Business Intelligence

Q: Welche Datenaktualität braucht Business Intelligence?

Für viele Business-Intelligence-Lösungen ist es ausreichend, Daten tagesaktuell oder in Intervallen von 6–12 Stunden bereitzustellen. Wo es das operative Geschäft erfordert, können Daten auch in kürzeren Intervallen bis hin zu Echtzeit-Streaming zur Verfügung gestellt werden. Oft ist es zudem so, dass Datenquellen Limitationen bei der Bereitstellung aufweisen. Beispielsweise kann ein ERP-System Daten nur über Nacht bereitstellen, während ein CRM-System Streaming unterstützen würde. In diesem Fall können CRM-Daten in Echtzeit dargestellt werden, während Analysen, die sowohl ERP- als auch CRM-Daten nutzen, nur so aktuell sind wie die ältesten Daten aus dem ERP-System.

Q: Wie bringe ich meine Organisation dazu Entscheidungen datenbasiert zu treffen?

Unsere Erfahrungen zeigen, dass oftmals Heuristiken in Unternehmen im Einsatz sind, die sich über die Zeit bewährt haben. Ein guter Weg ist es, auf diesen Annahmen aufzubauen und beispielsweise mit einem BI-Dashboard aufzuzeigen, wie diese nun datenbasiert und präziser im Unternehmen eingesetzt werden können. Wir empfehlen, die Mitarbeitenden zu Beginn eines Projektes ins Boot zu holen und offen aufzuzeigen, welche Ziele das Unternehmen mit dem Business-Intelligence-Projekt verfolgt. Teammitglieder kann man motivieren, indem man ihnen aufzeigt, dass in Zukunft weniger Arbeitszeit benötigt wird, um Daten aufzubereiten, und diese frei gewordene Zeit für anspruchsvollere Arbeiten eingesetzt werden kann. Die Einführung eines Business-Intelligence-Tools ermöglicht es, dass fortan ein grösserer Kreis von Personen im Unternehmen Einsicht in Daten hat. Hier sollte man zu Beginn festlegen, welche Abteilungen Zugriff auf verschiedene Unternehmensdaten haben sollen. Gleichzeitig wird spezialisiertes Wissen aufgebrochen: Plötzlich wird transparent, nach welchen Methoden Waren auf Filialen verteilt werden oder welche Wirkung eine Werbekampagne tatsächlich erzielt. Dies ist auch eine Chance für Unternehmen, dass kritisches Wissen breiter verankert wird.

Q: Wie ergänzt Business Intelligence eine Datenplattform wie Snowflake?

Business Intelligence und eine Datenplattform wie Snowflake ergänzen sich ideal: Snowflake dient als zentrale, skalierbare Datenbasis, während BI die Daten für Anwender verständlich und nutzbar macht. Daten aus verschiedenen Quellen werden konsolidiert und bereitgestellt, BI-Tools visualisieren diese in Form von Dashboards und Reports. So entsteht eine klare Trennung: Snowflake stellt eine konsistente Datenbasis bereit, während BI den Zugriff für Fachbereiche ermöglicht und datenbasierte Entscheidungen unterstützt.

Datenbasierte Entscheidungen treffen

Mit unseren Business-Intelligence-Lösungen destillieren wir Unternehmensdaten in Erkenntnisse. So schaffen wir für Schweizer KMU eine Basis, um schnelle und bessere Entscheidungen treffen zu können.

Vom Bauchgefühl zu datenbasierten Entscheidungen

Hinter einem erfolgreichen KMU stehen viele richtige Bauchentscheidungen, oftmals getroffen durch einen charismatischen Gründer. Das ist grundsätzlich sinnvoll: Zu Beginn verfügt ein Unternehmen über wenig Erfahrung und keine historischen Daten, auf die es sich stützen kann.

