BI wird schlauer, mobiler und vorausschauender

Klemmende Gaspedale, tödliche Unfälle und eine aufgebrachte Öffentlichkeit haben den Autobauer Toyota im Frühjahr 2010 in das größte PR-Schlamassel seiner Firmengeschichte taumeln lassen. Zwar mehren sich mittlerweile die Anzeichen dafür, dass die Japaner wohl nicht alle Schuld an der ihnen zur Last gelegten Unglücksserie trifft. Der Ruf der Firma bleibt jedoch angeknackst, und es wird lange dauern, das Renommee wieder aufzupolieren. Von den Kosten der Rückrufaktionen, die Millionen von Fahrzeugen betrafen, ganz zu schweigen.

Dabei hätte es gar nicht so weit kommen müssen. Schon vor eineinhalb Jahren seien im World Wide Web erste Spekulationen und Gerüchte rund um Toyota und mögliche Zusammenhänge zwischen Produktionsfehlern und einer Reihe von Unfällen aufgetaucht, berichtet Carsten Bange, Business-Intelligence-Experte und Geschäftsführer des Business Application Research Center (Barc). Hätte der Automobilkonzern diese Signale frühzeitig bemerkt und deren Relevanz richtig eingeschätzt, wäre noch Gelegenheit gewesen, die Sache ohne großes Aufsehen aus der Welt zu schaffen - bevor die Hetzjagd in den Medien begann.

Hätte, wäre, wenn - das hilft im Nachhinein wenig. Kommen Probleme wie bei Toyota einmal ins Rollen, ist das Desaster in aller Regel kaum noch aufzuhalten. Für Unternehmen wird es deshalb immer wichtiger, Besonderheiten und Fehlentwicklungen frühzeitig zu erkennen und gegenzusteuern. Beispielsweise hätten im Fall von Toyota BI-Tools, die auf semantische Auswertungen unstrukturierter Daten spezialisiert sind, rechtzeitig Alarm schlagen und so das Schlimmste verhindern können.

Die Hersteller von BI-Lösungen geben ihren Kunden heute Werkzeuge an die Hand, mit deren Hilfe verschiedenste Geschäftsaspekte analysier- und messbar sind. Die Fähigkeiten gehen über das reine Reporting von Geschäftszahlen weit hinaus. Das Motto heißt "Advanced Analystics": Komplexe Algorithmen simulieren künftige Marktentwicklungen und berechnen, wie sich bestimmte Parameter verändern. Die Hersteller versprechen überdies, dass BI-Tools künftig die riesigen Mengen an unstrukturierten Informationen bändigen können, die sich in den Firmen und im Internet auftürmen und tagtäglich weiter anwachsen. Und sie sollen aus diesen Datenbergen genau die relevanten Informationen herausfiltern, die für Geschäftsentscheidungen wichtig sind. Angesichts dieser Herausforderungen arbeiten die Softwareanbieter mit Hochdruck an neuen Tools und Methoden. Das sind die vier wichtigsten Trends:

• Analyse unstrukturierter Daten

• Predictive Analytics - Blick in die Glaskugel

• Mobile BI - schnelle Analysen für unterwegs

• Business Intelligence aus der Cloud

1. Analyse unstrukturierter Daten

Eine der größten Herausforderungen besteht darin, die immer schneller anwachsenden Datenberge in den Griff zu bekommen. Einer Analyse von IDC zufolge belief sich das globale Gesamtvolumen sämtlicher digitaler Daten im vergangenen Jahr auf rund 487 Milliarden Gigabyte. Man bräuchte über 100 Milliarden Standard-DVDs, um alles abzuspeichern. Der Stapel der Speicherscheiben würde zweieinhalb Mal die Strecke zwischen Erde und Mond ergeben.

Analysten gehen davon aus, dass sich das Datenvolumen etwa alle eineinhalb Jahre verdoppelt. Der Löwenanteil davon entfällt auf unstrukturierte Daten. IDC schätzt, dass in Unternehmen rund 80 Prozent des Datenwachstums bereits auf das Konto unstrukturierter Informationen gehen wie beispielsweise Dokumente, E-Mails, Blogs und andere textbasierte Informationen. Dazu kommen jede Menge weiterer Daten, die außerhalb der Firmengrenzen im Netz kursieren, wie beispielsweise Produkt- und Unternehmensbewertungen in Online-Communities.

