NEXT GENERATION ANALYTICS - BI-SPEKTRUM Topthemen 2021 and beyond - Sigs Datacom
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
NEXT GENERATION
ANALYTICS
E-Book
BI-SPEKTRUM Topthemen 2021 and beyond
Autor: Prof. Dr. Carsten Felden tdwi.eu
Herausgeber
SIGS DATACOM GmbH
Lindlaustraße 2c
53842 Troisdorf
info@sigs-datacom.de
www.sigs-datacom.de
Copyright © 2021 SIGS DATACOM GmbH
Lindlaustr. 2c
53842 Troisdorf
Die vorliegende Publikation ist urheberrechtlich geschützt. Alle Rechte vorbehalten. Die Verwen-
dung der Texte und Abbildungen, auch auszugsweise, ist ohne die schriftliche Zustimmung des He-
rausgebers urheberrechtswidrig und daher strafbar. Dies gilt insbesondere für die Vervielfältigung,
Übersetzung oder die Verwendung in elektronischen Systemen.
Es wird darauf hingewiesen, dass die in der Broschüre verwendeten Soft- und Hardware-Bezeich-
nungen sowie Markennamen und Produktbezeichnungen der jeweiligen Firmen im Allgemeinen
warenzeichen-, marken- oder patentrechtlichem Schutz unterliegen. Alle Angaben und Program-
me in dieser Broschüre wurden mit größter Sorgfalt kontrolliert. Weder Autor noch Herausgeber
können jedoch für Schäden haftbar gemacht werden, die im Zusammenhang mit der Verwendung
dieser Broschüre stehen.
Wo nicht anders angegeben, wurde auf die im Text verlinkten Quellen zurückgegriffen.
TDWI E-Book in Kooperation mit
ZUM
INHALT
Inhalt
Vorwort4
1 Einleitung 5
2 Business Intelligence, Analytics, Big Data und Artificial 6
Intelligence im Zeitverlauf
2.1 Historische Entwicklung 6
2.2 Definitorische Abgrenzung 9
2.3 Thematische Trends aus 2021 13
3 BI-SPEKTRUM Digest – die Ausgaben des Jahres 2021 14
im thematischen Überblick
3.1 Data Storytelling 14
3.2 Recommendation Engine 14
3.3 Process Mining 15
3.4 Business-Intelligence-Architekturen 16
3.5 Image Mining 16
4 Ausgewählte Beiträge des BI-SPEKTRUM 2021 18
4.1 Auf dem Weg zur Insight Driven Insurance – 18
Ein Beitrag von Dr. Michael Zimmer und Horst Nussbaumer,
erschienen in der BI-SPEKTRUM Ausgabe 01/2021
4.2 Anwendung von DevOps-Prinzipien auf maschinelles Lernen – 23
Ein Beitrag von Prof. Dr. Michael Colombo und Prof. Dr. Christian Schieder,
erschienen in der BI-SPEKTRUM Ausgabe 02/2021
4.3 Enterprise Mining – 32
Ein Beitrag von Dr. Helge Heß,
erschienen in der BI-SPEKTRUM Ausgabe 03/2021
4.4 Aufbau und Betrieb einer Private-Analytics-Plattform – 40
Ein Beitrag von Fabian Hardt,
erschienen in der BI-SPEKTRUM Ausgabe 04/2021
4.5 Deep Learning in der Industrie – 46
Ein Beitrag von Marcel Messerli und Jan Riedo,
erschienen in der BI-SPEKTRUM Aufgabe 05/2021
5 Fazit 52
Literatur53
Über unsere Sponsoren 54
ZUM
ZUM
INHALT
Vorwort
Das vorliegende E-Book beschäftigt sich mit dem Thema Next Gene-
ration Analytics. Bei Business Analytics geht es um das Entdecken, In-
terpretieren und Kommunizieren von aussagekräftigen Datenmustern
und den Einsatz von Werkzeugen, die es Ihrem gesamten Unternehmen
ermöglichen, jede datenbezogene Frage zu stellen, in jeder Umgebung
und auf jedem Gerät. Um die gewünschten Ergebnisse zu erzielen, bietet
Business Analytics noch mehr Möglichkeiten, zum Beispiel Optimierung,
Kostensenkung und Kundenbindung.
Heutzutage möchte jedes Unternehmen mehr aus der Analytik heraus-
holen – mehr Daten nutzen, um schneller tiefere Einblicke zu generie-
ren, und das zu geringeren Kosten. Das Erreichen dieser Ziele erfordert
eine robuste Plattform, die den gesamten Analyseprozess mit der er-
forderlichen Sicherheit, Flexibilität und Zuverlässigkeit unterstützt. Das
Ziel ist es, Ihre Anwender in die Lage zu versetzen, Open-Source-Ana-
lysen durchzuführen, ohne die Steuerung zu beeinträchtigen. Und das
alles mit einer benutzerfreundlichen Administration. Business Analytics
ist heute allgegenwärtig, denn das Ziel jedes Unternehmens ist es, eine
bessere Performance zu erreichen und Daten entsprechend zu analysie-
ren, um bessere Entscheidungen zu treffen. Zunächst wird ein Blick in
die Diskussion der analytischen Trendthemen des Jahres 2021 geworfen.
Im Weiteren werden ausgewählte Beiträge aus dem BI-SPEKTRUM neu
arrangiert, um einerseits das aktuelle Geschehen zu reflektieren, ande-
rerseits einen Ausblick auf die anstehenden Aufgaben zu wagen.
3 4 5 
ZUM
INHALT
1 Einleitung
Was ist das nächste große Ding, mit dem sich Un- schneller tiefere Einblicke zu generieren, und das
ternehmen auseinandersetzen müssen? Welches zu geringeren Kosten. Das Erreichen dieser Ziele
Konzept, welcher Ansatz treibt den Markt und damit erfordert eine robuste Plattform, die den gesam-
IT-Bereiche und Fachbereiche gleichermaßen? Nach ten Analyseprozess mit der erforderlichen Sicher-
der schnellen Generierung, Sammlung und Konditi- heit, Flexibilität und Zuverlässigkeit unterstützt. Das
onierung der vielfältigen Big Data, um Geschäftsab- Ziel ist es, Ihre Anwender in die Lage zu versetzen,
läufe zu transformieren, besteht der nächste Schritt Open-Source-Analysen durchzuführen, ohne die
darin, alles zu verstehen, was sich in diesen ge- Steuerung zu beeinträchtigen. Und das alles mit ei-
schäftlichen Aktivitäten abspielt. Diese Bemühungen ner benutzerfreundlichen Administration. Business
führen zur Nutzung ganzheitlicher Ansichten von Un- Analytics ist heute allgegenwärtig, denn das Ziel je-
ternehmensdaten, die zuvor so nicht verfügbar waren. des Unternehmens ist es, eine bessere Performance
Plötzlich entdecken Anwender im Self-Service-Mus- zu erreichen und Daten entsprechend zu analysieren,
ter Beziehungen und Verbindungen, die Erkenntnisse um bessere Entscheidungen zu treffen.
und Basis für Veränderungen in Geschäftsabläufen
versprechen. Wir können diese neu gewonnenen Er- Mit Business Analytics unter Verwendung von maschi-
kenntnisse nutzen, um unsere Abläufe strategisch zu nellem Lernen und tiefem Domänenwissen können
gestalten und aus dieser komplizierten Investition Unternehmen relevante und umsetzbare Erkenntnis-
in das Big-Data-Management einen hohen ROI zu se aus Daten in Anwendungen, Data Warehouses und
erzielen. Das bedingt jedoch permanente Weiterent- Datenbanken gewinnen. Business-Analytik sollte ein
wicklungen und Anpassungen der Architekturen und umfassender Prozess sein, der zum Handeln auffor-
angewendeten Konzepte, um Informationsangebot dert. Sobald die Informationen vorliegen, kann ein
und -nachfrage auszugleichen und gleichzeitig nach Unternehmen seine Prozesse neu bewerten, neu aus-
vorne zu schauen, um das jeweilige Unternehmen führen und neu konfigurieren. Es geht darum, aktiv
strategisch zukunftssicher zu positionieren. zu werden.
