Summary: Business Intelligence Anwendungssysteme und Daten & Kennzahlen | www.iBusiness-Intelligence.org

Business Intelligence Anwendungssysteme und Daten & Kennzahlen

Die Werkzeuge für den Zugriff auf die Daten stellen den zweiten Bestandteil der Umsetzung des BI-Ansatzes dar. Anwendungssysteme sind die Erzeuger der Informationen und somit „das Herz“ der Wissenserzeugung für die Unternehmenssteuerung. Sie bereiten die Daten auf und stellen die Daten als gezieltes, spezifisches Wissen den jeweiligen Anspruchsgruppen zur Verfügung. Die gezielte Erzeugung und Auslieferung erfolgt auf Grund von zuvor erfolgten Definitionen bei der Umsetzung der Anwendungssysteme. Dabei werden Erfahrungen und Kennnissen, Wissen, digitalisiert und ausführbar gemacht. Dies geschieht mit Hilfe von Algorithmen, welche die Anwendungen beschreiben, für welches das Fachwissen mit Hilfe des ausformulierten methodischen Wissens ausführbar gemacht wird. Algorithmen stellen somit die digitalisierten Handlungen dar, welche bei der Wissenserzeugung durchgeführt werden müssen. Entsprechend können Algorithmen auch Beurteilungen abbilden und durch IT-Systeme einzeln oder verknüpft bei der Datenaufbereitung verwendet werden.

Neben Daten werden für die Steuerung und Optimierung eines Unternehmens Kennzahlen zur Quantifizierung der Zustände benötigt. Sie kennzeichnen die Zustände mit Hilfe einer Bewertungsskala bzw. eines Massstabes und sind deshalb Mass- bzw. Messzahlen. Die Bestimmung der Zustände innerhalb eines vordefinierten Massstabs mit Hilfe von Messgrössen macht die Zustände greifbar und insbesondere vergleichbar. Darum kann die Quantifizierung nur mit nummerischen Zeichen erfolgen, welche entsprechend verglichen und für Berechnungen genutzt werden können.

Damit sind die Voraussetzungen gegeben, um Kennzahlen für die Steuerung von Zuständen und Abläufen verwenden zu können. Mit Kennzahlen können die Abläufe bzw. Prozesse eines Unternehmens gesteuert und optimiert, und damit die Wertschöpfungskette für eine grössere Wertschöpfung verbessert werden.

Aufzeichnungsdaten und Messzahlen werden mit Hilfe von Analysesystemen für die Anwendung den Adressaten des erzeugten Wissens zur Verfügung gestellt. Diese Systeme stellen den Informationszugriffpunkt für die Anwender dar und unterscheiden sich auf Grund der Nutzung durch die Anwender in passive und aktive Analysesysteme.

Passive Analysesysteme stellen ihren Anwendern Wissen in standardisierter Form zur Verfügung und ermöglichen dadurch nur eine beschränkt detaillierte Nutzung des vorhandenen gespeicherten Wissens. Die Aufbereitung und Veröffentlichung geschieht durch eine vorgängige Definition und die Nutzer haben dadurch nur einen beschränkten Einfluss bei der Analyse des materialisierten Wissens. Die Daten werden adressaten-gerecht für die verschiedenen Anwendungsgruppen aufbereitet und dargestellt. Bei neuen Bedürfnissen oder neuen Anwendungsgruppen bedarf es entsprechend einer erneuten initialen Definition und Umsetzung der Wissenserzeugung. Die Anwender von passiven Analysesystemen können nur die Sichten auf das vorliegende Wissen ändern und in einem vorgegebenen Rahmen deren Bestandteile betrachten. Dies betrifft z. B. die Definition der Zeitperiode der Analyse oder die tiefere Analyse von Zuständen und ihren Messzahlen. Neben den Kennzahlen werden in passiven Analysesystemen auch Aufzeichnungsdaten verwendet und zusammen in Form von Berichten angeboten. Die Analysesysteme sind dabei meist Teil eines Portals, welches einen zentralen Zugriffspunkt auf Anwendungen und Wissen für die Anwender darstellt.  Portale bieten den Anwendern Steuerungstafeln an, mit welchen sie die Inhalte des Portals individuell anordnen und darstellen können. Diese Dashboards werden im Rahmen von BI-Portalen verwendet, um die wichtigsten Kennzahlen und Aufzeichnungsdaten kompakt darzustellen und dem Anwender damit eine schnelle, aber dennoch individuell veränderbare Zugriffsoberfläche auf Steuerungsdaten anzubieten.

