1 Einführung
Mit der Einführung von Business-Intelligence-Systemen (BI-Systemen) ist in vielen Unternehmen die Erwartung verbunden, auf einfache Weise konsistente und einheitliche Informationen für die Entscheidungsfindung zu erhalten. Unter Business Intelligence (BI) wird analog dieser Erwartungshaltung der analytische Prozess verstanden, Unternehmens- und Wettbewerbsdaten in handlungsgerechtes Wissen für die Entscheidungsunterstützung zu überführen. Oftmals erfolgt die Projektumsetzung allerdings abteilungsfokussiert sowie technisch und fachlich sehr individuell. Ungesteuert entstehen über die Jahre unterschiedliche BI-Systeme an verschiedenen Stellen. Unternehmensweite Sichten lassen sich so kaum etablieren und Standards – sofern überhaupt vorhanden – werden nicht eingehalten. Aufgrund dieser historisch gewachsenen Vielfalt in Technik, Fachlichkeit und Vorgehen werden die Erwartungen an den Nutzungsgrad häufig verfehlt. Die IT beklagt beispielsweise zu hohe Aufwände, die Fachanwender sind mit den erzeugten Inhalten oder der Performance der BI-Systeme unzufrieden, das Management bedauert die ungenügende Erreichung der mit einem BI-Ansatz verbundenen Geschäftsziele. Die Informationsnachfrager erhalten somit weiterhin die benötigten Informationen nicht in der Qualität, die sie für ihre Entscheidungsfindung brauchen.
In diesem Kapitel werden zunächst die unterschiedlichen Probleme im Einsatz von BI aufgezeigt und daraus die Motivation abgeleitet, eine BI-Strategie zu konzipieren und organisatorische Maßnahmen einzuleiten. Weiterhin werden die grundlegenden Konzepte, die in diesem Buch betrachtet werden, definiert, um darauf aufbauend entsprechend dem Leitgedanken »Von der Strategie zum BICC« in den folgenden Kapiteln die einzelnen Aspekte detailliert zu behandeln.
1.1 Gründe für eine BI-Strategie und ein BICC
Im Folgenden wird exemplarisch aufgezeigt, welche Motivationen die Entwicklung einer BI-Strategie und deren organisatorische Umsetzung forcieren können. Anhand typischer – in der Praxis anzutreffender – Symptome werden Problemstellungen und deren Ursachen herausgestellt, die durch eine entsprechend akzentuierte BI-Strategie und -Organisation gelöst werden können. Diese Symptome sind folgende:
1.1.1 Systemvielfalt und Konsolidierungsbedarf
Die BI-Landschaft in Unternehmen hat sich über viele Jahre mit dem Unternehmen und auch mit deren IT entwickelt. Dabei besteht die historisch gewachsene Landschaft unter Umständen aus einer Vielzahl unterschiedlichster Anwendungen im Berichtswesen und für die Durchführung von Datenanalysen.
Analytisches Chaos
Die Bandbreite der BI-Systeme kann je nach Lesart von klassischen Management-Support-Systemen1 wie etwa papierbasierten Berichten, die aus geschlossenen Altsystemen in Großrechnertechnik stammen, bis zu spezifischen hochkomplexen Datenanalyse- und Simulationssystemen neuester Technologie reichen. Sehr verbreitet sind auch Systeme auf Basis von PC-Datenbanken und Tabellenkalkulationen, oft in der Hoheit einzelner Mitarbeiter. Die Ursachen für diese Vielfalt sind vielschichtig, primär sind jedoch zwei Aspekte dafür verantwortlich.
Zum einen hat die Evolution der Informationstechnologie bewirkt, dass über die Jahre zahlreiche Trends und Neuerungen (z. B. Großrechnertechnik, mittlere Datentechnik, Client-Server-Computing, Desktop-Computing, Workgroup-Computing, Internet) als technologische Grundlagen in die IT-Landschaft der Unternehmen eingeflossen sind. Dies erfolgte allerdings sehr individuell, und nicht immer wurde die Vorgängergeneration migriert oder renoviert, beispielsweise aufgrund zu kurzfristiger Wirtschaftlichkeitsbetrachtungen. Insofern findet sich in manchem Unternehmen ein Spiegelbild der IT-Entwicklung der letzten 30 Jahre, und das gilt ebenfalls für BI-Systeme.
Zum anderen haben sich auch Unternehmen in den letzten Jahrzehnten entwickelt, d. h., sie sind organisch gewachsen, haben ihre Geschäftsziele, -felder und ihre Organisation angepasst oder sind mit anderen Unternehmen zusammengeführt worden. Die Ursachen dieses langfristigen Wandels liegen u. a. in der Globalisierung und dem damit verbundenen Wettbewerb, in den veränderten und zumeist gestiegenen Anforderungen externer Anspruchsteller, wie Staat, Gesellschaft, Kunden und Geschäftspartner, sowie in der Dynamisierung von Märkten und im Wandel von Markt- und Geschäftsmodellen. Im Ergebnis ist es Unternehmen nicht immer gelungen, die eigene Organisation, die Geschäftsprozesse und auch die Steuerungssystematik konsequent nachzuziehen, sodass aus fachlicher Sicht eine entsprechende Heterogenität zwischen Alt und Neu anzutreffen ist. Diese spiegelt dann eben die Unternehmensentwicklung der letzten 30 Jahre wider.