Bei Business Analytics geht es um das Entdecken, In- Nach einem kurzen Abriss über die Historie der ana-
terpretieren und Kommunizieren von aussagekräfti- lytischen Systemwelt werden einerseits aktuelle Dis-
gen Datenmustern und den Einsatz von Werkzeugen, kussion um die Next Generation Analytics des Jahres
die es Ihrem gesamten Unternehmen ermöglichen, 2021 vorgestellt und die Themen der Zeitschrift
jede datenbezogene Frage zu stellen, in jeder Umge- BI-SPEKTRUM entsprechend eingeordnet. Ausge-
bung und auf jedem Gerät. Um die gewünschten Er- wählte Beiträge des Jahres reflektieren beispielhaft
gebnisse zu erzielen, bietet Business Analytics noch die Diskussionen zu den Themen und spiegeln da-
mehr Möglichkeiten, zum Beispiel Optimierung, Kos- mit sowohl das aktuelle Geschehen rund um Busi-
tensenkung und Kundenbindung. ness-Intelligence- und Analyticsprojekte als auch die
schon in der Schublade liegenden, anstehenden Auf-
Heutzutage möchte jedes Unternehmen mehr aus gaben wider, die es zu erfüllen gilt, um den Zielen der
der Analytik herausholen – mehr Daten nutzen, um digitalen Transformation gerecht zu werden.
4 5 6 
ZUM
INHALT
2 Business Intelligence, Analytics, Big Data und Artificial
Intelligence im Zeitverlauf
„Patterns emerge before the reasons for them become apparent.“
–Professor Vasant Dhar
2.1 Historische Entwicklung
Sowohl Business Intelligence (BI) als auch Business Vorrangig steht dabei die Unterstützung des Manage-
Analytics (BA) sind Begriffe, die am Ende einer langen ments in der Entscheidungssituation an. Die folgende
Entwicklungsgeschichte der Managementunterstüt- zeitliche Zuordnung ist nicht trennscharf, da sich die
zungssysteme (MUS) stehen. Chronologisch wird die jeweiligen Konzepte überlagern und teilweise latent
Genese der MUS in unterschiedliche Phasen einge- existieren. Es wird jeder Epoche lediglich die dominan-
teilt, die jeweils vor dem Hintergrund der verfügbaren te Begriffsprägung zugewiesen. Dabei sind die benann-
IT-Ressourcen zu sehen sind. Allen Phasen gemeinsam ten Konzepte teilweise deutlich älter, als in den Phasen
ist, dass nach Werkzeugen für eine adäquate Informa- repräsentiert wird, da die theoretischen Überlegungen
tionsversorgung für das Management gesucht wird. schon vor den ersten Realisierungen lagen.
Abb. 1: Historische Entwicklung der Managementunterstützungssysteme
Insgesamt stellt der Komplex MUS als Sammelbegriff aller Strömungen ein Kontinuum dar.
5 6 7 
ZUM
INHALT
2 Business Intelligence, Analytics, Big Data und Artificial
Intelligence im Zeitverlauf
Phase 1 (1960–1970)
Managementinformationssysteme (MIS) erstellten das Management ausgeliefert. Da es sich um vergan-
in der Frühzeit der betrieblichen Informationssyste- genheitsbezogene Daten handelte, war der Einsatz
me Berichte über abgelaufene Perioden. Die Daten von MIS für Kontrollzwecke und Abweichungsanaly-
wurden aus den operativen Datenbanken generiert sen geeignet. Weniger hilfreich waren die Systeme
und in Form von starren Papierberichten mit vorde- für zukunftsgerichtete Planungsrechnungen, welche
finierten Berichtsinhalten und Berichtsterminen an zusätzlich Prognoseverfahren benötigten.
Phase 2 (1970–1980)
Entscheidungsunterstützungssysteme (EUS) lassen verfahren (Heuristiken) sowie Statistik und Simu-
sich als nachfolgendes Konzept ansehen, da bei dieser lationen (vgl. Kap. 3.3) eingesetzt, um die EUS als
Kategorie nicht allein die Datenlieferung gesehen, son- effiziente Werkzeuge für Managementaufgaben zu
dern ein Entscheidungsmodell implementiert wurde, nutzen. Damit war der Übergang von der daten-
welches eine Zielfunktion und Restriktionen abbilde- orientierten zur modellorientierten Entscheidungs-
te und somit den mathematischen Zugang zur Opti- unterstützung vollzogen. Die Euphorie für die com-
mierung ermöglichte. Die in dieser Zeit aufkommende putergestützten Systeme zur Entscheidungsfindung
Disziplin Operations Research (OR) stellte vielfältige flachte aber ab, da zum einen die Rechnerkapazi-
Modelle und Rechenverfahren zur Verfügung, um kom- täten für die Lösung realitätsnaher Problemfelder
plexe betriebliche Entscheidungen zu behandeln. wegen der Komplexität der Rechenverfahren nicht
ausreichte und zum anderen die Automatisierung
Neben der analytisch mathematischen Form der der Entscheidung (Black-Box-Syndrom) zunehmend
Entscheidungsrechnung wurden auch Näherungs- auf Ablehnung stieß.
Phase 3 (1980–1990)
Durch das Aufkommen der Personal Computer unternehmensexterne Informationen zur Verfügung,
(PC) und die Verfügbarkeit von Rechnerleistung die in die Management-Dashboards eingearbeitet
am Arbeitsplatz des Anwenders entstand in der wurden. Die automatisierte Informationsversorgung
dritten Phase das Verlangen nach graphikorien- von den Basissystemen direkt zur strategischen Un-
tierten Auswertungen kritischer Erfolgsfaktoren ternehmensebene sorgte für starke organisatorische
(Kennzahlensysteme), um die strategische Unter- Veränderungen, denn die erzeugte Transparenz und
nehmensplanung und -kontrolle zu unterstützen. die zeitnahe Meldung von relevanten Abweichun-
Diese für das Top-Management konzipierten Sys- gen bei kritischen Erfolgsfaktoren setzte das mitt-
teme wurden Führungsinformationssysteme (FIS) lere Management unter Druck. Die unidirektionale
oder Executive-Information-Systeme (EIS) genannt. Bereitstellung der Daten aus den operativen Unter-
Sie versprachen den zeitnahen Zugriff auf hoch- nehmensdatenbanken für die Unternehmensspitze
konsolidierte Unternehmensdaten, d. h. es gab ermöglichte zwar eine umfassende und schnelle Be-
eine erneute Hinwendung zur datengestützten lieferung, sah aber keine analysierenden Zugriffe auf
Ausrichtung der MUS. Neben den unternehmens- die Datenbasis vor. Die Suche nach einem Ausweg
internen Informationen standen zunehmend auch führte zur nächsten Phase der MUS.
Phase 4 (1990–2000)
Zur Sicherstellung von Ad-hoc-Analysen und einem On-line-analytical-processing-Datenbanken (OLAP)
Drill Down bis auf die Basisdaten wurden in Phase zur Datennutzung in die betriebliche Informations-
4 neue Architekturkonzepte marktfähig gemacht, die verarbeitung Einzug hielten.
als Data Warehouse (DW) zur Datenhaltung und als
6 7 8 
ZUM
INHALT
2 Business Intelligence, Analytics, Big Data und Artificial
Intelligence im Zeitverlauf
Die Grundidee bestand in der Zusammenführung al- Produktanbietern einen Milliardenmarkt, sodass ein
ler potenziell für einen Entscheidungsfall relevanten starkes Momentum entstand.
Daten in eine unternehmensweite Datenbank, deren
struktureller Aufbau sich an den Entscheidungsfel- Die Probleme der Datenbewirtschaftung (Informa-
dern, nicht – wie bisher üblich – an den Geschäfts- tionslogistik) für das Management mussten ge-
prozessen festmachte. Diese Abkehr vom Paradigma meinsam technisch wie auch betriebswirtschaftlich
der relationalen Datenbanken zur Transaktionsverar- gelöst werden, was zu einer neuen Qualität der Un-
beitung (On-line-transaction-processing/OLTP) hin terstützungssysteme führte. Der Aufbau der Tech-
zum multidimensionalen Konzept der Informations- nologien entlang der Architekturebenen war nicht
speicherung von Dimensionen und Fakten (OLAP) trivial, aber sobald die Infrastruktur bereitgestellt
hatte durchschlagenden Erfolg und führte zu einer war, kamen zunehmend Fragen nach der analy-
Massenbewegung in den Unternehmen. Die Instal- tischen Nutzung in den betriebswirtschaftlichen
lation von Data-Warehouse-Instanzen versprach die Fachbereichen auf. Dies wiederum führte zu einer
Lösung des Problems der fehlenden Informations- neuen Tendenz, die begrifflich stärker auf die fachli-
verfügbarkeit und der unzureichenden Navigation chen Domänen abstellte und zur fünften Phase der
in den Informationsbeständen, verschaffte aber den MUS führte.