Daten und Kennzahlen sind Informationen zu den Zuständen und können für die Steuerungs- und Optimierungsaufgaben in einem Unernehmen als Hinweise zu Entwicklungen dienen. Hinweise sind Indikatoren und haben wie Daten eine Bedeutung, aber keine Aussage. Die Aussage und Interpretation liegt bei den Betrachtern, welche dafür über entsprechendes Kontext- und Meta-Wissen verfügen müssen.

Aktive Analysesysteme hingegen erlauben eine detailliertere Kennzahlenanalyse sowie die freie Wissensentdeckung in Daten durch die Anwender. Die freie Wissensentdeckung bildet damit den Prozess ab, welcher auch bei der initialen Umsetzung der passiven Analysesysteme angewendet wird.

OLAP-Systeme sind aktive Analysesysteme, welche den Anwendern detailliertere Kennzahlen-Analysen erlauben, als dies Berichtssysteme tun. OLAP-Systeme erlauben die gleichzeitige mehrdimensionale Darstellung von Messdaten. Dabei werden Messzahlen der gleichen Messgrösse mit Hilfe eines Würfels dargestellt. Dies erlaubt die gleichzeitige Verwendung von mehreren Aufzeichnungsobjekten, den Dimensionsdaten. Die Kennzahlen hängen logisch-verknüpft an den Dimensionsdaten, welche auf den Kanten des Würfels dargestellt sind. Die Mehrdimensionlität des Würfels erlaubt die Darstellung von Dimensionen als Kanten und die Ausgabe der Dimensionsdaten und der Messzahlen auf den Oberflöchen des Würfels. Damit entstehen mehrere Oberflächen, welche durch die OLAP-Funktionalitäten betrachtet werden können. Die mehrdimensionale Darstellung von Kennzahlen erfordert eine flexiblere Datenhaltung, als dies mit statischen relationalen Datenbanken der Fall ist. Deshalb beinhaltet das OLAP-Anwendungssystem für den Einsatz bei Data Warehouse Systemen eine seperate, eigenständige Datenhaltung. Die nicht-relationale Speicherung der Daten in einem Big Data Warehouse ermöglicht Analysesysteme, welche nur die Verhältnisse herstellen, die Daten aber selber nicht halten müssen und entsprechend die Daten nicht aus der zentralen Datenhaltung für die Analyse herauslösen müssen. Damit wird eine weitere Zentralisierung der Daten sowie eine klare Abtrennung der Anwendung von der Datenhaltung erzielt. OLAP-Anwendungssysteme eignen sich für vertiefte Analyse von Kennzahlen und erfordern wie bei der Darstellung von Kennzahlen in Berichten eine vorgängige Definition und Umsetzung der Wissenserzeugung. OLAP-Anwendungssysteme müssen für die Verwendung konfiguriert und der Zugriff auf die Daten damit vorgängig eingerichtet werden.

