Business Intelligence Gastvortrag von Dr. Stefan Paul an der FH Koblenz 6. Mai 2013, 14:00 18:00 Uhr

Transkript

1 Business Intelligence Gastvortrag von Dr. Stefan Paul an der FH Koblenz 6. Mai 2013, 14:00 18:00 Uhr zur Person: Jahrgang : Berater bei IDS Scheer heute: Selbständiger IT- und Unternehmensberater Geschäftsführer der Citi GmbH, Zweibrücken SAP Business Warehouse Berater der ersten Stunde IT-Projektleiter in BI-Projekten bei einem DAX-Unternehmen der chem. Industrie Mitglied der IT Governance für BI Projekte Dolmetscher zwischen Business und IT Seite 1

2 Inhalt Einführung: Big data! Business Intelligence Data Mining Ziel ist es, das, was Sie in der IT Architekturen -Vorlesung über BI gelernt haben, - zu vertiefen und zu ergänzen und - anschaulich zu machen, wo die Herausforderungen in der Praxis liegen Seite 2

3 Big Data Seite 3

4 Was ist Big data? Volume das Datenvolumen nimmt immer mehr zu Variety semi- und unstrukturierte Daten gewinnen an Bedeutung Velocity Realtime bzw. near Realtime Reporting ist gefordert Variability* Komplexität von Daten bzw. Interpretationsoptionen nehmen zu IBM characterizes Big data by its volume, variety and velocity or simply V 3 (from Understanding Big data IBM ebook) * Gartner und Forrester haben zu den 3 von IBM eingeführten V eine 4.te Dimension hinzugefügt Seite 4

5 Big data: Volume Chart from Dr. Thomas Keil, SAS; Original source: I D C - M U L T I M E D I A W H I T E P A P E R As the Economy Contracts, the Digital Universe Expands, May 2009 Das Datenvolumen nimmt exponentiell zu was primär an der Zunahme der unstrukturierten Daten liegt 90% der weltweiten Daten wurden in den letzten beiden Jahren erzeugt* * Quelle: Seite 5

6 Big data: Variety Alle Arten von verfügbaren Daten sind relevant zur Entscheidungsfindung Unternehmensintern Unternehmensextern unstrukturiert* strukturiert Tabellenkalkulation Datenbanken ERP CRM BI Textdokumente Intranet Folien/Präsentationen s Web log-files (click-stream) Sensordaten Smart devices RFID Web Sites Soziale Netzwerke Marktanalysen/ Meinungen * genauer: un- bzw. semistrukturierte Daten, denn z. B. s sind semistrukturiert, da sie eine Absender/Adressat-Struktur besitzen Seite 6

7 Strukturierte vs. unstrukturierte Daten Unternehmensinterne vs. externe Daten? Neben strukturierten und unternehmensinternen Daten gewinnen in Unternehmen immer mehr an Bedeutung: semi- bzw. unstrukturierte Daten unternehmensexterne Daten Beispiele: bitte zuordnen! Strukturiert vs. unstrukturiert Unternehmens- intern vs. -extern Report zum Umsatz pro Produkt, Kunde, Monat Zusammenfassungen von Kundengesprächen Geschäftsklima-Index Markt-Analysen unabhängiger Institute Kritik bzw. Zustimmung zu Produkten in sozialen Netzwerken Seite 7

8 Strukturierte vs. unstrukturierte Daten Unternehmensinterne vs. externe Daten Neben strukturierten und unternehmensinternen Daten gewinnen in Unternehmen immer mehr an Bedeutung: semi- bzw. unstrukturierte Daten unternehmensexterne Daten Beispiele: Strukturiert vs. unstrukturiert Unternehmens- intern vs. -extern Report zum Umsatz pro Produkt, Kunde, Monat Strukturiert Intern Zusammenfassungen von Kundengesprächen Unstrukturiert Intern Geschäftsklima-Index Strukturiert Extern Markt-Analysen unabhängiger Institute Unstrukturiert Extern Kritik bzw. Zustimmung zu Produkten in sozialen Netzwerken Unstrukturiert Extern Seite 8

9 Big data: Velocity Immer mehr Realtime Reporting ist gefordert: Decision window small, compared with data and data requirement change rate * Velocity steht für folgende Herausforderungen: Handling der immer schnelleren Produktion und Änderung von Daten Entscheidern benötigen Daten zeitnah (veraltete Daten bringen keinen Wettbewerbsvorteil) Die Anforderungen, welche Daten benötigt werden und in welcher Art und Weise sie präsentiert werden müssen, ändern sich schnell * Quelle: Forrester Expand your digital horizon with big data Seite 9

