ERP-Betrieb

Business Intelligence – Management von Informationsintensiven Prozessen

26. September 2015 von Istanbul, Marmara Universität und Yücel Yılmaz

Business Intelligence – Management von Informationsintensiven Prozessen

Das Begriffsgebilde Business Intelligence (BI) umfasst eine Vielzahl von verschiedenen Werkzeugen, Methoden und Konzepten, die in informationsintensiven Geschäftsprozessen vielfältige Beiträge leisten können. Das Spektrum reicht von Data Warehouse Anwendungen, über unterschiedliche Mining-Methoden in diesen Data Warehouses und flexible Navigationsmöglichkeiten im Rahmen des Online Analytical Processing (OLAP), bis zur Informationslogistik, die darauf abzielt, korrekte Informationen zum richtigen Zeitpunkt an die Entscheidungs- und Aktionsstellen zu leiten. In diesem Beitrag werden die oben genannten Elemente von BI mit ihren Funktionen und Beiträgen in informationsintensiven Geschäftsprozessen behandelt.


Das Begriffsgebilde Business Intelligence (BI) umfasst eine Vielzahl von verschiedenen Werkzeugen, Methoden und Konzepten, die in informationsintensiven Geschäftsprozessen vielfältige Beiträge leisten können. Das Spektrum reicht von Data Warehouse Anwendungen, über unterschiedliche Mining-Methoden in diesen Data Warehouses und flexible Navigationsmöglichkeiten im Rahmen des Online Analytical Processing (OLAP), bis zur Informationslogistik, die darauf abzielt, korrekte Informationen zum richtigen Zeitpunkt an die Entscheidungs- und Aktionsstellen zu leiten. In diesem Beitrag werden die oben genannten Elemente von BI mit ihren Funktionen und Beiträgen in informationsintensiven Geschäftsprozessen behandelt.

Grundlegende Elemente von BI Data Warehouse
Ein Hauptproblem in Informations- und Kommunikationssystemen war früher die Pflege unterschiedlicher Datenbasen der einzelnen Abteilungen/Einheiten innerhalb eines Unternehmens. Diese heterogenen Datenbanksysteme enthielten Daten, die miteinander verknüpft werden sollten und die Mitarbeiter wussten nicht, in welchen Datenbanken relevante Daten abgespeichert waren, die sie für ihre Entscheidungen brauchten. Mit inkonsistenten und nicht stabilen Datenbanken war es nicht möglich, die für die Entscheidungsunterstützung relevanten Informationen an die Mitarbeiter und die Führungsebene zu leiten. Unternehmen verfügten über große Datenmengen, aber das Problem war, dass dieses Rohmaterial nicht als entscheidungsrelevante Information in der gewünschten Qualität herangezogen werden konnte. Um dieses Problem zu beseitigen, wurden Data Warehouses entwickelt, in denen unternehmensweit eingegebene Daten zur Verfügung stehen. In vielen Unternehmen werden Data Marts genutzt, die eine auf bestimmte Bereiche beschränkte Datenbasis enthalten.
Durch die Verwendung von Data Warehouses ist es möglich, dass die Entscheider für ihre Analysen, Bewertungen und Entscheidungen eine konkrete Grundlage haben. Denn ein Informationssystem kann nur dann gewünschte Informationen in der gewünschten Qualität liefern, wenn eine konsistente und vollständige Datenbasis zur Verfügung steht [1]. 
Der so genannte „Wissensentdeckungsprozess in Datenbasen (Knowledge Discovery in Databases)“bietet einen prozessorientierten Rahmen an, um aus Rohdaten Informationen/Wissen zu generieren. Nach diesem Konzept werden in der ersten Phase „Auswahl“Datenquellen festgelegt, deren Daten als Rohdaten benutzt werden. Diese Phase ist von einer wichtigen Bedeutung, da die Qualität der Daten mit der Qualität der Datenquelle in einer engen Beziehung steht. In der zweiten Phase „Aufbereitung“wird die Datenqualität durch Ergänzung fehlender Teile, Eliminierung von falschen Eingaben etc. erhöht. In der Phase „Festlegung“werden durchzuführende Analysearten bestimmt. Die nächste Phase „Analyse“kombiniert die Daten mit festgelegten Analyseverfahren und Analysen werden durchgeführt. In der letzten Phase „Interpretation und Evaluation“werden die Analyse-Ergebnisse durch den Entscheider bewertet und entsprechende Entscheidungen getroffen [2].


