BI im Wandel Zwischen Visionen und Moden. Ergebnisse praxisorientierter Forschung der Universität Stuttgart

Transkript

1 BI im Wandel Zwischen Visionen und Moden Ergebnisse praxisorientierter Forschung der Universität Stuttgart Prof. Dr. Hans Georg Kemper Dr. Henning Baars Dr. Heiner Lasi 1

2 Betriebswirtschaftliches Institut Lehrstühle und Studiengänge Betriebswirtschaftliches Institut Abteilung 1: Lehrstuhl für ABWL & Forschungs, Entwicklungs und Innovationsmanagement Abteilung 2: Lehrstuhl für ABWL & Organisation Abteilung 3: Lehrstuhl für ABWL & Finanzwirtschaft Abteilung 4: Lehrstuhl für ABWL & Dienstleistungsmanagement, insbes. Unternehmenslogistik Abteilung 5: Lehrstuhl für ABWL & Controlling Abteilung 6: Lehrstuhl für ABWL & Investitionsgütermarketing und Beschaffungsmanagement Abteilung 7: Lehrstuhl für ABWL & Wirtschaftsinformatik I Abteilung 8: Lehrstuhl für ABWL & Wirtschaftsinformatik II Abteilung 9: Lehrstuhl für ABWL, insbes. Internationales und Strategisches Management Studiengänge: Technisch orientierte Betriebswirtschaftslehre (Bachelor / Master) (890 Stud.) Wirtschaftsinformatik (Bachelor / Master) (160 Stud.) Export in Ingenieur und Naturwissenschaften 2

3 Big Data, InMemory, Mobile Technologies, Cyber physische Systeme, Cloud Computing macht innovative IT erfolgreich? oder stimmt IT doesn t matter? (wir brauchen nicht so viele strategisch denkende CIOs) by N.G. Carr, Harvard Business Review, from May

4 Wertbeitrag IT bedingt beeinflusst IT bestimmt Unternehmensstrategie Geschäftsmodell Geschäftsprozesse liefert WERT Verändert übernommen aus: Krcmar, Helmut: Informationsmanagement, Berlin, S.520 (angelehnt an Wigand, Picot, Reichwald). 4

5 Business Intelligence: Anfangs diffuse Interpretationen 1996 (Gartner Group) Data analysis, reporting, and query tools can help business users wade through a sea of data to synthesize valuable information from it today these tools collectively fall into a category called Business Intelligence. Asokan Anandarajan, C.A. Srinivasan, Murugan Anandarajan: Business Intelligence Techniques, Berlin Heidelberg 2004, S. 18f BI als Fortsetzung der Daten und Informationsverarbeitung: IV für die Unternehmensleitung 2. BI als Filter in der Informationsflut: Informationslogistik 3. BI = MIS, aber besonders schnelle/flexible Auswertungen 4. BI als Frühwarnsystem ( Alerting ) 5. BI = Data Warehouse 6. BI als Informations und Wissensspeicherung 7. BI als Prozess: Symptomerhebung > Diagnose > Therapie > Prognose > Therapiekontrolle Peter Mertens: Business Intelligence ein Überblick, Arbeitspapier 2/2002, Universität Erlangen Nürnberg, S. 4. Heute Unter Business Intelligence (BI) wird ein integrierter, IT basierter Gesamtansatz zur betrieblichen Entscheidungsunterstützung verstanden. 5

6 BI in der Produktion Charakteristika: Primärer GP Real-time-Analyse Untertägige Systemadaption Power User Hohes betrieb. Fachwissen Schreibt Daten zurück BI für das Personalmanagement Charakteristika: Sekundärer GP Monatliche Analysen Wenig Prozessveränderungen Gelegentliche Benutzer Unterliegt interner & externer Revision 6

7 Governance Implementierung Grundmodell BI Governance Committee Sicherstellung der Strategiekonformität Controlling BI Governance Strategie BI Competence Center(s) BICC(s) Potenzialplanung Portfoliomanagement Technologie- & Infrastrukturmanagement Richtlinien & Leitlinien BI-Service- & Sourcing-Policies Linking Pin: IT, Fachbereich, Management Governanceaufgaben Dispositive Datenarchitektur Entwicklungs- & Betriebs-Rahmenbedingungen 7

8 43 manuell geprüfte Quellen akademisch und praxisorientiert (Journals, Tagungen). BI Eine Literaturanalyse (1) Analyse von 576 praxisorientierten und 667 akademischen Veröffentlichungen (2008 bis 2013). Typ BI, akademisch BI, Praxis WI & BWL, akademisch Titel ACM International Workshop On Data Warehousing and OLAP (DOLAP) Business Intelligence Journal (not TDWI) Decision Support Systems International conference on Very large data bases (VLDB) International Journal of Business Intelligence and Data Mining International Journal of Business Intelligence Research Journal of Management Information Systems (JMIS) Workshop BI (FG BI, GI e.v.) BI Spektrum BI Journal TDWI eye network.com/ DW, EA (2010, 2012) management.com/ (formerly DMReview) TDWI Conference (conference) ACM Transactions on Information Systems Americas Conference on Information Systems (AMCIS) Annual Conference der European Marketing Academy (EMAC) Communications of the ACM European Conference on Information Systems (ECIS) European Journal of Information Systems Hawaii International Conference on System Sciences (HICSS) HMD Praxis der Wirtschaftsinformatik 8

