BI Trends 2019 - Sechs Business-Intelligence Trends im Jahr 2019

by Jannik
3 Monaten ago
180 Views

Sechs BI-Trends in 2019

Angesichts der zunehmenden Komplexität und Möglichkeiten von Business-Intelligence Tools, ist die Ermittlung von Trends und Marktentwicklungen ein Schlüsselfaktor für effektive Entscheidungen. Um dem Marktwettbewerb bei zunehmender Digitalisierung gewachsen zu sein, wird es immer wichtiger, neueste Technologien und Ansätze einzusetzen. Im Folgenden haben wir sechs BI-Trends aufgeführt, die in diesem Jahr eine große Rolle in der Branche spielen werden.

Data Quality Management

Die Bedeutung von Data Quality Management ist schnell erklärt: Entscheidungsprozesse und operative Maßnahmen hängen von zuverlässigen und sauberer Daten ab. Mitarbeiter in Unternehmen können nur auf Basis von korrekten Daten die richtigen Entscheidungen treffen. BI Tools bringen dementsprechend keinen Mehrwert, wenn es im Unternehmen keine Datenintegrations- und qualitätsinitiativen gibt.

Laut einer Umfrage des Business Application Research Center mit knapp 3.000 Teilnehmern zu den wichtigsten BI Trends im kommenden Jahr (genannt „BARC BI Trend Monitor 2019“) befindet sich das Thema Data Quality Management auf dem ersten Platz.

Im heutigen digitalen Zeitalter, in dem Daten zunehmend zum Produktionsfaktor werden, besteht die Notwendigkeit, qualitativ hochwertige Daten zu verwenden und zu produzieren, um neue Dienstleistungen und Produkte zu ermöglichen. Die entscheidenden Erfolgsfaktoren für eine dauerhaft hohe Datenqualität sind definierte Rollen und Verantwortlichkeiten, Qualitätssicherungsprozesse und die kontinuierliche Überwachung der Datenqualität eines Unternehmens.

Data Discovery & Visualisierung

Data Discovery ist der vom Benutzer gesteuerte Prozess zur einfachen und intuitiven, visuell unterstützten Entdeckung von Mustern und Auffälligkeiten in Daten. Neben der Datenvisualisierung geht es in diesem Prozess vor allem um Datenintegration und Datenaufbereitung (Data Preperation).

Der Prozess soll dazu dienen, beim Anwender ein besseres Datenverständnis aufzubauen und weitergehende Analysen, wie beispielsweise Advanced & Predictive Analytics zu vereinfachen. BI-Verantwortliche aus verschiedensten Unternehmen sehen Daten daher als eine der wichtigsten Ressourcen im Unternehmen an, weswegen Data Discovery auch 2019 stark im Trend bleiben wird.

Eine erfolgreiche Data Discovery beantwortet bereits ohne viel Vorwissen und ohne die Notwendigkeit einer vollständigen Datenstrateie die Beantwortung erster essentieller Fragen. Mit angewandten Methoden des Data Thinkings lassen sich erste Datenanalyse-Projekte intuitiv und auf Grundlager konkreter und relevanter Use-Cases mittels einer Data-Discovery-Session identifizieren.

Self-Service-BI

Self-Service-BI verlagert die BI-Kompetenz von der IT zu den jeweiligen Fachbereichen. Es verspricht schnellere und effizientere Analysen und Berichte, indem die beteiligten Geschäftsanwender befähigt werden, aus Daten Erkenntnisse zu gewinnen und fundiertere Entscheidungen zu treffen. Self-Service-BI erhöht die Agilität und beschleunigt die Einarbeitungszeit der Fachanwender.

Data Discovery Prozesse, Visualisierungen sowie Advanced & Predictive Analytics können durch Self-Service-BI-Tools vom Fachanwender selbst durchgeführt werden. Die hohe Flexibilität fördert dabei die Exploration neuer Themen und Fragestellungen und das Verständnis der Daten durch den Anwender.

Als Tableau-Partner fördern wir die Befähigung der Fachanwender, um Datenanalyse und Datenvisualisierung eigenständig durchführen zu können und die eigenen Daten auch eigenständig analysieren zu können. Konservative Projekte, die mit einer hohen IT-Fokussierung vor allem technische Lösungen und infrastrukturelle Architekturen in den Vordergrund stellen, vernachlässigen diesen wesentlichen Fokus.