Diese Informationen auswertbar zu machen, um Geschäftsentscheidungen besser zu unterstützen, rückt mehr und mehr in den Fokus der IT-Verantwortlichen. Es geht zum Beispiel darum, Produktprobleme oder Unzufriedenheiten und Missstimmungen im Kundenkreis frühzeitig zu erkennen. Der Meinungsaustausch zwischen Kunden und Kaufinteressenten über Produkte und Firmen im Netz spielt zunehmend eine kaufentscheidende Rolle. Bevor Medien relevante Themen aufgreifen, werden diese zuvor meist schon im Internet diskutiert. Communities und Social Media Networks fungieren deshalb oft als ein Frühwarninstrument.

Ein Beispiel: Im vergangenen Jahr gab es Probleme rund um die Einführung des neuen iPhone 3GS von Apple. Viele Kunden, die ungeduldig auf das neue Kult-Handy gewartet hatte, konnten es nicht nutzen, da es bei Apple und dem Provider AT&T zu Verzögerungen bei der Aktivierung der Geräte kam. Binnen kürzester Zeit häuften sich im Netz die Beschwerden enttäuschter Kunden. Medien griffen das Thema auf, und schließlich standen weniger das neue iPhone im Mittelpunkt der Berichterstattung als die Probleme rund um dessen Einführung. Doch Apple reagierte schnell: Der Konzern nahm Kontakt zu den betroffenen Kunden auf, entschuldigte sich und verteilte als Entschädigung Gutscheine für seinen iTunes-Online-Store. Damit gelang es, die Stimmung wieder zu drehen.

Was sich auf den ersten Blick einfach anhört, ist jedoch alles andere als trivial. Schließlich geht es darum, statistisch belastbare Daten zu erheben, diese auszuwerten und die Ergebnisse entsprechend den eigenen Geschäftsprioritäten richtig einzuordnen. Im oben genannten Fall haben einerseits die Apple-Verantwortlichen richtig reagiert, da sich eine regelrechte Anti-Apple-Woge aufzutürmen drohte. Andererseits wäre es völlig überzogen gewesen, sofort eine aufwendige Marketing-Kampagne loszutreten, nur weil sich ein paar wenige Blogger abfällig über das eigene Unternehmen äußern, die zudem womöglich kaum Gehör finden im weiten Online-Kosmos.

In fünf Schritten zur richtigen Textanalyse

Um an dieser Stelle die Balance zu finden und Überreaktionen zu vermeiden, benötigen Unternehmen die richtigen Werkzeuge. Tools für Textanalysen setzen sich aus verschiedenen Komponenten zusammen, erläutert Forrester-Analystin Leslie Owens:

1. Zunächst geht es darum, die Rohinformationen aus einer Reihe von verschiedenen internen und externen Quellen zu erfassen und einzusammeln.

2. Sind alle Informationen erfasst, müssen diese nach verschiedenen Kategorien geordnet werden, beispielsweise geografisch beziehungsweise nach Sprache. Außerdem gilt es, die Inhalte thematisch zu sortieren.

3. Die so geordneten Informationen müssen im nächsten Schritt miteinander in Beziehung gesetzt werden. Außerdem ist das Material anhand von vorgegebenen Kriterien semantisch zu analysieren und zu bewerten.

4. Sind die Daten ausgewertet, müssen die Ergebnisse aufbereitet werden, beispielsweise in Berichten, Reports und Dashboards, um aufgrund einer übersichtlichen Darstellung auf Entscheider-Level erforderliche Maßnahmen schnell ableiten zu können.

5. Diese nun strukturierten Daten können abschließend in bestehende BI-Systeme integriert werden, um dort ablaufende Analysen zu ergänzen und zu unterstützen.

