Big Data Management

Big Data Management ist heutzutage in fast allen Organisationen ein Gesprächsthema. Was genau sich dahinter verbirgt und was die Unterschiede zwischen Big Data Management, Business Intelli-gence und Business Analytics sind, wird in vielen Diskussionen nur unzureichend geklärt. Daher beginnt der Beitrag mit einer Vorstellung der Begrifflichkeiten, die, wenn auch abweichende Definitionen existieren, ein gemeinsames Verständnis für das weitere Lesen etablieren. Darauf aufbauend beschäftigt sich dieser Beitrag mit den Ergebnissen einer wissenschaftlichen Untersuchung, mit dem Thema, in welchem Ausmaß Unternehmen analytische Applikationen nutzen, um ihre Strategien effizient umzusetzen.

Der Begriff Business Intelligence wurde erstmals von Hans Peter Luhn [1] 1958 in dem IBM Journal erwähnt. Luhn beschreibt Business Intelligence (BI) als eine Kombination von Konzepten und Methoden, welche die Entscheidungsfindung in Organisationen durch die Bereitstellung faktenbasierter Informationssysteme verbessern. Im Zuge der rasanten Entwicklung der Informationstechnologie ab Mitte der 1990er Jahre wurde die Idee des BI wieder zum Leben erweckt. Ex-ecutive Information Systems, Management Information Systems und Online Analytical Processing (OLAP) wurden etabliert. Das von den ERP-Systemen bereitgestellt Berichtswesen wurde zunehmend mithilfe von extern etablierten Data Warehouses abgebildet. Ein wesentlicher Vorteil dieser Trennung von ERP-Systemen zur Unterstützung der Geschäftstransaktionen mithilfe des Online Transactional Processing (OLTP) und der Data Warehouses für das Berichtswesen (OLAP) ist die Tatsache, dass aufwendige Analysen und Berichtsabfragen die Antwortzeiten bei der Ausführung der Geschäftsprozesse im ERP-System nicht mehr negativ beeinflussen.

Neueste Entwicklungen der führenden Anbieter nutzen inzwischen In-Memory-Business Intelligence, um diese Problematik der Antwortzeit zu lösen, ohne eine Trennung der OLTP und OLAP-Systeme erforderlich zu machen. Für Organisationen mit mehr als einem ERP-System (von besonderer Relevanz bei international agierenden Organisationen mit landesspezifischen ERP-Systemen und Organisationen, die durch Merger and Acquisition Aktivitäten heterogene Systemlandschaften nicht vermeiden können) ist jedoch durch die Vielfalt der ERP-Systeme eine Zusammenführung in einem Gesamtsystem oft unmöglich. Die Einführung eines Data Warehouse als zentrales System für alle Daten, die systemübergreifend für ein integriertes Berichtswesen genutzt werden können, etabliert somit weiterhin die Grundlage für ein organisationsweit einheitliches Berichtswesen und ergänzende Funktionen der Unternehmensplanung und -kontrolle. Diese werden oft mit dem Begriff Business Analytics bezeichnet.

Im Zuge der neueren Entwicklungen werden unternehmensrelevante Daten jedoch nicht mehr nur in OLTP-Systemen erfasst, sondern in einer Vielzahl von Applikationen (Websites, soziale Netzwerke, Apps etc.) und über unterschiedlichste Endgeräte (mobile Endgeräte, GPS-Systeme, Kameras etc.). Aufgrund des hohen Volumens an Daten und deren unterschiedlicher Struktur wird hierbei von Big Data gesprochen. Die Menge der Daten, die sich seit dem Anbeginn der Menschheit bis zum Jahr 2003 angesammelt hat, betrug insgesamt fünf Exabytes. Heute entsteht eine Datenmenge mit diesem Volumen schon in einem Zeitraum von nur zwei Tagen [2].

Business Intelligence [3] als Überbegriff berücksichtigt jegliche Art von Daten (Big Data), unabhängig von ihrer Herkunft aus OLTP-Systemen, OLAP-Systemen oder anderen Datenquellen (Data Supply) und stellt diese in einem standardisierten Format in einem Data Warehouse (Data Management) zur Verfügung (BI-Foundation). BI-Front-end-Anwendungen greifen auf diese Daten zu, um die gängigen Business Analytics zu betreiben: (1) Analyse historischer Daten (Data-Mining, Korrelationsanalyse zwischen Früh- und Spätindikatoren usw.), (2) Analyse aktueller Daten (Alerts, Performance Monitoring usw.) und (3) Analyse zukünftiger Entwicklungen (Szenarioplanung, Simulation, Strategieplanung, Budgetierung).

