Univ.-Prof. Dr.–Ing. habil. Norbert Gronau Lehrstuhlinhaber | Chairholder

August-Bebel-Str. 89 | 14482 Potsdam | Germany

Tel +49 331 977 3322Fax +49 331 977 3406

E-Mail ngronau@lswi.deWeb lswi.de

Lehrstuhl für Wirtschaftsinformatik Prozesse und SystemeUniversität Potsdam

Chair of Business Informatics Processes and SystemsUniversity of Potsdam

Business AnalyticsBetriebliche Anwendungssysteme

1

Anfänge von Analytics Big Data und Business Analytics Tools für Analytics im Business Umfeld

Aktuelle Nutzungssituation - Ergebnisse einer empirischen Studie

2

Das am häufigsten verwendete Auswertungssystem der Welt ....

3

Historische Entwicklung

Management Informations

Systems1970

Data Warehouse Systems

1980

Executive Information

Systems

Business Intelligence

um 1990

„Big Data“

2012Entwicklung eines Konglomerats von IuK-Systemen(MSS)

4

Decision Support System (DSS)

Executive Information System (EIS)

Management Informationssysteme waren die ersten computergestützten Anwendungssysteme. Der Übergang zu neueren Konzepten wie Business Intelligence ist fließend.

Management Information System (MIS)

Begriffe

Quelle: Gluchowski et al. 2008

Management Support System (MSS)

Ab 1970

Versorgung des Managements mit verdichteten und gefilterten Informationen

Entwicklung eigener Systeme

Um 1980

Planungs- und Analysefunktionen

Ziel: Entscheidungsqualität verbessern

Optimierungsrechnungen, Simulationen und heuristische Verfahren

Ansatz in den 1990er Jahren

Erweiterung des MIS-Ansatzes

Übernahme von Daten aus verschiedenen Datenquellen

Konzept des Data Warehouse

Planung, Organisation, Steuerung und Kontrolle betrieblicher Leistungsprozesse

Kombination von DSS und EIS als allumfassendes Konzept

5

BI = Daten- und Informationsverarbeitung für die Unternehmensführung

BI = Filter zur Beherrschung der Informationsflut- und logistik

BI = MIS, aber besonders schnell in der Auswertung

BI = Frühwarnsysteme

BI = Data Warehouse

BI = Informations- und Wissenspeicherung

BI = Prozess zur Informationserhebung und Auswertung

Business Intelligence - Begriffliche Abgrenzungsprobleme

Quelle: Kemper et al. 2006

6

Extraktion, Transformation

Data Warehouse

Standard

Weiteres BI Verständnis

Ansatz zum Verständnis von BI

Quelle: Chamoni und Gluchowski 2004

Technik AnwendungSchwerpunkt der Betrachtung

Proz

essp

hase

Dat

enau

s-

wer

tung

Dat

enbe

reit-

stel

lung

OLAPMIS EIS

Enges BI Verständnis

Reporting

Ad-hoc

Text Mining

Data MiningPlanung, Konsolidierung

Kennzahlen, BSC

Analyse- orientiertes BI

Verständnis

7

Eigenschaften Einsatzgebiete

Ein Data Warehouse stellt Daten aus verschiedenen Datenquellen zum Zwecke der Entscheidungsfindung zur Verfügung.

Begriff

Data Warehouse

Quelle: Hansen 2009

Themenbezogene, integrierte, zeitorientierte und permanente Datensammlung

Entscheidungsunterstützung für die Führungsebene

Keine operativen Daten

Trennung von operativen Systemen (bspw. ERP)

Komponenten zur Datenbeschaffung und Aufbereitung

Informationsbereitstellung

Einheitliche konsistente Aufbewahrung

Analyse von Datenbeständen

Controllingfunktionen

8

Aufbau eines Data Warehouse

Quelle: Goeken 2005

Präsentations- ebene

Datenbereit- stellungsebene

Datenhaltungs- ebene

Datenerfassungs- ebene

Datenquellen

Frontend-Client

Extraktion

Laden

Laden

Data Warehouse

OLAP - Server

Bereinigen, Transformieren, Kombinieren

(Staging Area)

9

Datenwürfel

Quelle: Goméz 2009

10

Beispiel: Architektur SAP Data Warehouse

11

Data Mining Datenanalyse OLAP

Kritik: Data Warehouse Systeme analysieren keine operativen Daten und durch das periodische Laden sind die Ergebnisse nicht immer aktuell.