Noch stecken Techniken rund um Textanalysen in den Kinderschuhen, so die einhellige Meinung vieler Analysten. Eine fertige Lösung, die alle Anforderungen in Sachen unstrukturierte Daten erfüllt, lässt sich so am Markt noch nicht kaufen. Vielmehr experimentieren die Hersteller mit entsprechenden Werkzeugen und bieten einzelne Tools innerhalb ihrer BI-Suiten an. Beispielsweise offeriert SAP seinen Kunden im Rahmen des zugekauften Business-Objects-Portfolios Funktionen, um Twitter-Daten auszuwerten. Das Tool zeigt in einem Dashboard an, wie viele Diskussionen sich um einen bestimmten Markennamen drehen und in welchem Grad diese positiv beziehungsweise negativ ausfallen. IBM hat für den "SPSS Modeler" ein Werkzeug entwickelt, das es Anwendern erlaubt, online verwendete Emoticons im Zusammenhang mit bestimmten Produkt- und Firmennamen auszuwerten.

Angesichts der jungen, vielfach noch nicht ganz ausgereiften Technik nähern sich auch die Anwender nur langsam dem Thema an. Forrester-Analystin Owens empfiehlt, den Einsatz von Tools für die Textanalyse gut vorzubereiten. Unternehmen müssten im Vorfeld exakt definieren, welche Quellen untersucht und welche Ziele damit erreicht werden sollen. Erst dann könnten sich die Verantwortlichen auf die Suche nach geeigneten Werkzeugen machen. Die verschiedenen Tools offenbarten Stärken und Schwächen. Während das Sammeln von Informationen meist keine Schwierigkeit bedeute, gebe es bei komplexeren Anforderungen wie der Analyse der Informationen jedoch deutliche Unterschiede, warnt die Expertin.

Auch Rüdiger Eberlein, Principal für den Bereich Business Information Management bei Capgemini, sieht noch Defizite. "Die vom Umfang viel größeren unstrukturierten Daten liegen hinsichtlich ihrer Analyse noch ziemlich brach." Dabei schlummerten genau an dieser Stelle immense Schätze an ungehobenem Geschäftswissen. Um sie zu heben, seien die derzeit verfügbaren Techniken und Produkte noch zu wenig ausgereift. "Es mangelt an der nahtlosen Integration in die bestehende IT-Welt, es fehlen intuitive Interfaces für jedermann, die Erfüllung gängiger Richtlinien zum unternehmensweiten Einsatz liegt noch in weiter Ferne." Eberlein zufolge ist es jedoch nur eine Frage der Zeit, bis die Probleme gelöst sind.

2. Predictive Analytics - Blick in die Glaskugel

Neben dem klassischen Reporting, das sich in erster Linie auf die Auswertung bereits vorliegender Daten stützt und damit primär vergangenheitsorientiert ist, legen die Verantwortlichen in den Unternehmen auch immer mehr Wert auf zukunftsorientierte Analysen. Entsprechende Tools für Predictive Analytics sollen komplexe wirtschaftliche Zusammenhänge und Entwicklungen vorhersagen können und damit das Management in den Vorstandsetagen bei Entscheidungen unterstützen. Gerade in wirtschaftlich unruhigen Zeiten suchen die Firmenlenker deshalb verstärkt nach neuen Analysewerkzeugen, um künftige Marktentwicklungen und mögliches Kundenverhalten sicherer einschätzen und beurteilen zu können.

Herkömmliche BI-Tools sind nur eingeschränkt für zukunftsorientierte Analysen einzusetzen. Zwar lassen sich auch damit in begrenztem Umfang Trendaussagen treffen. Verlässlich sind diese allerdings nur dann, wenn sich Geschäfte und Märkte über einen längeren Zeitraum relativ konstant und gleichförmig entwickeln. Ist das nicht der Fall, braucht es spezifischere Analyse-Tools, um in die Zukunft zu blicken. Dedizierte BI-Werkzeuge für Predictive Analytics nutzen neben den Informationen aus den firmeninternen Business-Systemen weitere zusätzliche Daten wie beispielsweise Informationen aus Marktforschungen und werten die so zusammengetragenen Informationen mit Hilfe spezieller Algorithmen im Hinblick auf künftige Entwicklungen aus.

Um verlässliche und belastbare Analysen zu erhalten, müssen eine Reihe verschiedener Funktionen möglichst nahtlos ineinandergreifen:

• Data-Mining-Werkzeuge,

• Tools für die Datenintegration,

• Algorithmen für die Auswertung der Informationen.