Markt von BI-Lösungen

Der Markt für BI-Lösungen wächst seit Jahren, was mit der zunehmenden weltweiten Nachfrage nach BI, Corporate Performance Management (CPM) und analytischer Anwendungssoftware begründet ist. Der Markt belief sich im Jahr auf 14,4 Milliarden US$, ein Wachstum um 8 % gegenüber dem Vorjahr, basierend auf Information des Marktforschungsunternehmens Gartner [4]. Dieser Betrag beinhaltet noch nicht die Investitionen in die Implementierung dieser Softwarelösungen.

Nutzen von Business Intelligence

Als Gründe für die Investitionen in BI, wurden u.a. die folgenden Faktoren identifiziert [5]:

• Bessere Transparenz von entscheidungsrelevanten Fakten für die Planung und Kontrolle (54 %)
• Interesse an besserer Analyse des eigenen Geschäftes, um der Herausforderung sich schnell verändernder Märkte gewachsen zu bleiben (43 %)
• Frühwarnsystem (29 %)

Insofern ist erkennbar, dass BI aus der Unternehmensstrategie abgeleitete Ziele mithilfe von CPM zu erreichen helfen soll, wie in Bild 3 dargestellt ist und in [6] näher vorgestellt wird.
CPM basiert auf der Annahme, dass zunächst eine Strategie festgelegt wird und dann unter Nutzung von messbaren Kriterien (Key Performance Indicators, KPI) im Rahmen der Unternehmensplanung Zielwerte definiert werden, die mit den Verantwortlichen auf allen Organisationsebenen abgestimmt sind. Auf diese Art können die Beiträge aller an der Wertschöpfung Beteiligten bestmöglich an den Organisationszielen ausgerichtet werden.
Herausforderungen

Basierend auf einer Befragung von 23 Personen aus dem Jahr 2004 wird dies so aber in den wenigsten Organisationen gelebt [7]. Das Ergebnis der Studie war erschütternd:

• Nur 10 % gaben an klare, messbare, terminbezogene Arbeitsziele zu haben, an denen sie sich orientieren.
• Nur 10 % hatten das Gefühl, dass für sie relevante KPI akkurat gemessen und ihnen zugänglich gemacht würden.
• Nur 37 % waren sich sicher die Ziele ihrer Organisation verstanden zu haben.

Der Autor hat sich dieser Thematik gewidmet und im letzten Jahr eine neue Befragung gestartet und Organisationen damit die Möglichkeit gegeben, durch die Beantwortung der Fragen, für sich selbst Klarheit zu erlangen, inwieweit die eigene Strategieumsetzung effektiv ist und wie der Nutzungsgrad von BI im Vergleich zu anderen Organisationen aussieht [8].

Strategy Execution Effectiveness Survey

An der Umfrage haben in 2014 bislang 117 Personen teilgenommen, die, wie aus Bild 4 erkennbar, überwiegend der Management- und Executive-Ebene zugeordnet werden können und über entsprechend langjährige Berufserfahrung verfügen. Die repräsentierten Organisationen stammen aus 13 Ländern, wobei mehr als 40 % der Teilnehmer aus Deutschland stammen.
Die Studie geht sehr tief in der Analyse relevanter Fragen auf der Strategie-, Management-, und IT-Ebene. Einige der bemerkenswerten Erkenntnisse ergaben Folgendes:

Strategie und Management:

• Nur 29 % der Mitarbeiter verstehen die Ziele der Organisation.
• Nur 27 % gaben an, dass klare, messbare Arbeitsziele für alle Mitarbeiter definiert sind.

Information:

• Nur 25 % stimmen zu, dass die Mitarbeiter Zugriff auf die für ihre eigene Arbeit relevanten KPI haben.
• Nur 33 % haben das Gefühl, dass die IT-Infrastruktur geeignet ist, um organisationsumspannende Analytics zu unterstützen.
• Nur 36  % stimmen zu, dass alle relevanten KPI aufgezeichnet werden.
• Nur 50 % stimmen zu, dass die Informationssysteme akkurate und zeitnahe Informationen zu den KPI anbieten.