10 Big data für Unternehmen Wenn Unternehmen von Big data profitieren wollen, müssen sie sich z. B. mit den folgenden Konzepten und den dazugehörigen Technologien beschäftigen: Business Intelligence Data Mining Es ist gut, etwas über Business Intelligence und Data Mining zu lernen Seite 10

11 Business Intelligence 1. Data Warehouse und BI 2. BI Architektur 3. OLAP 4. Close the loop 5. Typische BI Fragestellungen 6. Herausforderungen in BI Projekten 7. IT Trends und BI 8. Standardisierte vs. agile BI Seite 11

12 1. Data Warehouse und BI Seite 12

13 Business Intelligence stellt Entscheidungen auf die Basis von Fakten Unter Business Intelligence (BI) versteht man alle Strategien, Prozesse und Technologien, bei denen aus Daten Informationen und aus Informationen erfolgskritisches Wissen gewonnen wird, so dass Entscheidungen auf Basis von Fakten getroffen werden, die Aktionen zur Unternehmens- und Prozesssteuerung auslösen Dr. Wolfgang Martin, 2009 Seite 13

14 Business Intelligence erhöht den Informationsgrad Informationsgrad mit Informationssystem ohne Zeit Quelle: Marcus Reiser, Jan Holthuis Seite 14

15 Business Intelligence sorgt dafür, dass Entscheidungen besser getroffen werden Informationsgrad mit Informationssystem ohne Gewinn an Sicherheit Zeitpunkt der Entscheidung Zeit Quelle: Marcus Reiser, Jan Holthuis Seite 15

16 Business Intelligence sorgt dafür, dass Entscheidungen schneller getroffen werden Informationsgrad mit Informationssystem Für Entscheidung notwendiger Informationsgrad Gewinn an Zeit ohne Zeit Quelle: Marcus Reiser, Jan Holthuis Seite 16

17 Unter Business Intelligence versteht man die Analyse von Daten mit dem Ziel, die Entscheidungsfindung zu unterstützen Präsentation zur Entscheidungsunterstützung Business Intelligence* (Geschäftsanalytik) bezeichnet Verfahren und Prozesse zur systematischen Analyse (Sammlung, Auswertung und Darstellung) von Daten in elektronischer Form. Datenbank Ziel ist die Gewinnung von Erkenntnissen, die in Hinsicht auf die Unternehmensziele bessere operative oder strategische Entscheidungen ermöglichen. Wikipedia Daten aus (operativen) Vorsystemen * Der englische Ausdruck intelligence bedeutet in diesem Kontext nicht Intelligenz, sondern die aus dem Sammeln und Aufbereiten erworbener Informationen gewonnenen Erkenntnisse. Seite 17

18 BI Architektur Übersicht Business Intelligence Analysetools Data Warehouse Präsentation zur Entscheidungsunterstützung DW Datenbank ETL: Extract, Transform & Load Verwaltung In der Data-Warehouse-Datenbank werden die Daten aus den (operativen) Quellsystemen gesammelt aufbereitet bzw. verwaltet nachgelagerten Analysetools zur Verfügung gestellt Entscheider im Unternehmen greifen über Spreadsheets, Dashboards oder andere Analysetools auf die Daten zu Quellsysteme Daten aus (operativen) Vorsystemen und finden damit Hilfestellungen für ihre Entscheidungsfindung Wichtig: Eine BI Lösung ist kein Produkt sondern ein Konzept, das unternehmensindividuell umgesetzt werden muss. Seite 18

19 Data Warehouse Definition gemäß Bill Inmon A Data Warehouse is a subject oriented, integrated, non volatile and time variant collection of data in support of management decisions. Collection of data in support of management decisions Datensammlung mit der Zielrichtung Entscheidungsunterstützung Subject oriented Die im DW gespeicherten Daten orientieren sich an den Inhalten bzw. Themen der Informationsbedarfe der Entscheider Integrated Im DW werden Daten aus heterogenen unternehmensinternen und -externen Vorsystemen in einer einheitlichen Datenbasis zusammenzuführt (wobei z. B. unterschiedliche Formatierungen vereinheitlicht werden) Non volatile (nicht flüchtig) Während in den operativen Systemen die Daten sehr häufig aktualisiert werden, bleiben die einmal im DW gespeicherten Daten unverändert bzw. eingefroren Time variant Um zeitliche Trends analysieren zu können, ist es wichtig, dass die Daten einen Zeitraumbezug haben, also aus ihnen jeweils ersichtlich ist, auf welchen Zeitraum in der Vergangenheit sie sich beziehen. Seite 19