Phase 5 (2000–2010)
Unter dem Begriff Business Intelligence (BI) wird nutzen, ziehen den primären Nutzen aus BI. Die Zu-
die Zusammenführung und analytische Auswertung rechnung der Data-Mining-Verfahren zu BI ist nicht
fragmentarischer Unternehmensdaten (intern und unumstritten, ergänzt aber das Nutzerprofil um die
extern) verstanden. Die Hinwendung zur „aufklären- Analysten, die statistische Methoden und künstliche
den“ Informationsversorgung des Managements mit Intelligenz einsetzen, um interpretationsfähige Da-
fachlichen Inhalten und Interpretationshilfen präg- tenmuster zu generieren.
te diese Phase. Auf der Basis eines Data Warehouse
werden unterschiedliche Nutzergruppen durch BI Derzeit ist noch unklar, ob Phase 5 tatsächlich abge-
unterstützt. Dies können Abonnenten von Berichten schlossen und schon in Phase 6 übergegangen ist.
sein, die lediglich konsumieren (siehe auch Phase 1 Bleibt man im Beschreibungsmuster der Dekaden,
und 3), oder Analytiker, die tief in die Datenbestände so hat sich tatsächlich Phase 6 eingestellt und setzt
abtauchen und Hypothesen prüfen bzw. Kausalitäten neue Akzente durch Zukunftsbezug der Entschei-
ableiten. Solche Power-User, welche mit Ad-hoc-Ana- dungen und Einsatz von Entscheidungsmodellen
lysen die Navigationsmöglichkeiten der OLAP-Würfel (siehe Phase 2).
Phase 6 (2010–?)
Der Begriffswandel in Business Analytics verspricht Kombination von Methoden der Datenanalyse (Data
einen intensiveren Einsatz von Datenanalysen, ver- Science) und Modellen liegen. Die Konvergenz von
bunden mit direkten Handlungsempfehlungen, wel- datenorientierten und modellorientierten Verfahren
che aus den Analyseergebnissen abgeleitet werden. scheint daher naheliegend und bringt tatsächlich
Dabei wird BI nicht diskreditiert, sondern eher in den neue Aspekte in die Betrachtung von MUS auf dem
Kontext der performanten Informationslieferung und Zeitstrahl. Ähnlich wie in Phase 2 treten Algorithmen
aktiven Analyse gesetzt. Business Analytics hingegen in den Vordergrund, welche automatisierte Entschei-
verspricht eine Aufklärung über bestmögliche zukünf- dungsprozesse ermöglichen, die auf großen polystruk-
tige Handlungen mittels Algorithmen, womit bekann- turierten Datenbeständen (Big Data) in Echtzeit Emp-
te Prognoseverfahren und Optimierungsrechnung fehlungen für bestmögliche Entscheidungen geben
(siehe Phase 2) erneut in den Fokus rücken. Die neue oder selbst entscheiden. Noch steht nicht fest, wie
Qualität von Business Analytics wird in der sinnvollen diese Phase später bezeichnet werden wird.
7 8 9 
ZUM
INHALT
2 Business Intelligence, Analytics, Big Data und Artificial
Intelligence im Zeitverlauf
2.2 Definitorische Abgrenzung
Im Allgemeinen versteht man unter Business Ana- Es ist zu erkennen, dass die von Gartner benannte
lytics die Anwendung analytischer Verfahren zur Tätigkeit hier stärker auf die Anwendung statisti-
Datenauswertung. Dabei sind sich alle Definitionen scher Analyseverfahren oder auch Optimierungs-
insbesondere über die Anwendung von sowohl sta- methoden fokussiert wird. Ergänzend erfolgt ein
tischen Verfahren, Data- und Text-Mining-Ansätzen Hinweis auf die Ergebniskommunikation hin zu un-
als auch Optimierungs- und Simulationsmethoden terschiedlichen Interessenten, was zu einem weite-
einig. Im Folgenden werden zunächst ausgewählte ren Charakteristikum wird.
Definitionen, die unterschiedliche Charakteristika der
Business Analytics betonen, diskutiert, sodass deren Evan Stubbs präzisiert in seinem Buch The Value of
Elemente in die Begriffsbeschreibung überführt wer- Business Analytics: Identifying the Path to Profitability
den können, die diesem E-Book zu Grunde liegt. eine andere Facette:
Ohne eine Priorisierung der ausgewählten Definiti- „The cornerstone of business analytics is pure ana-
onsansätze vorgenommen zu haben, erfolgt im Fol- lytics. Although it is a very broad definition, analytics
genden zunächst die Betrachtung der Definition der can be considered any data-driven process that pro-
Business Analytics nach Gartner: vides insight. It may report on historical information
or it may provide predictions about future events; the
„Business analytics is comprised of solutions used end goal of analytics is to add value through insight
to build analysis models and simulations to create and turn data into information.“ [Stubbs 2013]
scenarios, understand realities and predict future sta-
tes. Business analytics includes data mining, predic- Stubbs unterscheidet zusätzlich den zeitlichen Aspekt
tive analytics, applied analytics and statistics, and is der betrachteten Daten. Zum einen subsummiert er
delivered as an application suitable for a business unter diesem Begriff das Berichtswesen historischer
user. These analytics solutions often come with pre- Daten und damit das Reporting beziehungsweise das
built industry content that is targeted at an industry Online Analytical Processing (OLAP). Ergänzend wer-
business process (for example, claims, underwriting den hier zukunftsorientierte Daten betrachtet. Alle
or a specific regulatory requirement).“ [Gartner 2016] Daten sind mit dem Ziel zusammenzustellen, Trans-
parenz und ein erhöhtes Verständnis über die Akti-
Gartner stellt insbesondere die Tätigkeit an sich in vitäten und zukünftig möglichen Entwicklungen zu
den Vordergrund. Diese besteht darin, mittels Algo- schaffen, sodass Business Analytics nicht mehr eine
rithmen Analysemodelle zu erzeugen, die in unter- Daten-, sondern eine Informationsnutzung ist, die im
schiedlichen Entscheidungsszenarios Einsatz finden Rahmen der Entscheidungsfindung stattfindet.
können. Dabei können diese bereits vortrainiert, al-
so branchenspezifisch vorbereitet sein, um einen Das Beratungshaus Ernst & Young bringt einen wei-
schnelleren Einsatz zu ermöglichen. teren Aspekt in die Diskussion ein:
Die New Yorker Stern School of Business vertieft in „How an organization gathers, searches, models, ana-
ihrer Beschreibung des MBA-Programms Business lyses and interprets data so as to aid decision-ma-
Analytics den algorithmischen Aspekt und beschreibt: king and improve or optimize business processes.“
[Ernst & Young 2016]
„Business Analytics is the study of data through
statistical and operations analysis, the formation In dieser Definition ist erkennbar, dass die gesam-
of predictive models, application of optimization te Organisation gefordert ist, datenorientiert zu
techniques and the communication of these results agieren, um eine Entscheidungsunterstützung zu
to customers, business partners and colleague exe- Gunsten der Verbesserung der Wertschöpfungspro-
cutives.“ [Stern 2016] zesse zu ermöglichen. Allerdings wird nicht weiter
8 9 10 
ZUM
INHALT
2 Business Intelligence, Analytics, Big Data und Artificial
Intelligence im Zeitverlauf
vertieft, welche Aspekte einer Organisation explizit Kontext wie zum Beispiel einer strategischen Aus-
betroffen sind. richtung benannt wird.
