Demokratische Datenanalyse fördern
Das Bedürfnis von Fachabteilungen, Daten unabhängig von der IT zu beschaffen, zusammenzuführen und zu analysieren besteht nicht erst mit dem Trend zu Self-Service-BI. Seit Business Intelligence in den Unternehmen Einzug gehalten hat, wird die Forderung nach selbstbestimmter Datenanalyse lauter. Deren Integration im Unternehmen kann schon mit wenigen Mitteln erfolgreich verlaufen.
Mit der Einführung von zentralen BI-Lösungen und Data Warehouses ging die ursprüngliche Datenhoheit der Fachabteilungen auf die Bereiche IT und Controlling über. Berichte wurden fortan zentral erstellt und nur durch mühsame Antragsprozesse auf die Wünsche von Anwendern angepasst.
Nach und nach hat sich dieses Bild der BI in Unternehmen wieder gewandelt. Mittlerweile nutzen immer mehr Anwendende die Möglichkeit, mit modernen Tools für Self-Service-BI wie Tableau oder Power BI Daten wieder eigenständig zu analysieren und Reports zu erstellen. Jedoch verbleibt die Datenbereitstellung und Datenmodellierung meist eine Aufgabe der IT-Abteilung. Dadurch schränken sich die Analysefreiheiten für versierte Anwendende ein. Weder entspricht diese Aufgabenteilung dem Selbstverständnis vieler Business User noch den propagierten Anforderungen an eine agile BI.
Anforderungen an eine moderne BI
Self-Service-BI soll Fachanwendende in die Lage versetzen, eigene Analysen und Reports zu erstellen und sie sollen diese möglichst einfach mit anderen Anwendern teilen können, weitgehend ohne Rückgriff auf die IT. Zudem sollen sie bei Bedarf weitere Datenquellen an das bereitgestellte Datenmodell anschließen können. Die IT übernimmt in diesem Kontext idealerweise die Rolle eines internen Dienstleisters. Sie stellt die Architektur und Software-Umgebung sowie ein initiales Datenmodell in Abstimmung mit dem Fachbereich bereit.
Anwendende benötigen eine intuitiv bedienbare Software für Self-Service-BI. Außerdem muss sie eine Datengrundlage darstellen, die insoweit aufbereitet ist, dass die Struktur verständlich und die Daten aktuell sind. Die wachsenden Bedürfnisse von Anwendenden im Rahmen der digitalen Transformationen stellen IT-Abteilungen zunehmend vor neue Herausforderungen. Fachabteilungen benötigen oft kurzfristig und vielleicht nur einmalig eine Erweiterung der Datenbasis, um selbst auf sich veränderte Marktentwicklungen reagieren zu können. In IT-Abteilungen existieren jedoch standardisierte Prozesse und Bedenken im Hinblick auf den Datenschutz und Performance. Oftmals können diese das Verlangen der Anwendenden nach eigener Datenanalyse ausbremsen. Self-Service-BI bedeutet nicht, dass alle Anwendenden beliebig auf alle Daten zugreifen dürfen. Es gilt weiterhin, die internen und externen Anforderungen an den Datenschutz zu gewährleisten. Das stellt ein geeignetes Berechtigungskonzept sicher.
Für die IT stellt sich die Aufgabe, geeignete Architekturen und Prozesse einzuführen. Diese müssen einerseits das Verlangen der Fachanwendenden befriedigen können, anderseits aber auch die berechtigten Interessen der IT sicherstellen. Daher werden zunehmend neue Formen der Zusammenarbeit zwischen IT und Fachbereich notwendig, die sich zum Beispiel an agilen Prinzipen anlehnen können.
Standard-Reporting trifft Analysefreiheit
Einerseits wachsen mit dem zunehmenden Einzug von Self-Service-BI in die Unternehmen die Möglichkeiten, Ad-hoc-Analysen durchzuführen. Andererseits besteht weiterhin der Bedarf an einem standardisierten und verlässlichen Reporting, welches regelmäßig zur Verfügung gestellt wird. Es soll die grundlegenden Anforderungen erfüllen und die Basis des internen Austauschs darstellen. Um auch diesen Standard weiterzuentwickeln, benötigt es ein experimentelles System. Hierin sollen Fachanwendende innovative Lösungen im Rahmen einer Self-Service-BI erproben und weiterentwickeln können. Dies soll jedoch nicht bedeuten, dass in einer bimodalen BI an der IT eine Schatten-BI aufgebaut wird. Vielmehr wird damit gefordert, dass durch die IT ein ausreichend weit gefasster Rahmen bereitgestellt wird, in welchem sich die Vorteile von Self-Service-BI frei entfalten können.
Business Intelligence muss die Zielgruppe beachten
Die Zielgruppen von BI und Self-Service-BI in Unternehmen lassen sich grundsätzlich drei Anwendertypen zuordnen, deren Anforderungen an die Autonomie der Datenbeschaffung und Datenanalyse sich grundlegend unterscheiden.
Das Management möchte vor allem einen schnellen Überblick über die wesentlichen Kennzahlen und KPI in Berichten und Dashboards bereitgestellt bekommen. Aufgrund der oft geringen IT-Affinität bestehen die Erwartungen an die Datengrundlage darin, dass diese valide und performant den Informationsbedarf erfüllen kann.
Der Fachbereich benötigt detaillierte Informationen über Geschäftsprozesse und möchte diese möglichst ausführlich aus den verschiedensten Blickwinkeln betrachten und analysieren können. Self-Service-BI und Data Discovery sind wesentliche Anforderungen, die die Datengrundlage erfüllen muss. Fachanwendende selbst sollten in der Lage sein, Daten korrekt miteinander zu verknüpfen, sodass die erstellten Auswertungen die korrekten Informationen beinhalten. Die von der IT bereitgestellte Datenbasis kann dies mit einer homogenen Nomenklatur unterstützen. Zunehmend besitzen moderne Tools für Self-Service-BI ebenfalls Möglichkeiten, den Anwendenden sinnvoll bei dieser Aufgabe zu unterstützen.
