Lehrstuhl für Wirtschaftsinformatik II. Gliederung

Transkript

1 Gliederung 1. Einführung 2. Arbeitsaufgaben und -prozesse der Fach- und Führungskräfte 3. Klassische Ausprägungen der Management Support Systeme 4. Business Intelligence 5. Datenanalyse: On-Line Analytical Processing und Data Mining 6. Datenbereitstellung: Data Warehousing 7. Betriebliches Berichtswesen 8. Gestaltung und Betrieb von BI-Lösungen 9. Aktuelle Tendenzen bei Business Intelligence-Systemen Folie 210

2 Advanced Analytics Unter Advanced Analytics lässt sich eine Sammlung unterschiedlicher Techniken und Tools subsummieren, die Predictive Analytics, Data Mining, Statistische Analysen und komplexes SQL sowie Datenvisualisierung und Verarbeitung natürlicher Sprache umfasst. Quelle: Russom, P.: Big Data Analytics, TDWI Best Practice Report, Renton 4. Quartal 2011, S. 5. Zum Einsatz kommen alle Methoden zur möglichst automatischen Erkennung von Mustern, Zusammenhängen und Bedeutungen in größtmöglicher Geschwindigkeit Quelle: BITKOM: Big Data im Praxiseinsatz Szenarien, Beispiele, Effekte, Berlin 2012, S. 21. Folie 211

3 Predictive Analytics Unterbereich von Advanced Analytics, der proaktive Analysetechniken nutzt, um Vorhersagen über zukünftige Ereignisse und Entwicklungen zu tätigen. Eingesetzte Methoden für die Vorhersage Lineare Regression Entscheidungsbäume Cluster-Analyse Zeitreihen-Modelle Logistische Regression Andere Regressionen Neuronale Netzwerke Assoziationsanalysen Naive Bayes Support Vector Machines 59 % 57 % 51 % 47 % 30 % 17 % 16 % 12 % 11 % 6 % Survival Analysis 6 % N = 126 Quelle: Halper, F.: Predictive Analytics for Business Advantage, TDWI Best Practice Report, Renton 1. Quartal 2014, S. 18. Folie 212

4 Big Data Analytics Big Data zeichnet sich nicht allein durch das immense Datenvolumen (Volume) aus, sondern ebenso durch die erhebliche Vielfalt an Datenformaten (Variety) sowie durch die Geschwindigkeit (Velocity), mit der neue Daten entstehen sowie verfügbar und damit analysierbar sind Quelle: Zikopoulos, P.; Deroos, D.; Deutsch, T.; Lapis, G.; Eaton, C.: Understanding Big Data, Analytics for Enterprise Class Hadoop and Streaming Data, New York u. a Da das schnelle Auffinden von Zusammenhängen bei Big-Data- Analysen häufig größere Gewichtung erfährt, als deren Erklärung, lässt sich plakativ formulieren, dass Kausalität durch Korrelation ersetzt wird Quelle: Mayer-Schönberger, V.; Cukier, K.: Big Data. Die Revolution, die unser Leben verändern wird, München 2013, S. 67ff. Folie 213

5 Big Data Analytics Volume Folie 214

6 Big Data Analytics Velocity Folie 215

7 Big Data Analytics Variety Folie 216

8 Big Data Analytics Einsatzfelder Branchenspezifisch Finanzdienstleister: Erschaffung neuer Finanzprodukte Telekommunikation und Medien: Monitoring-Dienstleistungen für Endkunden Handel: datengetriebene Infrastruktur- und Analysedienstleistungen Versicherungsbranche: verhaltensorientierte Versicherungsprodukte [Schäfer et al. 2012, S ] Fachbereichsspezifisch Marketing und Vertrieb: kunden- oder kundengruppenspezifische Zusammenstellung von Angeboten Produktion: Analyse von Sensordaten zur Verbesserung von Produktionsprozessen F&E-Sektor : Daten aus Sozialen Netzen sowie von Sensoren an eigenen Produkten zur Weiterentwicklung aktueller oder Konzeption zukünftiger Produkte Logistik: Kosteneinsparungen bei den Transportmitteln Finanz- und Risiko-Controlling: Aufdeckung von Betrugsfällen und Risikomanagement Folie 217

9 Big Data Analytics Hemmnisse beim Einsatz Besonders ausgeprägt Hohe Kosten Identifikation eines Business Case BI-Architektur auf Reporting und OLAP ausgelegt Komplexität einer Big Data Analytics-Lösung Unzureichendes Know-How im Unternehmen Weniger stark ausgeprägt Ladeprozesse dauern zu lange Kein Business Sponsor Performance/Antwortzeitverhalten derzeitiger Systeme Skalierungsprobleme bei großen Datenmengen Unzureichende Kompetenz bei Beratern Keine Unterstützung durch das Management Fehlende In-Memory-Technologie Übergeordnete Rahmenbedingung Datenschutz und Datensicherheit Folie 218