20 OLAP vs. OLTP? Während die operativen, transaktionsorientierten Anwendungen (Online Transaction Processing, OLTP) Prozesse wie die Auftragsbearbeitung, das Bestellwesen oder die Finanzbuchhaltung unterstützen besteht das Ziel von analytischen bzw. Data-Warehouse-basierten Anwendungen (Online Analytical Processing, OLAP) darin, die Entscheider im Unternehmen mit Informationen zu versorgen OLTP OLAP (operativ) (analytisch) Ziel Leistungserbringung Entscheidungsunterstützung Anwender Sachbearbeiter Entscheider Detaillierung Zeitbezug Aktualisierung Seite 20

21 OLAP vs. OLTP Während die operativen, transaktionsorientierten Anwendungen (Online Transaction Processing, OLTP) Prozesse wie die Auftragsbearbeitung, das Bestellwesen oder die Finanzbuchhaltung unterstützen besteht das Ziel von analytischen bzw. Data-Warehouse-basierten Anwendungen (Online Analytical Processing, OLAP) darin, die Entscheider im Unternehmen mit Informationen zu versorgen OLTP OLAP (operativ) (analytisch) Ziel Leistungserbringung Entscheidungsunterstützung Anwender Sachbearbeiter Entscheider Detaillierung sehr granular verdichtete Daten (Einzelbelege) Zeitbezug aktuell (zeitpunktbezogen) historisch (zeitraumbezogen) Aktualisierung kontinuierlich, in Echtzeit turnusmäßige Fortschreibung (oft vortagesaktuelle Daten) Seite 21

22 2. BI Architektur Seite 22

23 BI und Data Warehouse Architektur Business Intelligence Analysetools Data Warehouse Präsentation zur Entscheidungsunterstützung DW Datenbank ETL: Extract, Transform & Load Verwaltung Eine BI Architektur besitzt im Wesentlichen die folgenden Komponenten: Analysetools Data Warehouse mit den Extract, Transform & Load- Funktionalitäten (ETL) der Data-Warehouse-Datenbank den Verwaltungsfunktionalitäten Quellsysteme Daten aus (operativen) Vorsystemen Vor- bzw. Quellsysteme (gehören im weiteren Sinne auch zur BI Architektur, da sie die Basis für die BI Anwendungen sind) Abgrenzung (vereinfacht): BI = DW + Analysetools Seite 23

24 Vorsysteme (bzw. Quellsysteme) Quellsysteme Daten aus (operativen) Vorsystemen Den Schwerpunkt bilden operative, unternehmensinterne OLTP-Anwendungen Immer mehr Relevanz bekommen aber z. B. auch: externe Daten zu z. B. Währungskursen, Ölpreisentwicklung usw. externe Stammdaten wie z. B. die über Wirtschaftsdienste verfügbare Zuordnung von Kunden zu Kundensegmenten (die den Entscheidern helfen, ein Gesamtbild der Marktsituation zu bekommen) Seite 24

25 Extract, Transform & Load Ziel von ETL ist es, Quellsysteme Data Warehouse DW Datenbank ETL: Extract, Transform & Load Daten aus (operativen) Vorsystemen Verwaltung Daten aus den Vorsystemen zu extrahieren in eine einheitliche Datenbasis zu transformiert Harmonisierung von Feldern aus heterogenen Quellen (Struktur- und Formatvereinheitlichungen) Daten-Qualitätskontrollen in die Data Warehouse-Datenbank abzuspeichern, typischerweise in täglichen Ladeprozeduren Je nach Anzahl und Heterogenität der Vorsysteme kann ETL sehr komplex sein Seite 25