Wissensentdeckungsprozess in Datenbasen [2]

Mining-Methoden
Mit verschiedenen Mining-Methoden wird versucht, in großen Daten- und Informationsmengen mit Computerhilfe Muster zu finden, aus denen Fachleute einer Domäne relevante Bedeutungen ableiten können. Die Vorgehensweise bei der Suche nach relevanten Mustern kann in zwei Gruppen analysiert werden. In der ersten Gruppe finden Such- und Analyseaktivitäten statt, die in erster Linie durch den Menschen gestaltet werden. Mit anderen Worten, der Mensch sucht nach Bestätigung für bestimmte Vermutungen oder gibt den Suchpfad vor. In der zweiten Gruppe läuft die Suche nach Mustern stärker automatisch ab, indem das System den Suchpfad selbst bestimmt [3].
Der rozess umfasst eine Vielzahl von verschiedenen Aktivitäten, die darauf abzielen, Informationen aus großen Datenbanken zu gewinnen und diese für betriebswirtschaftliche Entscheidungen zu nutzen. Gewünschte Kriterien für diese Informationen sind, dass sie neu, valide und handlungsrelevant sind [4]. In diesem Prozess werden vielfältige Methoden aus Statistik und Künstlicher Intelligenz benutzt (Korrelations-, Regressions-, Cluster-Analyse, genetische Algorithmen, etc.).
Die Informationen, die mit Hilfe von Data Mining gewonnen wurden, können zur Verbesserung der Entscheidungsqualität und zur Reduktion der Plankomplexität wichtige Beiträge leisten. Beispiele für diese Informationen sind die Zusammenhänge zwischen Attributen (z.B. ‚Geschlecht’‚‚Alter’, ‚soziales Umfeld’bezogen auf ‚Kauf einer hochwertigen Telefonanlage’), über Wirkungszusammenhänge (z.B. ‚Eintritt eines Schadenfalls und Kündigung der Versicherungspolice’) und über zukünftige Situationen (z.B. ‚Prognose von Vertragslaufzeiten’). Data Mining Applikationen können den folgenden Modellen und Aufgabenbereichen zugeordnet werden [5].
Von anderen zentralen Mining-Methoden kommen besonders Text Mining und Web Mining bei den betriebswirtschaftlichen Anwendungen in Frage.  gilt als ein Teilgebiet der linguistischen Informationsverarbeitung. Als seine wichtigsten Funktionen können die Strukturierung und die Informationsextraktion genannt werden. Außerdem wird versucht, bedeutungsvolle Beziehungen zwischen einzelnen Dokumenten zu erkennen. Im können die Methoden des Data Mining und Text Mining miteinander kombiniert, auf das Web übertragen (Web Content Mining) und das Verhalten der Benutzer durch spezielle Möglichkeiten verfolgt werden (Web Usage Mining). Mit Web Mining Verfahren wird gemessen, wie oft bestimmte Benutzertypen Webseiten besuchen bzw. auslassen. Dadurch wird erzielt, Chancen des Cross-Selling zu verbessern [3].

Online Analytical Processing
Im OLAP werden Daten bezüglich verschiedener Dimensionen mit relativ kurzen Antwortzeiten analysiert und die Ergebnisse in so genannten OLAP – Würfeln dargestellt. Hierdurch haben die Entscheider vielfältige Möglichkeiten, die Ergebnisse aus verschiedenen Perspektiven zu bewerten und angemessene, effektive Maßnahmen zu treffen. Zum Beispiel kann man einen OLAP-Würfel betrachten, der aus den Dimensionen (Perspektiven) Produktgruppe, Region und Kundengruppe besteht. Mit OLAP hat man flexible Navigationsmöglichkeiten, um beispielsweise zu analysieren, welche Produktgruppe in welcher Region an welche Kundengruppe mit wie viel Umsatz verkauft wurde.
Mit Hilfe von BI-Werkzeugen im OLAP kann man komplexe Beziehungen, z.B. Ursache-Wirkungszusammenhänge, erkennen, Trends ermitteln und Simulationen durchführen. Durch das so genannte Drill Everywhere können der Aggregationsgrad der Daten (detaillierter oder verdichteter) geändert, durch Slice einzelne Perspektiven isoliert betrachtet und Dice Perspektiven zur Betrachtung rotiert werden. Außerdem werden durch das Traffic Lightning signifikante Abweichungen zwischen Datenobjekten automatisch identifiziert. Diese Funktion wird auch als Ampelfunktion bezeichnet und basiert auf eine regelgebundenen Formatierung definierter Datenbereiche [1].