Reporting

Auswertungsmethoden

Quelle: Hansen 2009

Werkzeuge für Standardberichte- und Listen

Ad-hoc querys

Grafische und tabellarische Auswertung

Suche nach Trends und Mustern

Neuronale Netze oder künstliche Intelligenz

Ausgangspunkt für neue Erkenntnisse

Schnelle und einfache Änderung von Betrachtungswinkeln

Ausschnitte betrachten

Änderung des Grades an Detaillierung ändern

Grenzwerte analysieren

12

Wachstum der Datenmengen

1 Kunden- auftrag

100 Fertigungs- aufträge

Tracing alle 10 sec.

10 Arbeits- gänge

13

Notwendigkeit neuer Konzepte

Globalisierung

Vernetzung der Märkte

Vernetzung der Märkte

Einsatz von IKT

Steigende Markttransparenz

Sinkende Transaktionskosten

Anspruchsinflation

Individualisierung

Kürzere Produktlebenszyklen

Zeitnahe Verarbeitung und Analyse großer Datenmengen in ERP-System

In-Memory Technologie für ERP-Systeme

Immer größere Datenmengen (Big Data) Steigende Marktdynamik

Zeitdruck bei erfolgskritischen Analysen

14

In-Memory:

In-Memory Technology

Quelle: Plattner 2011

Traditionell:

Permanente Speicherung Verarbeitung Zwischenspeicher

Back Up Verarbeitung Permanente Speicherung

SAP HANA Oracle Times TenDB IBM solidDB

Datenhaltung im Arbeitsspeicher ca. 100 mal schneller

Zugriffszeit: 0,0000001 s

1MB Lesen: 0,00025 s

Zugriffszeit: 0,005 s

MB Lesen: 0,03 s

15

NachteileVorteile

Bewertung In-Memory

Quelle: Loos et al. 2011

Datenaufbereitung entfällt

10 bis 100 mal schnellere Datenanalysen möglich

Separate Analysesysteme können entfallen

Große Mengen an Daten können verarbeitet werden

Komplexere Analyseverfahren werden möglich

Hohe Investitionen in 64-Bit Systeme

Hohe Mengen an Arbeitsspeicher

Hohe Investitionen in Technologie und Umstellungskosten

Leistungsfähigere Technik führt zu immer leistungsstärkeren Anwendungen

16

Anfänge von Analytics

Big Data und Business Analytics Tools für Analytics im Business Umfeld

Aktuelle Nutzungssituation - Ergebnisse einer empirischen Studie

17

Datenvielfalt

SonstigeMaschinen- und

Sensordaten

Webshops

ERP-, CRM-, SCM-Systeme Internet

Social MediaDatenquellen

18

Leistung heutiger Informationssysteme

Standardberichte

Adhoc-Berichte

Abfragen/Drilldown

Alarme

Was ist passiert?

Wie viele, wie oft, wo?

Wo genau ist das Problem?

Welche Handlungen sind erforderlich?

Grad an „Intelligence“

Wet

tbew

erbs

vort

eil

Quelle: Davenport/Harris 2007, S. 8

19

Möglichkeiten durch Analytics

Quelle: Davenport/Harris 2007, S. 8

Standardberichte

Adhoc-Berichte

Abfragen/Drilldown

Alarme

Grad an „Intelligence“

Wet

tbew

erbs

vort

eil

Statistische Analyse Warum passiert das?

Vorhersage/Extrapolation Was, wenn diese Trends anhalten?

Prognosemodelle Was wird als nächstes passieren?

Optimierung Was ist das beste, das passieren kann?

20

Anstieg der Datenmengen

Quelle: Bitkom

21

Merkmale von Big Data

Quelle: Bitkom 2012

Big Data bezeichnet den Einsatz großer Datenmengen aus vielfältigen Quellen mit einer hohen Verarbeitungsgeschwindigkeit.

22

... im Handel

Steigerung von Cross- und Upselling-Quoten

Senkung der Kündigungsrate bei Werbe-Mailings

Senkung des Lagerbestands

Senkung der durchschnittlichen Verweildauer von verfügbaren

Nachschub

Steuerung der Warenströme

Signifikante Steigerung der Analysefähigkeit

Nutzen durch die erfolgreiche Bewältigung von Big Data ...