26 ETL: Beispiele für Plausibilitätsprüfungen Datensätze werden als fehlerhaft markiert, wenn sie z. B.: keinen Eintrag bei Kunde und Material (Artikel) besitzen unlogische Datumsfelder besitzen (z. B. kann ein Liefertermin nicht vor dem Termin liegen, an dem der dazugehörige Auftrag angelegt wurde) einen unrealistische hohen Warenwert besitzen Auftrag 4711 angelegt am Artikel 0815 Kunde 1234 Liefertermin Warenwert 20 Auftrag 4712 angelegt am Artikel 0816 Kunde 3456 Liefertermin Warenwert 50 Auftrag 4713 angelegt am Artikel Liefertermin Warenwert 10 Auftrag 4714 angelegt am Artikel 0818 Kunde 5566 Liefertermin Warenwert 20 Auftrag 4715 angelegt am Artikel 0819 Kunde 3344 Liefertermin Warenwert Auftrag 4711 angelegt am Artikel 0815 Kunde 1234 Liefertermin Warenwert 20 Auftrag 4712 angelegt am Artikel 0815 Kunde 3456 Liefertermin Warenwert 50 Auftrag 4713 angelegt am Artikel Liefertermin Warenwert 10 Auftrag 4714 angelegt am Artikel 0815 Kunde 5566 Liefertermin Warenwert 20 Auftrag 4715 angelegt am Artikel 0815 Kunde 3344 Liefertermin Warenwert Seite 26

27 Data Warehouse Datenbank Vorteile einer separaten DWH Datenbank (gegenüber Auswertungen direkt im OLTP): Quellsysteme Data Warehouse DW Datenbank ETL: Extract, Transform & Load Daten aus (operativen) Vorsystemen Verwaltung Entlastung der operativen Systeme von umfangreichen Abfragen: Reports können sehr aufwendig sein und massiv Systemressourcen binden es besteht die Gefahr, dass ein OLTP dadurch gebremst würde Für Abfragen optimierte Datenhaltung: Einsatz spezieller, für Auswertungen optimierte Datenbankmodelle (bewusst redundante Datenhaltung, Aggregationen) Zusammenführung von Daten aus mehreren Quellen: Oft müssen für aussagekräftige Reports die Daten aus mehreren Quellsystemen (aus verschiedenen Regionen, Unternehmensbereichen, Aufgabengebieten) kombiniert werden Seite 27

28 Datenverwaltung im DWH In der Data Warehouse Verwaltung werden Quellsysteme Data Warehouse DW Datenbank ETL: Extract, Transform & Load Daten aus (operativen) Vorsystemen Verwaltung Datenflüsse aus den Vorsystemen ins DWH initiiert, gesteuert und überwacht historische Daten, die den relevanten Betrachtungsbereich der Vergangenheit überschritten haben, archiviert oder gelöscht Zugriffsrechte verwaltet usw. Seite 28

29 Analysetools Business Intelligence Quellsysteme Analysetools Data Warehouse Präsentation zur Entscheidungsunterstützung Dashboard Spreadsheet OLAP Data Mining DW Datenbank ETL: Extract, Transform & Load Daten aus (operativen) Vorsystemen Verwaltung Zur Präsentation und Analyse der Daten kommen unterschiedlichste Tools zum Einsatz: Dashboards: analog zu einer Instrumententafel werden Informationen kombiniert und graphisch aufbereitet; Ziel ist es, möglichst viel auf einen Blick zu überschauen Spreadsheets bzw. Tabellenkalkulations- Programme: am bekanntesten ist MS Excel OLAP Tools: hier stehen OLAP Navigationsmöglichkeiten im Vordergrund (oft als WEBoder Excel-basiertes Tool implementiert) Data Mining Tools: für die Suche nach bisher unentdeckte und betriebswirtschaftlich relevante Muster in großen Datenbeständen Außerdem: Erzeugung elektronischer Listen zur Datenverteilung an nachgelagerten Anwendungen Seite 29

30 3. OLAP Seite 30

31 OLAP Typische BI Fragestellungen sind einfach strukturiert; sie sind subject oriented, also auf die Subjekte bzw. Kategorien, in denen Entscheider denken, ausgerichtet Merkmale (= Dimensionen): Themen, nach denen man etwas analysiert Kennzahlen: quantitativen Informationen, die man auswerten möchte Typische Fragestellungen sind: Wie entwickeln sich bestimmte Kennzahlen (Absatz, Umsatz, Preise usw.*) in Bezug auf bestimmte Merkmale (Kunden, Produkte, Zeit usw.)? Visualisiert wird dieser Sachverhalt oft mit einem Würfel (Cube): Merkmale sind die Kanten (Dimensionen) des Würfels Kennzahlen stehen in Würfelzellen Produkt A380 A350 Umsatz Umsatz: Mio x Mio Air France A320 Qantas Lufthansa * neben Kennzahlen wir Mengen, Werte und Preise sind auch die Anzahl von Kundenbeschwerden oder die Anzahl an Tagen, die eine Lieferung verspätet ist, typische BI-Kennzahlen Zeit Seite 31

