20100506k SAS Informationen im Data Warehouse
|
|
|
»manage
it«
als
|
Informationen im Data Warehouse Wissen für alle Längst haben sich Data Warehouses in Unternehmen durchgesetzt. Schaffen sie doch eine unternehmensweit konsistente, offene und zugleich integrierte Datengrundlage mit allen relevanten Informationen – bereit für diverse Abfragen. Daten sind aber noch kein Wissen. Wie kommen Management und Fachanwender tatsächlich an die Wissensschätze, die in den Daten verborgen sind?
us einem gut konzipierten Data Warehouse können Fachanwender relativ unkompliziert genau die Daten abrufen, die sie für ihre Aufgaben benötigen – weder Programmierkenntnisse noch spezielles Wissen über Datenbank-Abfragen ist dafür notwendig und schon gar kein Umweg über die IT-Abteilung. Und die unternehmensweit einheitliche Datenbereitstellung hat noch einen weiteren wesentlichen Vorteil: Alle Mitarbeiter greifen auf die gleiche Datenbasis zu. Unterschiedliche Auswertungen und Ergebnisse aufgrund inhomogener Daten gehören damit der Vergangenheit an. Bei Veränderungen werden bestehende Daten nicht ersetzt, sondern nur ergänzt. Ein Update des Datenbestandes bedeutet also immer das Einlesen einer neuen Momentaufnahme, die den jeweiligen Status des Unternehmens abbildet. So werden Trendanalysen möglich, die vergangene und aktuelle Entwicklungen sichtbar machen. Das gebräuchlichste Mittel, um aus diesen Daten relevante Informationen zu generieren, sind OLAP-Tools: Mit diesen einfachen, leicht zu bedienenden Query- und Reporting-Instrumenten können Anwender mehrdimensionale Abfragen (»Nenne mir den Vorjahresumsatz aller bayerischen Filialen mit mehr als zehn Mitarbeitern«) vornehmen. Sie liefern jedoch kein strategisch relevantes Wissen, das Management und Fachanwender für ihre Entscheidungen benötigen. Denn: Eine OLAP-Auswertung bildet per Definition zum einen lediglich die Vergangenheit ab, liefert also keine Informationen über künftige Entwicklungen. Kein probates Mittel für die zukunftsgerichtete Steuerung des Unternehmens. Zum anderen zeigt OLAP lediglich Zusammenhänge, die schon bekannt sind, sodass der Anwender bereits vorher genau wissen muss, nach welchen Informationen er eigentlich sucht. Neue Erkenntnisse liefert eine solche Abfrage nicht; exploratives Arbeiten ist so nicht möglich. Mehr als OLAP. Ein Data Warehouse enthält mehr Wissensschätze, als sich mit OLAP-Auswertungen heben lassen. Hier sind leistungsstärkere Lösungen gefragt: Business Analytics schaffen Wissen, mit dem die Zukunft steuerbar wird. Mit komplexen Prognose- und Analyseverfahren wie neuronale Netze, Cluster- oder Entscheidungsbaum-Algorithmen können verborgene Regeln, Muster und andere statistische Auffälligkeiten in den Daten erkannt werden. Sie weisen Unternehmen auf versteckte Ursache-Wirkungsbeziehungen innerhalb der Prozesse hin und helfen damit, Kostentreiber, Schwachstellen und Potenziale zu erkennen. Forecasting-Instrumente erlauben, künftige Entwicklungen verlässlich und nachvollziehbar vorherzusagen oder die Folgen alternativer Entscheidungen zu simulieren. Unternehmen erhalten damit aussagekräftige Antworten auf strategisch relevante Fragen wie: Wie werden sich Ertrag und Kosten verändern, wenn wir in die Stärkung des Online-Geschäfts statt in den Ausbau des Filialnetzes investieren? Welche Kunden werden im nächsten Jahr ihren Vertrag kündigen? Wie wird sich das Zahlungsverhalten der Kunden verändern? Und auch bei der operativen Planung unterstützen Prognosen künftiger Entwicklungen – etwa wenn es darum geht, welche Vertriebskanäle die Kunden im nächsten Jahr vermehrt nutzen werden, wie sich der Personalbedarf ändert, wenn Desktop Services an einen Dienstleister ausgelagert werden, oder welche Menge Ersatzteile vorgehalten werden sollten, wenn die neue Produktgeneration ausgeliefert wird. Business Analytics machen den Unterschied. Business-Analytics-Lösungen setzen direkt auf das Data Warehouse auf. Sie kommen zum Einsatz, wenn es um Strategie, Kundenbeziehungsmanagement, Finanzen, Personal und Logistik geht. Dieser fachbereichsübergreifende Querschnitt verdeutlicht: Analysen sind nicht länger eine Domäne der IT-Abteilungen. Der Nutzer im Fachbereich kann sie selbst durchführen, die komplexen zugrunde liegenden mathematischen Modelle bleiben ihm meist verborgen. Nutzer können bei der Auswahl der geeigneten Prognosemodelle beraten: Diese Entscheidung sowie die anschließende Optimierung der Modellparameter trifft das System selbst, etwa durch intelligente Heuristiken. Den Trend zur Automatisierung der