Laursen und Thorlund greifen in ihrem Buch Business Wikipedia, als weitere Onlineressource, benennt:
Analytics for Managers: Taking Business Intelligence
Beyond Reporting das Systemdenken auf und agieren „Business analytics (BA) refers to the skills, tech-
dabei auch organisationsorientiert. Sie definieren: nologies, applications and practices for continuous
iterative exploration and investigation of past busi-
„We look at BA as information systems, consisting of ness performance to gain insight and drive business
three elements: 1. The Information systems contain planning. Business analytics focuses on developing
a technological element. 2. Human competencies. 3. new insights and understanding of business perfor-
The information systems must contain some specific mance based on data and statistical methods.” [Wi-
business processes that make use of the information kipedia 2016]
or the new knowledge.“ [Laursen; Thorlund 2010]
In dieser Begriffsannäherung werden zusätzlich auch
Analog dem in der deutschsprachigen Wirtschaftsin- im Kontext der Business Analytics geforderte Fähig-
formatik üblichen Mensch-Aufgabe-Technik-Dreieck keiten benannt. Dabei wird jedoch nicht differenziert,
wird ein Spannungsfeld beschrieben, in dem Bu- ob es sich um die Fähigkeiten der Mitarbeiter oder
siness Analytics wirkt. Wie dieses Wirken gestaltet um Fähigkeiten der Organisation an sich geht. Bei-
werden soll, wird nicht näher spezifiziert, sondern le- de sind aber grundsätzlich von Bedeutung, da der
diglich darauf verwiesen, dass mit der Steuerung der prozessuale Gedanke der Business Analytics, Daten
Systemelemente Informationen oder neu erzeugtes zu sammeln, aufzubereiten und zur Entscheidungs-
Wissen nutzbar gemacht werden können. unterstützung zur Verfügung zu stellen, die Orga-
nisation dahingehend beeinflusst, datengetrieben
Das online verfügbare Business Dictionary als eine zu werden, zum anderen aber in allen Phasen des
in der Praxis oftmals genutzte Referenz konzentriert Prozesses qualifizierte Mitarbeiter benötigt, um dies
sich bei der begrifflichen Abgrenzung auf die opera- sinnhaft einsetzen zu können.
tionale Ebene und damit die einzelnen Tätigkeiten,
die im Einzelnen innerhalb eines Prozesses anfallen: In ihrem Buch Business Analytics: A Practitioner’s Guide,
betonen Saxena und Srinivasan den Entscheidungs-
„Process of determining and understanding the ef- prozess an sich
fectiveness of various organizational operations. Bu-
siness analytics can be either focused on internal or „Analytics is a vast new terrain that has emerged
external processes. Different specializations exist, from the evolution of fields of study that can be inte-
encompassing most major aspects of business, inclu- grated to help conceive of, make, and execute smarter
ding risk analysis, market analysis, and supply chain decisions or to go from idea to execution in a more
analysis.“ [Business Dictionary 2016] rational way, using data, models, and governance pro-
cesses that leverage this vast and fast-evolving body
In den einzelnen Geschäftsprozessen, ob diese nun of knowledge.“ [Saxena; Srinivasan 2013]
intern oder extern bestehen, werden bezogen auf
die in den Prozessen vorhandenen Aufgaben (Ope- Dabei geht es den Autoren nicht um die Prozess-
rationen) Analysen auf diese selbst bezogen oder schritte an sich, sondern um die Art der Entschei-
aufgabenübergreifend ausgeführt, um deren Effek- dungsfindung. Diese wird oftmals nicht nur durch die
tivität und damit deren Ausführungsgenauigkeit zu vorhandene Informationslage beeinflusst, sondern
bestimmen. Auffallend ist hier, dass die Aufgabenef- darüber hinaus durch persönliche Eindrücke oder
fektivität in Geschäftsprozessen betont wird, jedoch Empfindungen der Entscheidungsträger. Business
keine Entscheidungsunterstützung im breiteren Analytics soll nun eine rationalere Betrachtung der
9 10 11 ZUM
INHALT
2 Business Intelligence, Analytics, Big Data und Artificial
Intelligence im Zeitverlauf
Sachlage ermöglichen und damit von persönlichen für den Erfolg solcher IT-Investitionen erforderlich.
Einflüssen abstrahieren, sodass Entscheidungen auch Solche ergänzenden Parameter liegen beispielswei-
für Dritte nachvollziehbarer werden. se in der Organisation, ihrer Kultur und Mitarbeiter-
qualifikation begründet.
Umfassend nähern sich Davenport und Harris im Buch
Competing on Analytics: The New Science of Winning Diese Diskussion verdeutlicht, dass die reine Investi-
dem Begriff: tion in Informationstechnologie nicht automatisch zu
Produktivitätssteigerungen führt. Nutzenstiftend sind
„In that sense, then, ‘business analytics’ can be de- jene Projekte, die auch weitere Parameter wie organi-
fined as the broad use of data within organizations. It satorische Auswirkungen und Mitarbeiterqualifizie-
encompasses query and reporting but aspires to gre- rung einkalkulieren und im Informationsmanagement
ater levels of mathematical sophistication. It inclu- berücksichtigen. Auch das in den letzten Jahren zu-
des analytics, of course, but involves harnessing them nehmend diskutierte System Thinking [Meadows;
to meet defined business objectives. Business ana- Booth Sweeney 2013] greift den Gedanken auf, dass
lytics empowers people in the organization to ma- Informationstechnologie nur ein Element im System
ke better decisions, improve processes and achieve ist und weitere beeinflussende Elemente existieren,
desired outcomes. It brings together the best of data die es zu identifizieren und zu steuern gilt. Somit ist
management, analytic methods, and the presentation der Gedanke der Mensch-Aufgabe-Technik-Systeme
of results—all in a closed-loop cycle for continuous gegeben, welcher das Zusammenspiel der Elemente
learning and improvement.“ [Davenport; Harris 2007] und damit die Grundlage des Informationsmanage-
ments auch für die Business Analytics gültig abstra-
Zunächst lässt sich in dieser Beschreibung der Prozess- hiert beschreibt.
aspekt identifizieren, der organisational zu reflektie-
ren ist, da sonst kein dauerhaftes Lernen und keine Zunächst einmal ist bei der Business-Analytics-Ein-
dauerhafte Verbesserung möglich sind. Im Weiteren führung der Mehrwert für das Unternehmen zu be-
wird auf die Qualifikation abgestellt, die Mitarbei- stimmen, da der erworbene Nutzen den Aufwand
ter haben müssen, um Business Analytics überhaupt rechtfertigen muss. Eine weitere Facette ist die zu
sinnhaft einsetzen zu können. Und dies bedingt, dass Grunde liegende projektorientierte und prozessuale
sich Mitarbeiter mit analytischen Verfahren, aber Betrachtung. Das Charakteristikum „projektorientiert“
auch der Ergebnispräsentation (= Visualisierung) und entsteht daraus, dass es in der Natur beispielswei-
nicht nur dem Berichtswesen, auseinanderzusetzen se von Data-Mining-Ansätzen liegt, kein Regelkreis
haben, um die Entscheidungsprozesse positiv zu be- zu sein. Für die jeweiligen wertstiftenden Aufga-
einflussen und eine wissensbasierte Organisation zu benstellungen sind Daten jeweils neu zusammenzu-
schaffen. stellen, zielorientierte Analyseoptionen für die dann
zu Grunde liegenden Daten zu evaluieren und dies
Fasst man diese Diskussion zusammen und behält auszuführen, um die Ergebnisse im täglichen Ge-
man im Blick, dass viele weitere Definitionsansätze schäftsbetrieb einsetzen zu können. Dies erfordert
existieren, ist in nahezu allen Begriffsannäherungen entsprechende Fähigkeiten, zum einen in der Verfüg-
die Konzentration auf analytische Verfahren enthal- barkeit entsprechender Technik, zum anderen aber
ten. Dies wird gegebenenfalls um den Hinweis erwei- auch im Know-how der Mitarbeiter bezüglich der Da-
tert, dass schon das Berichtswesen beziehungsweise tenaufbereitung sowie der anzuwendenden Algorith-
Online Analytical Processing ein Bestandteil dessen mik und der Ergebnisinterpretation. Insbesondere an
ist. Ergänzende Facetten sind eher selten zu finden. dieser Stelle wird das Schnittstellendasein der hier-
Insbesondere diese ergänzenden Parameter [Laudon; mit betrauten Mitarbeiter zwischen Fachlichkeit und
Laudon; Schoder 2015] sind aber erfahrungsgemäß Technik deutlich.