Der Data Scientist verfügt in der Regel über gute Kenntnisse der Datenverknüpfung und Datenmodellierung. Die Erwartung dieser Anwendergruppe ist maximale Autonomie und ein attributreiches Datenmodelle, dessen Entitäten er nach dem jeweiligen Bedarf miteinander verknüpfen kann. Oft werden große Datenmengen innerhalb komplexer Abfragen abgerufen. Daher sollte überlegt werden, für diese Anwendenden eine eigene Spielwiese, Stichwort Data Lab, bereitzustellen, welche vom eigentlichen BI-System entkoppelt ist.
Infrastruktur als Erfolgsfaktor
Im Hinblick auf die Auswahl der geeigneten Infrastruktur im Rahmen der vermehrten Einführung von Self-Service-BI sollten verschiedene Aspekte Berücksichtigung finden.
Zu Anfang muss geklärt sein, welche Anwendergruppe im Fokus steht und in welchem Detailgrad diese den Zugriff auf Daten benötigen, um ihren Analysebedarf erfüllen zu können. Ist vielleicht eine Modellierung nach Data Vault sinnvoll? Oder reichen klassische Star- oder Snowflake-Modelle aus? Bei der Entscheidung empfiehlt es sich, vorausschauend zu denken und auch neue technologische Entwicklungen zu berücksichtigen.
Das Datenwachstum und die geforderte Aktualität der Datenbereitstellung stellen weitere wichtigen Einflussfaktoren bei der Wahl der geeigneten Infrastruktur für Self-Service-BI dar. Sollen Daten in Echtzeit oder nahe Echtzeit bereit stehen? In diesen Fällen kann es sich anbieten, Daten nicht persistent bereitzustellen, sondern zu virtualisieren. Technologien zur Umsetzung eines Logical DWH bieten entsprechende Möglichkeiten und oft bereits eine Vielzahl von Konnektoren an.
Entwurf des Datenmodells
Beim Entwurf des Datenmodells sollte vor allem auf eine einheitliche Nomenklatur geachtet werden, um die Anwendenden bei der Erstellung von Analysen und Reports zu unterstützen. Zusätzlich kann es sich anbieten, die Definition von Kennzahlen und Dimensionen sowie Berechnungen in einem für alle Anwendenden zugänglichen Business Intelligence Wiki zu hinterlegen. Somit ist ein einheitliches Verständnis gefördert und Fehlinterpretationen werden vermieden. Sofern Anwendende die Daten mit weiteren Attributen anreichern sollen, sollten sich im Datenmodell die natürlichen Schlüssel wiederfinden, welche die Nutzer und Nutzerinnen für die Verknüpfung der Daten mit internen oder externen Daten benötigen.
Bei der Auswahl des Datenbanksystems sollten Fachanwendende neben den Erwartungen an Datenmenge und Datenwachstum vor allem die Anforderungen an die Performance der Abfragen berücksichtigen. Aus diesen Erwägungen heraus können sich dann durchaus In-Memory oder spaltenorientierte Datenbanken anbieten. Sofern ein separates Data Lab aufgebaut wird ist zusätzlich zu bedenken, dass diesem möglichst eine eigene Hardware oder zumindest eine eigene Instanz zugewiesen wird, damit Data Scientists nicht die Performance des BI-Systems herunterziehen.
Auswahl einer Lösung für Self-Service-BI
Bei der Auswahl einer geeigneten Software für Self-Service-BI sind einige Kriterien zu beachten. Inwieweit passt die Anwendung zur bestehenden Infrastruktur und wie hoch ist der Pflegeaufwand, der durch die IT-Abteilung erbracht werden muss? Zu hinterfragen ist ferner, in welchem Ausmaß die Anwendung die Entlastung der IT durch die Unabhängigkeit der Anwendenden im Rahmen von Self-Service-BI erfüllen kann. Dabei spielt es vor allem eine Rolle, wie intuitiv die Applikation für die Anwendenden bedienbar ist, welche Datenquellen direkt angebunden werden können und inwieweit die präferierte Lösung die Anwendenden auch bei der Datenverknüpfung und Datenaufbereitung unterstützt.
Sofern die Software keine große Nutzerakzeptanz erreicht und durch Einfachheit und Schnelligkeit zur stetigen Anwendung motiviert, können Initiativen für Self-Service-BI schnell wieder abklingen und an Wirkung verlieren. In diesem Zusammenhang ist es auch von Vorteil, wenn die Software eine Zusammenarbeit im Team und den einfachen Austausch von Analysen und Reports unterstützt. Erst durch das Zusammenwirken und die Diskussion im Team kann Self-Service-BI sein eigentliches Potenzial entfalten.
Eine geeignete Lösung für Self-Service-BI muss zumindest folgendes erfüllen:
- Intuitive und schnelle Erstellung von Analysen und Visualisierungen
- Anbindung einer Vielzahl von Datenquellen ohne IT-Unterstützung
- Passend zur IT-Infrastruktur und Anforderungen der Fachbereiche
Abschließend sollte die Entscheidung für eine bestimmte Lösung für Self-Service-BI stets in Übereinstimmung mit der Entscheidung für eine geeignete Gesamtarchitektur gefällt werden, um den nachhaltigen Erfolg der gesamten BI-Strategie des Unternehmens zu fördern.
