Business-Intelligence-gestütztes Controlling liefert deu ... / 2 Einordnung von Business Intelligence und BI-gestütztem Controlling

Für die Unternehmenssteuerung zeigt sich ungefähr seit dem Beginn des neuen Millenniums ein Trend zu Systemen, die auf Data-Warehouse- und weiteren neuen Informationstechnologien basieren und mit dem Stichwort "Business Intelligence" (BI) beschrieben werden.^[1]

[1] Vgl. Kemper et al., 2010, S. 10 und Chamoni/Gluchowski, 2004, S. 119.

2.1 Begriffseinführung

Unbestritten ist, dass Business Intelligence ein sehr populärer Begriff ist, der sowohl in der Wissenschaft als auch bei Softwareherstellern und anderen Unternehmen in der Praxis Anwendung findet. Recherchiert man diesen Begriff im Internet, erhält man eine sehr große Menge an Treffern. Für den Begriff Business Intelligence gibt es allerdings bis heute keine allgemein akzeptierte Definition.^[1] Die Bedeutung des Begriffes Business Intelligence habe ich daher versucht in meinem Buch "Planung und Reporting im BI-gestützten Controlling" betriebswirtschaftlich sinnvoll einzuordnen und zu definieren:

Wesentliches Merkmal ist die spezielle IT-Unterstützung von Controllingaufgaben für das Management, weshalb auch der Begriff "BI-gestütztes Controlling" diesen integrativen Sachverhalt zwischen betriebswirtschaftlichen Methoden und technischer Umsetzung verdeutlicht.

"BI-gestütztes Controlling ist die zielbezogene Entscheidungsunterstützung der Führungskräfte im Unternehmen und hilft dem Management bei den Aufgaben der Planung, Analyse, Steuerung sowie deren Koordination und setzt hierfür leistungsfähige Informationstechnologien im Rahmen von Business Intelligence wie z. B. Data-Warehouse- und Big-Data-Technologie ein."^[2]

[1] Vgl. u. a. die Definitionen von Schrödel, 2008, S. 9; King, 2014, S. 37; Hanning, 2008, S. 77; Taschner, 2013, S. 9-11 und Kemper et al., 2010, S. 4.

[2] Schön, 2022, S. 467.

2.2 Traditionelle und explorative Business Intelligence

Im BI-gestützten Controlling ist zwischen einem traditionellen Business-Intelligence-Ansatz und einem explorativen Business-Intelligence-Ansatz zu unterscheiden (vgl. Abb. 1).

Abb. 1: Traditionelle und explorative BI aus technischer Sicht^[1]

Bei der traditionellen Datenbewirtschaftung mit einem Data Warehouse (DWH) werden auf der ersten Ebene die Daten der internen und externen Quellen für die Unternehmenssteuerung über den sogenannten ETL-Prozess angebunden.^[2] Die Abkürzung ETL steht hierbei für Extraktion, Transformation und Laden. Als wichtige Quellen stehen vor allem interne Quellen (z. B. die ERP-Systeme, das Rechnungswesen und die Personalwirtschaft), aber auch externe Quellen (z. B. Informationen von Verbänden) zur Verfügung.

Beim Data Warehouse handelt sich um die Hauptdatenquelle des Managements, aus denen die meisten entscheidungsrelevanten Informationen für die Controllingaufgaben abgeleitet werden können. In der explorativen BI werden diese Daten um weitere Quellen mit strukturierten und unstrukturierten Daten über ELT-Prozesse und dem Einsatz von Big-Data-Technologie in einem Data Lake ergänzt. Hierbei geht es z. B. um Web-Logs und RFID-Sensordaten etc., die i. d. R. für spezielle Managemententscheidungen (z. B. das Erkennen von reparaturnotwendigen Bauteilen oder die Segmentierung von besonderen Käufergruppen für die Werbung) herangezogen werden. Die Nutzungsbereiche sind hierbei nicht trennscharf und fließen ineinander über.

Der ETL- bzw. ELT-Prozess beginnt streng genommen auf der Ebene der Datenanbindung und mündet in den Datenzielen der 2. Ebene der Datenverwaltung und -distribution. Vor allem durch die Transformation, und hier speziell durch die Datenharmonisierung, Aggregation und Anreicherung der Daten, wurden bereits zentrale qualitätssichernde Aufgaben der Datenverwaltung übernommen.

Das Core Data Warehouse bildet das Zentrum der Unternehmensinformationen. Es wird gerne auch als Single Point of Truth (SPoT) bezeichnet. Nach weiteren Transformationsprozessen stellt das Core Data Warehouse die Daten für unterschiedliche Auswertungszwecke in sogenannten Data Marts (aufbereitete kleinere Datenbestände) für unterschiedliche Benutzergruppen bereit.

Sowohl in der traditionellen als auch in der explorativen BI erfolgt auf der zweiten Ebene die Datenverwaltung und Distribution der Daten über die Abbildung physischer oder virtueller Datenziele. Hierbei kann es sinnvoll sein, die Daten z. B. aus der NoSQL- bzw. Hadoop-Datenhaltung auch für die Datenziele des traditionellen BI zur Verfügung zu stellen, um hier die Vorteile der leistungsfähigen MSQL-Abfragen für die dritte Ebene der Datenauswertung nutzen zu können.

Umgekehrt kann es aber auch sinnvoll sein, große Datenmengen der traditionellen Datenziele im Bereich der Datenhaltung der explorativen BI zur Verfügung zu stellen, um hier die Vorteile der Geschwindigkeit (u. a. In-Memory-Technik, spaltenorientierte Datenbanken) und Verfügbarkeit (u. a. Parallelverarbeitung) zu nutzen.

Unternehmen, die Cloud-Technologie bevorzugen, werden z. B. mit Software as a Service (SaaS) verstärkt auf virtuelle Datenbereitstellung über die Cloud anzubindenden Quellsysteme setzen, da dies beim Aufbau und einer selektiven Nutzung (Pay-per-Use) kostengünstiger ...