10 11 12 ZUM
INHALT
2 Business Intelligence, Analytics, Big Data und Artificial
Intelligence im Zeitverlauf
Des Weiteren ist die Visualisierung des Ergebnis- durchführen [Ware 2000, S. 212 ff.]. Anforderungen
ses ein bedeutendes Thema. Diese muss eine Kom- einer Analyseunterstützung der Anwender werden
munikation der Ergebnisse zu unterschiedlichen durch die dynamische Abfragetechnik als visuelle
Empfängern in einer Form ermöglichen, dass die Alternative zur Structured Query Language (SQL)
Ergebnisse direkt verstanden und in Handlungen als Abfragesprache erfüllt. Visual Analytics unter-
umgesetzt werden können. Informationsvisuali- stützt als exploratives Verfahren die drei Stufen der
sierung kombiniert die Stärken der interaktiven Problemlösung Vorbereitung, Entscheidungsgene-
Datenanalyse mit der menschlichen Fähigkeit, rierung und Entscheidung.
Muster oder Trends visuell erfassen zu können. Ei-
ne kognitive Unterstützung muss als Semiautoma- Fasst man nun diese einzelnen Aspekte zusammen,
tismus gestaltet sein, sodass Steuerinformationen stellt der in der nachfolgenden Abbildung dargestell-
entsprechende Änderungen in der Visualisierung te Prozess die Essenz der Ausführungen dar.
Abb. 2: Prozess der Business Analytics
Grundsätzlich ist eine Datenquellenbewirtschaftung führen, die wiederum Gegenstand der Datenerhebung
in dem Sinne erforderlich, als dass mögliche inter- sein sollen; zum einen, um das Ergebnis im Sinne der
essante Muster immer wieder zu identifizieren und Bestätigung der Nützlichkeit zu bestimmen, zum an-
bezüglich aktueller Inhalte zu überwachen sind. Aus deren, um wiederum Eingaben in einen neuerlichen
internen und externen Quellen lassen sich Daten Business-Analytics-Prozess darzustellen. Es sind in
aufgabenorientiert zusammenstellen, um mittels un- allen Phasen des Prozesses angemessene Informa-
terschiedlicher Algorithmen Entscheidungsmodelle tionstechnologie und eine entsprechende Qualität
aufzustellen. Nach deren Ergebnisevaluation sind die der Mitarbeiter erforderlich, um dies nutzenstiftend
geeigneten Ergebnisse in eine angemessene Visua- umsetzen zu können. Die genutzte Technik, aber auch
lisierung zu übertragen, sodass ein Entscheidungs- die Mitarbeiter können unternehmensintern oder -ex-
träger sie direkt verwerten kann. Letztlich sollen die tern positioniert sein, was gegebenenfalls ein voll-
Entscheidungen zu unternehmerischen Handlungen ständiges oder partielles Outsourcing der Business
11 12 13 ZUM
INHALT
2 Business Intelligence, Analytics, Big Data und Artificial
Intelligence im Zeitverlauf
Analytics mit sich bringt. Insbesondere Cloud Compu- Technologien, Algorithmen, Anwendungen, Visuali-
ting ist ein zu nennender Themenkomplex, da dieser sierungen und Prozessen, die nutzenstiftend unter-
Begriff unterschiedliche Formen der Auslagerung von nehmensintern oder -extern Anwendung finden, um
der Datenhaltung bis hin zur Datenanalyse beschreibt. auf Basis von unternehmensinternen und -externen
Zusätzlich wäre immer die Frage zu klären, ob ein Un- Daten einen Einblick in die Geschäftstätigkeit zu ge-
ternehmen das fachliche Know-how im Unternehmen winnen. Der projektorientierte Einsatz erfolgt in ei-
aufbaut oder es bei Bedarf von außen zukauft. nem Prozess, um unternehmensweite Aktivitäten zu
bewerten, sodass Erkenntnisse über Abteilungs- und
Basierend auf diesen Erkenntnissen möchten wir für Unternehmensgrenzen hinweg als Entscheidungs-
den weiteren Verlauf dieses E-Books die nachstehen- basis gesammelt werden, um aktuelle Maßnahmen
de Definition zu Grunde legen: und zukunftsorientierte Handlungen daraus abzulei-
ten, welche die Unternehmensperformance positiv
Business Analytics ist die Kombination von Menschen, beeinflussen und die langfristige Unternehmensent-
Aufgaben und Technik und damit von Fähigkeiten, wicklung sichern.
2.3 Thematische Trends 2021
Seit geraumer Zeit werden die disruptiven Auswir- Jahres. Da gibt es dann mit Datenqualitätsmanage-
kungen der Digitalisierung auf die Zukunftsfähigkeit ment oder Data Governance natürlich Daueraufga-
bestehender Geschäftsmodelle, aber auch auf den ben, aber auch die immer weiter voranschreitenden
Wandel ganzer industrieller Sektoren sowie der Ge- technischen Entwicklungen verbunden mit ihren
samtwirtschaft diskutiert. Heute ist erkennbar, dass ubiquitären Verfügbarkeiten einerseits und den fach-
Wertschöpfungsketten aufbrechen und sich neu kon- lichen Anforderungen andererseits lassen immer
figurieren. Digitale Plattformen ermöglichen neue Ge- wieder neue Themen entstehen, die auf die IT-Agen-
schäftskonzepte, Unternehmen agieren zunehmend in da eines Unternehmens gelangen. Neben den zuvor
mehreren Netzwerken gleichzeitig. Die Digitalisierung genannten Aufgaben rund um die Verfügbar- und
verändert nicht nur die industrielle Landschaft, son- Nutzbarmachung von Daten kamen im BI-SPEKTRUM
dern auch die Arbeitsmärkte, die urbane Infrastruktur, unterschiedliche Themenschwerpunkte auf die Agen-
Mobilität, Wohnen und unser gesellschaftliches Leben. da. Diese waren: Data Storytelling, Recommendation
All diese Veränderungen wären ohne neue Technologi- Engine, Process Mining, BI-Architekturen und Image
en nicht möglich, die es erlauben, ein immer schneller Mining. Mit dieser im Jahr 2020 getroffenen Auswahl
wachsendes Datenvolumen zu erfassen, auszuwerten reflektierte der BI-SPEKTRUM-Herausgeberkreis die
und auf vielfältige Weise zu nutzen. prognostizierten Trendthemen wie Data Discovery
und Visualisierung, Embedded BI und Analytics, inte-
Mit neueren Anwendungsfeldern wie Internet of grierte Plattformen für Process Mining und Analytics,
Things (IoT), Industrie 4.0 oder Social-Media-Mar- Cloud et cetera, die unter anderem von Computer-
keting haben anspruchsvollere analytische Ansätze Weekly, InformationWeek, Barc, BigData-Insider oder
an Stellenwert gewonnen, die mit Architekturinno- Forbes formuliert wurden. Dazu kommen Diskussi-
vationen wie Big Data oder Cloud Computing ein- onen rund um Master Data Management und auch
hergehen. Jedes Jahr wagen Analysten und Journale Cloud Business Intelligence beziehungsweise Cloud
den Vorausblick auf die jeweiligen Trendthemen des Analytics.
12 13 14 ZUM
INHALT
3 BI Spektrum Digest – die Ausgaben des Jahres 2021
im thematischen Überblick
Im Folgenden werden die einzelnen Hefte mit thematischen Auszügen der Editorials vorgestellt und mit
Schlagworten der Themenvorhersagen eingeordnet.