Das könnte Sie auch interessieren:
Prozessmanagement und Big Data – Eine neue Herausforderung

Das könnte Sie auch interessieren

Agentic AI in der ERP-Landschaft Warum Datenqualität zum entscheidenden Wettbewerbsfaktor wird

Künstliche Intelligenz verändert derzeit die Rolle klassischer ERP-Systeme. Während ERP-Lösungen weiterhin die operative Prozessabwicklung und Datenhaltung übernehmen, werden sie in vielen Unternehmen zunehmend durch spezialisierte KI-gestützte Forecasting-, Planungs- und Analyse-Systeme ergänzt. Dabei verbinden viele Unternehmen KI vor allem mit Automatisierung. Der größere Hebel liegt derzeit jedoch an anderer Stelle: in einer belastbaren Datenbasis. Datenqualität entwickelt sich damit zur Voraussetzung moderner Geschäftsprozesse – nicht nur in der Bedarfsplanung.

Agentic AI : Unterstützung statt Dashboard-Dschungel Wie aktive Agenten den Betriebs Workflow neu definieren

IT-Betriebsteams verwalten heute vielschichtige Ökosysteme mit immer mehr Tools für Monitoring, Observability, ITSM, CMDB, Automatisierung, Security und Asset-Management. Diese liefern aber selten ein einheitliches Lagebild. Koordinierte KI-Agenten, die Datenquellen zusammenführen, Ursachenhypothesen bilden, Maßnahmen vorschlagen und (im klar abgegrenzten Rahmen) Teile der Ausführung übernehmen, werden Teams zukünftig aktiver unterstützen.

Vom Vibe Coding zum Agentic Coding Wie professionelle Softwareentwicklung mit Coding Agents gelingt

Coding Agents beschleunigen den Softwareentwicklungsprozess heute deutlich – in einem Tempo, das etablierte IT-Prozesse herausfordert. Aus Beobachtungen in mehreren Trainings zeigt der Beitrag drei Spannungsfelder, die sich aktiv gestalten lassen: Governance, Integrationsprozesse und die Transformation der Arbeitskultur. Unser Autor gibt konkrete Empfehlungen, wie die berechtigten Einwände gegen Vibe Coding ausgeräumt werden können.

Learnings aus den Blackouts Handlungsempfehlungen für wandlungsfähige IT-Systeme

Wie bleiben Unternehmen handlungsfähig, wenn zentrale IT-Systeme plötzlich ausfallen? Der Beitrag zeigt anhand realer IT-Blackouts, warum Wandlungsfähigkeit heute entscheidend für stabile Geschäftsprozesse ist. Er erläutert praxisnah, wie Redundanzen, Modularität, Failover-Mechanismen und organisatorische Vorbereitung helfen, Ausfälle schneller zu beherrschen und den Betrieb resilient aufzustellen.

Vibe Coding für ERP: Modernisieren ohne Austausch Wie Microservice-Architekturen Vibe Coding in ERP-Landschaften tragfähig machen

ERP-Systeme stehen unter KI-Druck, aber kein Unternehmen kann seinen Kern ersetzen. Vibe Coding bietet einen dritten Weg: Fachbereichsprototypen docken in Tagen an fachliche Dienste an, nicht an den Monolithen. Der Beitrag zeigt, welche Architektur das möglich macht, welche ERP-Andockpunkte sich anbieten und wie Reifegrad und Risiken geführt werden.

Wie stabil ist meine Lieferkette? Über Datenbasis zur Strategie; strukturierte Resilienzbewertung ist heute nötiger denn je

Aktuelle Krisen und geopolitische Unsicherheiten setzen globale Lieferketten zunehmend unter Druck. Für Unternehmen wird es immer wichtiger, die Risiken ihrer Lieferkette zu erfassen und die Resilienz gezielt zu stärken. Nur so werden Störungen frühzeitig erkannt und kann flexibel darauf reagiert werden. Hierfür müssen die Risiken, denen die Lieferketten ausgesetzt sind, strukturiert aufbereitet werden. Die Resilienz der Lieferkette wird so zu einem strategischen Erfolgsfaktor.