10 Big Data Analytics Eingesetzte Methoden für die Auswertung von Big Data Abfragen und Reporting Data Mining Datenvisualisierung Vorhersagemodelle Optimierung Simulation Text in natürlicher Sprache Geodatenanalyse Analyse von Datenströmen Videoanalyse Sprachanalyse 91 % 77 % 71 % 67 % 65 % 56 % 52 % 43 % 35 % 26 % 25 % Teilnehmer an laufenden Big-Data- Initiativen. N = Quelle: IBM Global Business Services, Analytics: Big Data in der Praxis. Wie innovative Unternehmen ihre Datenbestände effektiv nutzen, o. O 2012, S.12. Folie 219

11 Big Data Analytics Technologien und Tools für Big-Data-Management Bekenntnis Schwach Moderat Stark 37,5 % 50 % 62,5 % 75 % 87,5% Analytic sandboxes In-memory cache Data appliances Solid-state drives Metadata management Columnar DBMS In-database analytics Moderates bis starkes Bekenntnis, schwaches Wachstum Data virtualisation Data federation In-memory DBMS Private cloud Grid computing Public cloud Schwaches bis moderates Bekenntnis, moderates Wachstum Moderates bis starkes Bekenntnis, moderates Wachstum Streaming data Hadoop HDFS Hadoop tools (besides HDFS) NoSQL DBMS MapReduce Complex event processing Moderates Bekenntnis, moderates bis starkes Wachstum Quelle: Russom, P.: Managing Big Data, TDWI Best Practice Report, Renton 4. Quartal 2013, S ,5 % 0 % 12,5 % 25 % 37,5% Schwach Moderat Stark Potenzielles Wachstum Folie 220

12 Agile Business Intelligence BI-Agilität ist in einer Organisation gegeben, wenn sich vorhersehbare und unvorhersehbare Anforderungen in Bezug auf die Funktionalität oder den Inhalt einer BI-Lösung in einer möglichst kurzen Zeitspanne mit der erforderlichen Qualität abbilden lassen. Agile BI umfasst dann alle zur Erreichung einer vorgegebenen oder zur Verbesserung einer vorhandenen BI-Agilität relevanten Rahmenbedingungen, wie Prinzipien und Entwicklungsmethoden, sowie die ergriffenen oder zu ergreifenden Maßnahmen. In Anlehnung an: Gansor, T.; Krawatzeck, R.; Trahasch, S.; Zimmer, M.: Agile BI Mehr als ein agiles Vorgehensmodell, DW 2012, Zürich, Schweiz, November Ablauforganisati on Technik Aufbauorganisati on Fachlichke it

13 Agile Business Intelligence Anforderungen an eine Agile BI-Ablauforganisation Eindeutige Vereinbarung über zu durchlaufende Prozessschritte bei der Neuerstellung, Veränderung, Ergänzung und Überprüfung von BI-Systemen oder einzelner Systemkomponenten (meist in Verbindung mit agilen (oder hybriden) Vorgehensmodellen, wie z. B. Scrum oder Extreme Programming) Optimierte Prozessgestaltung im Hinblick auf schnelle Lösungsangebote mit ausreichender Qualität Geeignetes Methodenspektrum (z. B. Burn Down Charts, Stand Up Meetings oder Pair Programming) mit verbindlicher Nutzung Scrum als agile Entwicklungsmethodik Sprint Backlog Backlog Tasks Daily Scrum 24 Meeting Std Tage Sprint Potentially Shippable Product Backlog Product Increment (priorisiert vom Product Owner)

14 Agile Business Intelligence Anforderungen an eine Agile BI-Aufbauorganisation Klare Definition von Rollen, Verantwortlichkeiten, Zuständigkeiten und Funktionen in einer eigenständigen Organisationseinheit (z. B. Business Intelligence Competence Center (BICC)) Ausgeprägte Interdisziplinarität mit großem fachlichen Verständnis sowie technischem Know-How Funktionen eines BICC Fähigkeit zur raschen Überführung fachlicher Anforderungen in geeignete Lösungen Umfassender Überblick über relevante fachliche Themen, aktuelle und innovative Technologien sowie zielführende Lösungsszenarien BI-Management BI-Leitung BI-Standardisierung BI-Architektur Fachliche Architektur Technische Architektur BI-Unterstützung BI-Personalentwicklung BI-Support BI-Umsetzung BI-Entwicklung BI-Betrieb (Quelle: Gansor, T.; Totok, A.; Stock, S.: Von der Strategie zum Business Intelligence Competence Center, München, Wien 2010)

15 Agile Business Intelligence Anforderungen an eine Agile BI-Technik bzw. -Architektur Kurzfristige Anpassbarkeit an geänderte Anforderungen im Hinblick auf Transformationsprozesse, Datenmodelle sowie Analysen und Berichte Integrierte und flexible Administrations-, Entwicklungs- und Testumgebungen Vollständige Transparenz über alle Komponenten und Verknüpfungen Schaffung von Self Service BI-Angeboten (z. B. über Sandboxing) Externe Daten BI-Architektur mit Sandboxes Klassische BI Enterprise Data Zentrale Warehouse Datenbasis ETL-System Berichte und Analysen Operative Vorsysteme Self Service BI Data Mart Data Mart Data Mart Sandbox Sandbox Sandbox Externe Daten

