, müssen sie die richtigen Entscheidungen treffen. Viele verlassen sich dabei noch immer auf ihre Erfahrung und Intuition, wie eine PWC-Studie ermittelte: 41 Prozent der befragten Konzernlenker in Deutschland gaben das an. Immerhin 52 Prozent der deutschen Unternehmen nutzen laut der Studie aber bereits fortgeschrittene Formen der Datenanalyse wie etwa prädiktive (prognose-basierte) und präskriptive (handlungsempfehlende) Analysemethoden.

Smart Data verstehen Mensch und Maschine

Aus gutem Grund betont Dr. Siegmund Priglinger, Leiter des BI-Competence Center der Trovarit: „Business Intelligence 3.0 kann mehr als Berichte erstellen, also die Vergangenheit beschreiben.“ Bei der klassischen Business Intelligence geht es laut dem BI-Experten zwar auch darum, Informationen so aufzubereiten, dass sich fundierte Entscheidungen treffen lassen. „Aber immer von Menschen“, bemängelt Dr. Priglinger, und ergänzt: „Die Beispiele der Industrie-, Energie- und Finanzbranche zeigen aber, dass wir uns nicht auf den Menschen als Nutzer von Informationen beschränken dürfen.“

Bei Business Intelligence 3.0 gehe es dagegen auch darum, mithilfe von Datenintegration, Machine Learning und Algorithmen relevantes Wissen zu generieren und den beteiligten Systemen, sei es Mensch oder Maschine, zur Verfügung zu stellen. „Ein zentraler Aspekt von Business Intelligence 3.0 ist, dass sowohl der Mensch als auch die Maschine Nutzen aus diesen Smart Data ziehen können“, erklärt Dr. Priglinger. Business Intelligence aus heutiger Sicht bedeute daher, sich über Funktionsgrenzen hinweg mit Daten und ihren Möglichkeiten zur Nutzung zu beschäftigen.

Daten aus den operativen Systemen der Unternehmen sollen daher beispielsweise mit Sensor-, Lieferanten-, Kunden- und anderen Marktdaten kombiniert und gemeinsam analysiert werden. So lassen sich daraus Schlüsse für die Strategie und die Ausrichtung der Unternehmen ziehen. Und nur so könnten Unternehmen das sich schnell verändernde Umfeld besser verstehen und mit neuen beziehungsweise veränderten Dienstleistungen und Produkten darauf reagieren.

Machine Learning automatisiert manuelle Prozesse

Anbieter neuer Business-Intelligence (BI)-Disziplinen wie Predictive Analytics und Prescriptive Analytics können das. Sie analysieren was passieren wird (predictive) beziehungsweise geben konkrete Handlungsanweisungen oder Lösungsvorschläge was passieren sollte (prescriptive). Dabei können auch automatisierte Prozesse angeknüpft werden, sodass Maschinen autonom entscheiden, welche Aktion ausgelöst wird.

Maschinelles Lernen auf Grundlage von künstlicher Intelligenz, mit denen Computer anhand von Daten auch ohne regelbasierte Programmierungen „lernen“, versetzt beispielsweise Einzelhändler in die Lage, manuelle Prozesse zu automatisieren und die Genauigkeit der Prognosen und Warendisposition drastisch zu verbessern. So können neu entwickelte Algorithmen gleichzeitig den Preis und die Nachbestellung optimieren. Die Algorithmen simulieren wie sich Veränderungen im Preis auf die Nachfrage auswirken. Führt beispielsweise eine kleine Preisreduzierung bei einem Produkt zu einem signifikanten Anstieg des Verkaufsvolumens, empfiehlt das System größere Bestellmengen. Würde die Nachfrage nach einem Produkt selbst durch einen hohen Preisnachlass nicht ansteigen, empfiehlt das System kleinere Bestellmengen, um Verluste infolge von Discounts zu minimieren.



Neue BI-Lösungen generieren so für Disponenten Entscheidungsvorschläge, die nicht nur auf historischen Verkaufsdaten beruhen. Sie beziehen auch Faktoren wie geplante Anzeigenkampagnen, Filialöffnungszeiten, die lokale Wettervorhersage oder Feiertage ein. Machine-Learning-Systeme beachten dabei auch Einschränkungen beispielweise Lieferantenlieferzeiten sowie deren minimalen beziehungsweise maximalen Bestellmengen. Auch individuelle Auftragsentscheidungen lassen sich mit den strategischen Zielen und Schlüsselkennzahlen, Key Performance Indicators (KPIs), abgleichen. Ist ein Unternehmen beispielsweise mehr auf die Gewinnspanne als auf den Umsatz bedacht, trifft der Algorithmus die Orderentscheidung demgemäß.