Wenn das Unternehmenswachstum jedoch nicht mehr 30–40 % pro Jahr, sondern eher 4–5 % beträgt, sind gezielte Verbesserungen im operativen Betrieb gefragt. Solche Entscheidungen werden besser nicht aus dem Bauch heraus, sondern auf der Basis der im Unternehmen entstehenden Daten getroffen. Business Intelligence ermöglicht es, diese Entscheidungen datenbasiert zu fällen.

Hier kommen wir ins Spiel. Mit unserer Erfahrung in der Datenaufbereitung und -visualisierung wissen wir für KMU betriebswirtschaftliche Fragestellungen zu analysieren und verständlich darzustellen.

Wie lässt sich der Warenausschuss um 5–7 % reduzieren? Wie können Mitarbeitende in den Filialen 4–8 % effizienter eingesetzt werden? Für solche Problemstellungen sind Daten notwendig – und sie müssen verständlich aufbereitet sein, um eine fundierte Entscheidung treffen zu können.

Business Intelligence Since 1865

Der Begriff Business Intelligence taucht erstmals 1865 in der Cyclopædia of Commercial and Business Anecdotes von Richard Miller Devens auf. Er beschreibt darin, wie der Bankier Sir Henry Furnese dank eines weitreichenden Netzes an Informationen seinen Konkurrenten stets einen Schritt voraus war – Informationen, die er schneller erhielt und konsequenter sammelte als andere. Als Dank für seine wertvollen Informationen erhielt er sogar von Konig William einen Diamantring von immensem Wert.

Furnese erkannte jedoch bald, dass erfundene Informationen mitunter noch wirkungsvoller waren, um seine Klienten zu beeindrucken.

Auch wenn keine böswillige Absicht dahintersteht: Moderne BI-Reports liefern genauso selten wie Furnese die definitive Wahrheit. Denn Auswertungen spiegeln immer die Perspektive des Erstellers wider.

Nicht immer führen mehr Daten automatisch zu besseren Entscheidungen. Im Gegenteil: Oft lohnt es sich, bei der Konzeption bewusst auf wenige, dafür robuste und aussagekräftige Metriken zu fokussieren.

Sytem 2: Ein Update, das Sie nicht bereuen werden

Wie stabil ist Ihr BI-Report wirklich? Ein guter Belastungstest ist die Frage, ob dieselben Daten auch das Gegenteil belegen könnten.

Nachfolgend einige Beispiele aus der Praxis, wie psychologische Fallstricke die Interpretation verfälschen. Phänomene, die der Psychologe Daniel Kahneman als klassische Denkfehler identifiziert hat.

Der Verkaufserfolg eines Produkts wird häufig auf ein oder mehrere spezifische Attribute zurückgeführt, die dieses Produkt aufweist. Erfolglose Produkte weisen diese Attribute jedoch ebenfalls auf – ein klassischer Fall des Survivorship Bias.

Daten, die einfacher verfügbar sind, werden eher für Begründungen herangezogen als solche, die im BI-System schwer zugänglich oder nicht erfasst sind. Filiale A weist während der Sommerkampagne deutlich schlechtere Abverkaufszahlen auf als andere Filialen. Ein Blick in die Daten zeigt, dass das Verkaufspersonal neu und noch unerfahren ist. Entsprechend wird Unerfahrenheit als Ursache identifiziert. Eine Analyse vor Ort ergibt jedoch, dass die Filiale aufgrund einer benachbarten Baustelle nur schwer zugänglich ist und auch umliegende Geschäfte Umsatzeinbussen verzeichnen. Diese Information ist im BI-System nicht erfasst und kann deshalb in der Auswertung nicht berücksichtigt werden – ein typisches Beispiel für den Availability Bias.

Das Online-Team zeigt in einem BI-Report, dass Online-Marketing massgeblich dazu beiträgt, dass Kunden einkaufen. Dabei wird jedoch verschwiegen, dass viele dieser Kunden zusätzlich ein Direct Mailing per Post erhalten haben. Dieses Beispiel des Confirmation Bias ist weit verbreitet. Die Tendenz, Daten so zu interpretieren, dass sie den eigenen Überzeugungen entsprechen, ist nachvollziehbar, dient jedoch nicht den übergeordneten Interessen des Unternehmens.