16 Agile Business Intelligence Anforderungen an eine Agile BI-Fachlichkeit Geeignete Unterstützung bei der Beschreibung von Anforderungen Fachliche Metadaten für alle relevanten Informationsobjekte (fachliche Definitionen, durchgängiges Owner-Konzept, Verwendungszwecke etc.) z. B. in einem BI-Wiki Ausreichende, fokussierte und hochwertige Schulungsangebote mit anwendungszentrierten Inhalten Permanente Verfügbarkeit technischer und methodischer Know-How-Träger BI-Wiki für die agile Fachlichkeit

17 Agile Business Intelligence Nutzen durch Agile BI Anforderungen Funktionalität Phase 1 Phase 2 Phase 3 Agile BI Traditionelle BI Q1 Q2 Q3 Q4 Q5 Q6 Q7 (Quelle: TDWI2012: Agile Business Analytics: How a New Generation Business Intelligence is Changing the Market Landscape, White Paper)

18 Agile Business Intelligence Begründungen für Agile BI Ausgeprägte Markt- und Geschäftsdynamik Hohe Änderungsfrequenz bei fachlichen Anforderungen Notwendigkeit kurzer Umsetzungszyklen Häufige Veränderungen an den Quellsystemen Wenig BI-Erfahrung auf der Anwenderseite Wachsende Erwartungen bei den Usern (information at your fingertips) Effiziente BI oftmals geschäftskritisch (mission critical BI) Regulatorische Vorgaben In Anlehnung an: Oßendoth, V.; Bergmann, S.: Der agile BI-Ansatz im EDWH Projekt der NETRADA, 12. Europäische TDWI Konferenz, , München

19 Self-Service-BI Analyse und Exploration von Daten mit Hilfe intuitiver und interaktiver Visualisierungen direkt durch den Endbenutzer ohne Einbeziehung der zentralen IT

20 Self-Service-BI

21 Mobile BI Nutzung von BI-Funktionalitäten und -Daten über mobile Endgeräte wie Tablets oder Smartphones

22 Mobile BI

23 Visual BI Einsatz fortgeschrittener Visualisierungstechniken zur leichteren visuellen Erfassung komplexer Zusammenhänge

24 Operational Business Intelligence Operational (Business) Intelligence focuses on optimizing business processes by identifying patterns of execution and bottlenecks in the processes, and how exceptional business events affect the processes. Process Performance Management / Measurement This is achieved by observing the progress of the business processes and computing several metrics in real-time using these progress events and publishing the metrics to one or more channels. Business Activity Monitoring Quelle: Folie 233

25 Operational Business Intelligence Process Performance Management Untersuchungsfelder Zeit Bearbeitungszeit Transportzeit Liegezeit Rüstzeit Process Performance Zeit Kosten Prozesskostenrechnung Activity Based Costing Qualität Prozessfehler Reklamationsquote Folie 234

26 Operational Business Intelligence Business Activity Monitoring Real-/Right-Time Monitoring operativer Geschäftsprozesse Aufdecken operativer Risiken Reduktion der Zeit zwischen Ereignis und Aktion Folie 235

27 BI und Web 2.0 Definition Web 2.0 Web 2.0 ist ein Sammelbegriff für eine Reihe interaktiver und kollaborativer Elemente des World Wide Webs. Der Begriff Web 2.0 bezieht sich neben spezifischen Technologien wie AJAX primär auf eine veränderte Nutzung und Wahrnehmung des Internets. Die Benutzer erstellen, bearbeiten und verteilen Inhalte in quantitativ und qualitativ entscheidendem Maße selbst, unterstützt von interaktiven Anwendungen. Anwendungen: Wiki Weblog Podcast Soziale Netzwerke Virtuelle Welten Social Bookmarks Folie 236

28 BI und Web 2.0 Anwendungspotenziale Analyse von Usereinträgen (in Blogs, Sozialen Netzwerken etc.) zur Identifikation von aktuellen Strömungen und Trends als Frühindikatoren) Gestaltung interaktiver BI-Oberflächen einschließlich Nutzung von Anwendermeinungen und verhalten) Folie 237

29 BI und Web 2.0 Beispiel: Analyse von Usereinträgen Folie 238

30 BI und Web 2.0 Beispiel: Web 2.0- Oberfläche für das Reporting Todo Folie 239

31 BI - Fokusverschiebung Fokus BI vor 2000 Fokus BI Data Warehouse On-Line Analytical Processing Data Mining Corporate/Business Performance Management Planung Balanced Scorecard Fokus BI 2005-heute BI-Strategie und BI-Governance BI-Comp. Center BI-Prozesse BI-Sourcing Architekturen Produkte Anwendungen Lösungen Professionalisierung Integration Folie 240