Data Governance

Data Governence beschreibt die Verfügbarkeit, Benutzerfreundlichkeit, Qualität, Integrität sowie Sicherheit von Daten und alle damit zusammenhängenden Systeme eines Unternehmens. Es ist als Steuerungsmechanismus für die Datenstrategie erforderlich. Eine richtige Datenstrategie bestimmt, wie die Geschäftsstrategie in Daten und Analysen umgesetzt wird.

Data Governance ist erforderlich, um eine Datenstrategie zu implementieren, einschließlich Richtlinien und Rahmenbedingungen, um die Ressourcen von Daten zu verwalten, zu überwachen und zu schützen, und dabei Personen, Prozesse und Technologien zu berücksichtigen. Die Einrichtung von Data Governance ist ein langfristiges Vorhaben. Vor allem erfordert es eine klare, bewusste Entscheidung, wie Daten verarbeitet und verwendet werden sollen.

Data-Driven Culture

Eine der größten Veränderungen in der heutigen Geschäftswelt ist die Umwandlung von isolierter projekt- und anwendungsorientierter Datennutzung hin zu einem vollständig datengesteuerten Unternehmen. „Data Driven“ bedeutet in diesem Kontext, dass sämtliche Entscheidungen und die Durchführung von Prozessen auf Daten basieren. Das können einfache Kennzahlen wie Umsatz oder Gewinn sein, aber auch Ergebnisse aus fortgeschrittenen Analysemodellen wie Produktions- und IoT-Daten oder sogar Echtzeitdaten aus Streamingquellen. Sogar qualitative Daten können den Entscheidungsprozess unterstützen.

Ziel dieser Data-Driven Culture ist es, Entscheidungen aufgrund von durch Datenanalyse gewonnnen Erkenntnis zu treffen und zukünftige Entwicklungsschritte absehen zu können. Klare Kennzahlen und Fakten ersetzen so vage Prognosen und fehlgeleitete Annahmen. Unternehmen sollten jedoch einige Faktoren innerhalb des Umwandlungsprozesses hin zu einer Data-Driven Culture beachten:

  • Mitarbeiter sollten im Umgang mit Daten und Analytik geschult werden
  • Eine grundsätzliche BI- und Datenstruktur sollte eingerichtet werden
  • Eine ausreichende Datenqualität muss gesichert werden
  • Anforderungen hinsichtlich der Datenanalyse müssen verstanden sein

Advanced & Predictive Analytics

Advanced Analytics beschreibt Datenanalysen, die über einfache mathematische Berechnungen wie Summen und Durchschnittswerte oder Filtern und Sortieren hinausgehen. Diese fortgeschrittenen Analysen verwenden mathematische und statistische Formeln und Algorithmen, um neue Informationen zu generieren, Muster zu erkennen und Trends festzustellen. Ebenfalls spielt das Thema Machine Learning eine zentrale Rolle innerhalb der Advanced Analytics. Typische Anwendungsgebiete von Advanced Analytics sind:

  • Segmentierung (Erstellung von Nutzer- und Kundengruppen basierend auf Ähnlichkeiten)
  • Assoziation (Feststellung der Häufigkeit gemeinsamer Vorkommnisse)
  • Klassifikation (z.B. von bisher nicht eingeordneten Elementen)
  • Korrelationsanalyse (Identifizierung von Beziehungen)
  • Prognose (Validierung zukünftiger Werte)

Predictive Analytics konzentrieren sich auf die Identifizierung zukünftiger Ereignisse mit ihren jeweiligen Wahrscheinlichkeiten. Dabei werden vor allem historische Daten verwendet, mit denen ein mathematisches Modell erstellt wird, mit dem Trends erfasst werden. Dieses Modell wird anschließend auf aktuelle Daten angewendet um Aussagen über zukünftige Ereignisse zu treffen. Es gibt eine Vielzahl an möglichen Anwendungsfällen für Predictive Analytics, wie z.B. Prognosen zu Einkommen, Preisen, Umsatz, Anforderungen oder Kundennutzen, die Verhinderung von Vertragsstornierungen, das Überwachen und Bewerten von Social Media Aktivitäten und sogar Hilfestellungen in der Polizeiarbeit.