12 - business analytics - wi.uni-potsdam.de · anfänge von analytics big data und business...
TRANSCRIPT
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 [email protected] 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 [email protected]
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