3.1 Data Storytelling
Data Discovery und Visualisierung
Data Storytelling dürfte nach wie vor zu den am meis- können. Der Schritt vom Entdecken zum Nutzen ge-
ten unterschätzten Methoden in den Unternehmen lingt aber nur dann, wenn man ein entsprechendes
gehören, obwohl es richtig eingesetzt signifikant zur Narrativ findet, um den Mehrwert der Daten und ihre
Wertschöpfung beitragen kann, etwa für neue Data Bedeutung für die Wertschöpfung im Unternehmen
Driven Products oder das Erschließen neuer Kunden- aufzuzeigen. Und je komplexer die Daten und größer
segmente. Die Technik des „Data Storytelling“ ist noch die Datenmengen, umso wichtiger wird dieses Narra-
relativ jung und bislang wenig verbreitet. In der heu- tiv, da es nur damit gelingt, den Entscheidungsprozess
tigen Zeit von IoT, Big Data und Data Science/KI gilt zu fördern. Daher kommt dem Storytelling in der da-
sehr gutes Datenverständnis als Grundvoraussetzung tengetriebenen Welt von heute eine so große Rolle
für eine zielgerichtete Auswertung der vorhandenen in den Unternehmen zu. Die Technik des Storytelling
Daten. In einer BARC-Studie zum Thema Storytelling kann und sollte in modernen Unternehmen auf zahl-
heißt es aber darüber hinaus treffend: „Data relies on reichen Ebenen genutzt werden, damit Möglichkeiten,
us to give it a voice.“ Den Daten eine Stimme zu ge- die sich aus den Daten ergeben, schneller erkannt
ben bedeutet nichts anderes, als die in ihnen verbor- und der entsprechende Handlungsbedarf konkreti-
genen Geschichten zu finden und zu erzählen. siert werden kann. Leider lässt sich feststellen, dass
Storytelling vielfach noch immer stark unterschätzt,
Ebenso wie es Humboldt vor über 200 Jahren gelang, ja sogar belächelt wird. Man sollte die Wirkmächtig-
komplexe Zusammenhänge darzustellen, müssen heu- keit einer guten Geschichte niemals unterschätzen;
te Insights vermittelt werden, die sich in Big Data ver- vor allem dann nicht, wenn sie uns effizienter und
bergen und durch ML und andere Methoden zunächst effektiver durch den Ozean der Daten navigiert und
entdeckt werden müssen, bevor sie genutzt werden auf vielversprechenden Routen zu neuen Häfen führt!
3.2 Recommendation Engine
Embedded BI und Analytics
Empfehlungssysteme haben das Ziel, (potenziellen) so viele Aufgaben erledigt werden müssen, um tat-
Kunden dort Angebote zu machen, wo diese gerade sächlichen Nutzen bringen zu können. Im Themenbe-
thematisch oder zeitlich gefordert sind und die Kon- reich der Artificial Intelligence und damit im Kern der
kurrenz, die im Internet nun einmal nur einen Klick Prozessautomation in Unternehmen sind Recommen-
entfernt ist, noch nicht aktiv geworden ist. Damit soll dation Engines ein Baustein der organisationalen Di-
kurzfristig der eigene Umsatz entwickelt, langfristig gitalisierungsaktivitäten. Sie sind dann nicht nur als
die Kundenbindung erhöht werden. Diese Engines Empfehlungen à la: „diejenigen, die Produkt A erwor-
sind schon seit vielen Jahren präsent, jedoch selten ben haben, kauften auch Produkt B“ sichtbar, sondern
ein Thema, das die Diskussion dominiert. Das ist da- beispielsweise auch in Chatbots, wo sie in einem in-
hingehend überraschend, als dass drum herum noch teraktiven Dialog passende Empfehlungen geben.
13 14 15 ZUM
INHALT
3 BI Spektrum Digest – die Ausgaben des Jahres 2021
im thematischen Überblick
Doch tun sich hier schnell, wie so oft bei Ana- tatsächliche Entscheidungsunterstützung entsteht.
lytics-Projekten, zwei zunächst nicht im Fokus Das kann in Analytics-Projekten, wie es auch der Auf-
stehende Themen auf, die allerdings große Auswir- bau einer Recommendation Engine ist, nicht anders
kungen auf den späteren Erfolg haben. Zunächst sein. Unternehmensinterne und -externe Daten müs-
einmal ist die Frage zu klären, wie der neue Prozess sen identifiziert und sinnhaft zusammengebracht
aussehen soll, in dem die Recommendation Engi- werden, um themen- und zeitgerechte Empfehlun-
ne aktiv werden soll. Automation verändert immer gen geben zu können. Das erfordert eine Datenstra-
das Arbeiten und verlangt in diesem Zusammen- tegie inklusive einer Datenquellenbewirtschaftung
hang auch andere Kenntnisse der Beteiligten. Ein genauso wie die Abkehr von Ideen, alles in einen
erfolgreicher Wechsel in den Ablaufstrukturen muss großen Datensee zu füllen, in dem man dann man-
also entsprechend geplant sein. Und ich denke, Sie gels Organisation auch nichts mehr finden kann.
alle wissen, was es bedeutet, Ablaufstrukturen in Eigentlich eine Erfahrung, die schon in frühen Da-
einem Unternehmen zu verändern. Neben dieser ta-Warehouse-Projekten nicht gut funktionierte. Sie
Herausforderung ist die Herrschaft über die Daten sehen also: Wie so oft sind es die Nebenaufgaben,
wichtig. Schon in den ETL-Strecken der Business-In- die über Wohl und Wehe der eigentlich betrachte-
telligence-Projekte zeigte sich der Aufwand, stimmi- ten Ansätze entscheiden. Deshalb ist es uns wichtig,
ge und richtige Daten so zu integrieren, dass eine dies in unseren Beiträgen aufzuzeigen.
3.3 Process Mining
Integrierte Plattformen für Process Mining und Analytics
Process Mining verbindet Geschäftsprozessmanage- Bei dieser analytischen Disziplin des Erkennens,
ment (GPM) und Geschäftsprozessmodellierung mit Überwachens und Verbesserns realer Prozesse fällt
nicht-prozessorientiertem Data Mining. Dessen Me- in der Praxis aber auf, dass kein Regelkreis aus Trans-
thoden und Algorithmen werden genutzt, um die parenz, Anpassung und anschließender erneuter
vorhandenen Datenbestände aus Event-Logs, Trans- Optimierung entstanden ist. In der Realität ist nach
aktions- und Vorgangsdaten des Unternehmens der ersten Anpassung Schluss. Das zeigt sich bereits
auszuwerten. Auf Basis dieser gespeicherten tatsäch- daran, dass Process Mining in der Regel als Projekt
lichen Vorgänge und Transaktionen können Prozes- aufgesetzt wird und weniger in Form von Rollen im
se automatisiert erkannt, überprüft und verbessert Sinne einer Verstetigung in der Organisation. Obwohl
werden. [Vgl. Ralf Peters, Markus Nauroth: Process schon in den Qualitätsansätzen der 1970er-Jahre die
Mining. Springer Gabler, 2020] stetige Verbesserung das wahre Ziel war, also ein
Zeitraumbezug vorlag, kommt beim Process Mining
Als Wil van der Aalst um 2005 herum das Thema aus ein Zeitpunktbezug zum Tragen.
seinen Arbeiten zum Geschäftsprozessmanagement
an der TU Eindhoven entwickelte, zielte es zunächst Anscheinend begnügen sich Entscheidungsträ-
auf Transparenz – in einer zunehmend digitalisierten ger damit, einmalige Anpassungen vorzunehmen.
Welt sollten Daten effizient genutzt werden. Die neue Den Mehrwert in kontinuierlicher Prozessüberwa-
Sichtbarkeit zeigte aber, dass nicht nur Ineffizienzen chung, -steuerung und -justierung erkennen sie lei-
bei der Datennutzung vorlagen, sondern Abläufe im der nicht. Aus vereinzelten Gesprächen ergab sich,
wirklichen Leben anders strukturiert sind, als sie ur- dass sie Aufwand und insbesondere die Kosten der
sprünglich geplant waren. Da stellt sich die Frage, kontinuierlichen Prozessüberwachung und Opti-
wieso es zu solchen Unterschieden zwischen Pla- mierung höher einschätzen als den Nutzen. Dabei
nung und gelebtem Prozess kommt. Damit tritt das ist es im Zuge der Digitalisierungsoffensiven in
Warum plötzlich in den Vordergrund der Betrachtung. Unternehmen ratsam, ein aktives verantwortliches
14 15 16 ZUM
INHALT
3 BI Spektrum Digest – die Ausgaben des Jahres 2021
im thematischen Überblick
Prozessgremium zu haben. Ansonsten laufen Un- verlangen Strukturen, um den Status quo und die He-
ternehmen Gefahr, ihre bestehenden Prozesse 1:1 rausforderungen in Prozessen kennenzulernen. Erst
zu digitalisieren. Aber ineffiziente Prozesse bleiben dann lassen sich die Themen zielorientiert in einem
auch digital ineffizient. Gesamtsystem weiterentwickeln. Sie werden es alle
schon selbst erlebt haben: Die einzelnen Prozesse
Auch mit Process Mining verwandte Ansätze wie Robot anzufassen und zielorientiert weiterzuentwickeln,
Process Automation (RPA) oder Process Intelligence verlangt mehr als sie nur neu aufzuzeichnen.