Da die Vorhersagemodelle mit unterschiedlichsten Informationen gespeist werden müssen, bringt das Thema für viele Anwenderunternehmen eine hohe Komplexität mit sich. Auf Anbieterseite versucht man dem mit Hilfe von Standards zu begegnen. Bereits seit Jahren arbeiten verschiedene Hersteller im Data-Mining-Umfeld an der "Predictive Model Markup Language" (PMML). Die XML-basierte Beschreibungsmethode liegt mittlerweile in Version 4.0 vor. Produkte wie die Datenbanken von IBM und Microsoft sowie Werkzeuge von IBM/SPSS, SAS, Microstrategy und Tibco unterstützen inzwischen PMML.

Banken und Versicherungen setzen auf Predictive Analytics

Trotz aller Komplexität ist Predictive Analytics in etlichen Branchen weit verbreitet. Beispielsweise nutzen Banken und Versicherungen entsprechende Tools für ihr Risiko-Management und um Compliance-Richtlinien einzuhalten. Demnach sollen sich mittels ausgeklügelter Vorhersagemodelle die Ausfallwahrscheinlichkeit von Krediten vorhersagen beziehungsweise auf Basis von verräterischen Verhaltensmustern und Beziehungen Versicherungsbetrug aufdecken lassen. Händler analysieren das Kaufverhalten ihrer Kunden und optimieren entsprechend ihr Sortiment. Bestes Beispiel ist Amazon.com: Der Online-Händler durchleuchtet nicht nur die persönliche Kaufhistorie seiner Kunden, sondern macht den Besuchern seines Online-Shops auch Vorschläge auf Basis der Interessen anderer Kunden, die ähnliche Produkte eingekauft haben. Darüber hinaus setzen auch Telekommunikationsanbieter auf Predictive-Analytics-Werkzeuge, um zum Beispiel rechtzeitig Abwanderungstendenzen von Kunden aufzuspüren und mit Hilfe gezielter Marketing-Maßnahmen gegenzusteuern.

3. Mobile BI - schnelle Analysen für unterwegs

Geschäftsentscheidungen fallen heute in der Regel schnell. Dementsprechend müssen die Verantwortlichen in den Firmen zügig auf alle dafür notwendigen Daten und Analysen zugreifen können - zu jeder Zeit und von jedem Ort aus. Es verwundert daher nicht, dass Interesse an und Nachfrage nach mobilen BI-Lösungen stetig zunehmen, so das Ergebnis verschiedener Aberdeen-Umfragen. Vor zwei Jahren hatten 17 Prozent der befragten Unternehmen ihre BI-Werkzeuge so weit mobilisiert, dass Daten und Analysen via Handy und Smartphone abgerufen werden konnten. Weitere 78 Prozent gaben damals an, Interesse an derartigen Lösungen zu haben. Anlässlich der Neuauflage der Umfrage im Mai dieses Jahres erklärte fast ein Viertel der Unternehmen, die eigenen Mitarbeiter könnten bereits mobile BI-Anwendungen nutzen. Fast ein weiteres Drittel der Befragten erklärte, innerhalb des kommenden Jahres eine entsprechende Lösung implementieren zu wollen. Die Unternehmen versprechen sich schnellere Entscheidungen, mehr Effizienz im operativen Geschäft, flexiblere Workflows sowie mehr Kundennähe, erläutert Aberdeen-Analyst Andrew Borg.

Die Softwarehersteller hoffen mit den mobilen BI-Lösungen zusätzliche Nutzer für ihre Anwendungen zu erreichen und damit auch bessere Geschäfte zu machen. Fast alle BI-Anbieter arbeiten daher daran, ihre Analyse-Tools zu mobilisieren. Zusätzlich angetrieben wird die Entwicklung durch die geradezu explodierenden Verkaufszahlen leistungsstarker Smartphones. Die Internet-fähigen Mobiltelefone haben in den vergangenen beiden Jahren einen deutlichen Leistungssprung gemacht. Schnellere Rechenpower, größere Speicherkapazitäten sowie bessere Anzeigemöglichkeiten auf großflächigen Displays erlauben es mittlerweile, auch komplexere Applikationen auf Smartphones zu implementieren und zu betreiben. Darüber hinaus drängt mit den neuen Tablet-Rechnern à la iPad mit Macht eine neue Geräteklasse auf den Markt, die mobilen BI-Anwendungen eine zusätzliche Plattform bietet.