Maschinelles Lernen ermöglicht Personalisierung

Mit Verfahren des maschinellen Lernens können Unternehmen die automatisierte Analyse riesiger Datenbestände so in neue Bereiche führen. Ein weiteres Anwendungsgebiet für maschinelles Lernen stellt die Aufbereitung und personalisierte Auslieferung von Inhalten über E-Commerce-Websites und Content-Management-Systeme dar. Das Rohmaterial, mit dem die Algorithmen des maschinellen Lernens gefüttert werden, entsteht dabei an der Vielzahl von Offline- und Online-Kundenkontaktpunkten, den Customer Touchpoints. Überall, wo Interessenten und Kunden mit einem Unternehmen sowie dessen Produkten und Dienstleistungen in Berührung kommen, fallen daher Daten an – sei es vor, während oder nach einer Kauftransaktion.

Da es immer mehr Customer Touchpoints gibt, entstehen auch immer mehr Daten. Die Herausforderung besteht darin, die Daten zu analysieren, richtig zu interpretieren und zeitnah für die Kundeninteraktion zu nutzen – etwa im Marketing, im Vertrieb oder bei der Aufbereitung und Auslieferung personalisierter Inhalte. „Die Stärke maschinellen Lernens liegt auf Gebieten wie der Klassifikation, der Sentiment-Analyse oder der inhaltsbasierten Ähnlichkeitssuche“, erläutert Susanne Böck, Field Marketing Manager Central Europe bei Acquia, und betont: „Hier eröffnen sich für Unternehmen riesige Potenziale, bewährte Verfahren einzusetzen und damit die Effizienz vorhandener Lösungen für die kontinuierliche Verfeinerung von 360-Grad-User-Profilen, die Omnichannel-Personalisierung und Optimierung der User Experience deutlich zu steigern.“ Die Acquia Cloud Platform basiert auf dem Open-Source-Content-Management-System Drupal, das eine Integration von Content, Commerce und Community ermögliche und bestehende CRM-, ERP-, E-Commerce- und Digital-Marketing-Systeme integrieren könne.

Verzahnung zwischen IT und Controlling

Moderne Business-Intelligence (BI)-Lösungen bieten laut dem Trovarit-Experten Dr. Priglinger die Möglichkeit, interne und externe Daten aus verschiedenen Systemen miteinander zu verbinden, damit sich auf diese Weise Korrelationen und neue Zusammenhänge erkennen lassen. Dies erfordert laut dem BI-Berater aber in letzter Konsequenz auch eine einheitliche und valide „Smart-Data-Basis“ für das Business Intelligence 3.0 – also eine Single Source of Truth. „Daran ändert auch die Einbeziehung anderer, neuer und unstrukturierter Datenarten nichts“, betont Dr. Priglinger. Und bei aller Automatisierung durch künstliche Intelligenz, erfordern die Aufgabenstellungen, die sich unter »Business Intelligence 3.0« zusammenfassen lassen, nach seiner Einschätzung daher immer auch eine enge Verzahnung zwischen der IT- und den Controlling-Abteilungen aller Geschäftsbereiche. Zur optimalen Nutzung und Aufbereitung der steuerungsrelevanten Daten sei darüber hinaus ein tief gehendes Verständnis der Unternehmensabläufe nötig. hei


Anzeige

Das Trovarit CC Business Intelligence

Das Trovarit Competence Center BI bündelt Marktkenntnis, Erfahrung, Methoden und Werkzeuge für den gesamten Bereich der Business Intelligence (BI) und Data Management (DM) unter besonderer Berücksichtigung der Vernetzung mit operativer Business Software wie ERP, CRM, ECM/DMS, etc.

Das Trovarit Competence Center BI bietet Beratung bei der Auswahl von Business Intelligence (BI) Software sowie Vorbereitung und Optimierung der Firmenorganisation und der IT-Systeme.

Dr. Siegmund Priglinger leitet das CC Business Intelligence der Trovarit. Dr. Priglinger hat Physik, Mathematik und Informatik studiert und in theoretischer Physik in Wien promoviert. Der BI-Experte hat mehr als 30 Jahre Erfahrung als Unternehmer, Produkt- und Lösungsanbieter, IT-Manager und Unternehmensberater für ICT in verschiedensten Branchen (Industrie, Handel, Telekommunikation, IT, Energie, Healthcare, Public). Seit 2001 ist er im Rahmen der dr.priglinger consulting GmbH für verschiedenste Firmen, sowohl auf der Anbieter- als auch auf der Anwenderseite, als Geschäftsfeldentwickler, operativer Spezialist, Berater und Coach tätig.