Home
Intern
Zusätzlich zu den typischen Entscheidungsbegriffen lassen sich in der Auffassung des Autors weitere Aufgaben ergänzen, die im Kern zwar keine „echten“ Entscheidungen sind, aber mit ähnlichen Datenverarbeitungsherausforderungen auskommen müssen:
Zu allererst ist die Anwendung von Standardfunktionen der eingesetzten IT-Lösungen zu nennen, da diese ohne wesentliche Individualaufwände verfügbar sind. Moderne ERP-Lösungen verfügen über eine Vielzahl enthaltener Berichte, Analysen und Datenabfragen, die relativ einfach, flexibel und intuitiv bedienbar sind. So sind beispielweise mit SAP S/4HANA und dem Begriff „embedded Analytics“ umfangreiche Analysefunktionen enthalten, die sogar moderne visuelle Analysen ermöglichen. Der wesentliche Zeitaufwand bei dieser Variante besteht darin, die benötigte Funktion zu finden und entsprechend der Anforderung deren Einsatz zu üben/ trainieren. Diese Form der Datenanalyse eignet sich immer dann, wenn alle relevanten Daten in dem entsprechenden IT-System vorhanden, die Unternehmensprozesse am Herstellerstandard ausgerichtet sind und somit auch die Analysen direkt funktionieren. Weiterhin ist dieser Lösungsweg vor allem für die Verwendungsarten der operativen Analysen anzuwenden, da die Standardfunktionen häufig auf Daten eines Bereiches/ Moduls ausgerichtet sind. Unternehmensindividuelle Entwicklungen erweitern bei Bedarf den Standardumfang. Dies ist in der Regel direkt mit IT-Entwicklungsaufwänden verbunden.
Reicht die Funktion im ERP-System nicht aus, ist des erste Mittel der Wahl häufig Microsoft Excel. Dies liegt daran, dass damit verschiedene Daten zusammenführbar sind und so ohne weitere Softwareinstallationen die Datenverarbeitung und Nutzung stattfinden kann. Aus Sicht des Autors ist Microsoft Excel aber maximal ein Werkzeug, um einmalige Ad-Hoc-Anforderungen zu bedienen oder prototypisch zu agieren. Für einen langfristigen, kollaborativen und nachhaltigen Datenanalyseeinsatz eignet sich das Werkzeug hingegen nicht.
Alternativ zu Microsoft Excel werden heute häufig Business-Intelligence-Analysewerkzeuge zur (in der Regel) visuellen Datenanalyse genutzt. Softwarelösungen dafür gibt es reichlich und mit mittlerweile sehr vergleichbaren Funktionsumfang. Um nur einige typische Lösungen und ohne Anspruch auf Vollständigkeit anzuführen, können Microsoft Power BI, SAP Business Objects, SAP Analytics Cloud, Tableau, Qlik, oder Microstrategy genannt werden. Alle Werkzeuge versprechen mit einem Self-Service-Ansatz die direkte und visuell-moderne Erstellung von Datenanalysen mit hohem Nutzungsgrad visueller Elemente. Das ist grundsätzlich auch gut und nicht verwerflich; vor der Analyse steht dennoch die zuvor diskutierte Aufgabe der Datensammlung und -verarbeitung. Dies gilt speziell in den Szenarien, wenn Daten heterogen, modulweise und damit nicht aufbereitet für den jeweiligen Anwendungsfall vorliegen. Auch für diese Aufgaben bietet die erwähnte Werkzeuggattung Unterstützung. Daten lassen sich über Uploads und Verknüpfungen bearbeiten und so die gewünschte Datenbasis schaffen. Insgesamt „heilen“ die Werkzeuge so System- und Datenbrüche und können für die Anwendungsbereiche operativer und taktischer Analysen genutzt werden. Kritisch zu bewerten ist allerdings, dass durch den (unbestritten auch guten) Self-Service-Ansatz so weiterhin individuelle Analyselösungen entstehen, Datenaufbereitungen mehrfach durchgeführt werden und damit einhergehend die Vergleichbarkeit sowie Konsistenz von analyserelevanten Kenngrößen erschwert wird.