Die freie Wissensentdeckung basiert auf einer methodischen Vorgehensweise, dem KDD-Prozess. Dieser definiert die Schritte, welche für eine erfolgreiche und nachhaltige Wissensentdeckung notwendig sind. Dabei ist der erste Schritt sowie die letzten beiden Schritte des Prozesses massgebend für das entdeckte Wissen. Zu Beginn wird auf Grund des Kontext-Wissens und des Wissensbedürfnisses das Ziel der Wissensentdeckung definiert. Dabei muss das Meta-Wissen zu den vorhandenen Daten vorhanden sein, damit deren Bedeutung beurteilt werden kann. Auf Grund des Kontext-Wissens wird die Anfrage an das gespeicherte Wissen formuliert. Dabei sollte dies in Form des erwarteten Ergebnisses der Wissensentdeckung sein und das Entdeckungsgebiet im vorliegenden Wissen umschreiben. Damit kann die notwendige Datenauswahl definiert und danach ausgeführt werden. Bei der Verwendung eines Data Warehouse müssen die Daten nicht transformiert werden, für deren Verwendung jedoch mit Hilfe von Data Marts reduziert und aggregiert werden. Dies ist bei Big Data Warehouse nicht mehr notwendig, da die Daten bereits in einer sehr granularen und flexiblen Form vorliegen. In einem nächsten Schritt wird danach die Data Mining-Methoden für die Erreichung des definierten Ziels ausgewählt, in welchem das zu analyiserende Wissen repräsentiert werden soll.

Mit Hilfe der Data Mining-Methoden können Muster in gespeichertem Wissen erkannt und sichtbar gemacht werden. Die dabei verwendeten Methoden werden dabei durch Algorithmen digitalisiert und innerhalb eines Anwendungssystems der Anwendung zur Verfügung gestellt. Die Methoden können aber auch für die manuelle oder nicht-computer unterstützte Strukturierung und Analyse von impliziertem Wissen verwendet werden. Die digitalisierten Methoden des Data Mining spielen auch bei Big Data-Anwendungssystemen eine tragende Rolle. Sie ermöglichen die Abbildung von Strukturierungs- und Analysenabläufen sowie die automatisierte Durchführung. Durch die Verknüpfung der Algorithmen können Systeme auch die Abläufe der Methodiken auf Grund der Resultate der Algorithmen selbstständig verändern, was sie als selbstlenkende Systeme aussehen lässt. Die dabei zu Grunde liegenden Regeln mussten jedoch auf Grund des Kontext- und Meta-Wissens vorgängig definiert und als Algorithmen abgebildet werden. Data Mining Anwendungssysteme im Rahmen der Umsetzung des BI-Ansatzes ermöglichen die Erkennung von Zusammenhängen, da die verwendeten Data Mining Abläufe die Erfahrungen der Zusammenhangserkennung ihre Schöpfer abbilden. Für eine erfolgreiche Verwendung der Resultate müssen diese intepretiert werden. Dazu muss das Kontext-Wissen zur Zielsetzung hinzu gezogen werden, um das Ergebnis der vorliegenden Wissenserzeugung beurteilen zu können und damit die Relevanz der Daten zu bestimmen. Nur relevante Resultate im Sinne der Zielsetzung stellen Informationen dar. Das neu erzeugte Wissen sollte immer im Unternehmen festgehatlen werden. Die Rückführung des neuen Wissens ist essenziell für die nachhaltige Nutzung und ein nachhaltiges Ergebnis für ein Unternehmen. Die Rückführung des neuen Wissens muss auch erfolgen, wenn das Wissen für das vorgegebene Ziel nicht relevant ist, jedoch eine neue Bedeutung beinhaltet oder eine neue Bedeutung im Rahmen von Kontext-Wissen ergeben kann. Es gibt daher nicht relevante oder irrelevante Informationen. Informationen sind von sich aus immer relevant, da sie die Antwort auf eine Anfrage oder ein Ziel darstellen. Ansonsten handelt es sich um unbedeutendes Wissen für die betreffende Zielstellung, jedoch nicht zwingend für das Unternehmen. Die Zielsetzung im Sinne einer Anfrage, die Interpretation und Beurteilung sowie die Rückführung in das bestehende Wissen entspricht daher dem notwendigen Vorgehen bei der Informationsgewinnung aus Daten.



Publizieren auf TwitterGoogle+Facebook
 XingLinkedIn