Macy's, Inc. ist der größte Warenhausbetreiber in den USA mit 798 Filialen. Hauptsitz der Holding ist Cincinnati in Ohio. Besonders bekannt ist das Stammhaus in New York City, das sich selbst als das größte Warenhaus der Welt bezeichnet. Quelle: wikipedia.de

23

... im Handel

Steigerung von Cross- und Upselling-Quoten

Senkung der Kündigungsrate bei Werbe-Mailings

Senkung des Lagerbestands

Senkung der durchschnittlichen Verweildauer von verfügbaren Nachschub

Steuerung der Warenströme

Signifikante Steigerung der Analysefähigkeit

Nutzen durch die erfolgreiche Bewältigung von Big Data ...

Die Warenhauskette Galeria Kaufhof gehört zum Handelsriesen Hudson's Bay (HBC). Die Nordamerikaner haben Kaufhof 2015 von der Metro übernommen.

24

... in der Produktion

Entscheidungssicherheit erhöhen

Produktionsprozesse verbessern

Ausbau von Forschungsaktivitäten

Produktmängel und andere Probleme frühzeitig

erkennen und beheben

Nutzen durch die erfolgreiche Bewältigung von Big Data ...

25

... für Dienstleistungen

Kostensenkung ohne Abstriche bei der Servicequalität

Vermeiden von Wartezeiten

Serviceorientierung erhöhen

Zukünftige Kapazitäten besser planen

Nutzen durch die erfolgreiche Bewältigung von Big Data ...

26

Aktuell stehen Auf- und Ausbauinvestitionen auf der Infrastrukturseite bei den Anwendern im Vordergrund

Ziel: Grundlage für Big-Data-basierte Prozesse und Geschäftsmodelle zu legen

Der Umsatz mit Big-Data-Lösungen weltweit soll von (2014) rund 18,3 Milliarden Euro auf (2026) 92,2 Milliarden

Euro anwachsen

Deutsche Unternehmen sind zurückhaltender

Deutschland wird aber eine europaweite Führungsrolle zum Thema Big Data einnehmen.

Derzeit sind Unternehmen aus der Internet- und eCommerce- und Werbebranche die Vorreiter beim Einsatz von

Big Data

Aktueller Stand

27

RisikenChancen

Bewertung

Schnelle Auswertung großer Datenmengen in Echtzeit

Entscheidungsfindung durch schnellere und bessere Analysen verbessern

Neue Erkenntnisse über Zusammenhänge gewinnen

Erschließung neuer Geschäftsfelder

Steigerung der Effizienz

Kosten

Fehlendes technisches und fachliches Know-How

Fehlende konkrete Einsatzszenarien

Fehlende Datenschutzkonzepte (Bsp. Nutzung Social Media)

Wem gehören die Daten?

Überwachung

28

Diagnostic Analytics

„Warum ist es passiert?“

Predictive Analytics

„Was wird passieren?“

Prescriptive Analytics

„Wie kann ich erreichen, dass

es passiert?“

Predictive Analytics Augmented Reality Social Media Analytics

Zukünftige Entwicklungen

Einbindung von sozialen Medien als Kontaktkanal zu Kunden

Abwicklung von Aufträgen über soziale Netzwerke

Funktionen zur Vorhersage

Neue Zusammenhänge erkennen

Komplexe wirtschaftliche Zusammenhänge analysieren

Erweiterung der Realitätswahrnehmung

Einbindung der Umgebung

Einsatz im privaten und industriellen Umfeld

Descriptive Analytics

„Was ist passiert?“

Information Optimierung

29

Business Intelligence Business AnalyticsZiele

Business Analytics - Ziele und Abgrenzung

Untersuchen von Daten nach neuen Mustern und Zusammenhängen

Erforschen der Ursachen von Ereignissen

Überprüfen von zuvor getroffenen Entscheidung mit Hilfe bestimmter Test (statistische und qualitative Analyse)

Vorhersage zukünftiger Ereignisse (Predictive Analytics)

Was ist passiert?

Wann ist es passiert?

Wer ist der Verursacher?

In welchem Umfang?

Warum ist es passiert?

Wird es wieder passieren?

Was passiert, wenn wir x ändern?

Welche Zusammenhänge lassen sich aus den Daten über das offensichtliche hinaus finden?

30

Anfänge von Analytics

Big Data und Business Analytics Tools für Analytics im Business Umfeld Aktuelle Nutzungssituation - Ergebnisse einer empirischen Studie

31

Berichte

Forecasts

Analytische Funktionen in einem ERP-System sind auf einfache standardisierte Auswertungen beschränkt.