Informationslogistik
Eins der wichtigsten informationsbasierten Probleme in Unternehmen ist, dass die Mitarbeiter auf notwendige Informationen nicht in der richtigen Qualität, zum richtigen Zeitpunkt und am richtigen Ort zugreifen können. Diese Informationen für die Mitarbeiter schnell und effizient verfügbar zu machen, ist einer der wichtigsten Erfolgsfaktoren für Unternehmen, die einer immer steigenden Umweltdynamik unterliegen und Geschäftserfolge erreichen wollen. Um diesen Erfolgsfaktor zu garantieren, werden Informationen wie ein Produkt behandelt, das von den Lieferanten/Quellen beschafft, in Unternehmen verarbeitet und an die Entscheidungs- und Aktionsstellen weitergeleitet wird. Dies sind gleichzeitig zentrale Prozesse des so genannten „Informationslogistik“-Ansatzes.


Bild 2: Modelle und Aufgabenbereiche für Data Mining Applikationen [5]

Die Informationslogistik wird von Mertens wie folgt definiert: „Zunächst ist festzustellen, ob das Unternehmen in der Lage ist, seinen Informationsstand genügend hoch zu halten. Dies kann sich auch in zentralen Daten- und Informationsbeständen manifestieren. Im Sinne der Informationslogistik kommt es also darauf an, Wissen aus der ökonomischen, rechtlichen und natürlichen Umwelt in den Betrieb zu leiten. Anschließend ist zu prüfen, ob es gelingt, aus dem zentralen Fundus die richtigen Informationselemente an die Entscheidungs- und Aktionsstellen zu leiten. Selbst wenn sie dort zugänglich sind, werden sie oft nicht betrachtet und genutzt. Schließlich mag noch der Fall eintreten, dass aus zutreffenden Informationen falsche Schlüsse gezogen werden.“[3] 

Fazit
Informationsintensive Geschäftsprozesse erfordern konsistente und stabile Grundlagen, vielfältige Analyse- und Darstellungsmöglichkeiten und auch qualitativ verbesserte Informationsquellen und –flüsse. Das sind gleichzeitig die Anforderungen, den durch die effektive Nutzung von grundlegenden BI – Elementen gerecht werden können. Durch die grundlegenden BI – Methoden, -Werkzeugen und -Konzepte werden die Optimierungspotentiale in informationsintensiven Prozessen genauer identifiziert, analysiert und bewertet. Dadurch wird ein produktives und effektives Management von informationsintensiven Prozessen ermöglicht.

 

Business IntelligenceData MiningData WarehouseInformationslogistik.OLAP


[1] Hannig, Uwe: „Knowledge Management + Business Intelligence = Decision
Intelligence“, In: Uwe Hannig (Hrsg.): Knowledge Management und Business Intelligence, Springer-Verlag, Berlin et al, 2002, S. 3-25.
[2] Düsing, Roland: “Knowledge Discovery in Databases and Data Mining”, In: Peter Gluchowski; Peter Chamoni (Hrsg.): Analytische Informationssysteme, Springer-Verlag, Berlin et al, 1999, S. 345-353.
[3] Mertens, Peter: „Business Intelligence –Ein Überblick“, In: Information Management & Consulting, 17 (2002), Sonderausgabe, S. 65-73.
[4] Hippner, Hajo/Wilde, Klaus: „Der Prozess des Data Mining im Marketing“, In: Hajo Hippner et al (Hrsg.): Handbuch Data Mining im Marketing, Vieweg, Wiesbaden, 2001, S. 21-91.
[5] Lackes, Richard: „Projektierung und Durchführung von Data Mining-Anwendungen“, In: Haldun Akpınar (Hrsg.):Business Intelligence & Data Mining, Istanbul, 2004, S. 67-80.




Das könnte Sie auch interessieren

Anbieterportal


alle Anbieter
Sharer Icon: facebookSharer Icon: TwitterSharer Icon: LindekInSharer Icon: XingSharer Icon: EnvelopeSharer Icon: Print
Banner

Melden Sie sich zur Onlineveranstaltung an

16.11.2020: Finale Wettbewerb Fabriksoftware des Jahres

23.11.2020: Fachkongress Fabriksoftware

Wir verwenden Cookies, um die Nutzererfahrung stetig zu verbessern. Mehr Erfahren.

Essentielle Cookies

Cookie Settings
Speichert Einstellungen, die hier getroffen werden. (1 Jahr)

Statistik

Google Analytics | Google LLC | Datenschutz
Cookie von Google für Website-Analysen. Erzeugt statistische Daten darüber, wie der Besucher die Website nutzt. Alle Informationen werden anonymisiert gespeichert. (2 Jahre)