Das folgende, an reale Situationen angelehnte Beispiel (siehe Abb. 1–1) schildert das Ausmaß einer solch historisch gewachsenen Situation.
Abb. 1–1 Analytisches Chaos
Betrachtet wird die fiktive Rabattus AG, ein Handelsunternehmen im Konzernverbund mit unterschiedlichen Sortimenten und einer marginalen Produktion für Eigenmarken. Der überwiegende Teil der Produktion ist ausgelagert. Der Einkauf beantwortet typische analytische Fragestellungen wie »Welches Einkaufsvolumen wurde im Zeitraum X im Einkaufsmarkt Y für die Warengruppe Z erzielt« mit einer analytischen Lösung auf Basis eines relationalen BI-Systems ➊. Dieses wird aus zwei internen operativen Quellsystemen, Einkaufssystem und Katalogsystem ➋, mit passenden Daten versorgt. Als problematisch erweist sich allerdings, dass kürzlich ein weiteres Handelsunternehmen in den Konzern aufgenommen wurde, also ein weiterer Einkauf existiert. Die Neuordnung des Sortiments erfolgte operativ über ein Category-Management-System ➌, das durch einen externen Dienstleister gehostet wird. Dieses System versorgt beide Einkaufssparten übergreifend mit Sortimentsdaten. Ein bestehendes relationales BI-System in Einkauf 2 ➍ bezieht allerdings auch noch Daten aus einem Großrechnersystem, das wiederum externe Daten bezieht. Insofern erstreckt sich die eigentlich relativ einfache analytische Fragestellung nach dem Einkaufsvolumen nun schon über zwei BI-Systeme, die Daten aus unterschiedlichsten Quellen verarbeiten.
Komplex wird die Situation jedoch bei Fragestellungen, die unterschiedlichste betriebliche Funktionen betreffen: Es sollen beispielsweise die Gesamtlogistikkosten (Beschaffung, innerbetriebliche Logistik, Vertriebslogistik) einer Warengruppe ermittelt werden. Betroffen sind damit Daten aus Einkauf, Produktion und Vertrieb. Dabei stellt sich heraus, dass nicht nur die Anzahl der Quellen und Datenbewirtschaftungsprozesse ansteigt (somit auch Risiken und potenzielle Fehler), sondern auch bestimmte Prozesse und Quellen unklar sind, z. B. ein Vertriebsanalysesystem, das auf einem multidimensionalen Datenbanksystem basiert ➎, wird teilweise sogar manuell mit Informationen versorgt.
So ist es der Einkaufsleitung unmöglich, die Gesamtlogistikkosten über die Wertschöpfungskette mittels eines Systems zu ermitteln. Tatsächlich muss dazu eine entsprechende Liste mithilfe einer Tabellenkalkulation zyklisch durch die Assistentin des Einkaufs erstellt werden. Die manuelle Tätigkeit ist fehleranfällig, insbesondere auch deswegen, weil Daten unklarer Herkunft – quasi auf Zuruf – in die konsolidierte Liste einfließen.
Eine auf diese Weise gewachsene komplexe und heterogene Struktur für BI lässt sich treffend als analytisches Chaos bezeichnen. Das Beispiel zeigt dessen Hauptmerkmale:
Unklare oder schlechte Datenqualität (vgl. [Apel et al. 2015, S. 19 ff.])
Die Qualität der Daten ist entscheidend für den Erfolg von Maßnahmen, die aufgrund einer geschäftlichen Entscheidungsfindung mithilfe analytischer Fragestellungen eingeleitet werden. Dennoch ist die tatsächliche Güte der Daten entweder nicht ausreichend oder ggf. sogar unbekannt. Die Datenbasis der Entscheidung ist daher zweifelhaft, die geschäftliche Entscheidung also möglicherweise falsch oder mit einer hohen Unsicherheit verknüpft. Der Themenkomplex Datenqualität und die damit verbundenen negativen Effekte genießen daher nicht grundlos seit Jahren die höchste Aufmerksamkeit sowohl bei IT- als auch bei Business-Entscheidern in Unternehmen (vgl. [Kemper/Pedell 2008]). Dennoch haben die wenigsten Unternehmen das Thema bisher befriedigend gelöst.
Unklare Datenherkunft
Je nach Verdichtung, Arbeitsteilung, Organisation und Größe eines Unternehmens ist es bisweilen nicht klar, aus welchen externen oder internen operativen oder internen analytischen Datenquellen und Systemen die Daten stammen, die zur Beantwortung einer analytischen Fragestellung herangezogen werden. Die unklare (oder auch undefinierte) Herkunft ist eine weitere Ursache von Datenqualitätsproblemen.
Undefinierte analytische Prozesse
Die Art und Weise, wie analytische Fragestellungen abteilungs- oder...