32 OLAP-Navigation: Slice & Dice Navigieren in den Daten entspricht dem Drehen, Wenden und Durchschneiden des OLAP-Würfels: Slice bezeichnet dabei das Herausschneiden von Würfelscheiben was bedeutet, dass man z. B. nur den Kunden Lufthansa herausschneidet: Produkt Produkt A380 Umsatz x Mio A380 Umsatz x Mio A350 Air France A350 Air France A320 Qantas Lufthansa A320 Qantas Lufthansa Zeit Zeit Summe Absatz Filter auf Kunde = Lufthansa Zeit Zeit Summe Absatz Seite 32

33 OLAP-Navigation: Slice & Dice Navigieren in den Daten entspricht dem Drehen, Wenden und Durchschneiden des OLAP-Würfels: Dice bezeichnet dabei das Drehen des Blickwinkels was bedeutet, dass man z. B. statt dem zeitlichen Verlauf die Produkte zeigt: Produkt Zeit A380 Umsatz x Mio 2010 Umsatz x Mio A350 Air France 2009 Air France A Zeit Zeit Summe Absatz Qantas Lufthansa Zeitlicher Trend Produktaufteilung 2008 A320 A350 A380 Produkt Produkt A320 A350 A380 Summe Absatz Qantas Lufthansa Seite 33

34 OLAP-Navigation: Drill-down & Roll-up Drill-down bedeutet, dass man die Daten detaillierter untersucht, also z. B.: statt dem Jahresverlauf die Absatzzahlen pro Quartal oder Monat anzeigt statt Lufthansa komplett zu sehen, die Standorte einzeln aufzuführen Roll-up ist die Gegenbewegung zu drill-down (zurück auf höhere Aggregationsebenen) Produkt Produkt A380 Umsatz x Mio A380 Umsatz x Mio A350 A Zeit Zeit Summe Absatz Qantas Air France Lufthansa Jahresverlauf Quartalsverlauf A350 A Q1 Q2 Q3 Q Q1 Q2 Q3 Q Q1 Q2 Q3 Q4 Qantas Zeit Air France Lufthansa Zeit (Jahr, Summe Quartal) Absatz Seite 34

35 Beispiel für Drill-Down, Slice & Dice Beispiel-Werte sind frei erfunden Seite 35

36 Beispiel für Drill-Down, Slice & Dice Beispiel-Werte sind frei erfunden Seite 36

37 Beispiel für Drill-Down, Slice & Dice Beispiel-Werte sind frei erfunden Seite 37

38 Beispiel für Drill-Down, Slice & Dice Beispiel-Werte sind frei erfunden Seite 38

39 Beispiel für Drill-Down, Slice & Dice Beispiel-Werte sind frei erfunden Seite 39

40 OLAP Beispiel? Wie sieht OLAP in einer realen Anwendung aus? Seite 40

41 4. Close the loop Seite 41

42 Stammdaten Bewegungsdaten Informationen Business Intelligence Analysetools Data Warehouse Präsentation zur Entscheidungsunterstützung DW Datenbank Extract, Transform & Load Verwaltung Informationen helfen dabei, strategische und operative Entscheidungen zu treffen Quellsysteme Daten aus Vorsystemen Stammdaten Kunde, Lieferant Material etc. Seite 42

43 Stammdaten Bewegungsdaten Informationen Close the loop Business Intelligence Analysetools Data Warehouse Präsentation zur Entscheidungsunterstützung DW Datenbank Extract, Transform & Load Verwaltung Informationen helfen dabei, strategische und operative Entscheidungen zu treffen und sie helfen bei der Optimierung der Prozesse Quellsysteme Stammdaten Daten aus Vorsystemen Kunde, Lieferant Material etc. und bei der Harmonisierung der Stammdaten Seite 43

44 Close the loop Unter dem closed loop -Ansatz versteht man, dass die aus dem BI-Reporting gewonnenen Erkenntnisse nicht nur dazu dienen, gute Entscheidungen im Blick auf den Markt und den Verkauf der Produkte zu treffen sondern auch dazu, die Unternehmensprozesse kontinuierlich zu optimieren und Probleme im Bereich der Stammdaten zu analysieren und zu beheben Beispiele: Prozessoptimierung: Wird z. B. festgestellt, dass Kunden regelmäßig zu spät beliefert werden, können die Supply-Chain-Prozesse untersucht werden, um festzustellen, wie man diese Prozesse optimieren muss, um die Lieferzuverlässigkeit zu verbessern Stammdatenharmonisierung: Stellt man im BI-Reporting fest, dass Produkte zu zwei verschiedenen Kunden mit identischer Adresse geliefert werden, sollte man hinterfragen, ob ein Stammdaten-Fehler vorliegt und es sich eigentlich um nur einen Kunden handelt, der aber eventuell zu unterschiedlichen Zeiten von unterschiedlichen Mitarbeitern zweimal angelegt wurde Seite 44