Management Cockpits / Dashboards

Integrierte ERP-Funktionen

Plantafel

Integrierte Übersichten im ERP-System

Informationszentrum für Führungskräfte

Grafische Darstellung von Kennzahlen

Basierend auf Ist-Daten

Aufbereitung von ERP-Daten

Nutzung von Filter- und Selektionskriterien

Ggf. weiter selektierbar

Standard ERP - Funktion

Integrierte Planungsfunktion

Nutzung vergangenheitsorientierter Daten zur Zukunftsprognose

Simulationsfunktion

Erweiterte ERP-Funktion

Darstellung von Planungsabläufen

Berücksichtigung von Abhängigkeiten

Zentrales Element im Leitstand

Anwendung im Bereich Fertigung, Personal, Projektmanagement

32

Beispiel für ein Management Cockpit / Dashboard

33

IBM Microstrategy

Spezialisierte Lösungen (Auszug)

SAS Software

Unabhängiger Anbieter

Vielzahl an Produkten und Branchenlösungen

Produkte rund um das Thema Business Intelligence

Cognos = Analytics Lösung von IBM

SPSS = Lösung für Predictive Analytics

Anbieter im Bereich Business Intelligence

Reporting-, Analyse- und Monitoring Software

34

Anfänge von Analytics

Big Data und Business Analytics Tools für Analytics im Business Umfeld

Aktuelle Nutzungssituation - Ergebnisse einer empirischen Studie

35

Einstellung zu Business Analytics

Tendenziell steht das Management der Thematik offener gegenüber.

Trifft voll zu

Trifft eher zu

Trifft eher nicht zu

Trifft nicht zu2,3 %

16,3 %

41,9 %

39,5 %

12,6 %

47,1 %

24,1 %

16,1 %

Die Mitarbeiter unseres Unternehmens scheuen den Einsatz von AnalysetoolsUnser Top Management befürwortet den Einsatz analytischer Methoden

Gronau 2013

n = 115

36

Anteil der genutzten Datenquellen für Analysen

Erst 12% der befragten Unternehmen nutzen mehr als die Hälfte der verfügbaren Daten.

3 %

9 %

58 %

29 %

Weniger als 20% 20% - 50%51% - 75% Mehr als 75%

n = 115

Gronau 2013

37

Verwendete Datenquellen für Analyse

Für die Analyse werden eher strukturierte Daten verwendet.

Banken / Versicherungen

Handel

Manufacturing

0 % 25 % 50 % 75 % 100 %

Customer-Relationship-Management Enterprise-Resource-Planning-Systeme Point of SaleSocial Media Externe Marktforschungsdaten Websites

n = 115

Gronau 2013

38

Fehlende Kenntnis über die Möglichkeiten von Business Analytics (ca. 65%ige Nennung als Anwendungsbarriere)

Fehlende Investition durch das Top Management (ca. 47%ige Nennung als Anwendungsbarriere)

Fehlende Verständlichkeit aufbereiteter Analysemodelle: Fast die Hälfte der Unternehmen schätzen diese als befriedigend oder ausreichend ein.

Mangelnde Geschwindigkeit von Analyseergebnissen: Auch hier schätzen fast 50% der Unternehmen die Zeitdauer zwischen einer Analyseanfrage und dem vorliegenden Ergebnis als befriedigend oder ausreichend ein.

Ursachen für die erschwerte Nutzung

Gronau 2013

39

Im Detail: Banken und Versicherungen

Business Analytics ist im Bankensektor für die Endkundenorientierung bereits von Bedeutung. 60% der befragten Banken nutzen Business Analytics oft für die Auswertung von Kundenmeinungen

Sehr oft

Oft

Regelmäßig

Projektbezogen

Sehr selten

Gar nicht

0 % 25 % 50 % 75 %

Erkennen von Nachfrageverhalten der KundenMonitoring der Produktwahrnehmung

n = 10

Gronau 2013

40

Im Detail: Handelsunternehmen in der Selbsteinschätzung

n = 20

Handelsunternehmen bewerten sich selbst hinsichtlich Business Intelligence und Business Analytics nur durchschnittlich nur mit befriedigend.

