Technologie einfach erklärt Was Business Intelligence, Business Analytics und Big Data Analytics unterscheidet

Der Begriff der Business Intelligence geht auf die späten 1950er-Jahre zurück und wurde 30 Jahre später von einem Analysten des Marktforschungsinstituts Gartner neu aufgeworfen. Damals waren noch keine computergestützten Algorithmen zur Verarbeitung von Geschäftsdaten verbreitet, was durch den Einsatz von Business-Intelligence-Verfahren geändert wurde.

Tatsächlich betrachtet BI „nur“ Vergangenheit und Gegenwart: Grundlage dafür ist in der Regel ein Data Warehouse, das in der klassischen Form nur strukturierte oder – etwa durch Metadaten wie in der Fotografie – aufbereitete Daten aufnehmen kann.

Descriptive, Diagnostic, Predictive und Prescriptive Analytics

Natürlich kann man aus der bis in die Gegenwart reichenden vorhandenen Datenlage auch ableiten, wie sich das laufende Geschäft voraussichtlich entwickeln wird, aber für wirklich verlässliche Vorhersagen sind auch semistrukturierte und unstrukturierte Daten nötig. Dabei gibt es zwei verschiedene Blicke in die Zukunft: Predictive Analytics (vorausschauende Analyse) und Prescriptive Analytics (vorbeugende Analyse).

Gartner hat ein Reifegradmodell entwickelt, das entlang einer zeitlichen x- und y-Achse vier verschiedene Schwierigkeitsgrade der Analysemöglichkeiten beschreibt: Descriptive, Diagnostic, Predictive und Prescriptive Analytics – im Folgenden am Beispiel Umsatzentwicklung:

• Die Descriptive Analytics versucht zu „beschreiben“, wie sich der Umsatz in der Vergangenheit entwickelt hat.
  
  
• Die Diagnostic Analytics versucht zu „diagnostizieren“, warum sich der Umsatz positiv oder negativ entwickelt hat.
  
  
• Die Predictive Analytics versucht „vorherzusagen“, wie sich der Umsatz in den nächsten Monaten oder Jahren entwickeln wird.
  
  
• Die Prescriptive Analytics versucht „vorzuschreiben“, wie sichergestellt werden kann, dass sich der Umsatz weiter positiv und nicht negativ entwickelt.

BI erlaubt den Sprung zu BA

Business Intelligence deckt so wie ein klassisches Data Warehouse allgemein nur die vergangenheitsbezogene Descriptive Analytics und die – bis in die Gegenwart reichende – Descriptive Analytics ab. Das SAP Business Warehouse (BW) hat diesbezüglich lange Zeit Standards gesetzt. Doch die Wartung für die Releases 7.3 und 7.4 läuft bis Ende 2020 aus, 2027 ist dann zusammen mit SAP ECC auch für SAP BW Schluss.

Unternehmen tun daher gut daran, die aktuelle Krise zu nutzen und gleich auf die Variante SAP BW/4HANA zu migrieren. Wie der Name schon verrät, ist sie auf Basis von SAPs In-Memory-Datenbankplattform HANA gestellt und bietet weitreichendere Analysemöglichkeiten – bis weit über die Corona-Krise hinaus. Der Vorteil der Konversion liegt darin, auch Kennzahlen für zukünftige Entwicklungen in den Blick nehmen zu können wie Machine Learning (ML) und Künstliche Intelligenz (KI). ML und KI sind Verfahrensgruppen, die man unter BA einordnet, wenn diese im Geschäftsumfeld eingesetzt werden.

Die Spezialisten von avantum consult bringen dabei auch Data Science Tools wie IBM SPSS Modeler oder KNIME zum Einsatz, die es ermöglichen, interne Daten ad hoc auszuwerten. Hinzu kommen intelligente Machine-Learning-Algorithmen, um beispielsweise unter Einbeziehung von nicht strukturierten Wetterdaten verlässliche Liquiditäts-Forecasts zu erstellen.

Zum Thema

Integrator und Entwickler Was ist ein Devops Engineer und welche Aufgaben hat er?

jetzt artikel lesen

BDA für Maschinendaten, Einkauf und Co.

Wenn es sich um riesige Mengen von strukturierten, unstrukturierten und semistrukturierten Daten handelt, stoßen viele Verfahren, die typischerweise für BA eingesetzt werden, bei zu großer Datenmenge an ihre Grenzen. Laufende Daten aus der IoT-Anbindung von Maschinen in der Produktion etwa sind ein Fall für Big Data & Analytics (BDA) und sogenannte Data Lakes. Diese „Daten-Seen“ nehmen in der Rohform jede Menge von Daten auf, die bei Bedarf darauf warten, mittels BDA-Verfahren bzw. -Algorithmen ausgewertet zu werden.

Ein Fachartikel von Münchner Wissenschaftlern auf dem Gebiet von Supply Chain Management zeigt auf, welche Möglichkeiten sich für Big Data im Hinblick auf Einkauf 4.0 ergeben. Die Autoren sprechen dabei von der „Fähigkeit, auf Basis großer Datenmengen Bedarfe, Märkte und Lieferanten professionell analysieren und in der Folge besser steuern zu können“. Für BDA genügt es aber nicht, nur große Datenmenge zur Verfügung zu haben.

BDA-Kriterien für den Einkauf wie allgemein müssen die vier Vs aus Volume (Datenmenge), Variety (Heterogenität), Velocity (Verarbeitungsgeschwindigkeit) und Veracity (Richtigkeit) der zu untersuchenden Daten sein. Was schnelle Bedarfsanalysen (Stichwort Velocity) betrifft, kommen immer mehr intelligente Algorithmen zum Einsatz, um Muster zu erkennen etwa.

Fazit und Ausblick

Hier ist nochmal zusammengefasst, was Business Intelligence, Business Analytics und Big Data & Analytics unterscheidet: Wie eingangs schon gesagt, stützt sich Business Intelligence (BI) in der Regel auf Data Warehouses und strukturierte Daten oder durch Metadaten entsprechend aufbereitete Daten. Somit deckt BI mehr oder weniger nur die Descriptive und die Diagnostic Analytics sowie die Vergangenheit und Gegenwart ab.

Business Analytics (BA) reicht dagegen nicht nur bis ins Heute, sondern mit den Möglichkeiten der Predictive (vorhersagenden) Analytics und der Prescriptive (vorschreibenden oder empfehlenden) Analytics auch bis weit in die Zukunft. Je weiter die Analyse in die Zukunft reicht, desto mehr sind intelligente Algorithmen bis hin zu Künstlicher Intelligenz gefragt, um auch unstrukturierte Echtzeit-Daten auswerten zu können. Dabei kommen oft Data Lakes zum Einsatz, aus denen die Daten in ihrer ursprünglichen, nativen Form zur Analyse und weiteren Auswertung geführt werden.

Big Data & Analytics (BDA) oder einfach nur Big Data Analytics geht in eine ähnliche Richtung wie Business Analytics, kann also auch helfen, einen Blick in die Zukunft zu werfen. Big Data Analytics konzentriert sich aber, wie der Name schon verrät, mehr darauf, sehr große Datenmengen analysieren und auswerten zu können. Klassische Beispiele für BDA sind die Auswertung von Versicherungsdaten sowie von unzähligen Daten, die durch die IoT-Vernetzung von Maschinen und Produktionsanlagen entstehen. Mit 5G wird sich die Zahl der Möglichkeiten hier noch potenzieren.

Quelle: Titelbild pixabay, Pexels