Mobile BI gibt es in verschiedenen Variationen

Mobile BI ist allerdings nicht gleich Mobile BI. Es gibt verschiedene Spielarten und Entwicklungsstufen, beschreibt Boris Evelson, Analyst von Forrester Research, die aktuelle Situation im Markt:

• Die einfachste Form, Informationen aus einem BI-System mobilen Endanwendern zugänglich zu machen, funktioniert über eine Website. Jedes Internet-fähige Endgerät, das mit einem Browser ausgerüstet ist, kann darauf zugreifen. Die Nutzung erfolgt allerdings statisch. Anwender können Informationen in aller Regel nur abrufen und nicht interaktiv verändern. Außerdem ist die Navigation auf den Standardseiten mit den kleinformatigen Smartphones oft mühsam und wenig komfortabel. Dafür lässt sich so ein System mit relativ wenig Aufwand einrichten.

• Komfortabler ist die BI-Nutzung, wenn Daten und Informationen in Reports und Dashboards dargestellt werden, die in Form, Größe und Navigation auf die Besonderheiten und Möglichkeiten des jeweiligen Endgeräts angepasst sind. Das erfordert etwas mehr Entwicklungsaufwand, um die BI-Inhalte gerätekonform aufzubereiten. Allerdings braucht man auch dafür noch keine dedizierte Client-Software oder -App, sondern lediglich einen Internet-Zugang.

• Die Anpassung der BI-Informationen kann auch automatisch durch einen speziellen mobilen BI-Server erfolgen. Über diesen laufen dann alle mobilen Datenzugriffe auf das BI-System. Der Rechner erkennt automatisch, von welchem Gerät die Daten angefragt werden, und bereitet diese automatisch in dem benötigten Format auf. Das erlaubt mehr Flexibilität, als wenn die Berichte und Dashboards händisch zusammengestellt werden und den Usern damit nur statisch zur Verfügung stehen.

• Die Kür in Sachen Mobile BI bilden dedizierte Apps, die für spezielle Plattformen wie Apples iOS, Symbian, Android, Windows Mobile oder die Blackberry-Geräte entwickelt werden. Diese Kleinstanwendungen für mobile Clients sorgen für die Verbindung ins firmeninterne BI-System. Daten lassen sich nicht nur ansehen, sondern können in aller Regel auch verändert und wieder zurückgespielt werden. Außerdem erlaubt eine solche App, BI-Informationen auf dem mobilen Device selbst vorzuhalten, offline zu nutzen und zu bearbeiten sowie zu einem späteren Zeitpunkt wieder online mit der zentralen BI-Instanz im Unternehmen zu synchronisieren.

Etliche Softwareanbieter arbeiten derzeit mit Hochdruck auf die neue App-Ära hin. Beispielsweise kündigte SAP an, sämtliche Funktionen aus seiner Business Suite auch für die mobile Nutzung bereitzustellen, und zwar dergestalt, dass sich die Software-Services nahtlos in die jeweilige Mobile-Plattform einfügen. iPhone-Nutzer sollen mit SAP-Funktionen also genauso arbeiten können, wie sie andere Apps auf ihrem Smartphone nutzen. Das heißt jedoch, dass die Softwarehersteller eine ganze Reihe verschiedener mobiler Plattformen bedienen und unterstützen müssen.

Für viele Softwarehersteller bedeutet das allerdings noch eine Menge Arbeit. Die Apps müssen gebaut, Berechtigungskonzepte entwickelt und vor allem die Sicherheit von Zugriff und Daten gewährleistet werden. Brian Gentile, CEO des Open-Source-Anbieters Jaspersoft, ist vor den anstehenden Hausaufgaben jedoch nicht bange. In nicht allzu ferner Zukunft werde Mobile BI selbstverständlicher Bestandteil der BI-Nutzung.