Sehr gut Gut Befriedigend Ausreichend Mangelhaft Ungenügend

4,3 %

14,1 %

29,3 %27,2 %27,0 %

4,3 %

0,0 %

7,6 %

19,6 %

30,4 %

35,9 %

6,5 %

Business Intelligence Business Analytics

Gronau 2013

41

Im Detail: Aufstellung von Industrieunternehmen

n = 45

Die deutsche Industrie ist nur in sehr geringem Umfang analytisch ausgeprägt. Die Aufstellung im Bereich Business Analytics wird mit ungenügend eingestuft und die Nutzung ist noch nicht unternehmensweit verbreitet.

Standardberichte

Ad-hoc Berichte

Abfragen / Drilldown

Alarme

Statistische Analyse

Vorhersage / Extrapolation

Prognosemodelle

Optimierung 4,2

4,5

4,4

3,6

3,8

3,2

2,9

2,1

Gronau 2013

Starke Nutzung Schwache Nutzung

42

Die deutsche Industrie ist nur in sehr geringem Umfang analytisch ausgeprägt. Die Aufstellung im Bereich Business Analytics wird mit ungenügend eingestuft und die Nutzung ist noch nicht unternehmensweit verbreitet.

Fast alle befragten Unternehmen nutzen weniger als die Hälfte der aktuell verfügbaren Unternehmensdaten für Analysezwecke.

ERP-Systeme liefern nach wie vor einen Großteil der Daten in den Industrieunternehmen. Dennoch sind die Unternehmen der Ansicht, dass die Daten aus den operativen Systemen (ERP usw.) noch nicht ausreichend sind, um umfangreiche Analysen durchführen zu können.

Auf der Mitarbeiterebene ist in der deutschsprachigen Industrie Skepsis zu beobachten, denn die Hälfte der Unternehmen gibt an, dass die Mitarbeiter den Einsatz analytischer Methoden scheuen.

Fehlende Investitionen durch das Top Management, fehlende Kenntnis über die Chancen und Vorteile durch Business Analytics führen dazu, dass die Mitarbeiter von Industrieunternehmen noch immer stärker Business Intelligence Lösungen anwenden.

Fazit Industrieunternehmen

Gronau 2013

43

Was versteht man unter Business Intelligence?

Erläutern Sie den Aufbau eines Data Warehouse!

Was wird unter dem Konzept von Big Data verstanden?

Welchen Nutzen kann Big Data stiften und welche Risiken gehen damit einher?

Welche Hindernisse könnten einer Nutzung von Big Data Technologien aktuell entgegenstehen?

Lernzielfragen

44

Zum Nachlesen

Kontakt

Univ.-Prof. Dr.-Ing. Norbert Gronau

Center for Enterprise ResearchUniversität PotsdamAugust-Bebel-Str. 89 | 14482 Potsdam Germany

Tel. +49 331 977 3322E-Mail ngronau@lswi.de

Gronau N., Weber, N., Fohrholz, C.: Wettbewerbsfaktor Analytics - Reifegrad ermitteln, Wirtschaftlichkeitspotenziale entdeckenBerlin 2013, ISBN 978-3-95545-051-9

45

Bitkom 2012: Big Data im Praxiseinsatz - Szenarien, Beispiele, Effekte.

Chamoni, P.; Gluchowsky, P.: Analytische Informationssysteme – Einordnung und Überblick. In: Chamoni, P.; Gluchowski, P. (Hrsg.): Analytische Informationssysteme, Springer-Verlag (Berlin u.a.), 2009, S. 3-22.

Gluchowski, Peter ; Gabriel, Roland ; Dittmar, Carsten: Management Support Systeme und Business Intelligence. Computergestützte Informationssysteme für Fach- und Führungskräfte. 2. Auflage. Springer : Berlin et al. 2008.

Goméz, J. M.; Rautenstrauch, C.; Cissek, P. u.a.: Einführung in SAP Business Information Warehouse. Springer-Verlag (Berlin u.a.), 2006.

Gronau, N. (2013). Wettbewerbsfaktor Analytics: Status, Potenziale, Herausforderung; Forschungsstudie. GITO mbH Verlag.

Kemper et al. 2006: Business Intelligence, Grundlagen und Praktische Anwendungen, 2. Auflage, Vieweg,

Loos, Peter et. al. (2011): In-memory Databases in Business InformationSystems. In Buhl/ Hans Ulrich: Business & Information Systems Engineering, Band 3, Ausgabe 6. Springer Gabler | Springer Fachmedien Wiesbaden GmbH

Plattner, Hasso / Zeier, Alexander (2011): In-MemoryData Management. An Inflection Point for Enterprise Applications. Springer-Verlag Berlin Heidelberg

Literatur

46