3.4 Business-Intelligence-Architekturen
Cloud Computing
Die digitale Transformation und die intensivere Nut- Business-Intelligence- und Analytics-Architekturen
zung von Data Science in Unternehmen bedingen bilden das Gerüst für die unterschiedlichen Ausprä-
die intensive Auseinandersetzung mit analytischen gungen des datengetriebenen Handelns in Unter-
Architekturen. Dabei ist das kein Bereich, wo schlicht nehmen. Auch, wenn in der Literatur gerne von der
von einem Status quo in einen anderen gewechselt disruptiven Rolle der Architekten gesprochen wird,
werden sollte. Stattdessen gilt es, in steter Bewegung um neue Ansätze in einem Unternehmen zu integrie-
zu bleiben, um den Anforderungen der Nutzer gerecht ren, ist es in der Praxis oftmals eher ein Reagieren auf
zu werden. Digitalisierungsszenarios wie Self-Ser- die zuvor genannten Veränderungen, das Einfangen
vice, Robot Process Automation, Artificial Intelligence von Schatten-IT-Aktivitäten etc. Auch hier zeigt sich
etc. sind ohne eine passende Architektur nicht vor- aber, dass der Austausch aller Beteiligten notwendig
stellbar. Die Fähigkeiten eines IT-Bereichs zeigen ist, um das Potenzial, die Kraft einer Architektur zur
sich hier, wenn er in immer kürzer werdenden Zyklen Entfaltung zu bringen und damit den Anwendern zu
die Nachfragen der Daten- und Informationskonsu- ermöglichen, ihre individuellen Anforderungen im
menten bedienen kann. Diese Leistungen verdienen Sinne des Self-Service umzusetzen.
großen Respekt: längerfristige Transformationspro-
jekte so zu arrangieren, dass die Schnelllebigkeit der
Anwenderinteressen abbildbar ist.
3.5 Image Mining
Internet of Things
Die kontinuierlichen Verbesserungen in den Berei- Bilddaten zu generieren. Das beliebteste Konzept
chen Erfassung, Speicherung und Verarbeitung von in diesem Bereich heißt Computer Vision, aber auch
Bilddaten wie der weitere Fortschritt analytischer das Konzept des Image Mining wird aktuell disku-
Methoden bieten zahlreiche Möglichkeiten für ziel- tiert. Beide Konzepte kombinieren Methoden und
gerichtete Szenarios des Image Mining. Landwirt- Techniken der Bildverarbeitung und Datenanalyse,
schaft, Bildung, Industrie, autonome Fahrzeuge oder um aus Bilddaten Wissen zu generieren. Wir freuen
medizinische Diagnosen sind nur einige Beispiele uns, im letzten Heft des Jahres einen Fokus zu set-
für mögliche Anwendungsgebiete. Technologien zen, der ein analytisches Thema in de Vordergrund
und Methoden der Bildverarbeitung und Datenana- stellt, dass der Automation in Prozessabläufen Un-
lyse werden kombiniert, um Wissen auf Basis von terstützung bieten kann.
15 16 17 ZUM
INHALT
3 BI Spektrum Digest – die Ausgaben des Jahres 2021
im thematischen Überblick
Image Mining ist eine Kombination aus Data Mining und Interpretation von Bildern. Ziel des Konzepts ist es,
und Bildverarbeitungsmethoden und deren Technolo- ein übergeordnetes Verständnis von Objekten, Merk-
gien, die es ermöglichen, Muster und Zusammenhän- malen oder Aktivitäten zu generieren, die in digitalen
ge in digitalen Bildsammlungen zu erkennen und so Bildern sichtbar sind. Computer Vision ist ein Teilge-
Wissen zu generieren. Die erste Grundlage des Kon- biet der Computervisualisierung, das Computergrafik
zepts leitet sich aus dem Data Mining ab, das dem und die Visualisierung komplexer Daten umfasst. Dies
Ziel folgt, Muster in riesigen Datensammlungen mit beinhaltet Theorie und Technologie der Bilderfassung,
algorithmischen Methoden zu erkennen. Identifi- -speicherung, -verarbeitung und -analyse. Ein Compu-
zierte Muster, Strukturen und Beziehungen werden ter-Vision-System besteht im Wesentlichen aus einem
in den Bilddatensätzen verwendet, um semantische bildgebenden Sensor, einer Schnittstelle zur Übertra-
Schlussfolgerungen ziehen zu können. Daher werden gung des Bildes und einer Recheneinheit zur Verarbei-
Techniken und Methoden wie künstliche Intelligenz, tung und Analyse. Der Computer-Vision-Ansatz folgt
maschinelles Lernen, Bildabruf, Computer Vision, Da- einem Prozess, der darauf abzielt, Wissen über ein
tenbanktechnologien und so weiter subsumiert. Das einzelnes Bild oder ein Objekt innerhalb eines Bildes
Hauptaugenmerk liegt auf dem Erkennen von Mustern zu gewinnen. Dennoch sind Techniken, um aus einer
oder anderen Zusammenhängen, die auf den ersten Reihe von Bildern ein Verständnis eines einzelnen Bil-
Blick nicht sichtbar und somit nicht erkennbar sind. des abzuleiten, auch Teil der Computer Vision. Dabei
Der Prozess des Image Mining besteht aus Vorver- liegt der Fokus auf der Unterstützung von Problemen
arbeitung, Transformation, Merkmalsextraktion, der wie Objekterkennung, Bewegungsverfolgung, Aktions-
Anwendung von Algorithmen aus dem Bereich Data erkennung, menschlicher Posenabschätzung oder se-
Mining sowie Interpretation und Auswertung. Der Pro- mantischer Segmentierung.
zess folgt der Idee, implizit vorhandenes Wissen auf-
zudecken. Anschließend kann das generierte Wissen Als analytisches Thema, das im Sinne einer Digita-
auf ein einzelnes Bild angewendet werden, was Rück- lisierung menschlich ausgeführte Tätigkeiten durch
schlüsse und Interpretationen zulässt. Das Konzept Technik ausführen lässt, ist Image Mining ein poten-
von Computer Vision umfasst verschiedene Methoden zialreiches Anwendungsgebiet zur Unterstützung der
und Techniken zur Erfassung, Verarbeitung, Analyse Automation in Prozessabläufen.
16 17 18 ZUM
INHALT
4 Ausgewählte Beiträge des BI-SPEKTRUM 2021
Im weiteren Verlauf wird ein Beitrag eines jeden Hefts noch einmal vorgestellt, der das jeweilige Thema be-
ziehungsweise eine besondere Perspektive auf das Thema in den Vordergrund stellt.
4.1 Auf dem Weg zur Insight Driven Insurance
Ein Beitrag von Dr. Michael Zimmer und Horst Nussbaumer, erschienen in der BI-SPEKTRUM
Ausgabe 01/2021
Innerhalb der letzten Jahre hat das Thema Datenstra-
tegie und -Governance vermehrt an Bedeutung ge-
wonnen. Die Gründe hierfür lassen sich hauptsächlich
auf den Einsatz von Data Science und KI zurückführen.