Analytics-Prozesse stützen auch die Bemühungen mehrerer RDBMS-Anbieter, Analytics in ihre Datenbankprodukte einzubetten und so das Thema »In-Database-Mining« voranzutreiben. Die Mitarbeiter in den Fachabteilungen haben erkannt, dass sie die Daten für wesentlich mehr als einfache Reports nutzen können. Die meisten Angebote sind jedoch stark auf das Know-how von IT-Experten ausgerichtet, weniger auf die Anforderungen eines Fachanwenders etwa aus dem Marketing – der bei der Modellentwicklung meist allein gelassen wird. Mehr Information in weniger Zeit. Dabei stellen sie häufig nicht die höchsten statistischen Ansprüche. Ein Kampagnenmanager etwa braucht schnell einen Überblick, bei welchen Kunden eine bestimmte Kampagne am erfolgreichsten sein wird. Wenn er nun den Statistiker des Unternehmens und anschließend die IT-Abteilung zu Rate zieht, vergeht für ihn unnötig viel Zeit. In diesem Fall kann er auf schnelle Vorhersagemodelle (Rapid Predictive Modelling) zurückzugreifen: Hier sind viele Arbeitsschritte bereits vorinstalliert und miteinander verknüpft. So lassen sich in kürzerer Zeit mehr Modelle erstellen. Der Nutzerkreis der im Unternehmen eingeführten BI-Lösung erweitert sich. Zudem verkürzt sich mit dieser Lösung der Prozess von der Modellbildung zur operativen Umsetzung. Bislang dauert dies bis zu drei Monate. Eine Zeit, in der sich die zugrunde liegenden Daten und Szenarien geändert haben können. In-Database-Scoring kürzt diesen Prozess ab – SAS arbeitet hier etwa mit Teradata, Netezza, aber auch DB2. Der SQL-Code wird direkt in der Datenbank ausgeführt: Die Formel für die dem Modell zugrunde liegende Scoring-Funktion liegt in der Entwicklungsumgebung vor und muss in die Produktivumgebung eingefügt werden. Diese Aufgabe übernimmt die IT. Sie wandelt die Formel direkt in SQL-Code oder mithilfe gängiger Programmiersprachen wie C++ oder Java in eine Datenbankfunktion um. Diesen Ansatz verfolgen »In-Database-Analytics«, die beispielsweise durch die Zusammenarbeit von SAS und Teradata möglich sind: Auch Anwender aus den Fachabteilungen können schnell und einfach SAS basierte Analysen innerhalb von Teradata-Datenbanken durchführen. Ziel ist es, die Daten möglichst wenig zwischen Datenbank und dem Data Warehouse zu transportieren und zu replizieren, um so Fehlerquellen zu reduzieren. Positive Nebeneffekte: Die IT-Ressourcen werden weniger beansprucht, Datenvolumina verringert und das Scoring läuft erheblich schneller ab. Dieser Prozess spielt sich für den Fachanwender im Hintergrund ab. Er erhält als Ergebnis einen Report im Format einer Scorecard, die er für seine Entscheidungsfindung nutzen kann. In unserem Beispiel: Welche Kunden mit einer Kampagne angesprochen werden sollen. Eine zentrale Anlaufstelle. Mit dem Vorrücken von Analytics in die Fachabteilungen wächst die Notwendigkeit einer unternehmensweiten Business-Intelligence-Strategie. Sie bringt die Anforderungen der Anwender mit den technologischen und betriebswirtschaftlichen Rahmenbedingungen in Einklang. Hier bietet sich die Einrichtung eines unternehmensinternen BI-Kompetenzzentrums (BICC) an, das die Planung, Koordination und Priorisierung entsprechender Projekte verantwortet. Aufgaben und Zuständigkeit eines BICC variieren je nach Branche und Unternehmen. Zeitlich unbegrenzt setzt es sich aus Vertretern der Fachabteilungen und IT-Experten des Unternehmens zusammen. Ein BICC muss insbesondere klären, welche BI-Strategie die Geschäftsziele am besten unterstützt, wie sich die strategischen, betriebswirtschaftlichen und technologischen Anforderungen optimal erfüllen lassen, und welche BI-Kompetenz bereits vorhanden ist. Wesentliche Aufgabe eines jeden Kompetenzzentrums ist es, bei BI-Fragen zwischen der IT und den Fachbereichen zu vermitteln: Die Experten wissen, wo die »richtigen« Informationen liegen, helfen bei deren Interpretation, ermitteln den Wissensbedarf im Unternehmen und integrieren neue Anforderungen in eine konsistente BI-Strategie. Auf diese Weise sorgt das BICC für konzernweit verbindliche BI-Standards. Der Nutzen eines internen BICC liegt auf der Hand: Durch standardisierte BI-Projekte gewinnen die Fachanwender schneller die Informationen, die sie für ihre Entscheidungen brauchen. Auch trägt ein Kompetenzzentrum dazu bei, dass die BI-Investitionen optimal ausgeschöpft werden. Nicht zuletzt versetzt die Bündelung der BI-Kompetenz das Unternehmen in die Lage, schneller auf neue Herausforderungen zu reagieren. Stefan Ahrens ____________________________________ Stefan Ahrens, Analytics Expert, SAS Deutschland
|