9 BI Eine Literaturanalyse (2) Typ WI & BWL, akademisch (Forts.) Titel Human Computer Interaction IEEE Software Information andmanagement Information Systems Journal (ISJ) Information Systems Research (ISR) INFORMS Journal on Computing International Business Review International Conference on Information Systems (ICIS) Journal of Business Logistics Journal of Information Technology Journal of International Business Studies Journal of Strategic Information Systems (JSIS, Journal) Journal of the Association for Information Systems (JAIS) Management Science Multikonferenz Wirtschaftsinformatik (MKWI) MCIS Mediterranean Conference on Information Systems (MCIS) MIS Quarterly Pacific Asia Conference on Information Systems (PACIS) Wirtschaftsinformatik / Business & Information Systems Engineering (BISE) (Journal) Wirtschaftsinformatik (Conference) 9

10 Resultierendes BI Leitbild Quelle: Wirtschaftsinformatik, 16, 1 (Jan. 2014), DOI; /s : Baars, Felden, Hilbert, Gluchowski, Kemper, Olbrich

11 Trendthema Studien Typ Gegenstände Agile BI und Self Service BI Forschung zu BI Trends am Lehrstuhl 4 Studien seit 2009 Interviewreihen Relevanz, Messung, Konzepte auf Architektur und Organisationsseite Cloud BI 7 Studien seit 2011 Interviewreihen Online Befragungen Einzelfallstudien Anwendungsfelder, Potentiale, Herausforderungen, Architekturen, Einsatzgebiet SCM / APS BI und Big Data 7 Studien seit 2012 Interviewreihen Prototypenentwicklungen Einzelfallstudie Anwendungsfelder, Relevanz, Potentiale, Integrationsoptionen, Architekturen InMemory BI 3 Studien seit 2012 Interviewreihen Anwendungsfelder, Potentiale, Einsatzgebiet SCM / APS Mobile BI 3 Studien seit 2011 Einzelfallstudien Prototypenentwicklung Interviewreihe Business Process Intelligence und Process Mining 5 Studien seit 2007 Einzelfallstudien Prototypenentwicklungen Industrie 4.0 und BI 7 Studien seit 2011 Einzelfallstudien Prototypenentwicklungen Einsatzszenarien, Potentiale, Architekturen, Trends Anwendungsgebiete, Potentiale, Architekturen Potentiale und Architekturen für die Bereiche Reifegradmanagement und Agiles Change Management 11

12 Agilität als neue Zielgröße und Innovationstreiber Neue Anforderungen der Benutzer Neue Kennzahlen Neue Reports Neue Datenquellen Neue Funktionen Wechselnde Prozessrahmenbedingungen Mergers & Acquisitions Reorganisationen Regulative Änderungen Neue Kundenstrukturen Verändertes Produktportfolio Agilität: Fähigkeit, effizient auch auf nicht antizipierte Anforderungen reagieren zu können Business Intelligence Neue Analysefunktionen Neue Infrastrukturen Neue Datenhaltungskonzepte Wechselnde technologische Potentiale Unfälle Streiks Verzögerungen Katastrophen Ereignisse im operativen Prozess 12

13 Dynamik in der Business Intelligence Dynamik in der Business Intelligence (n=161), Quelle: Baars/Qie (2012) Nicht Berücksichtigung: Schatten BI Wesentlicher Innovationstreiber: InMemory, Self Service BI, Cloud BI, 13

14 Facetten von BI Agilität BI Functional Agility BI Functional Agility for Data Acquisition BI Functional Agility for Data Storage Functional Agility for Frontend/Reporting/Analysis BI Functional Agility for Data Administration BI Agility BI Scale Agility for Data Acquisition BI Scale Agility BI Scale Agility for Data Storage BI Scale Agility for Frontend/Reporting/Analyis Quelle: Baars/Zimmer (2013) BI Content Agility BI Level 1 Content Agility (layer specific) BI Level 2 Content Agility (across layers) BI Level 3 Content Agility (up to data source) BI Level 4 Content Agility (involving non BI systems) BI Scale Agility for Data Administration BI Content Agility for Data Acquisition BI Content Agility for Data Storage BI Content Agility for Frontend and Data Analysis BI Content Agility for Data Administration 14

15 Zoo an Maßnahmen mit unterschiedlichen Schwerpunkten BI Functional Agility for Data Acquisition Sandboxes BI Functional Agility SaaS for BI (Cloud) SCRUM BI Functional Agility for Data Storage Functional Agility for Frontend/Reporting/Analysis BI Functional Agility for Data Administration InMemoryBI BI Agility BI Scale Agility for Data Acquisition BI Scale Agility BI und IaaS (Cloud) BI Scale Agility for Data Storage BI Scale Agility for Frontend/Reporting/Analyis BI Scale Agility for Data Administration BI Content Agility BI Level 1 Content Agility (layer specific) SCRUM BI Content Agility for Data Acquisition Bypass Lösungen BI Level 2 Content Agility (across layers) Sandboxes BI Content Agility for Data Storage Data Vault BI Level 3 Content Agility (up to data source) InMemoryBI BI Content Agility for Frontend and Data Analysis Self Service BI BI Level 4 Content Agility (involving non BI systems) BigData Stores BI Content Agility for Data Administration 15