45 5. Typische BI Fragestellungen Seite 45

46 Typische BI Fragestellungen und ihr möglicher Nutzen Teil 1 Typische Fragen Wie haben sich Absatzmenge und Umsatzwert bezogen auf die verschiedenen Produktbereiche in den letzten Monaten in den verschiedenen Regionen entwickelt? Mit welchen Kunden mache ich den meisten Umsatz? Über welche Produkte erwirtschafte ich den höchsten Deckungsbeitrag? Möglicher Nutzen Die für das Unternehmen besonders wichtigen Kunden werden identifiziert (Kunden mit hohem Umsatz in lukrativen Geschäftsfeldern) diese Kunden können bei Produktionsengpässen bevorzugt bedient werden Bei einem Absatzrückgang in einer bestimmten Region oder in einem bestimmten Produktsegment kann frühzeitig gegengesteuert werden (zum Beispiel durch gezielte Werbemaßnahmen oder durch Preisreduktionen). Seite 46

47 Typische BI Fragestellungen und ihr möglicher Nutzen Teil 2 Typische Fragen Welche Rohstoffe bestellen wir monatlich in welchen Mengen bei unseren wichtigsten Lieferanten? Möglicher Nutzen Abhängigkeiten von Lieferanten können erkannt bzw. verhindert werden, so dass man beim Ausfall eines Lieferanten ober bei Änderungen in dessen Preispolitik zeitnah auf Alternativen zugreifen kann Seite 47

48 Typische BI Fragestellungen und ihr möglicher Nutzen Teil 3 Typische Fragen Wie zuverlässig ist meine Supply Chain in Bezug auf die pünktliche Ablieferung der Waren beim Kunden? Wie viele Beschwerden von Kunden gehen pro Monat ein und worüber beschweren sich die Kunden? Möglicher Nutzen Verspätete Lieferungen, die zu Unzufriedenheit auf Kundenseite führen, sind frühzeitig bekannt und es können Maßnahmen ergriffen werden, die Lieferzuverlässigkeit zu verbessern idealerweise bevor es zu Kundenbeschwerden kommt. Seite 48

49 Einige Aussagen zu Kennzahlen Roughly right is better than precisely wrong Carveth Read Nicht über betriebswirtschaftlich irrelevante Nachkommastellen diskutieren, weil man dabei ev. die wichtigen Dinge (die großen Trends) übersieht! Gilt nicht für Auswertungen in der Finanzbuchhaltung (dort muss es exakt sein) Kennzahlen beeinflussen sich gegenseitig Wenn die Lagerreichweite sinkt ( reduzierte Lagerhaltungskosten, weniger gebundenes Kapital) sinkt typischerweise auch die Lieferfähigkeit und Lieferzuverlässigkeit (und damit auch die Kundenzufriedenheit) Welche Kennzahlen sind eigentlich wichtig? Beispiel: Absatz steigt sehr gut, ich verkaufe mehr! Umsatz steigt noch besser, denn ich verkaufe mehr teure Produkte! Deckungsbeitrag und Profit steigen erst jetzt bin ich sicher, dass es gut läuft! Es bleibt die Frage, ob ich auch in den richtigen Märkten* wachse? Seite 49 * bei zukunftsträchtigen Produkte und Kunden

50 6. Herausforderungen in BI Projekten i. Das Team (Facheinheit und IT) ii. Fachliche Anforderungen iii. Tools iv. Prototyp v. Go Live und was dann? Seite 50

51 BI scheint eine einfache Thematik zu sein trotzdem laufen viele BI Projekte schief BI scheint eine relativ einfache Thematik zu sein: Daten sammeln, verwalten und präsentieren That s it! Präsentieren Verwalten Sammeln Trotzdem laufen viele BI Projekte schief: Gartner says more than 50 percent of Data Warehouse projects will have limited acceptance or will be failures Gartner Press release 2005 Wo liegt das Problem? Seite 51

