Johannes Porsch, Marc Scheck
Um BI-Architekturen erfolgreich zu etablieren, ist eine klar verankerte Organisationsstruktur ein wesentlicher Schlüssel, denn diese stellt die Nachhaltigkeit sicher. Basis hierfür ist ein ganzheitliches Betriebsmodell, in diesem Fall das hier vorgestellte BI Target Operating Model. Es ermöglicht, dass die mit der Architektur angestrebten Effizienz-, Effektivitäts-, Innovations- und Skalierungsziele auch dauerhaft erreicht werden. Das BI TOM beruht auf 5 Säulen und bildet zusammen mit einer Analyse von Ausgangsituation und Unternehmensambition die Basis, um ein ganzheitliches BI-Zielbild zu erarbeiten.
Klare Rollen und Verantwortlichkeiten ermöglichen klar abgegrenzte Aufgaben der BI-Organisation (Serviceportfolio) und die Zusammenarbeit mit anderen Geschäftsbereichen. Eine schlanke Organisationsstruktur wird durch erforderliche strukturelle Änderungen wie der Etablierung von Berichtslinien und Governance durchgesetzt. Prozess- und IT-Integration wird durch Standardisierung, Automatisierung und Definition von Schnittstellen ermöglicht. Zudem müssen Mitarbeiter befähigt werden neue Rollen zu übernehmen und den Umgang mit neuen Technologien zu erlernen.
Die jeweiligen Bausteine des BI TOM sind in Abbildung 1 dargestellt und werden in den folgenden fünf Kapiteln näher erläutert.
Abb. 1: BI Target Operating Model
2.1 Architektur
Die Architektur ist ein integraler Bestandteil der BI-Strategie, die im TOM sowohl technologisch als auch datenarchitektonisch behandelt werden sollte. Um eine robuste Basis zu schaffen und eine nahtlose Integration in die Organisationsstrukturen zu gewährleisten, sind verschiedene Aspekte zu berücksichtigen. Dieser Prozess beginnt mit der Festlegung geeigneter Architekturschichten, setzt sich über die Entscheidungsfindung bei der Datenmodellierung fort und endet bei der klaren Delegation der Verantwortung für die Verwaltung der verschiedenen IT-Systeme sowie deren fachliche Dateninhalte über verantwortliche Rollen mit damit verknüpften Rollen in der Organisation (z. B. systemübergeifende Data Owner je Datendomäne und operativ damit betraute Data Stewards sowie Technical Systems Owners).
Die Systemintegration konzentriert sich darauf, wie die Datenarchitektur gestaltet werden soll. Es gibt zwei Möglichkeiten: Entweder die Integration vieler Systeme in einer zusammengeführten Struktur oder die Schaffung eines heterogeneren Systems, das eine höhere Flexibilität bietet. Diese Entscheidung ist zentral, um sicherzustellen, dass die folgenden Schichten des TOMs gut aufgebaut sind. Bei der Datenmodellierung ergibt sich ein ähnliches Szenario. Ein integriertes Datenmodell aus verschiedenen Unternehmensbereichen erhöht nicht nur die Harmonisierung, sondern ermöglicht auch eine erhebliche Vereinfachung der operativen Steuerung. Ein dezentralerer Ansatz hingegen erhöht die Flexibilität und Individualität der einzelnen Datendomänen, wodurch Systeme und Daten spezifisch für die notwendigen Anforderungen angepasst werden können.
Die Auswahl des technologischen Ansatzes beeinflusst maßgeblich die Ausgestaltung der Bereiche. Ein Data Lake repräsentiert einen monolithischen Ansatz und ein stark integriertes System, während eine Data Fabric einen modularen und agileren Integrationsansatz bietet. DWHs verfügen über ein hochintegriertes Datenmodell, das alle Bereiche des DWHs abbildet. Ein sogenannter Hub-and-Spoke-Ansatz isoliert die Datenmodellierung pro Teilbereich (Spoke) und ermöglicht so mehr Freiheit. Der technologische Ansatz hängt stark mit Systemintegration und Datenmodellierung zusammen und beeinflusst die Wahl der Technologien.
Der Algorithmus- und Semantik-Layer baut auf den Entscheidungen zur Modellierung und Speicherung der Daten innerhalb eines oder mehrerer Systeme auf und bereitet die Daten auf. Der Algorithmus-Layer umfasst Algorithmen und Modelle, die auf den gespeicherten Daten angewendet werden, um Erkenntnisse zu gewinnen, Vorhersagen zu treffen oder Muster zu identifizieren. Diese Algorithmen können verschiedene Analysemethoden nutzen, wie z. B. ML, KI oder statistische Modelle.
Der Algorithmus-Layer ist entscheidend für die Datenverarbeitung und -interpretation, um wertvolle Erkenntnisse für das Unternehmen zu generieren. Der semantische Layer dient als Zwischenschicht zwischen den Datenquellen und den Anwendungen, die auf diese Daten zugreifen. Er bietet eine vereinfachte Darstellung der Daten und sorgt für einheitliche und konsistente Ergebnisse, unabhängig von der zugrunde liegenden Datenstruktur.
Der semantische Layer ist Fachbereichs-orientiert aufgebaut und kann Metadaten, Datenlexika, Business-Objekte und -Klassen umfassen, die den Benutzern helfen, die Daten besser zu verstehen und darauf zuzugreifen. Damit spielt dieser Layer eine wichtige Rolle bei der Steuerung, Integration und Verwaltung von Daten und erleichtert die Abfrage und Analyse der Daten für Endbenutzer.
Die Anwendungsschicht ist der letzte Bereich in der BI-Architektur. Sie besteht aus verschiedenen Anwendungen und Tools, die von Benut...