War eine Datenstrategie in der Vergangenheit meist auf
DWH-basierte Ansätze fokussiert, ändert sie sich durch
Big Data und KI jetzt grundlegend. Für die Zurich Gruppe
Deutschland – nachfolgend nur noch als Zurich bezeich-
net –, eine der führenden Versicherungen in Deutsch-
land, sind Daten seit jeher elementarer Bestandteil des
Kerngeschäfts. Um dies zu zeigen, wird im Artikel darauf
eingegangen, welche Handlungsfelder innerhalb der
Datenstrategie für Zurich von Bedeutung sind und wie
diese helfen, in Zukunft noch datenzentrierter als Insight [Sch19]). Da die Verwendung von Daten in diesem
Driven Insurance (IDI) die Customer Experience der Zu- Zusammenhang von großer Bedeutung ist, liegt der
rich Gruppe Deutschland zu verbessern. Fokus darauf, diese übergeordneten Ziele mit einer
geeigneten Datenstrategie zu fördern. Zurich hat sich
Generell verfolgen Unternehmen im Rahmen ihres hierbei entschieden, die Themen als Chance zu sehen
Geschäfts strategische Ziele, um langfristig erfolg- und eine offensive Datenstrategie zu wählen, um die
reich auf dem Markt zu interagieren. So verfolgt Zu- relevanten Themen proaktiv als Erfolgsfaktor anzu-
rich beispielsweise als zwei ihrer zehn strategischen gehen. Bei einem defensiven Vorgehen wären hinge-
Imperative die Ziele, die Kundenzufriedenheit zu gen nur minimal notwendige Standards vorgegeben
Data Analytics
erhöhen & KI-Strategie
und Innovationen zu beschleunigen (vgl. worden (vgl. hierzu auch [Dav17], Tabelle 1).
Ausgewählte Dimensionen und ihr Bezug zu den vier Pfeilern der Datenstrategie
Prozesse/Organisation
Erhöhung von Abschlusswahrscheinlichkeiten Verkürzung der Durchlaufzeiten
Finanzen
Reduzierung von Abschlusskosten KI als „Entscheider“ für Dunkelverarbeitung &
Automatisierung
Verbesserte Preiskalkulation
Einsatz der Sachbearbeiter für kritische Themen
Verbesserte Schaden- & Leistungsprävention
Zusammenführung der Daten der Bereiche
Verbessertes Kundenverständnis &
Fokussierung auf den Kunden Aufbau relevanter Daten- und KI-Fähigkeiten
Kunde / Markt
Mitarbeiter
Personalisierte Ansprache
Befähigung der Mitarbeiter auf dem Weg zur
datenzentrierten Versicherung
Erfüllung digitaler Grundanforderungen
Individuelle und innovative neue Produkte mit Positionierung als innovativer Arbeitgeber
klarem Kundenfokus
Abb. 1: Handlungsfelder und Werttreiber
INTERNAL USE ONLY
1
17 18 19 ZUM
INHALT
4 Ausgewählte Beiträge des BI-SPEKTRUM 2021
Zur besseren Strukturierung der Datenstrategie wur- einfachere oder schnellere Ansprache optimiert
den vier Handlungsfelder identifiziert, mit deren werden können (vgl. die Fallstudie von Zurich in
Hilfe die Datenstrategie anhand konkreter Maßnah- [Han21]. In diesem Zusammenhang wurden auch
men kurz,- mittel- und langfristig bewusst gestaltet neue Rollen und Verantwortlichkeiten geschaffen
wird. Um den Nutzen durch eine Datenstrategie an- und das Thema KI als Labor direkt unter einem
zudeuten, sind in Abbildung 1 auch Werttreiber wie Vorstandsressort im Fachbereich angesiedelt.
Finanzen, Kunde/Markt oder Mitarbeiter dargestellt. 3. Für eine Versicherung, die mit dem Aktuar den
Bei den vier relevanten Handlungsfeldern von Zurich Archetypen eines Data Scientist hervorgebracht
handelt es sich um die folgenden: hat, ist es essenziell, die Datenfähigkeiten im Un-
1. Mit Vertrauenswürdige Daten und abgeleitete Er- ternehmen an neue analytische Methoden anzu-
kenntnisse wird ein Kernthema einer IDI adressiert. passen und den Mitarbeitern zu vermitteln, auch
Daten, deren Richtigkeit und deren Verfügbarkeit weiterhin zukunftsfähig Data Science und KI an-
sind entscheidend, um nachhaltig Informationen zuwenden (vgl. [Han20], S. 22ff.).
über Kunden zu generieren und diese erfolgreich, 4. Unter Data & Analytics Excellence versteht Zu-
beispielsweise im Rahmen der Customer Journey, rich den Aufbau geeigneter organisatorischer
einzusetzen. Das Handlungsfeld umfasst aber Formen, um die Datenstrategie nachhaltig im
auch technische Themen wie Datenarchitekturen Unternehmen zu verankern, weiterzuentwickeln
oder Echtzeitanbindung, die notwendig sind, um und letztlich auch compliant umzusetzen (vgl.
relevante Erkenntnisse zum richtigen Zeitpunkt hierzu auch das aktuelle TDWI Buch zu Gover-
bereitstellen zu können (vgl. [Han20], S. 18ff.). nance [Glu20]).
2. Der Einsatz von AI und Machine Learning ist für Diese Handlungsfelder stehen nicht für sich, sondern
Zurich von großer Bedeutung, da auf diese Wei- müssen in eine Metrik zur Erfolgsmessung eingebet-
se bestehende analytische Methoden verbessert tet werden. Hierzu eignen sich aus den Werttreibern
oder Prozesse durch verbesserte Interaktion und abgeleitete KPIs.
Datenleitlinien von Zurich
Aufgrund der großen Bedeutung von Daten für Zu- übergeordneten Vision abgeleitet und werden inner-
Unsere sechs Leitlinien sind die Grundlage
rich wurden im Rahmen der Datenstrategie auch zurvon
halb Verwendung vonAbbildung 2).
Zurich gelebt (siehe
DatenDatenleitlinien
bei der ZGD erarbeitet. Diese sind aus der
Leitlinie Beschreibung
▪ Daten sind standardisiert oder standardisiert abgelegt, um konsistente Ergebnisse zu ermöglichen.
Daten sind ein kritischer
▪ Daten und Analysen müssen vertrauenswürdig sein.
Erfolgsfaktor, kein
▪ Die Daten werden auf der niedrigsten verfügbaren Granularität gespeichert.
Abfallprodukt ▪ Gespeicherte Daten basieren auf den Quellsystemen.
▪ Wir fördern eine Kultur der „Wiederverwendung“.
Daten werden einmal
▪ Die Daten aus den Quellsystemen werden einmal erfasst und für unterschiedliche Anwendungen zentral verfügbar gemacht.
erfasst und wieder-
▪ Dadurch werden redundante und voneinander abweichende Daten vermieden.
verwendet
▪ Kritische Daten (insbesondere mit Kundenbezug) werden vor unangemessenem, unbefugtem, unbeabsichtigtem oder vorsätzlichem
Daten werden verwaltet, Missbrauch geschützt. Hier erfolgt ein enger Austausch mit dem Datenschutz.
überwacht und gesichert ▪ Die Verarbeitung der Daten muss allen gesetzlichen und regulatorischen Anforderungen entsprechen.
▪ Bei der Bereitstellung von Daten ist ein Abwägen zwischen Kosten und Nutzen erforderlich. Daten werden nicht zum Selbstzweck
Daten sollen gespeichert.
Geschäftsnutzen stiften ▪ Aktuelle Initiativen aus dem Business werden bei der Datenbereitstellung aktiv eingebunden.
▪ Es ist eine Balance zwischen Quick Wins und langfristigem Nutzen zu finden.
▪ Alle Mitarbeiter sind für das Management von Daten verantwortlich.
Jeder ist für Daten ▪ Wir wollen unsere Daten für nachhaltiges Wachstum einsetzen.
verantwortlich ▪ Das Wissen über Daten sollte für alle Mitarbeiter inhärent sein und sowohl im täglichen Geschäft als auch bei strategischen Themen
abgerufen werden.
▪ Wir schaffen Transparenz über Daten, Verantwortlichkeiten und Ergebnisse.
Wir ermöglichen einen
▪ Wir helfen beim Verständnis der Daten.
einfachen Zugriff auf Daten ▪ Wir bilden eine Kontrollinstanz für dezentral entwickelte Lösungen.
Abb. 2: Datenleitlinien
2
TERNAL USE ONLY
18 19 20 Sie können auch lesen