52 Wo liegen die Probleme bzw. Herausforderungen? Phasen eines typischen BI Projektes Projektstart - Ziele* - Sponsoren - Team Analyse der fachlichen Anforderungen Toolauswahl Prototyp Entwicklung Post Go-Live * welche "Entscheider" sollen bei der Verrichtung welcher betriebswirtschaftlichen Aufgaben unterstützt werden und welche Informationen benötigt man dazu? Einige Herausforderungen in BI Projekten werden näher betrachtet Seite 52

53 6. Herausforderungen in BI Projekten i. Das Team (Facheinheit und IT) Rollenabgrenzung gemeinsame Sprache Kommunikation ii. Fachliche Anforderungen iii. Tools iv. Prototyp v. Go Live und was dann? Seite 53

54 Die Rollen/Aufgaben müssen zwischen Facheinheit und IT klar abgegrenzt sein Wenn die Facheinheit Aufgaben der IT übernimmt und z.b. selbst programmiert oder über Tabellen-Logiken entscheidet -... werden die Anwendungen oft nicht in das Support-Konzept eingebunden wer kümmert sich um die Pflege, Korrektur und Erweiterung der Anwendung, um die Rückmeldung zu User-Anfragen, etc.? -... sind die Anwendungen oft auf einzelne Einheiten beschränkt, folgen also keinem zentralen Ansatz Synergien gehen verloren Wenn die IT Fach-Aufgaben übernimmt (z.b. Fachkonzept-Details festlegt) verstehen die Facheinheiten ev. die Details der Anwendung nicht die Anwendung findet keine Akzeptanz Seite 54

55 Die Rollen/Aufgaben müssen zwischen Facheinheit und IT klar abgegrenzt sein Konflikte in der Aufgabenverteilung zwischen Facheinheit und IT basieren oft auf betrieblichen Rahmenbedingungen wie z.b.: - Mitarbeiter sind überlastet jeder versucht Arbeit abzuschieben - Mitarbeiter sorgen sich um ihre Aufgaben und verbitten sich Eingriffe in ihren Kompetenz-Bereich Seite 55

56 Gemeinsame Sprache: Mitarbeiter der Facheinheit benötigen ein Grundverständnis zu IT-Themen Zum Beispiel sollten Facheinheiten Mitarbeiter einige Grundbegriffe der Datenmodellierung verstehen, wie z.b.: - Bewegungsdaten Beleg 4711 bestellt am Artikel 0815 Warenempfänger KG 20 Seite 56

57 Gemeinsame Sprache: Mitarbeiter der Facheinheit benötigen ein Grundverständnis zu IT-Themen Zum Beispiel sollten Facheinheiten Mitarbeiter einige Grundbegriffe der Datenmodellierung verstehen, wie z.b.: - Bewegungsdaten vs. Stammdaten Beleg 4711 bestellt am Artikel 0815 Warenempfänger KG 20 Name: Müller GmbH Ort: Bielefeld Land: Deutschland Branche: Automobile werden regelmäßig aktualisiert (täglich, wöchentlich) Seite 57

58 Gemeinsame Sprache: Mitarbeiter der Facheinheit benötigen ein Grundverständnis zu IT-Themen Zum Beispiel sollten Facheinheiten Mitarbeiter einige Grundbegriffe der Datenmodellierung verstehen, wie z.b.: - Nummern-Ergänzungen (Compounding) zur Vermeidung von Kollisionen Beleg 4711 bestellt am Artikel 0815 Warenempfänger 01/ KG 20 Name: Müller GmbH Ort: Bielefeld Beleg 4713 bestellt am Artikel 1111 Warenempfänger 02/ KG 20 bei einer hinzugekauften Firma aus GB werden die identischen Kundennummern verwendet aber für andere Kunden Name: Smith Inc. Ort: London Seite 58

59 Gemeinsame Sprache: Mitarbeiter der Facheinheit benötigen ein Grundverständnis zu IT-Themen Zum Beispiel sollten Facheinheiten Mitarbeiter verstehen, - dass es Performance-Restriktionen gibt man kann nicht beliebig viele Daten beliebig schnell bereitstellen! viel schnell - dass es in der IT Arbeit Aufwandstreiber gibt Dinge, die relativ einfach klingen, können technisch sehr aufwändig sein! Seite 59

60 Gemeinsame Sprache: Mitarbeiter der IT benötigen ein Grundverständnis der Arbeit der Facheinheit Zum Beispiel sollten IT-Mitarbeiter ein Grundverständnis der Arbeit der Facheinheit haben zu Themen wie: - Prozess-Know-how: Wie sind Prozesse konzipiert bzw. implementiert, aus denen das BI Tool die Daten bezieht? - Was sind die wesentlichen Kennzahlen, die bereitgestellt werden sollen - und wofür werden sie verwendet? Seite 60