Aus diesem Grund nutzen bereits heute viele Unternehmen zentrale Datenintegrations- und Datenverarbeitungsplattformen – oder im technischen Fachbegriff: Data-Warehouse-Umgebungen (DWH-Umgebungen). Diese Systeme bieten genau das, was operative Systeme aus eingangs beschriebenen Gründen nicht leisten können: die Bereitstellung einer unternehmensweiten, system- sowie prozessübergreifenden Datenlandschaft und damit eine eindeutige Datengrundlage für verschiedene Anwendungsfälle. Dieser Lösungsansatz ist durchaus mit hohen Aufwänden in der Implementierung verbunden. Objektiv betrachtet ist dieser aber im Vergleich zu den zuvor genannten Ansätzen nicht höher, sondern nur greifbarer, da die Einführung eines DWH-Systems oft als Projekt mit definiertem Budget umgesetzt wird. Self-Service-Ansätze oder die Entwicklung von Insellösungen hingegen verschwinden häufig unter dem Radar, sodass die Tätigkeiten und deren Umfang in der Gesamtsicht verdeckt bleibt. Aus Sicht des Autors ist die Etablierung einer Data-Warehouse-Lösung dennoch der mittelfristig richtige Weg, um so für alle datengetriebenen Aufgaben und Analysewerkezuge eine direkte Grundlage zu schaffen. Technologievertreter sind für diese Systeme SAP BW/4HANA, einer datenbankbasierten Lösung über Microsoft SQL oder auch Speziallösungen für bestimmte Datenbereiche wie IBM Hyperion oder Lucanet genannt. Wichtig bei der Auswahl der richtigen Lösung sind Kriterien wie:
Weiterhin sei erwähnt, dass der Fokus von DWH-Systemen in strukturierten Daten liegt.
Als Überlegungsanstoß hilft der Blick auf die ursprünglichen Merkmale und Ziele der DWH-Idee. Demnach stellt ein solches System Daten fachorientiert (1), integriert (2), zeitüberdauernd (3) und nicht-flüchtig (4) zur Verfügung. Ergänzen lassen sich hier noch die Eigenschaften der Analyseorientierung (5), der Sicherheit (6) und Offenheit zur Weiterverwendung (7).
Die vorangegangenen Ausführungen zeigen, dass genau diese Punkte für Anforderungen der übergreifenden Datenanalyse auch heute noch Gültigkeit haben, wenn die Quell-Dateninfrastruktur insgesamt oder auch in Teilen folgende Charakteristik aufweist:
All diese direkt enthaltenen Funktionen führen dazu, dass moderne DWH-Systeme mehr als nur eine Umgebung zur Strukturierung der Datenanalyse sind. Sie können vielmehr DIE zentrale Datendrehscheibe im Unternehmen sein. In dieser Funktion und in Verbindung mit verbreiteten Low-Code-Ansätzen der Entwicklung sind die Systeme ein äußerst gutes Werkzeug, um Digitalisierungsvorhaben von datengetriebenen Prozessen zu unterstützen.
Ein Data Lake ist eine „Sammlung von Rohdaten in [sehr] großem Umfang, für die noch keine weitere Verwendung festgelegt wurde“. Mit dieser Beschreibung ist die direkte Einordnung bereits gemacht – ein Data Lake ist die Vorstufe für die spätere Verwendung der Daten für konkrete Anwendungsszenarien und soll zunächst technisch die Daten sichern und sammeln. Im zweiten großen Unterschied zu den zuvor besprochenen Ansätzen umfassen Ansätze des Data Lakes alle Datenarten; also explizit strukturierte UND unstrukturierte Daten wie Dokumente oder Bilder. Hilft ein Data Lake also für die Datenarchitektur im Unternehmen? Ja, er hilft um Datenübernahmen an einer zentralen Stelle technisch sauber abzubilden und so für die weitere Verwendung eine einzige Grundlage zu stellen. Ein Data Lake setzt aber keine inhaltlich-fachlichen Datenverarbeitungen um und eignet sich daher kaum als Werkzeug zur Datenanalyse oder der direkten Entscheidungsunterstützung. Im konkreten Fall ist also die Frage zu stellen, ob der Einsatz eines Data Lakes aufgrund der hohen Quelldatenablage, des Datenumfangs oder der Datenübernahmeanforderung (mitunter auch in auch Echtzeit) technisch sinnvoll ist und so späteren Verwendungen hilft.
Michael Natterer
Solution Architect SAP BI & Technology
Partner
Anfrage senden
Hier finden Sie alle relevanten Begriffe von A wie ABAP bis S wie SaaS!