Bei avolut setzen wir auf System 2, welches Kahneman als bewusst langsames und anstrengendes Denksystem beschreibt. Denn wenn unternehmerische Entscheidungen auf Basis von BI-Reports getroffen werden, sollten diese nicht auf fragilen Annahmen beruhen.

With great power comes great responsibility

Uncle Ben, der Onkel von Spider-Man, brachte es treffend auf den Punkt: With great power comes great responsibility. Analysen aus BI-Software haben reale Konsequenzen – Prozesse werden verändert, Budgets verschoben, Teams auf- oder abgebaut. Wer aus Daten die falschen Schlüsse zieht, steht am Ende trotz moderner BI-Tools nicht besser da als zuvor.

Nicht immer führen mehr Daten automatisch zu besseren Entscheidungen. Im Gegenteil: Oft lohnt es sich, bei der Konzeption bewusst auf wenige, dafür robuste und aussagekräftige Metriken zu fokussieren.

Denn wenn unternehmerische Entscheidungen auf Basis von BI-Reports getroffen werden, sollten diese nicht auf fragilen Annahmen beruhen.

Moderne BI-Architektur – von Snowflake bis Dashboard

Zu Beginn eines Business-Intelligence-Projekts analysieren wir gemeinsam mit dem Auftraggeber, welche Unternehmensbereiche optimiert werden sollen.

Je nach Ausgangslage müssen zunächst Daten gesammelt und konsolidiert werden. Hierfür setzen wir auf die Snowflake-Datenplattform, die eine skalierbare und sichere Grundlage für moderne Analytics-Anforderungen bietet.

In einem nächsten Schritt bereiten wir die gesammelten Daten in einem Data Mart auf. Dabei werden die Daten so strukturiert, dass sie mit gängigen Business-Intelligence-Tools ausgewertet und interpretiert werden können.

Für die Visualisierung unternehmerischer Fragestellungen verwenden wir Microsoft Power BI, Tableau oder Metabase. Auf Wunsch schulen wir Mitarbeitende des Unternehmens, sodass sie eigenständig weitere Analysen durchführen können und avolut nur noch bei komplexeren Fragestellungen beigezogen wird.

Embedded BI für SaaS und digitale Plattformen

Wenn ein Unternehmen vielen unterschiedlichen Kunden Business-Intelligence-Daten bereitstellen muss, beispielsweise bei einem Marktplatz oder einem Payment-Provider, können wir diese Auswertungen mittels Embedded-BI-Visualisierungen direkt in bestehende Applikationen integrieren.

So entstehen kundenspezifische Dashboards und Reports, die nahtlos in die Benutzeroberfläche eingebettet sind – ohne Medienbrüche oder externe Tools. Gleichzeitig behalten Sie die volle Kontrolle über Datenzugriff, Berechtigungen und Performance. Ihre Kunden sehen relevante Kennzahlen genau dort, wo sie benötigt werden: direkt in der Applikation und im Kontext ihrer Entscheidungen.

Dieser Ansatz minimiert das Coupling zwischen Applikation und Analytics. Sie konzentrieren sich auf die Weiterentwicklung Ihres Produkts, während wir die Verantwortung für Konzeption, Umsetzung und Betrieb der BI-Visualisierungen übernehmen.

Devens, R. M. (1865): Cyclopædia of Commercial and Business Anecdotes
https://archive.org/details/cyclopaediacomm00devegoog/page/n262/mode/2up?page=262&q=%22business+intelligence%22

Kahneman, D. (2011): Thinking, Fast and Slow
https://cdn.penguin.co.uk/dam-assets/books/9780141033570/9780141033570-sample.pdf