61 Gemeinsame Sprache: es geht um einen groben Überblick und nicht um die Details Es kommt zu Frustration und Missverständnissen - wenn die IT die Facheinheit mit IT-Ausdrücken überfordert - wenn die Facheinheit die IT Kollegen nicht zumindest in die Grundzüge der fachlichen Hintergründe der Anforderung einweiht Wo es nötig ist, muss jemand (Projektleitung, Berater, etc.) übersetzen! Business IT IT Business Seite 61

62 Gemeinsame Sprache: es geht um einen groben Überblick und nicht um die Details Facheinheit und IT müssen ihre Themen so weit veranschaulichen und vereinfachen, dass ein gemeinsames Gespräch und gemeinsame Entscheidungen möglich werden Wahrheit und Klarheit sind komplementär! 100% Klar 100% Wahr das Programm ist fehlerhaft ziemlich klar! im Function Module XY führt eine fehlende If-Anweisung dazu, dass in ca. 10% aller Fälle ein falscher Datums-Wert an das übergeordnete Programm übergeben wird... näher an der Wahrheit Seite 62

63 Offene Kommunikation & gegenseitiges Vertrauen sind essentiell für den Projekterfolg Es muss möglich sein, die Aussagen der jeweils anderen Einheit zu hinterfragen die Aussage das versteht Du eh nicht hilft hier nicht weiter! Gleichzeitig muss es in der Zusammenarbeit eine Vertrauensbasis geben (nicht jede Aussage, die unangenehm ist, sollte hinterfragt werden) Zwei Beispiele: - Wenn die IT zur Umsetzung einer Anforderung nur 2 technische Optionen sieht (mit Vor.- und Nachteilen), ist es nicht hilfreich, wenn die Facheinheit darauf drängt, dass nach einer Option 3 (ohne Nachteile) gesucht wird - Wenn die Facheinheit eine technisch schwierig zu ermittelnde Information zwingend für ihr Reporting benötigt, ist es nicht hilfreich, wenn die IT den betriebswirtschaftlichen Mehrwert dieser Information in Frage stellt Seite 63

64 Das Team: Zusammenfassung Die Rollen/Aufgaben müssen zwischen Facheinheit und IT klar abgegrenzt sein Facheinheit-Mitarbeiter benötigen ein Grundverständnis zu IT-Themen und umgekehrt Die Kommunikation lebt davon, dass jeder einen groben Einblick in die Arbeit der anderen Einheit hat es geht nicht um die Details! Offene Kommunikation und gegenseitiges Vertrauen sind essentiell Man kann nur erfolgreich sein, wenn alle das gleiche Ziel verfolgen Seite 64

65 6. Herausforderungen in BI Projekten i. Das Team (Facheinheit und IT) ii. Fachliche Anforderungen Unterschiedliche Sichten Implizite Logik Abgeleitete Merkmale Beschränkung auf das Wesentliche Datenqualität iii. Tools iv. Prototyp v. Go Live und was dann? Seite 65

66 Anforderungen unterschiedliche Sichten Beispiel 1: Die Facheinheit einer Brauerei möchte folgenden Bericht: Absatzzahlen pro Warengruppe pro Land pro Monat Seite 66

67 Anforderungen unterschiedliche Sichten Beispiel 1: Die Facheinheit einer Brauerei möchte folgenden Bericht: Absatzzahlen pro Warengruppe pro Land pro Monat Hier müssen z.b. folgende Details geklärt werden: - Absatzzahlen: Alle Absätze oder nur die Absätze mit echten Kunden? - pro Warengruppe: welche Artikel gehören zu dieser Warengruppe und: ist die Gruppierung gemäß aktueller Sicht zu erstellen? - pro Land: Land der Vertriebseinheit oder Land des Kunden? - pro Monat: basierend auf welchem Datum? Seite 67

68 Anforderungen unterschiedliche Sichten Beispiel 1: Die Facheinheit einer Brauerei möchte folgenden Bericht: Absatzzahlen pro Warengruppe pro Land pro Monat Dazu sagt der Vertriebschef - alle Absätze auch die Verkäufe an Händler, die zum Konzern gehören - auch historische Daten sollen so gezeigt werden, als wäre die aktuelle Waren-Gruppierung schon immer gültig gewesen - bezogen auf das Land des Kunden, der die Ware geliefert bekommt - basierend auf Auftragsanlagedatum Seite 68