4. Business Intelligence aus der Cloud

Der Trend, Anwendungen künftig stärker in einem Software-as-a-Service-Modell (SaaS) zu beziehen, macht sich zunehmend auch im BI-Bereich bemerkbar. Bis 2015 sollen die weltweiten Geschäfte mit BI-on-Demand-Lösungen im Durchschnitt um 22,4 Prozent jährlich zulegen, prognostizieren die Analysten von IDC. Damit würde das SaaS-Segment des BI-Marktes drei Mal so schnell wachsen wie das Gesamtgeschäft mit Analysewerkzeugen. Die Zahl der SaaS-BI-Nutzer werde in den kommenden Jahren rasant ansteigen, so die IDC-Prognose, wenngleich auf Basis einer derzeit noch recht überschaubaren Anwenderbasis.

Das könnte sich in den nächsten Jahren ändern. In einer Umfrage des US-amerikanischen CIO-Magazins gab fast jeder vierte der 335 befragten IT-Leiter an, er könne sich vorstellen, in drei Jahren seine BI-Funktionen hauptsächlich aus der Cloud zu beziehen. In einer früheren Umfrage lag dieser Anteil bei lediglich sieben Prozent.

Bis es so weit ist, gilt es für die Cloud-Anbieter allerdings, noch ein paar Bedenken aus dem Weg zu räumen. Während weitgehend in sich geschlossene Anwendungen aus den Bereichen Customer Relationship Management (CRM) und Human Capital Management (HCM) längst ihren Weg in die Wolke gefunden haben, hinken BI-Werkzeuge noch ein wenig hinterher, berichtet Holger Kisker, Analyst von Forrester Research. Zwar greifen grundsätzlich auch hier die Vorteile des SaaS-Modells wie kurze Implementierungszeiten, größere Flexibilität und die Möglichkeit, mehr User anzubinden. Da in der BI-Lösung aber mehr unternehmenskritische Daten aus verschiedenen Systemen zusammenfließen, bereiteten den Verantwortlichen Probleme rund um Integration und Sicherheit mehr Sorgen. Es sei jedoch nur eine Frage der Zeit, bis diese Probleme adressiert seien, meint Kisker. Dann werde auch BI seinen Weg in die Cloud finden.

SaaS im richtigen Moment

Aus Sicht der Forrester-Analysten sollten Unternehmen in folgenden Situationen über den Einsatz einer BI-Lösung im SaaS-Modus nachdenken:

• Wenn es darum geht, Mitarbeiter aus dem Front-Office, beispielsweise den Vertriebs- und Marketing-Abteilungen, zügig mit BI-Funktionen zu versorgen.

• Wenn bereits etliche andere Business-Applikationen in der Cloud betrieben werden.

• Wenn Unternehmen in neue Märkte expandieren, in der IT-Abteilung jedoch die Ressourcen fehlen, die schnell wachsende Organisation mit BI zu versorgen.

• Wenn kurzfristig für begrenzte Zeiträume hohe Datenspitzen anfallen, beispielsweise im Weihnachtsgeschäft von Händlern, für die es sich aber nicht lohnt, das eigene BI-System aufzubohren, da die zusätzlichen IT-Ressourcen die meiste Zeit des Jahres ungenutzt brachliegen würden.

• Wenn Intensivnutzer Abfragen, Dimensionen und Datenmodelle in ihren Analyse-Tools zügig und flexibel modifizieren können sollen.

Grundsätzlich müssten die Anwenderunternehmen Limitierungen und Fallstricke im Zusammenhang mit der Cloud-Nutzung im Auge behalten, mahnen die Forrester-Analysten. Muss das BI-System aus vielen unterschiedlichen Quellen gefüttert werden, die zudem noch stark modifiziert sind, kann der Integrationsaufwand immens sein. Auch wenn es der eigenen IT-Abteilung nicht gelingt, BI-Funktionen bereitzustellen und einzelne Abteilungen deshalb mit einem schnellen SaaS-Einsatz liebäugeln, gilt es vor dieser Entscheidung genau zu prüfen, inwieweit ein solcher Entschluss mit der gesamten IT-Strategie im Unternehmen kollidiert. Geprüft werden muss außerdem, wo die Daten im SaaS-BI-System landen, um Compliance-Konflikte zu vermeiden. Zu guter Letzt müssen sich die IT-Verantwortlichen immer ein Hintertürchen offen halten, um das BI-System wieder in den Schoß der heimischen Firmen-IT holen zu können, sollten beispielsweise wachsende Geschäftsanforderungen mit dem SaaS-System nicht mehr erfüllt werden können.

Quelle: Computerwoche