16 Cloud BI Ad hoc Erstellung von Reports: Agile BI oder die nächste Stufe der Schatten BI? Zunehmende Liste an relevanten Anbietern Lehrstuhl für ABWL und Wirtschaftsinformatik 1 Sicherheit? Integration in Service Management Konzepte? Umgang mit stark individualisierten Lösungen? Kemper / Baars / Lasi 16

17 Cloud basierte Lösungen als Bausteine einer Agilen BI Quelle: Baars/Qie (2012) Agilitätsnutzen im Mittelpunkt 17

18 Cloud basierte Lösungen als Bausteine einer Agilen BI Quelle: Baars/Qie (2012) Dynamik der infrastrukturellen Integration fördert Cloud Lösungen Beispiel Mobile BI Und einen Schritt weiter: Cloud BI und InMemory? Cloud BI für Big Data Lösungen? 18

19 Big Data und BI vom diffusen Modebegriff zu greifbaren Innovationen Fallstudie aus dem Bereich Fraud Detection für die E Commerce Branche Data Warehouse Performance für ad hoc Analysen und neuartige Real Time Anwendungen Data Access Layer Data Mart Standard Interface Mart Big Data Store (Operational Data Layer) Hadoop Cluster Hadoop Cluster Vollarchivierungsansatz: Später auch nicht antizipierte Analysen möglich Core Data Warehouse Data Node Data Node Data Node Data Node CDWH COWH Data Node Quelle: Baars/Funke/Müller/Olbrich (2014., in Druck) Komplementierung bestehender BI Ansätze (kein Ersatz) Revitalisierung anspruchsvoller Konzepte (Text Mining, Netzwerkanalysen, ) Konzepte aus der BI fortgeschrieben: Organisations und Governance Konzepte DQM Metadatenhaltung Aber: Vieles fehlt noch Datentransformationen Historisierungskonzepte Fachliche Modellierung 19

20 BI im Wandel Zwischen Visionen und Moden Use Case basierte Identifizierung von BI Anwendungsfällen im Kontext von Industrie 4.0 Produktlebenszyklus Vorphase Produktentwicklung Beschaffung / Logistik Produktnutzung Produktion Absatz Recycling / Service Big Data Cloud BI Agile BI Cloud BI BPI / PM Self Service Agile BI Cloud BI BPI / PM In Memory Self Service BPI / PM In Memory Self Service Big Data Mobile BI Cloud BI Big Data BPI / PM Self Service Cloud BI Vision BI von der Managementunterstützung zur Entscheidungsunterstützung BPI: Business Process Intelligence PM: Process Mining Bildquellen: 123rf.com 20

21 Vision oder Mode? Eine Einschätzung Vision Agile BI als neue Zielsetzung für BI Organisation und BI Architektur Mode Agile BI als Vorgehensmodell für die Systementwicklung Vision Mode Cloud BI als Baustein für eine agile BI auch von KMU und Netzwerken als Schritt zur Abkopplung von der Infrastruktur Cloud BI als unüberwachte Technologieoption ( BI aus der Steckdose ) außerhalb von Governance und Integrationskonzepten 21

22 Vision oder Mode? Eine Einschätzung Vision Mode InMemory BI als Schritt zur Abkopplung von hardwaredominierten, ineffizienten Lösungskonzepten InMemory BI als Aufgabe von Schichtenarchitekturen und der Trennung zwischen dispositiven und operativen Systemen Vision Big Data als Ergänzung bestehender BI Architekturen und als Treiber für die Integration unstrukturierter Daten und anspruchsvoller Analyseverfahren Mode Big Data als diffuse Philosophie und/oder Neuerfindung der BI 22

23 Vision oder Mode? Eine Einschätzung Vision Mobile BI als effizient einzubindender Standardkanal für die BI Mode Mobile BI als strategische BI Ausrichtung mit teuren, plattformabhängigen Speziallösungen Vision Self Service BI als einer von mehreren Bausteinen einer Agilen BI und Schritt zu einer stärkeren Endbenutzerorientierung Mode Self Service BI als isolierte Frontendtechnologie 23

24 Vision oder Mode? Eine Einschätzung Vision Mode Business Process Intelligence und Process Mining als (bislang unterschätzte) explizite Einbettung des Prozesskontextes in die BI für anspruchsvolle Ursachenanalysen Business Process Intelligence und Process Mining als Sammlung von Einzelwerkzeugen außerhalb klassischer BI Architekturen Vision BI für Industrie 4.0 als Konzept zur Integration bestehender betriebswirtschaftlicher und ingenieursorientierter Entscheidungs und Managementunterstützung Mode BI für Industrie 4.0 als Ersatz etablierter und ausgereifter ingenieursorientierter Lösungen 24

25 25